CN106971206A - 一种护理动作考核方法及*** - Google Patents

一种护理动作考核方法及*** Download PDF

Info

Publication number
CN106971206A
CN106971206A CN201710239429.XA CN201710239429A CN106971206A CN 106971206 A CN106971206 A CN 106971206A CN 201710239429 A CN201710239429 A CN 201710239429A CN 106971206 A CN106971206 A CN 106971206A
Authority
CN
China
Prior art keywords
examining model
motion images
appraisal
result
examination method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710239429.XA
Other languages
English (en)
Inventor
黄伟杰
黄英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710239429.XA priority Critical patent/CN106971206A/zh
Publication of CN106971206A publication Critical patent/CN106971206A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请公开了一种护理动作考核方法,包括采集护理员的动作图像,将动作图像输入到考核模型中,考核模型进行相应的分析,得到考核结果;其中,考核模型为利用历史动作图像,对卷积神经网络进行训练得到的。可见,本申请利用由卷积神经网络训练而成的考核模型,对护理员的动作图像进行分析,从而得到诊断结果,无需再由人工对护理员的动作进行考核,避免了人为因素的干扰,提供了一种快速且精准的考核方法。另外,本申请还相应公开了一种护理动作考核***。

Description

一种护理动作考核方法及***
技术领域
本发明涉及人工神经网络领域,特别涉及一种护理动作考核方法及***。
背景技术
随着社会的发展,伴随着我国独生子女政策的实施,我国人口结构发生变化,更多的老年人需要养老护理,而社会却难以满足需求,为此,市场中出现大量的养老护理机构,一时间养老护理员的岗位需求大大增加。
现有的养老培训机构最终的考核都是单纯依赖于人为上的考核方式,由人工的评委在护理员考核过程中对考生的各种动作进行评价、比对、分析,难以达到准确无误的分析并且给出公平的打分,例如,在最基本的给老人穿脱衣动作中,因为此套动作的复杂性,单纯人为的进行监视难免会有对护理员某些动作没做到位而疏忽掉,难以达到合格的监控以及给出正确无误的评价。
所以,为了提高培养出一名合格的护理员的质量,提供一种快速且精准的考核方法,成为了可研究方向。
发明内容
有鉴于此,本发明的目的在于提供一种护理动作考核方法及***,提供一种快速且精准的考核方法。其具体方案如下:
一种护理动作考核方法,包括:
采集护理员的动作图像,将所述动作图像输入到考核模型中,所述考核模型进行相应的分析,得到考核结果;
其中,所述考核模型为利用历史动作图像,对卷积神经网络进行训练得到的。
优选的,所述采集护理员的动作图像的过程,包括:
采集护理员的原始动作图像,对所述原始动作图像进行格式转换,得到所述动作图像。
优选的,所述考核模型得到过程,包括:
预先搭建卷积神经网络;
利用所述历史动作图像和与所述历史动作图像相应的标签,对所述卷积神经网络进行训练,得到所述考核模型;
其中,所述标签标记所述历史动作图像的类别。
优选的,所述卷积神经网络包括:
依次连接的第一卷积层、第一最大池化层、第一响应归一化、第二卷积层、第二响应归一化、第二最大池化层、第一全连接层、第二全连接层和多项式逻辑回归层。
优选的,所述将所述动作图像输入到考核模型中,所述考核模型进行相应的计算,得到考核结果的过程,包括:
将所述动作图像输入到用户终端的考核模型中进行分析,得到初步考核结果;
将所述初步考核结果发送至云服务器的考核模型中进行分析,得出考核结果。
本发明还公开了一种护理动作考核***,包括:
采集模块,用于采集护理员的动作图像;
考核模块,用于将所述动作图像输入到考核模型中,所述考核模型进行相应的分析,得到考核结果;
其中,所述考核模型为利用历史动作图像,对卷积神经网络进行训练得到的。
优选的,所述采集模块,包括:
采集单元,用于采集护理员的原始动作图像;
转换单元,用于对所述原始动作图像进行格式转换,得到所述动作图像。
优选的,所述考核模块,包括:
搭建单元,用于预先搭建卷积神经网络;
训练单元,用于利用所述历史动作图像和与所述历史动作图像相应的标签,对所述卷积神经网络进行训练,得到所述考核模型;
其中,所述标签标记所述历史动作图像的类别。
优选的,所述考核模块,包括:
第一分析单元,用于将所述动作图像输入到用户终端的考核模型中进行分析,得到初步考核结果;
第二分析单元,用于将所述初步考核结果发送至云服务器的考核模型中进行分析,得出考核结果。
本发明中,护理动作考核方法,包括采集护理员的动作图像,将动作图像输入到考核模型中,考核模型进行相应的分析,得到考核结果;其中,考核模型为利用历史动作图像,对卷积神经网络进行训练得到的。可见,本发明利用由卷积神经网络训练而成的考核模型,对护理员的动作图像进行分析,从而得到诊断结果,无需再由人工对护理员的动作进行考核,避免了人为因素的干扰,提供了一种快速且精准的考核方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种护理动作考核方法流程示意图;
图2为本发明实施例提供的另一种护理动作考核方法流程示意图;
图3为本发明实施例提供的一种护理动作考核***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种护理动作考核方法,参见图1所示,该方法包括:
步骤S11:采集护理员的动作图像。
具体的,采集护理员做出护理动作时的动作图像,可以由考核员在护理员做出护理动作时发出采集指令,以采集到护理员做出护理动作时的动作图像,也可以采用用定时采集的方式进行采集,可以通过设定间隔时间和采集时间实现,其中,间隔时间,用于每隔一段时间开始进行动作图像的采集,在此期间护理员可以为接下来的动作做准备,采集时间,用于在此时间内对对护理员的动作进行图像采集,得到动作图像,例如,设定间隔时间为5分钟,采集时间为10分钟,每隔5分钟采集护理员一共10分钟的动作,当然,采集时间可以根据护理员执行不同动作而采用不同时间。
步骤S12:将动作图像输入到考核模型中,考核模型对动作图像进行相应的分析,得到考核结果。
具体的,将采集到的动作图像输入到考核模型中,考核模型利用卷积神经网络算法,对动作图像进行相应的分析,判别出动作图像是否符合标准,从而得到考核结果。
其中,考核模型为预先利用历史动作图像,对卷积神经网络进行训练得到的,首先预先搭建卷积神经网络,搭建的卷积神经网络可以包括依次相连的卷积层、最大池化层、局部响应归一化、全连接层和多项式逻辑回归层,再利用大量的历史动作图像和与历史动作图像相应的标签,对卷积神经网络进行训练,使卷积神经网络习得每一种动作的判断标准,从而得到考核模型,可以理解的是,考核模型为可以复用,在样本库或判断标准不发生改变时,不用再对考核模型进行重新训练;其中,标签用于标记历史动作图像的类别,例如,标记该历史动作图像为脱衣动作的标准动作。
可见,本发明实施例利用由卷积神经网络训练而成的考核模型,对护理员的动作图像进行分析,从而得到诊断结果,无需再由人工对护理员的动作进行考核,避免了人为因素的干扰,提供了一种快速且精准的考核方法。
本发明实施例公开了一种具体的护理动作考核方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。参见图2所示,具体的:
步骤S21:采集护理员的原始动作图像,对原始动作图像进行格式转换,得到动作图像。
由于,考核模型对于分析的图像有着一定的格式要求,直接采集到的动作图像可能与考核模型不兼容,因此需要将动作图像格式进行转换,变为考核模型兼容的格式。
具体的,采集未经处理的护理员的原始动作图像,对原始动作图像进行格式转换,使转换后的图像满足考核模型的格式要求,得到动作图像。
步骤S22:将动作图像输入到用户终端的考核模型中进行分析,得到初步考核结果。
具体的,采集护理员的动作图像时,可能会采集到大量的无用图片和非关键图片,可能占到总图片数量的三分之二,其中,无用图片为考核模型无法进行识别的图像,例如,分辨率过低的图像,非关键图片为护理员在进行护理动作时的非关键性动作,即,考核模型不对此类图像进行判断,为此,将采集到的动作图像先发送至用户终端的考核模型中进行分析,在用户终端的考核模型中,先行筛选出满足判断条件的动作图像,得到初步考核结果。其中,用户终端可以为使用杨梅派的微型电脑。
步骤S23:将初步考核结果发送至云服务器的考核模型中进行分析,得出考核结果。
可以理解的是,云服务器中的考核模型在训练时采用的历史动作图像更多,因此判断结果也更加精准,所以将初步考核结果发送至云服务器的考核模型中,由云服务器的考核模型对初步考核结果的各动作图像进行分析,从中筛选出合格的动作图像,并将与动作图像相应的标签标记在相应的动作图像上,以便于用户进行浏览。
进一步的,云服务器的考核模型得出考核结果后,将考核结果发送至用户终端,以使用户可以通过用户终端查看考核结果。
需要说明的是,本发明实施例中使用的卷积神经网络是基于TensorFlow(腾三福)的卷积神经网络,考核模型中包括依次连接的第一卷积层、第一最大池化层、第一响应归一化、第二卷积层、第二响应归一化、第二最大池化层、第一全连接层、第二全连接层和多项式逻辑回归层,其中,第一和第二卷积层用于实现卷积以及修正线性激活,使用卷积核过滤图像的各个小区域,从而得到这些小区域的特征值;第一和第二最大池化层,用于降采样操作,在每个特定的小区域内,选取最大值作为输出值;多项式逻辑回归层,用于进行线性变换以输出评定模型,并且计算归一化的预测值和label的一位有效编码的交叉熵。
相应的,本发明实施例还公开了一种护理动作考核***,参见图3所示,该***包括:
采集模块11,用于采集护理员的动作图像。
具体的,采集模块11可以利用伺服电机驱动摄像头转动,从而精准的采集护理员的动作图像。
考核模块12,用于将动作图像输入到考核模型中,考核模型进行相应的分析,得到考核结果;
其中,考核模型为利用历史动作图像,对卷积神经网络进行训练得到的。
可见,本发明实施例利用由卷积神经网络训练而成的考核模型,对护理员的动作图像进行分析,从而得到诊断结果,无需再由人工对护理员的动作进行考核,避免了人为因素的干扰,提供了一种快速且精准的考核方法。
本发明实施例中,上述采集模块11,具体可以包括采集单元和转换单元;其中,
采集单元,用于采集护理员的原始动作图像;
转换单元,用于对原始动作图像进行格式转换,得到动作图像。
上述考核模块12,具体可以包括搭建单元、训练单元、第一分析单元和第二分析单元;其中
搭建单元,用于预先搭建卷积神经网络;
训练单元,用于利用历史动作图像和与历史动作图像相应的标签,对卷积神经网络进行训练,得到考核模型;
其中,标签标记历史动作图像的类别。
第一分析单元,用于将动作图像输入到用户终端的考核模型中进行分析,得到初步考核结果;
第二分析单元,用于将初步考核结果发送至云服务器的考核模型中进行分析,得出考核结果。
其中,卷积神经网络包括:依次连接的第一卷积层、第一最大池化层、第一响应归一化、第二卷积层、第二响应归一化、第二最大池化层、第一全连接层、第二全连接层和多项式逻辑回归层。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种护理动作考核方法及***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种护理动作考核方法,其特征在于,包括:
采集护理员的动作图像,将所述动作图像输入到考核模型中,所述考核模型进行相应的分析,得到考核结果;
其中,所述考核模型为利用历史动作图像,对卷积神经网络进行训练得到的。
2.根据权利要求1所述的护理动作考核方法,其特征在于,所述采集护理员的动作图像的过程,包括:
采集护理员的原始动作图像,对所述原始动作图像进行格式转换,得到所述动作图像。
3.根据权利要求1所述的护理动作考核方法,其特征在于,所述考核模型得到过程,包括:
预先搭建卷积神经网络;
利用所述历史动作图像和与所述历史动作图像相应的标签,对所述卷积神经网络进行训练,得到所述考核模型;
其中,所述标签标记所述历史动作图像的类别。
4.根据权利要求1所述的护理动作考核方法,其特征在于,所述卷积神经网络包括:
依次连接的第一卷积层、第一最大池化层、第一响应归一化、第二卷积层、第二响应归一化、第二最大池化层、第一全连接层、第二全连接层和多项式逻辑回归层。
5.根据权利要求1至4任一项所述的护理动作考核方法,其特征在于,所述将所述动作图像输入到考核模型中,所述考核模型进行相应的计算,得到考核结果的过程,包括:
将所述动作图像输入到用户终端的考核模型中进行分析,得到初步考核结果;
将所述初步考核结果发送至云服务器的考核模型中进行分析,得出考核结果。
6.一种护理动作考核***,其特征在于,包括:
采集模块,用于采集护理员的动作图像;
考核模块,用于将所述动作图像输入到考核模型中,所述考核模型进行相应的分析,得到考核结果;
其中,所述考核模型为利用历史动作图像,对卷积神经网络进行训练得到的。
7.根据权利要求6所述的护理动作考核方法,其特征在于,所述采集模块,包括:
采集单元,用于采集护理员的原始动作图像;
转换单元,用于对所述原始动作图像进行格式转换,得到所述动作图像。
8.根据权利要求6所述的护理动作考核方法,其特征在于,所述考核模块,包括:
搭建单元,用于预先搭建卷积神经网络;
训练单元,用于利用所述历史动作图像和与所述历史动作图像相应的标签,对所述卷积神经网络进行训练,得到所述考核模型;
其中,所述标签标记所述历史动作图像的类别。
9.根据权利要求6至8任一项所述的护理动作考核方法,其特征在于,所述考核模块,包括:
第一分析单元,用于将所述动作图像输入到用户终端的考核模型中进行分析,得到初步考核结果;
第二分析单元,用于将所述初步考核结果发送至云服务器的考核模型中进行分析,得出考核结果。
CN201710239429.XA 2017-04-13 2017-04-13 一种护理动作考核方法及*** Pending CN106971206A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710239429.XA CN106971206A (zh) 2017-04-13 2017-04-13 一种护理动作考核方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710239429.XA CN106971206A (zh) 2017-04-13 2017-04-13 一种护理动作考核方法及***

Publications (1)

Publication Number Publication Date
CN106971206A true CN106971206A (zh) 2017-07-21

Family

ID=59332809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710239429.XA Pending CN106971206A (zh) 2017-04-13 2017-04-13 一种护理动作考核方法及***

Country Status (1)

Country Link
CN (1) CN106971206A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875687A (zh) * 2018-06-28 2018-11-23 泰康保险集团股份有限公司 一种护理质量的评估方法及装置
CN109376635A (zh) * 2018-10-15 2019-02-22 常州市第二人民医院 一种护理质量考核***及安全事件上报方法
CN109740488A (zh) * 2018-12-27 2019-05-10 武汉大学 一种基于深度学习的内镜清洗消毒质量控制***及方法
CN110033160A (zh) * 2019-02-27 2019-07-19 贵州力创科技发展有限公司 一种绩效考评***及方法
CN111476374A (zh) * 2020-04-14 2020-07-31 重庆工业职业技术学院 基于神经网络的纯电动汽车电器故障诊断训练方法与装置
CN111863218A (zh) * 2020-07-14 2020-10-30 郝香敏 一种医院护理考核管理***
CN112102934A (zh) * 2020-09-16 2020-12-18 南通市第一人民医院 一种护士规范化培训考核评分方法和***
TWI834961B (zh) * 2021-03-24 2024-03-11 國立臺北護理健康大學 護理品管稽核輔助系統、方法以及使用者設備

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012043020A1 (ja) * 2010-09-29 2012-04-05 オムロンヘルスケア株式会社 安全看護システム、および、安全看護システムの制御方法
CN103816654A (zh) * 2012-11-19 2014-05-28 大连鑫奇辉科技有限公司 一种舞蹈训练***
CN104281853A (zh) * 2014-09-02 2015-01-14 电子科技大学 一种基于3d卷积神经网络的行为识别方法
CN105999670A (zh) * 2016-05-31 2016-10-12 山东科技大学 基于kinect的太极拳动作判定和指导***及其指导方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012043020A1 (ja) * 2010-09-29 2012-04-05 オムロンヘルスケア株式会社 安全看護システム、および、安全看護システムの制御方法
CN103816654A (zh) * 2012-11-19 2014-05-28 大连鑫奇辉科技有限公司 一种舞蹈训练***
CN104281853A (zh) * 2014-09-02 2015-01-14 电子科技大学 一种基于3d卷积神经网络的行为识别方法
CN105999670A (zh) * 2016-05-31 2016-10-12 山东科技大学 基于kinect的太极拳动作判定和指导***及其指导方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEXANDROS IOSIFIDIS ET AL: "Human action recognition based on bag of features and multi-view neural networks", 《 2014 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
CHENQIANGGAO ET AL: "InfAR dataset: Infrared action recognition at different times", 《NEUROCOMPUTING》 *
高玉霞等;: "护生错误或习惯动作与护理技能形成的相关性分析", 《解放军护理杂志》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875687A (zh) * 2018-06-28 2018-11-23 泰康保险集团股份有限公司 一种护理质量的评估方法及装置
CN109376635A (zh) * 2018-10-15 2019-02-22 常州市第二人民医院 一种护理质量考核***及安全事件上报方法
CN109740488A (zh) * 2018-12-27 2019-05-10 武汉大学 一种基于深度学习的内镜清洗消毒质量控制***及方法
CN110033160A (zh) * 2019-02-27 2019-07-19 贵州力创科技发展有限公司 一种绩效考评***及方法
CN111476374A (zh) * 2020-04-14 2020-07-31 重庆工业职业技术学院 基于神经网络的纯电动汽车电器故障诊断训练方法与装置
CN111476374B (zh) * 2020-04-14 2022-09-27 重庆工业职业技术学院 基于神经网络的纯电动汽车电器故障诊断训练方法与装置
CN111863218A (zh) * 2020-07-14 2020-10-30 郝香敏 一种医院护理考核管理***
CN112102934A (zh) * 2020-09-16 2020-12-18 南通市第一人民医院 一种护士规范化培训考核评分方法和***
TWI834961B (zh) * 2021-03-24 2024-03-11 國立臺北護理健康大學 護理品管稽核輔助系統、方法以及使用者設備

Similar Documents

Publication Publication Date Title
CN106971206A (zh) 一种护理动作考核方法及***
CN109063728A (zh) 一种火灾图像深度学习模式识别方法
CN108081266A (zh) 一种基于深度学习的机械臂手部抓取物体的方法
CN108670276A (zh) 基于脑电信号的学习注意力评价***
WO2020087848A1 (zh) 一种基于Lora和Capsule的实时行为识别***及其工作方法
CN106382960A (zh) 基于互联网+技术的建筑室内环境自动监测***及方法
CN109360374A (zh) 一种基于物联网的人体摔倒自动预警***
CN103593740A (zh) 一种农情信息移动采集***及其方法
CN107860425A (zh) 一种桥梁结构健康监测与预警***及方法
CN104133397A (zh) 诱捕器中的虫害精准计数电路及其计数方法
CN109782832A (zh) 一种蛋鸡养殖环境监控***及方法
CN109670584A (zh) 一种基于大数据的故障诊断方法及***
CN107887010A (zh) 一种心血管疾病数据采集与分诊平台
CN110084158A (zh) 一种基于智能算法的用电设备识别方法
CN205862561U (zh) 一种基于物联网的桥梁健康分布式监控***
CN114842957B (zh) 一种基于情绪识别的老年痴呆症辅助诊断***及其方法
CN108334938A (zh) 一种基于图像识别的蚊媒自动监测***
CN107526440A (zh) 基于决策树分类的手势识别的智能电器控制方法及***
CN106502121A (zh) 一种智能家居控制***
CN109411053A (zh) 一种老年人动作康复训练管理数据模型构建方法
CN105900955A (zh) 太阳能靶标害虫自动识别***
CN206195834U (zh) 一种远程控制动物饲养的家庭农场***
CN211401306U (zh) 一种基于LoRa设备的畜禽舍环境多参数远程监控***
CN108628266A (zh) 基于大数据分析的智能养殖大棚监测***
CN206117723U (zh) 基于无线网络的汽油发电机组远程监控***

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170721

RJ01 Rejection of invention patent application after publication