一种评估人员行为对母猪产仔影响的方法及系统与流程

1.本技术涉及人员行为评估技术领域，具体涉及一种评估人员行为对母猪产仔影响的方法及系统。


背景技术：

2.受猪场工作人员行为不当会对母猪产仔产生负面影响，母猪受孕到产仔期间对猪场工作人员需采取标准的行为规范，对于进入猪场没有按照行为规范活动的人员，可能会因为人员的行为不当造成母猪受到惊吓和压力从而导致母猪发生早产、难产，影响母猪及其胎儿的健康和发育。
3.人员行为对母猪产仔影响的算法虽然能够通过对人和猪的行为计算输出，但是本身依然存在一些缺点：
4.(1)给猪安装很多物联网设备收集数据，价格昂贵
5.给猪安装很多物联网设备，需要购买大量的传感器、计算机视觉等设备，并且还需要对这些设备进行安装、调试和维护。此外，猪的行为数据量也非常大，需要高效的算法来进行处理和分析，这也会增加成本。
6.(2)数据质量问题
7.猪的行为和生理状态受到很多因素的影响，如环境、饮食、疾病等，因此采集到的数据可能不够准确或者完整，需要进行进一步的处理和分析才能得到可靠的结论。
8.(3)技术难度问题
9.猪的行为和生理状态比较复杂，需要使用专业的技术和算法来进行监测和分析，这对于技术人员的要求比较高，需要具备相关的专业知识和技能。采集人的数据需要涉及到人的个人隐私，如果数据泄露或者被滥用，可能会对人的生活和健康造成影响等。
10.鉴于此，本技术提出了一种评估人员行为对母猪产仔影响的方法及系统，能够帮助企业管理人员制定生产规范，提高生产效率。


技术实现要素：

11.为了解决现有人员行为对母猪产仔影响的算法存在价格昂贵、数据质量较差以及技术较难等问题，本技术提供一种评估人员行为对母猪产仔影响的方法及系统，以解决上述技术缺陷问题。
12.根据本发明的一个方面提出了一种评估人员行为对母猪产仔影响的方法，该方法包括以下步骤：
13.s1、采集人员图像、怀孕母猪身体变化数据以及小猪身体指标数据，从人员图像中提取人员关节点的坐标和人员关节点两侧的点坐标；
14.s2、基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一人员骨骼角度的次数，获取人员动作频次数据；
15.s3、边缘计算网关存储和预处理怀孕母猪身体变化数据、小猪身体指标数据和人
员动作频次数据；
16.s4、对母猪身体变化数据、小猪身体指标数据进行数据清洗，获得清洗后的数据，对清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，以及对清洗后的数据进行同态加密；
17.s5、构建联邦学习模型，通过清洗后的数据对联邦学习模型进行训练，基于训练好的联邦学习模型输出小猪预测指标。
18.通过上述技术方案，本技术通过定义一个物联网服务，使用物联网的消息模型，将怀孕母猪到产仔过程中的采集设备数字化，并在云端构建该设备的数据模型，使用物联网平台来收集和存储猪的数据；定义一个边缘计算服务，使用边缘计算将人的行为数据进行数据收集、存储和更快的数据处理，通过边缘计算网关，采集设备端的数据；定义一个区块链服务，用于数据存证，计算哈希作为文件名存储，并能够将文件哈希打包后签名发送到区块链存证的物联网系统，确保上链后的视频无法修改；定义一个联邦学习服务，用于对收集的数据进行ai训练，训练出来的模型可以用来推测小猪指标。
19.其中，边缘计算的特点是靠近物或数据源头的网络边缘侧，通过融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务；区块链的特点区块间通过哈希相联系，单条链的区块中的数据一定是按照区块高度的顺序递增，索引存证的数据也可保证按照出块顺序递增，同时可根据区块时间戳来确定事件发生的时间，确保事件先后顺序不会被打乱。
20.在具体的实施例中，在步骤s2中，基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一人员骨骼角度的次数，获取人员动作频次数据，具体包括以下子步骤：
21.s21、获取人员关节点a的坐标a(x1,y1)，人员关节点两侧的点b和c的坐标b(x2,y2)和c(x3,y3)，点a和点b之间的向量表示为ab(v1,v2)，点a和点c之间的向量表示为ac(w1,w2)；
22.s22、利用向量的点积和叉积计算人员骨骼角度θ，表达式如下：
23.点积：v
·
w＝v1*w1+v2*w2
24.叉积：v
×
w＝v1*w2-v2*w1
25.θ＝arccos((v
·
w)/(|v|*|w|))
26.式中，|v|和|w|分别表示向量v和w的模；
27.s23、预设时间段为母猪怀崽时间段t，计算在母猪怀崽时间段t内同一人员骨骼角度θ出现的次数，进而推算出母猪怀崽时间段t内的人员动作频次数据n，表达式如下：
28.n＝θ/t*n
29.n＝arccos((v*w)/(|v|*|w|))/t*n
30.式中，n代表母猪怀崽时间段t内的人员动作频次数据；θ/t表示每秒钟人员图像中呈现的骨骼角度；n表示出现同一人员骨骼角度的次数。
31.通过上述技术方案，本技术可以通过n＝arccos((v*w)/(|v|*|w|))/t*n这个式子推断出哪些动作对怀孕母猪的影响比较大。
32.在具体的实施例中，在步骤s5中，构建联邦学习模型包括以下子步骤：
33.s51、协调方建立基本模型，并将基本模型的基本结构与参数告知各参与方；
34.s52、各参与方利用本地数据进行模型训练，并将结果返回给协调方；
35.s53、协调方汇总各参与方的模型，构建全局的联邦学习模型。
36.通过上述技术方案，可以对输入数据进行隐私保护防止猪场关键生产数据被竞争对手获取，通过输入数据和想要得到的输出数据进行ai训练，得到建模模型，可以用于多个猪场对小猪仔健康指标的协同推测。
37.在具体的实施例中，在步骤s1中，怀孕母猪身体变化数据包括体重数据、声音数据；在步骤s4中，对母猪身体变化数据、小猪身体指标数据进行数据清洗，数据清洗包括清理、筛选、去重以及格式化。
38.通过上述技术方案，能够去除重复数据、删除无效数据、纠正错误数据、统一数据格式，以确保数据质量和数据准确性。
39.在具体的实施例中，在步骤s4中，利用merkle树对清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，在区块链中保存清洗后的数据对应的哈希值。
40.通过上述技术方案，以防止数据被篡改。
41.在具体的实施例中，还包括：在步骤s5中，基于训练好的联邦学习模型输出小猪预测指标，计算小猪预测指标的哈希值并进行上链操作。
42.通过上述技术方案，以防止推理出的小猪预测指标被篡改。
43.在具体的实施例中，在步骤s1中，通过摄像头采集人员图像，通过物联网设备采集怀孕母猪身体变化数据以及小猪身体指标数据。
44.上述技术方案中，物联网收集猪的数据的原理是通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等装置与技术，实时采集任何需要监控、连接、互动物体或过程，采集其声、光、热、电、力等各种信息，通过可能的网络接入，实现物与物、物与人泛在连接，实现对物品和过程智能化感知、识别和管理。
45.第二方面，本技术提出了一种评估人员行为对母猪产仔影响的系统，该系统包括：
46.采集模块，配置于采集人员图像、怀孕母猪身体变化数据以及小猪身体指标数据，从人员图像中提取人员关节点的坐标和人员关节点两侧的点坐标；
47.动作频次获取模块，配置于基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一人员骨骼角度的次数，获取人员动作频次数据；
48.边缘计算模块，配置于边缘计算网关存储和预处理怀孕母猪身体变化数据、小猪身体指标数据和人员动作频次数据；
49.同态加密模块，配置于对母猪身体变化数据、小猪身体指标数据进行数据清洗，获得清洗后的数据，对清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，以及对清洗后的数据进行同态加密；
50.联邦学习预测模块，配置于构建联邦学习模型，通过清洗后的数据对联邦学习模型进行训练，基于训练好的联邦学习模型输出小猪预测指标。
51.第三方面，本技术提出了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如上述任一项评估人员行为对母猪产仔影响的方法的步骤。
52.第四方面，本技术提供了一种计算机可读存储介质，计算机可读存储介质存储有
计算机程序，其特征在于，计算机程序被处理器执行时实现如上述任一项评估人员行为对母猪产仔影响的方法的步骤。
53.与现有技术相比，本发明的有益成果在于：
54.(1)本发明提供的物联网、边缘计算和区块链存证服务，可确保上链的数据不可篡改的特性。
55.(2)本发明通过数据清洗和联邦学习，可以更快更精准的完成数据驱动，对此达到更准确的评估。
56.(3)本发明帮助企业管理人员制定生产规范，提高生产效率。
附图说明
57.通过阅读参照以下附图，所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
58.图1是根据本技术的评估人员行为对母猪产仔影响方法的流程图；
59.图2是根据本技术的收集数据以及制作建模过程示意图；
60.图3是根据本技术的人员行为对母猪产仔影响的推理流程图；
61.图4是根据本技术的评估人员行为对母猪产仔影响系统的结构图；
62.图5是适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
63.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
64.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
65.图1示出了本技术的评估人员行为对母猪产仔影响方法的流程图，图2示出了本技术的收集数据以及制作建模过程示意图，请结合参考图1和图2，该方法包括以下步骤：
66.s1、采集人员图像、怀孕母猪身体变化数据以及小猪身体指标数据，从人员图像中提取人员关节点的坐标和人员关节点两侧的点坐标。其中，通过物联网设备采集怀孕母猪身体变化数据以及小猪身体指标数据。怀孕母猪身体变化数据包括体重数据、声音数据。小猪身体指标数据包括体重数据。
67.s2、基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一人员骨骼角度的次数，获取人员动作频次数据。
68.在本实施例中，基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一人员骨骼角度的次数，获取人员动作频次数据，具体包括以下子步骤：
69.s21、在人员骨架上收集三个点，这三个点其中骨架衔接部为a点，取连接a点的左右两侧骨头上的任意点b点和c点。优选的，通过摄像头采集人员骨骼数据，输入一幅人员图像，经过卷积网络提取特征，得到一组特征图，然后分成两个岔路，分别使用cnn网络提取part confidence maps和part affinity fields。得到这两个信息后，使用图论中的
bipartite matching(偶匹配)求出part association，将同一个人的关节点连接起来，由于paf自身的矢量性，使得生成的偶匹配很正确，最终合并为一个人的整体骨架。
70.进一步的，获取人员关节点a的坐标a(x1,y1)，人员关节点两侧的点b和c的坐标b(x2,y2)和c(x3,y3)，点a和点b之间的向量表示为ab(v1,v2)，点a和点c之间的向量表示为ac(w1,w2)；
71.s22、利用向量的点积和叉积计算人员骨骼角度θ，表达式如下：
72.点积：v
·
w＝v1*w1+v2*w2
73.叉积：v
×
w＝v1*w2-v2*w1
74.θ＝arccos((v
·
w)/(|v|*|w|))
75.式中，|v|和|w|分别表示向量v和w的模；
76.s23、预设时间段为母猪怀崽时间段t，计算在母猪怀崽时间段t内相同人员骨骼角度θ出现的次数，进而推算出母猪怀崽时间段t内的人员动作频次数据n，表达式如下：
77.n＝θ/t*n
78.n＝arccos((v*w)/(|v|*|w|))/t*n
79.式中，n代表母猪怀崽时间段t内的人员动作频次数据；θ/t表示每秒钟人员图像中呈现的骨骼角度，应当理解的是，摄像头在录像/拍照的过程中人员可能会出现多个动作，即每秒钟的骨骼角度都不一样，θ/t表示的是照片当前那一秒钟呈现的那个骨骼角度；n表示出现同一人员骨骼角度的次数。
80.通过上述技术方案，本技术可以通过n＝arccos((v*w)/(|v|*|w|))/t*n这个式子推断出哪些动作对怀孕母猪的影响比较大。
81.继续参考图1，本技术提供的评估人员行为对母猪产仔影响方法还包括：
82.s3、边缘计算网关存储和预处理怀孕母猪身体变化数据、小猪身体指标数据和人员动作频次数据。边缘计算网关存储通过合理部署和调配网络边缘侧节点的计算和存储能力，实现基础服务响应。
83.s4、对母猪身体变化数据、小猪身体指标数据进行数据清洗，获得清洗后的数据，利用merkle树对清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，在区块链中保存清洗后的数据对应的哈希值，以及对清洗后的数据进行同态加密。其中，数据清洗包括清理、筛选、去重以及格式化。目的在于去除重复数据、删除无效数据、纠正错误数据和统一数据格式，以确保数据质量和数据准确性。对加密数据执行算术运算，同时保留加密数据的功能和格式的特征，解密其结果等同于在没有任何加密的情况下进行相同的操作。
84.s5、构建联邦学习模型，通过清洗后的数据对联邦学习模型进行训练，基于训练好的联邦学习模型输出小猪预测指标。
85.在本实施例中，构建联邦学习模型包括以下子步骤：
86.s51、协调方建立基本模型，并将基本模型的基本结构与参数告知各参与方；
87.s52、各参与方利用本地数据进行模型训练，并将结果返回给协调方；
88.s53、协调方汇总各参与方的模型，构建全局的联邦学习模型。
89.图3示出了本技术的人员行为对母猪产仔影响的推理流程图，如图3所示，先通过物联网设备采集怀孕母猪身体变化数据，摄像头采集人员动作频次数据，对该怀孕母猪身体变化数据和人员动作频次数据进行计算哈希和上链操作，在区块链中保存这两个数据。
对这两个数据进行同态加密后，用联邦学习建模的模型对小猪指标进行推测。推测的小猪指标结果数据计算其哈希值进行上链操作，在区块链上保存该数据，防止推理结果被篡改。
90.本技术提供了一种通过物联网、边缘计算、机器学习、区块链和隐私计算收集人员和受孕母猪的行为，用来实现推测猪场人员对孕期母猪到产仔的影响的方法。具体通过定义一个物联网服务，使用物联网的消息模型，将怀孕母猪到产仔过程中的采集设备数字化，并在云端构建该设备的数据模型，使用物联网平台来收集和存储猪的数据；定义一个边缘计算服务，使用边缘计算将人的行为数据进行数据收集、存储和更快的数据处理，通过边缘计算网关，采集设备端(例如传感器、摄像头)的数据；定义一个区块链服务，用于数据存证，计算哈希作为文件名存储，并能够将文件哈希打包后签名发送到区块链存证的物联网系统，确保上链后的视频无法修改；定义一个联邦学习服务，用于对收集的数据进行ai训练，训练出来的模型可以用来推测小猪指标。
91.本技术通过物联网、边缘计算、机器学习、区块链和隐私计算可识别出猪场工作人员和受孕母猪的行为动作，从而收集人员和受孕母猪的行为动作再对人员动作对母猪的影响进行分析判断，因此产生规避生产风险的方法。通过识别人体和受孕母猪的关键点和关节位置，能够准确地判断人体和受孕母猪的姿态和动作。通过物联网和边缘计算检测人体和受孕母猪的动作并将其转换为数字信号进行云存储。通过区块链技术保障上链数据的真实性和防篡改。通过隐私计算保障数据隐私。
92.进一步参考图4，作为对上述方法的实现，第二方面，本技术提供了一种评估人员行为对母猪产仔影响的系统400的一个实施例，该系统具体可以应用于各种电子设备中。该系统400包括以下模块：
93.采集模块410，配置于采集人员图像、怀孕母猪身体变化数据以及小猪身体指标数据，从人员图像中提取人员关节点的坐标和人员关节点两侧的点坐标；
94.动作频次获取模块420，配置于基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一人员骨骼角度的次数，获取人员动作频次数据；
95.边缘计算模块430，配置于边缘计算网关存储和预处理怀孕母猪身体变化数据、小猪身体指标数据和人员动作频次数据；
96.同态加密模块440，配置于对母猪身体变化数据、小猪身体指标数据进行数据清洗，获得清洗后的数据，对清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，以及对清洗后的数据进行同态加密；
97.联邦学习预测模块450，配置于构建联邦学习模型，通过清洗后的数据对联邦学习模型进行训练，基于训练好的联邦学习模型输出小猪预测指标。
98.第三方面，本技术提出了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如上述任一项评估人员行为对母猪产仔影响的方法的步骤。
99.第四方面，本技术提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如上述任一项评估人员行为对母猪产仔影响的方法的步骤。
100.下面参考图5，其示出了适于用来实现本技术实施例的电子设备的计算机系统500
的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
101.如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有系统500操作所需的各种程序和数据。cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
102.以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
103.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本技术的方法中限定的上述功能。
104.需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
105.可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)
或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
106.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
107.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种评估人员行为对母猪产仔影响的方法，其特征在于，包括以下步骤：s1、采集人员图像、怀孕母猪身体变化数据以及小猪身体指标数据，从所述人员图像中提取人员关节点的坐标和人员关节点两侧的点坐标；s2、基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一所述人员骨骼角度的次数，获取人员动作频次数据；s3、边缘计算网关存储和预处理所述怀孕母猪身体变化数据、小猪身体指标数据和人员动作频次数据；s4、对所述母猪身体变化数据、小猪身体指标数据进行数据清洗，获得清洗后的数据，对所述清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，以及对所述清洗后的数据进行同态加密；s5、构建联邦学习模型，通过所述清洗后的数据对所述联邦学习模型进行训练，基于训练好的联邦学习模型输出小猪预测指标。2.根据权利要求1所述的评估人员行为对母猪产仔影响的方法，其特征在于，在步骤s2中，基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一所述人员骨骼角度的次数，获取人员动作频次数据，具体包括以下子步骤：s21、获取人员关节点a的坐标a(x1,y1)，人员关节点两侧的点b和c的坐标b(x2,y2)和c(x3,y3)，点a和点b之间的向量表示为ab(v1,v2)，点a和点c之间的向量表示为ac(w1,w2)；s22、利用向量的点积和叉积计算人员骨骼角度θ，表达式如下：点积：v
·
w＝v1*w1+v2*w2叉积：v
×
w＝v1*w2-v2*w1θ＝arccos((v
·
w)/(|v|*|w|))式中，|v|和|w|分别表示向量v和w的模；s23、预设时间段为母猪怀崽时间段t，计算在所述母猪怀崽时间段t内同一所述人员骨骼角度θ出现的次数，进而推算出母猪怀崽时间段t内的人员动作频次数据n，表达式如下：n＝θ/t*nn＝arccos((v*w)/(|v|*|w|))/t*n式中，n代表母猪怀崽时间段t内的人员动作频次数据，θ/t表示每秒钟所述人员图像中呈现的骨骼角度，n表示出现同一所述人员骨骼角度的次数。3.根据权利要求1所述的评估人员行为对母猪产仔影响的方法，其特征在于，在步骤s5中，构建联邦学习模型包括以下子步骤：s51、协调方建立基本模型，并将所述基本模型的基本结构与参数告知各参与方；s52、各参与方利用本地数据进行模型训练，并将结果返回给所述协调方；s53、所述协调方汇总所述各参与方的模型，构建全局的联邦学习模型。4.根据权利要求1所述的评估人员行为对母猪产仔影响的方法，其特征在于，在步骤s1中，所述怀孕母猪身体变化数据包括体重数据、声音数据；在步骤s4中，对所述母猪身体变化数据、小猪身体指标数据进行数据清洗，所述数据清洗包括清理、筛选、去重以及格式化。5.根据权利要求1所述的评估人员行为对母猪产仔影响的方法，其特征在于，在步骤s4中，利用merkle树对所述清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，在
区块链中保存所述清洗后的数据对应的哈希值。6.根据权利要求1所述的评估人员行为对母猪产仔影响的方法，其特征在于，还包括：在步骤s5中，基于训练好的联邦学习模型输出小猪预测指标，计算所述小猪预测指标的哈希值并进行上链操作。7.根据权利要求1所述的评估人员行为对母猪产仔影响的方法，其特征在于，在步骤s1中，通过摄像头采集人员图像，通过物联网设备采集怀孕母猪身体变化数据以及小猪身体指标数据。8.一种评估人员行为对母猪产仔影响的系统，其特征在于，包括：采集模块，配置于采集人员图像、怀孕母猪身体变化数据以及小猪身体指标数据，从所述人员图像中提取人员关节点的坐标和人员关节点两侧的点坐标；动作频次获取模块，配置于基于人员关节点的坐标和人员关节点两侧的点坐标，利用向量法计算出人员骨骼角度，并计算出预设时间段内出现同一所述人员骨骼角度的次数，获取人员动作频次数据；边缘计算模块，配置于边缘计算网关存储和预处理所述怀孕母猪身体变化数据、小猪身体指标数据和人员动作频次数据；同态加密模块，配置于对所述母猪身体变化数据、小猪身体指标数据进行数据清洗，获得清洗后的数据，对所述清洗后的数据进行哈希值计算，并且将计算获得的哈希值上链，以及对所述清洗后的数据进行同态加密；联邦学习预测模块，配置于构建联邦学习模型，通过所述清洗后的数据对所述联邦学习模型进行训练，基于训练好的联邦学习模型输出小猪预测指标。9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述评估人员行为对母猪产仔影响的方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述评估人员行为对母猪产仔影响的方法的步骤。

技术总结
本发明提出了一种评估人员行为对母猪产仔影响的方法及系统，该方法包括：采集人员图像、怀孕母猪身体变化数据以及小猪身体指标数据，从人员图像中提取人员关节点的坐标和人员关节点两侧的点坐标；利用向量法计算出人员骨骼角度，计算出预设时间段内出现同一人员骨骼角度的次数，获取人员动作频次数据；边缘计算网关存储和预处理怀孕母猪身体变化数据、小猪身体指标数据和人员动作频次数据；对母猪身体变化数据、小猪身体指标数据进行数据清洗，计算清洗后的数据的哈希值并将其上链，并进行同态加密；对基于训练好的联邦学习模型输出小猪预测指标。本发明能更准确的评估人员行为对母猪产仔影响，以及确保上链的数据不可篡改。以及确保上链的数据不可篡改。以及确保上链的数据不可篡改。


技术研发人员：薛素金 唐璐 朱天阳 杨焜
受保护的技术使用者：厦门农芯数字科技有限公司
技术研发日：2023.07.06
技术公布日：2023/10/19