发明内容
本公开的目的在于提供一种可靠性高、人力成本低、饲喂流程灵活性高的饲料供给方法、饲料供给***、计算机***以及存储介质。
根据本公开的第一方面,提供了一种饲料供给方法,该饲料供给方法包括:
接收一待检测热力图;
根据所述待检测热力图的热量分布判断目标区域是否包括目标牲畜;
在目标区域包括目标牲畜时,对所述目标牲畜进行姿态识别,以判断所述目标牲畜是否处于需进食状态;
在所述目标牲畜处于需进食状态时,生成一下料指令并发送至下料装置,以用于所述下料装置根据所述下料指令进行下料。
在本公开的一种示例性实施例中,所述下料方法还包括:
通过摄像装置检测所述目标区域的热量是否变化;
在所述目标区域的热量变化时,通过摄像装置拍摄所述目标区域的所述待检测热力图。
在本公开的一种示例性实施例中,根据所述待检测热力图的热量分布判断目标区域是否包括目标牲畜,包括:
通过基于DeepMask分割构架的第一分割模型对所述待检测热力图进行实例分割,得到第一判断结果,所述第一判断结果包括实例分割后的处理图像。
在本公开的一种示例性实施例中,根据所述待检测热力图的热量分布判断目标区域是否包括目标牲畜,还包括:
通过基于SharpMask分割构架的第二分割模型对所述处理图像再次进行实例分割,得到第二判断结果,所述第二判断结果包括再次实例分割后的处理图像。
在本公开的一种示例性实施例中,对所述目标牲畜进行姿态识别,包括:
对预设数量的实例分割后的所述处理图像进行姿态特征提取处理,得到训练集数据;
采用所述训练集数据进行神经网络训练,得到姿态识别模型;
根据获取的测试集数据对所述姿态识别模型进行测试调整处理,得到最优姿态识别模型;
根据所述最优姿态识别模型对所述待检测热力图进行识别,并输出识别结果。
在本公开的一种示例性实施例中,对预设数量的所述目标牲畜的图像进行骨架特征提取处理,得到训练集数据,包括:
对所述预设数量的所述处理图像进行中值滤波,得到多个滤波目标牲畜图像;
对各所述滤波目标牲畜图像进行姿态数据提取,获得需进食姿态与无需进食姿态的原始训练样本集数据与测试集数据;
对所述原始训练样本集数据中图像进行目标牲畜外包围框标注和类别标注,获得所述训练集数据。
在本公开的一种示例性实施例中,在所述目标牲畜处于需进食状态时,生成一下料指令并发送至下料装置,包括:
在所述目标牲畜处于需进食状态时,根据下料规则判断是否可以下料;
若是,则根据所述下料规则生成一下料指令并发送至下料装置。
在本公开的一种示例性实施例中,所述下料规则包括:下料栏位、单次下料量、可下料时间。
根据本公开的第二方面,提供了一种饲料供给***,该下料***包括:
图像接收模块,用于接收待检测热力图;
图像分割模块,用于根据所述待检测热力图的热量分布判断目标区域是否包括目标牲畜;
姿态识别模块,在目标区域包括目标牲畜时,用于对所述目标牲畜进行姿态识别,以判断所述目标牲畜是否处于需进食状态;以及
下料控制模块,在所述目标牲畜处于需进食状态时,生成一下料指令并发送至下料装置,以用于所述下料装置根据所述下料指令进行下料。
根据本公开的第三方面,提供了一种计算机***,该计算机***包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任一实施例提供的饲料供给方法。
根据本公开的第四方面,提供了一种存储介质,该存储介质存储有计算机程序,所述程序被处理器执行时实现根据上述任一实施例提供的饲料供给方法。
本公开提供的饲料供给方法,能够根据接收的待检测热力图,判断目标区域是否有目标牲畜,目标牲畜识别算法可为AI算法,识别算法通过训练能够准确的对目标牲畜进行识别,保证识别算法的可靠性;当目标区域具有目标牲畜时,接着进一步判断目标牲畜是否处于需进食状态,当目标牲畜处于需进食状态时,生成下料指令控制下料装置进行下料,实现对目标牲畜的饲喂。整个下料过程可实现自动化,免去了人力重复巡检的高强度体力劳动,能够准确判断当前场景是否需要下料,从检测到目标牲畜到饲喂器下料整体流程时间较短,可达到三秒左右,能够及时对牲畜进行下料;可应用场景广,可应用于不同的场景,例如,可应用于猪场、鸡场、鹅场等养殖场。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”等仅作为标记使用,不是对其对象的数量限制。
目前,养殖场的饲喂场景的解决方案一般可分为人工饲喂与机械饲喂两种。采用人工饲喂时,需要养殖场饲喂人员在仓库管理处填写申请领取饲料,每日逐舍逐栏巡检养殖场,为需要下料的栋舍栏位手工添料。采用机械饲喂时,养殖场管理人员预先设定好各栋舍需要下料的时间、次数、下料量,到设定时间时,饲喂机器会根据相应的配置下料。
以饲养猪为例,申请人发现,对于人工饲喂,最大的局限就是高昂的人力成本。饲养员需要挨舍去比对猪只信息,查看猪只情况,并手动给猪只加料,劳动强度很大。一般来说,这种方法只在存栏量500以下的小型猪场适用,不适合数千乃至数万级别存栏量的规模化猪场。此外,难以规范化管理也是人工饲喂的另一个主要弊端。在巡视过程中,饲养员需要以人力运输饲料,在添加饲料时往往也是根据感觉大致添加一定量的料,对于什么阶段、品种的猪只该下多少料、实际下了多少量并无一个准确的概念。一方面,这降低了饲喂的效率。按照饲养员的经验饲喂难以保证饲喂的科学性,反映到猪只生长上就会表现出同一批猪生长情况有好有坏的情况。另一方面,人工饲喂难以把控各环节成本。对于猪场管理人员来说,能掌握的信息就只有在饲养员领取饲料时的一张记录表,这其中有多少被下给了猪,有多少在运输、保存过程中损耗,有多少因为下料量不合理导致浪费,都是无法掌控的,无法掌握数据,优化也就无从谈起。
对于机械饲喂,下料死板是机械饲喂方案的主要弊端,现有的机械饲喂的方式虽然解放了人力成本的问题,但也带来了新的问题。由于机械饲喂的参数都是提前配置好的,这使得下料量无法适应复杂的现场情况。比如当某些猪只某日下料量不足的情况下,机械饲喂方案需要从***中重新调整下料量,以满足猪只进食需求。当现场情况频繁变化时,会加大操作人员的工作量。巡检环节缺失使得猪场对现场变化响应慢,带来潜在的风险。在人工饲喂的场景下,饲养员通过猪只的叫声,是否在食槽旁边等信息可以判断出猪只是否需要进食,但机械饲喂方案则无法实现这一功能,只能根据设定的下料配置下料,这使得当安排的饲喂计划不合理时,猪场不能及时接收到相应,降低效率。
本示例实施方式中首先提供了一种饲料供给方法,如图1所示,该下料方法包括:
步骤S300、接收一待检测热力图;
步骤S400、根据待检测热力图的热量分布判断目标区域是否包括目标牲畜;
步骤S500、在目标区域包括目标牲畜时,对目标牲畜进行姿态识别,以判断目标牲畜是否处于需进食状态;
步骤S600、在目标牲畜处于需进食状态时,生成一下料指令并发送至下料装置,以用于下料装置根据下料指令进行下料。
本公开提供的饲料供给方法,能够根据接收的待检测热力图,判断目标区域是否有目标牲畜,目标牲畜识别算法可为AI算法,识别算法通过训练能够准确的对目标牲畜进行识别,保证识别算法的可靠性;当目标区域具有目标牲畜时,接着进一步判断目标牲畜是否处于需进食状态,当目标牲畜处于需进食状态时,生成下料指令控制下料装置进行下料,实现对目标牲畜的饲喂。整个下料过程可实现自动化,免去了人力重复巡检的高强度体力劳动,能够准确判断当前场景是否需要下料,从检测到目标牲畜到饲喂器下料整体流程时间较短,可达到三秒左右,能够及时对牲畜进行下料;可应用场景广,可应用于不同的场景,例如,可应用于猪场、鸡场、鹅场等养殖场。
如图2所示,本公开提供的饲料供给方法还包括:
步骤S100、通过摄像装置检测目标区域的热量是否变化;
步骤S200、在目标区域的热量变化时,通过摄像装置拍摄目标区域的待检测热力图。
下面,将对本示例实施方式中的饲料供给方法的各步骤进行进一步的说明。
在步骤S100中,通过摄像装置检测目标区域的热量是否变化。
具体地,摄像装置可为热成像摄像机,热成像摄像机是一种通过接受物体发出的红外线来显示的摄像机,它是一种能够探测极其微小温差的传感器,将温差转换成实时视频图像显示出来,能够将探测到的热量精确量化或测量准确的温度值,使得使用者能够观察热图像。从而,可以通过热成像摄像机实时获取目标区域的视频图像或照片,判断目标区域内是否有热量变化。
本领域技术人员应当清楚,本公开中指的热量发生变化是指目标区域内是否有不同红外辐射体出入,而并不是目标区域内同一物体热量的变化,目标区域内同一物体的热量不可能处于一绝对值,其热量变化较小,可以视为热量未发生变化。
在步骤S200中,在目标区域的热量变化时,通过摄像装置拍摄目标区域的待检测热力图。
具体地,当热成像摄像机检测到目标区域的热量发生变化时,即目标区域有不同红外辐射体出入时,热成像摄像机对目标区域进行拍照,以获取目标区域的待检测热力图;当热成像摄像机未检测到目标区域的热量发生变化时,视为目标区域未出现目标牲畜。其中,当目标牲畜为猪时,热成像摄像机获取的待检测热力图可如图4所示的待检测热力图。
在步骤S300中,接收一待检测热力图。
具体地,可通过SaaS(Software-as-a-service,软件即服务)***接收热成像摄像机获取的待检测热力图,热成像摄像机接入包括SaaS***的物联网中。
在步骤S400中,根据待检测热力图的热量分布判断目标区域是否包括目标牲畜。
具体地,可通过基于DeepMask分割构架的第一分割模型对待检测热力图进行实例分割,得到第一判断结果,第一判断结果包括实例分割后的处理图像。
首先,对待检测热力图的尺度(scale)进行调整以形成包括多张不同尺度图片的图片金字塔;然后,利用DeepMask网络的身体网络(body module)从每个调整后的图片中提取全特征张量(full feature map),从而得到多个尺度不同的特征张量;最后,利用固定尺度的滑动窗口(fixed-size sliding window)对该多个尺度不同的特征图进行操作得到对应数目的窗口特征张量,利用神经网络的头网络(head module)确定每个窗口特征张量的置信度并基于置信度完成分割操作。
完成分割操作后,对实例分割后的图像进行判断,判断是否有目标牲畜图像,从而得到第一判断结果,当具有目标牲畜图像时,将实例分割的目标牲畜图像作为分割后的处理图像,以待下一步骤进行处理。
进一步地,可通过基于SharpMask分割构架的第二分割模型对处理图像再次进行实例分割,得到第二判断结果,第二判断结果包括再次实例分割后的处理图像。
其中,SharpMask主要为了是精炼DeepMask输出处理图形。物体精确地边缘信息可以从低等级的图像中得到,与网络高层的物体信息结合,应该能够得到比较精确的边缘。因此,首先用DeepMask生成粗略的分割图像,然后把这个粗略的图像通过贯穿网络的很多精炼模块,生成最终的精细分割图像。
基于SharpMask分割构架对图像的处理方法可与DeepMask分割构架对图像的处理方法基本一致。首先,对待处理图像的尺度(scale)进行调整以形成包括多张不同尺度图片的图片金字塔;然后,利用SharpMask 网络的身体网络(body module)从每个调整后的图片中提取全特征张量 (full feature map),从而得到多个尺度不同的特征张量;最后,利用固定尺度的滑动窗口(fixed-size sliding window)对该多个尺度不同的特征图进行操作得到对应数目的窗口特征张量,利用神经网络的头网络(head module)确定每个窗口特征张量的置信度并基于置信度完成分割操作。当然,SharpMask分割构架对图像的处理方法也可与DeepMask分割构架对图像的处理方法不一致,本公开对此不做限制。
完成再次精炼实例分割操作后,对在此实例分割后的图像进行判断,判断是否有目标牲畜图像,从而得到第二判断结果,当具有目标牲畜图像时,将再次实例分割的目标牲畜图像作为分割后的处理图像,以待下一步骤进行处理。
其中,DeepMask分割构架的第一分割模型与SharpMask分割构架的第二分割模型可建立在SaaS***上,实现与热成像摄像机的网络连接。
在步骤S500中,在目标区域包括目标牲畜时,对目标牲畜进行姿态识别,以判断目标牲畜是否处于需进食状态。
具体地,如图3所示,包括步骤:
S510、对预设数量实例分割后的处理图像进行姿态特征提取处理,得到训练集数据;
首先,对预设数量的目标牲畜的处理图像进行中值滤波,得到多个滤波目标牲畜图像。其中,处理图像可为通过基于DeepMask分割构架的第一分割模型获取的处理图像,或者通过基于SharpMask分割架构的第二分割模型精炼后获取的处理图像。
具体地,在神经网络训练的过程中,需要对原始的数据进行特征提取,得到合适的特征数据。对于目标牲畜的姿态识别的过程中,主要是获取到目标牲畜的轮廓信息,获取完整的姿态信息以进行相对准确的姿态判断。其中,预设数量的多少会影响训练集数据的数据量,如果数量较多训练的效果就会越好,数量较少训练的时间就会越短,因此,预设数量可以是1000张这样较少的数量,也可以是1万张,还可以根据实际的应用情况选择合适的数量,在此不做具体限定。
例如,本公开所识别的目标牲畜例如为猪,对30栏猪进行数据采集,采集猪舍为自由栏,每栏内包含10头猪。热成像摄像机对猪舍拍摄并以一秒五帧的速度获取热成像图像,用于判别猪只姿态,对采集到的热成像图像,采用中值滤波器去除大量干扰噪声,以得到多个滤波目标牲畜图像。
其次,对各滤波目标牲畜图像进行姿态数据提取,获得需进食姿态与无需进食姿态的原始训练样本集数据与测试集数据。
具体地,需进食姿态与无需进食姿态可通过人为规定,例如,猪的需进食姿态可为站立抬头,无需进食姿态可为坐立与卧姿。对采集的不同时段不同栏的热成像图像,为避免时序相关性,从每个姿态视频段中随机抽取一张深度图像,分别获取抬头站立、坐立、卧姿的姿态图像2000 张、2000张和2000张。可从每类图像中随机选择1000张,总计3000 张图像,作为测试集,用于模型性能评价。其余抬头站立100张、坐立 100张和卧姿100张,总计3000张图像作为原始训练集。
再者,对原始训练样本集数据中图像进行目标牲畜外包围框标注和类别标注,获得训练集数据。
具体地,通过标注猪边界框和姿态类别,将标注信息生成对应图片名的xml文件。接着,对原始训练集的深度图像进行水平镜像、垂直镜像翻转以及顺时针90度、180度和270度旋转扩增,形成扩增后的训练样本集,以获得训练集数据。
S520、采用训练集数据进行神经网络训练,得到姿态识别模型;
具体地,本步骤中所进行的神经网络训练方法可以是一般的神经网络训练方法,还可以是现有技术中提供的任意一种神经网络训练方法,也可以是以下实施例所提供的神经网络训练方法,神经网络训练方法并不唯一,在此不做具体限定。例如,可采用CNN(Convolutional Neural Network,卷积神经网络)结构中,通过训练好的卷积神经网络判断猪的姿态是否处于需要进食的状态。其中,CNN中的卷积核大小分别为3×3,下采样层采用最大池化来降低卷积输出维度,以处理图像中地冗余数据,同时可以降低运动频率变化对识别精度造成地影响,池化区域大小为2 ×2。卷积神经网络中每个卷积层后接一个池化层,池化技术能提高算法的平移不变性,所有卷积、池化运算的步长设置皆为1。将CNN处理后的特征图谱输入LSTM(长短时记忆神经网络)中处理,以防止长时间数据输入过大导致梯度***的问题。
通过根据上述骤中的姿态特征提取处理进行特征提取,得到姿态特征,再通过该姿态识别模型进行识别就可以输出相应的类属概率。
S530、根据获取的测试集数据对姿态识别模型进行测试调整处理,得到最优姿态识别模型;
具体地,采用测试集数据对上一步骤得到的姿态识别模型进行优化,也就是测试调整处理,先进行测试,再根据测试结果进行调整,得到最优姿态识别模型。
其中,测试集数据是已知姿态的特征数据集,因此可以将已知姿态和识别姿态进行对比,以便根据对比结果进行调整。测试集数据的数据量会影响测试调整处理的结果,越多测试结果越准确,越少测试速度越快,可以根据实际情况进行选择。
S540、根据最优姿态识别模型对处理图像进行识别,并输出识别结果。
具体地,采用最优姿态识别模型对实例分割后的处理图像进行识别,得到识别结果。其中,包括对待处理图像进行姿态特征的提取处理,得到待处理图像的姿态特征,再采用最优姿态识别模型对待识别姿态特征进行识别,得到识别结果。
其中,采用姿态识别模型对实例分割后的处理图像提取出的特征数据进行判断的模型,可以输出姿态的概率。例如,现在有一张具体的处理图像,根据上述步骤中的姿态特征提取处理进行特征提取,得到姿态特征,再通过该姿态识别模型进行识别就可以输出相应的类属概率,将所有类属概率作为识别结果。
在步骤S600中,在目标牲畜处于需进食状态时,生成一下料指令并发送至下料装置,以用于下料装置根据下料指令进行下料。
具体地,当采用上述步骤判断出在目标牲畜处于需进食状态时,根据下料规则判断是否可以下料,因为并非所有的场景都要让目标牲畜即来即下料,比如对于某些阶段的母猪,为了防止消化不良情况的出现,会避免在夜间让猪只进食。其中,下料规则包括:下料栏位、单次下料量、可下料时间等,这些规则设置在条SaaS***上,并都可以在SaaS ***进行配置,以使让养殖户掌握真实准确的饲喂数据。
例如,下料栏位的编号为1,单次下料量为5Kg,可下料时间为早上六点至晚上八点之间,饲料可为单独一种类型的饲料,也可为多种饲料混合在一起的混合饲料。当然,也可通过该饲料供给方法对牲畜进行供水和供药,只要将饲料替换为水源或药物即可。
此外。饲喂的规则与识别算法的逻辑并非一成不变的。例如,当有转栏、猪只更换成长阶段等情况产生时,便会有更改饲喂判断规则的需求。此时,操作人员可以在SaaS***更改原先的设置,新的设置会在1 分钟内生效并覆盖原先的设定。同样,当算法需要优化时,开发人员可以远程进行部署升级,在使用方无感知的情况下完成算法模型的优化。
若目标牲畜处于需进食状态时,则根据下料规则生成一下料指令并发送至下料装置,下料装置可根据下料指令进行下料;若目标牲畜处于不需进食状态时,则不生成下料指令,或生成不下料指令给下料装置。
此外,本公开提供的饲料供给方法,通过深入场景的智能热成像摄像机赋予机械饲喂流程灵活性,同时免去人力重复巡检的高强度体力劳动。本公开通过红外热成像,AI与下料规则的双重判断,确保热成像摄像机能够准确判断当前场景是否需要下料,从检测到猪进栏到饲喂器下料整体流程在3s以内,为猪场的饲料供给提供了一种新的解决方案。此外,只需修改SaaS***的判断逻辑与算法模型,就可以将热成像摄像机用于其他饲喂场景问题的解决,比如牛场、鸡场、鹅场等。此外,本公开能与时俱进、不断更新。通过自定义调整SaaS***内下料的规则条件,以及远程不断更新算法模型,可以确保该饲料供给方法能不断适配新的场景。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
下述为本发明***实施例,可以用于执行本发明方法实施例。对于本发明***实施例中未披露的细节,请参照本发明方法实施例。
本示例实施方式还提供了一种饲料供给***,如图5所示,该饲料供给***700包括:
图像接收模块710,用于接收待检测热力图;
图像分割模块720,用于根据待检测热力图的热量分布判断目标区域是否包括目标牲畜;
姿态识别模块730,在目标区域包括目标牲畜时,用于对目标牲畜进行姿态识别,以判断目标牲畜是否处于需进食状态;以及
下料控制模块740,在目标牲畜处于需进食状态时,生成一下料指令并发送至下料装置,以用于下料装置根据下料指令进行下料。
本公开提供的饲料供给***,图像接收模块能够根据接收的待检测热力图,图像分割模块能够判断目标区域是否有目标牲畜,目标牲畜识别算法可为AI算法,识别算法通过训练能够准确的对目标牲畜进行识别,保证识别算法的可靠性;当目标区域具有目标牲畜时,姿态识别模块接着进一步判断目标牲畜是否处于需进食状态,当目标牲畜处于需进食状态时,下料控制模块生成下料指令控制下料装置进行下料,实现对目标牲畜的饲喂。整个下料过程可实现自动化,免去了人力重复巡检的高强度体力劳动,能够准确判断当前场景是否需要下料,从检测到目标牲畜到饲喂器下料整体流程时间较短,可达到三秒左右,能够及时对牲畜进行下料;可应用场景广,可应用于不同的场景,例如,可应用于猪场、鸡场、鹅场等养殖场。
具体地,该饲料供给***700还包括图像获取模块,图像获取模块用于对目标区域进行识别。例如,目标牲畜为猪,图像获取模块包括热成像摄像机,热成像摄像机接入包括SaaS***的物联网模块中,且与栏位关联起来,当检测到热量分布变化时,热成像摄像机进行拍摄,获取待检测热力图。
具体地,图像分割模块720会首先判断待检测热力图中的个体是否为猪只。考虑现场环境中的不确定性,热量变化可能是饲养员进栏进行保健、消毒、转栏等操作,也许是其他热源遮挡了摄像头,所以需要通过算法判断检测到的个体是否为猪。将待检测热力图传入识别算法的 DeepMask分割构架中,经过SharpMask分割精炼后,即可判断处理后的图片主体是否为猪。当判断出个体为猪后,进一步对猪只的姿态进行检测,以排除猪只在摄像头附近打闹或睡觉等不应下料的场景。将上一步处理好的图像数据传入CNN结构中,通过训练好的CNN判断猪的姿态是否处于需要进食的状态。
具体地,姿态识别模块730包括训练数据获取模块、神经网络训练模块、神经网络测试模块与识别模块。其中,训练数据获取模块对预设数量的目标牲畜的图像进行姿态特征提取处理,得到训练集数据;神经网络训练模块用于采用训练集数据进行神经网络训练,得到姿态识别模型;神经网络测试模块用于根据获取的测试集数据对姿态识别模型进行测试调整处理,得到最优姿态识别模型;识别模块用于根据最优姿态识别模型对待检测热力图进行识别,并输出识别结果。
此外,因为并非所有的场景都要让猪即来即下料,比如对于某些阶段的猪,为了防止消化不良情况的出现,会避免在夜间让猪只进食。根据设定的下料规则判断该猪的日龄、阶段、品种,当前时间等变量是否符合下料条件。决定是否下料判断符合下料规则后,向当前栏位的下料模块发送一条下料信号。
具体地,下料控制模块740即根据预先设定的下料规则进行下料,下料的规则包括需要下料的栏位、单次下料量,下料时间等条件。同时本次的下料记录,包括下料时间、地点、下料量等信息,会储存于SaaS ***中,让猪场方掌握真实准确的饲喂数据。通过IOT(Internet of Things,物联网)与AI在饲喂场景的结合,使得机械饲喂流程智能化及可靠化。
其中,可随时判断目标牲畜识别算法与下料规则是否需要修改,当有转栏、猪只更换成长阶段等情况产生时,便会有更改饲喂判断规则的需求。若需要修改识别算法与下料规则,可通过SaaS***进行修改编辑。此时,操作人员可以在SaaS***更改原先的设置,新的设置可在1分钟内生效并覆盖原先的设定。同样,当算法需要优化时,开发人员可以远程进行部署升级,在使用方无感知的情况下完成算法模型的优化。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
在本公开还提供了一种能够实现上述饲料供给方法的计算机***。所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图6来描述根据本发明的这种实施方式的计算机*** 800。图6显示的计算机***仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,计算机***以通用计算设备的形式表现。计算机*** 800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同***组件(包括存储单元810和处理单元 820)的总线830。
其中,存储单元存820储有程序代码,程序代码可以被处理单元810执行,使得处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元810可以执行如图1中所示的步骤。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块的程序/ 实用工具8204,这样的程序模块8205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机***800也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该计算机***交互的设备通信,和/或与使得该计算机***800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,计算机***800还可以通过网络适配器860与一个或者多个网络(例如局域网 (LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6 所示,网络适配器860通过总线830与计算机***800的其它模块通信。应当明白,尽管图中未示出,可以结合计算机***800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等) 执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述饲料供给方法的程序产品900,其可以采用便携式紧凑盘只读存储器 (CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储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***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器 (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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。