CN112986504A - 蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质 - Google Patents
蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112986504A CN112986504A CN201911275305.2A CN201911275305A CN112986504A CN 112986504 A CN112986504 A CN 112986504A CN 201911275305 A CN201911275305 A CN 201911275305A CN 112986504 A CN112986504 A CN 112986504A
- Authority
- CN
- China
- Prior art keywords
- data
- beehive
- maturity
- honey
- bee colony
- 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.)
- Granted
Links
- 235000012907 honey Nutrition 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 229
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims description 116
- 230000015654 memory Effects 0.000 claims description 54
- 238000004891 communication Methods 0.000 claims description 36
- 238000012300 Sequence Analysis Methods 0.000 claims description 30
- 238000009395 breeding Methods 0.000 claims description 30
- 230000001488 breeding effect Effects 0.000 claims description 30
- 238000003306 harvesting Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 235000001892 vitamin D2 Nutrition 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 5
- 238000000700 time series analysis Methods 0.000 claims description 5
- 241000607479 Yersinia pestis Species 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 241000272525 Anas platyrhynchos Species 0.000 description 4
- 235000013601 eggs Nutrition 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000009341 apiculture Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000024780 Urticaria Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Agronomy & Crop Science (AREA)
- Analytical Chemistry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请实施例提供一种蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质。在本申请实施例中,可获取蜂箱的环境数据以及蜂箱对应的蜂群的状态数据,根据蜂箱的环境数据以及蜂箱对应的蜂群的状态数据可分析蜂箱内蜂蜜的变化情况,从而确定蜂箱内蜂蜜的成熟度。这使得蜂蜜的成熟度的确定工作不再需要依赖工人经验或化学手段,不仅可节省大量成本,还可提高蜂蜜成熟度确定工作的效率、及时性和/或准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质。
背景技术
目前,通常采用开箱检测的方式判断蜂蜜成熟度,也即是由工人打开蜂箱,并根据经验判断蜂蜜成熟度。而蜂箱一般放置在偏僻的区域,工人往返蜂箱的距离较远,这导致蜂蜜成熟度的判断成本很高。
发明内容
本申请的多个方面提供一种蜂蜜成熟度、目标对象属性确定方法、设备及存储介质,用以降低确定蜂蜜成熟度或目标对象属性的成本。
本申请实施例提供一种蜂蜜成熟度确定方法,包括:
确定目标蜂箱;
获取所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据;
根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度。
本申请实施例还提供一种计算设备,包括存储器、处理器和通信组件;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述存储器及所述通信组件耦合,用于执行所述一条或多条计算机指令,以用于:
确定目标蜂箱;
通过所述通信组件获取所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据;
根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度。
本申请实施例还提供一种目标对象属性的确定方法,包括:
确定目标对象的目标容具;
获取所述目标容具的环境数据和所述目标容具对应的养殖对象的状态数据;
根据所述目标容具的环境数据和所述养殖对象的状态数据,确定所述目标容具内目标对象的属性。
本申请实施例还提供一种计算设备,包括存储器、处理器和通信组件;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述存储器及所述通信组件耦合,用于执行所述一条或多条计算机指令,以用于:
确定目标对象的目标容具;
通过所述通信组件获取所述目标容具的环境数据和所述目标容具对应的养殖对象的状态数据;
根据所述目标容具的环境数据和所述养殖对象的状态数据,确定所述目标容具内目标对象的属性。
本申请实施例还提供一种蜂箱,包括采集组件、存储器、处理器和通信组件;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述状态数据采集组件、所述存储器以及所述通信组件耦合,用于执行所述一条或多条计算机指令,以用于:
利用所述采集组件采集所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据;
通过所述通信组件将采集到的所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据发送至服务器,以供所述服务器确定蜂蜜成熟度。
本申请实施例还提供一种存储计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行前述的蜂蜜成熟度确定方法或目标对象属性的确定方法。
在本申请实施例中,可获取蜂箱的环境数据以及蜂箱对应的蜂群的状态数据,根据蜂箱的环境数据以及蜂箱对应的蜂群的状态数据可分析蜂箱内蜂蜜的变化情况,从而确定蜂箱内蜂蜜的成熟度。这使得蜂蜜的成熟度确定不再需要依赖工人经验或化学手段,不仅可节省大量成本,还可提高蜂蜜成熟度确定的效率、及时性和/或准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一实施例提供的一种蜂蜜成熟度确定方法的流程示意图;
图2为本申请一实施例提供的蜂蜜成熟度确定方法的逻辑示意图;
图3为本申请又一实施例提供的一种计算设备的结构示意图;
图4为本申请又一实施例提供的一种蜂箱的结构示意图;
图5为本申请又一实施例提供的一种目标对象属性的确定方法的流程示意图;
图6为本申请又一实施例提供的另一种计算设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,确定蜂蜜成熟度的成本比较高。为解决目前存在的问题,在本申请的一些实施例中:在蜂箱上和/或周围布设采集组件,利用采集组件可采集蜂箱的环境数据以及蜂箱对应的蜂群的状态数据。根据蜂箱的环境数据以及蜂箱对应的蜂群的状态数据可分析蜂箱内蜂蜜的变化情况,从而确定蜂箱内蜂蜜的成熟度。这使得蜂蜜的成熟度确定不再需要依赖工人经验或化学手段,不仅可节省大量成本,还可提高蜂蜜成熟度确定的效率、及时性和/或准确性。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一实施例提供的一种蜂蜜成熟度确定方法的流程示意图。本实施例提供的蜂蜜成熟度确定方法可由一蜂蜜成熟度确定装置来执行,该蜂蜜成熟度确定装置可以实现为软件或实现为软件和硬件的组合,该蜂蜜成熟度确定装置可集成设置在服务器中。如图1所示,该方法包括:
100、确定目标蜂箱;
101、获取蜂箱的环境数据和蜂箱对应的蜂群的状态数据;
102、根据蜂箱的环境数据和蜂群的状态数据,确定蜂箱内蜂蜜的成熟度。
本实施例提供的蜂蜜成熟度确定方法可应用于各种需要确定蜂蜜成熟度的场景中,本实施例对应用场景不作限定。其中,目标蜂箱可以是任意需要进行蜂蜜成熟度确定的蜂箱,本实施例对蜂箱的摆放位置、蜂箱的规格等等均不作限定。据此,本实施例中,可实现对任意蜂箱内的蜂蜜进行成熟度确定。
本实施例中,蜂箱的环境数据包括:位置数据、气象数据、蜂蜜的重量值或开盖监测数据中的一种或多种;蜂群的状态数据包括:进出蜂箱的频率、蜜源、蜂群种类或振翅声音的分贝值和频率值中的一种或多种。
本实施例中,可在蜂箱上和/或周围布设采集组件。采集组件可包括气候采集单元、红外传感器、重量传感器、温湿度传感器、声音采集单元或开盖监测单元中的一种或多种。当然,本实施例并不限于此,在实际应用中,蜂箱上还可布设更多的采集组件,以更加精准和完善地采集蜂箱的环境数据以及蜂箱对应的蜂群的状态数据。其中,环境数据包括蜂箱内部和/或外部的环境数据。
本实施例中,蜂箱的环境数据以及蜂箱对应的蜂群的状态数据可包含蜂箱上的采集组件真实采集到的数据。
例如,可基于红外传感器采集蜂群进出蜂箱的频率,可基于重量传感器采集蜂箱内蜂蜜的重量值,可基于声音传感器采集蜂群的振翅声音的分贝值和频率值,可基于开盖监测单元采集开盖监测数据,可基于气候采集单元采集气候数据。当然,这些仅是示例性地,本实施例对此不作限定。
本实施例中,蜂箱的环境数据以及蜂箱对应的蜂群的状态数据还可包含一些固定特征数据,固定特征数据包括但不限于经纬度等位置数据、蜂群种类以及蜜源等等。
实际应用中,这些固定数据可与蜂箱进行关联,这些固定数据可存储在蜂箱的存储器中,当然,也可直接配置在本实施例的蜂蜜成熟度确定装置中,本实施例对此不作限定。
基于此,可根据蜂箱的环境数据和蜂群的状态数据,确定蜂箱内蜂蜜的成熟度。本实施例中,可根据蜂箱的环境数据和蜂群的状态数据,分析蜂箱内蜂蜜在时序上的变化情况,从而确定出蜂箱内蜂蜜的成熟度。
本实施例提供的蜂蜜成熟度确定方法,可预测蜂箱内蜂蜜当前的成熟度,也可回溯已经采收的蜂蜜在采收时的成熟度。当然,本实施例提供的蜂蜜成熟度确定方法还可确定蜂箱内的蜂蜜在其它时段的成熟度,本实施例对此不作限定。
在上述预测蜂箱内蜂蜜当前的成熟度的情况下,本实施例中,可获取蜂箱当前的蜂蜜成长时期内产生的蜂箱的环境数据和蜂箱对应的蜂群的状态数据,并基于这些数据,确定蜂箱内蜂蜜当前的成熟度。
蜂蜜成长时期是指从开始产蜜到采收蜂蜜之间的时间,这个时期内,蜂蜜处于成长状态,且未被采收。蜂箱可记录开始产蜜的时刻,并将开始产蜜的时刻提供给本实施中的蜂蜜成熟度确定装置。据此,本实施例中,可根据开始产蜜的时刻从蜂箱提供的海量数据中筛选出当前蜂蜜成长时期内产生的蜂箱的环境数据和蜂箱对应的蜂群的状态数据,进而用当前蜂蜜成长时期内产生的数据来确定蜂箱内蜂蜜当前的成熟度。
本实施例中,若蜂箱内蜂蜜当前的成熟度达到采收标准值,可生成采收提示信息;将采收提示信息发送至用户终端,以提醒用户采收蜂箱内的蜂蜜。
其中,用户可以是蜂农,采收提示信息可及时提醒蜂农进行蜂蜜采收。
本实施例中,可获取蜂箱的环境数据以及蜂箱对应的蜂群的状态数据,根据蜂箱的环境数据以及蜂箱对应的蜂群的状态数据可分析蜂箱内蜂蜜的变化情况,从而确定蜂箱内蜂蜜的成熟度。这使得蜂蜜的成熟度确定工作不再需要依赖工人经验或化学手段,不仅可节省大量成本,还可提高蜂蜜成熟度确定工作的效率、及时性和/或准确性。
在上述或下述实施例中,根据蜂箱的环境数据和蜂群的状态数据,采用多种实现方式来确定蜂箱内蜂蜜的成熟度。
在一种实现方式中,可基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析,以确定蜂箱内蜂蜜的成熟度。
在该实现方式中,可预先学习环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系。基于学习到的环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,本实施例中,可对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析。
在实际应用中,可将获取到的蜂箱的环境数据和蜂群的状态数据输入成熟度预测模型,并利用成熟度预测模型对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析。
正如前文提及的,蜂箱的环境数据和蜂群的状态数据中至少包含两方面的数据:一方面是蜂箱上的采集组件采集到的数据,这部分数据为遵循时序的数据;另一方面是蜂箱和蜂群的固定特征数据。
在实际应用中,由于不同经纬度、不同蜜源等情况下,蜂蜜成熟度受到其它环境数据和状态数据的影响可能不同,因此,针对不同的固定特征数据,成熟度预测模型中的模型参数不完全相同,以适配不同的固定特征数据,从而提高成熟度的准确性。
成熟度预测模型可采用基于时序的深度学习模型,例如LSTM模型。本实施例中可预先对成熟度预测模型进行训练。
在进行成熟度预测模型训练的过程中,可获取样本数据,样本数据中包含蜂蜜成熟度、蜂箱的环境数据及蜂群的状态数据;将样本数据输入成熟度预测模型,以训练成熟度预测模型,成熟度预测模型中包含环境数据和状态数据与蜂蜜成熟度之间的影响关系。
其中,本实施例中,不限定样本数据的来源。样本数据可以是现有的样本数据库中的样本数据,还可以是对成熟度预测模型的输出结果进行人工标注后产生的数据。例如,在成熟度预测模型的使用过程中,对其输出结果进行人工修正及标注,修正及标注后的数据以及输入成熟度预测模型中的数据可作为样本数据重新输入成熟度预测模型,以供成熟度预测模型重新学习其中包含的知识,不断调整模型参数。这样,可不断优化成熟度预测模型,提高成熟度的准确性。
在该实现方式中,可基于从样本数据中学习到的经验知识,对蜂箱内蜂蜜的成熟度进行预测,在样本数据足够多的情况下,可保证预测结果的准确性。
在一些特殊情况下,样本数据可能并不充足,这可能导致成熟度预测模型的输出结果不够准确,为了改善这一问题:
在另一种实现方式中,可基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析,以确定蜂箱内蜂蜜的第一成熟度;基于至少一种成熟度判断指标,对获取到的蜂箱的环境数据和蜂群的状态数据进行达标程度分析,以确定蜂箱内蜂蜜的第二成熟度;根据第一成熟度和第二成熟度,确定蜂箱内蜂蜜的成熟度。
其中,该实现方式中,基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析,以确定蜂箱内蜂蜜的第一成熟度的过程,可参考上一种实现方式,在此不再赘述。
在该实现方式中,还可根据专家规则预先配置至少一种成熟度判断指标。成熟度判断指标是指判断蜂蜜成熟度的维度。成熟度判断指标包括日照有效时长、蜂蜜重量变化率等等。
每个成熟度判断指标可对应一标准值。例如,在6-9月份,日照有效时长的标准值为240小时,则蜂蜜将达到成熟。又例如,相邻两天比较,蜂蜜重量变化率为10%以内,则认为蜂蜜已经达到部分成熟。
本实施例中,可基于至少一种成熟度判断指标各自对应的指标统计规则,对获取到的蜂箱的环境数据和蜂群的状态数据进行指标统计。例如,对于日照有效时长的统计规则为累加日照时间,本实施例中,若1小时中的0.5小时内无降雨,则认为该1小时为日照有效时段,将日照有效时段进行累加可获得日照有效时长的实际值。
据此,可根据至少一种成熟度判断指标对应的实际值和标准值,确定蜂箱内蜂蜜在至少一种成熟度判断指标下的达标程度。
例如,若日照有效时长的实际值为120小时,而日照有效时长的标准值为240小时,可确定日照有效时长的达标程度为50%。
因此,可根据蜂箱内蜂蜜在至少一种成熟度判断指标下的达标程度,确定蜂箱内蜂蜜的第二成熟度。
在实际应用中,可综合蜂箱内蜂蜜在至少一种成熟度判断指标下的达标程度,来确定蜂箱内蜂蜜的第二成熟度。例如,可为不同的成熟度判断指标配置不同的权重,并对蜂箱内蜂蜜在不同成熟度判断指标下的达标程度进行加权求和,以获得蜂箱内蜂蜜的第二成熟度。当然,这仅是示例性的,本实施例并不限于此。
至此,可基于从样本数据中学习到的经验知识,确定蜂箱内蜂蜜的第一成熟度,可基于专家规则,确定蜂箱内蜂蜜的第二成熟度。
在该实现方式中,可根据获取到的蜂箱的环境数据和蜂群的状态数据,确定蜂箱对应的样本完善度;根据样本完善度,确定第一成熟度和第二成熟度各自的权重系数;根据第一成熟度和第二成熟度各自的权重系数,对第一成熟度和第二成熟度进行加权求和,以获得蜂箱当前的蜂蜜成熟度。
在实际应用中,可维护固定特征数据与样本完善度之间的关系,据此,可根据获取到的蜂箱的环境数据和蜂群的状态数据中包含的固定特征数据,判断蜂箱对应的样本完善度。当然,这仅是示例性的,本实施例并不限于此。
样本完善度是指第一成熟度预测模型所学习过的知识量。样本完善度低的情况下,表征没有足够多的样本数据供第一成熟度预测模型进行学习,这可能导致第一成熟度预测模型的输出结果准确性不够。相反,样本完善度高的情况下,表征已有足够多的样本数据供第一成熟度预测模型进行学习,这使得第一成熟度预测模型的输出结果更加准确。例如,对于新开发的养蜂区域,样本数据极少,这种情况下,训练出的第一成熟度预测模型的准确性可能不够高。
本实施例中,可通过专家规则来补充或修正第一成熟度预测模型的输出结果,从而可保证最终获得的蜂箱内蜂蜜的成熟度的准确性。当蜂箱对应的样本完善度较低时,可为第一成熟度配置较低的权重系数,而为第二成熟度配置较高的权重系数,这保证可更多地参考专家规则来确定蜂箱内蜂蜜的成熟度。
在极端情况下,可将第一成熟度或第二成熟度各自的权重系数配置为0。例如,完全没有样本数据的情况下,可仅依据专家规则确定蜂箱内蜂蜜的成熟度。又例如,第一成熟度预测模型已经非常完善的情况下,可不再参考专家规则。
在该实现方式中,可综合专家规则和从样本数据中学习到的经验知识,进行蜂蜜成熟度的确定,这保证了蜂蜜成熟度的确定结果的正确性、适当性、科学性和严密性。
在上述或下述实施例中,可识别获取到的蜂箱的环境数据和蜂群的状态数据中存在的异常数据,异常数据为时序上存在异常变化的环境数据或状态数据;根据异常数据,生成异常提示信息;将异常提示信息提供给用户终端。
本实施例中,可根据获取到的蜂箱的环境数据和蜂群的状态数据在时序上的变化情况,识别出异常数据。
实际应用中,可针对每种环境数据或状态数据分别设定判断异常变化的预设要求,在某种环境数据或状态数据在时序上的变化不满足预设要求时,可确定该环境数据或状态数据为异常数据。
针对异常数据,可生成异常提示信息。例如,当湿度发生异常变化时,可生成“请注意湿度”的异常提示信息。又例如,当蜂蜜的重量值发生异常变化时,可生成“蜂蜜变少了”的异常提示信息。
本实施例中,可将异常提示信息提供给用户终端。其中,用户终端可以是蜂农的手机或计算机等终端设备。异常提示信息可指导蜂农劳作,这可保证蜂农及时处理异常情况,从而及时止损。
以下将针对几种示例性的环境数据和状态数据,进行异常数据确定方案的说明。
针对蜂群的状态数据中包含的蜂群的振翅声音分贝值和频率值,可根据蜂群的振翅声音分贝值和频率值,提取蜂群的音频特征;根据音频特征与音频异常状态的关联关系,对蜂群的音频特征进行时序分析,预测蜂群当前是否处于音频异常状态;若蜂群当前处于音频异常状态,则确定蜂群的振翅声音分贝值和频率值为异常数据。
其中,音频异常状态包括胡蜂入侵、分蜂或病虫害中的一种或多种。
实际应用中,可对蜂群的振翅声音的分贝值和频率值进行FFT变换和梅尔倒谱系数分析,以构建蜂群在时序上的音频特征矩阵。这些音频特征矩阵可用来表征蜂群的音频特征。
另外,可采用深度学习模型预先学习音频特征与音频异常状态的关联关系,进而可将蜂群在时序上的音频特征矩阵作为深度学习模型的输入参数,以基于深度学习模型学习到的知识,对蜂群的音频特征进行分类,从而预测出蜂群的音频异常状态。
若蜂群的振翅声音分贝值和频率值被确定为异常数据,可根据预测出的蜂群的音频异常状态,生成异常提示信息。例如,当预测结果为胡蜂入侵时,可向用户终端输出“有胡蜂入侵,请尽快处理”的异常提示信息。
针对蜂箱的环境数据中包括的蜂蜜的重量值,若蜂蜜的重量值在时序上的变化不符合第一预设要求,确定蜂蜜的重量值为异常数据。
例如,若今天采集到的蜂蜜重量值比昨天采集到的蜂蜜重量值减少了2kg,则可确定蜂蜜的重量值为异常数据。
若蜂蜜的重量值为异常数据,可根据重量值的不同变化情况,生成不同的异常提示信息。例如,在增重量不符合第一预设要求的情况下,可向用户终端输出“蜂蜜成长的有点慢,继续加油”的异常提示信息。又例如,当蜂蜜重量降低时,可向用户终端输出“蜂蜜变少了,快看看吧”的异常提示信息。
针对蜂群的状态数据中包括的蜂群进出蜂箱的频率,根据蜂群进出蜂箱的频率,统计蜂群的活跃度;若蜂群的活跃度在时序上的变化不符合预设要求,确定蜂群进出蜂箱的次数为异常数据。
正常情况下,蜂群的活跃度在时序上的变化不大,在阴雨天蜂群的活跃度会稍微低一些。若蜂群的活跃度在时序上浮动比较大,则可能出现了异常事件。例如,蜂群的活跃度出现骤降,则可能发生了蜂王入侵,可向用户终端输出“发现蜂王入侵,请尽快处理”的异常提示信息。
针对蜂箱的环境数据中包括的开盖监测数据,可根据开盖监测数据,确定蜂箱是否发生开盖事件;若蜂箱发生开盖事件,确定开盖监测数据为异常数据。
本实施例中,若蜂箱发生开盖事件,可向用户终端输出“蜂箱开盖了”的异常提示信息。
当然,这些均是示例性的,本实施例并不限于此。另外,本实施例中,针对异常数据生成的异常提示信息,可在异常数据发生异常变化的时段将异常提示信息发送至用户终端,以指导蜂农及时处理异常事件。
另外,本实施例中确定异常数据的过程可融合在前述的对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析的过程中,在时序分析的过程中可发现发生异常变化的环境数据或状态数据,从而确定出异常数据。当然,本实施例对此不作限定,两个处理过程也可相互独立。
图2为本申请一实施例提供的蜂蜜成熟度确定方法的逻辑示意图。如图2所示,本实施例中,可综合专家规则和从样本数据中学习到的经验知识,对获取到的蜂箱10的环境数据和蜂箱10对应的蜂群的状态数据进行分析,以确定蜂箱10内蜂蜜的成熟度。并可将蜂蜜的成熟度发送至用户终端11,以供用户远程观察蜂箱内蜂蜜的成熟情况。
另外,还可向用户终端实时地发送异常提示信息,以指导用户处理异常事件。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤100至步骤101的执行主体可以为设备A;又比如,步骤101和102的执行主体可以为设备A,步骤100的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的参数、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图3为本申请又一实施例提供的一种计算设备的结构示意图,如图3所示,该计算设备包括:存储器30、处理器31以及通信组件32。
处理器31,与存储器30及通信组件32耦合,用于执行存储器中的计算机程序,以用于:
确定目标蜂箱;
通过通信组件32获取蜂箱的环境数据和蜂箱对应的蜂群的状态数据;
根据蜂箱的环境数据和蜂群的状态数据,确定蜂箱内蜂蜜的成熟度。
在一可选实施例中,处理器31在根据蜂箱的环境数据和蜂群的状态数据,确定蜂箱内蜂蜜的成熟度时,用于:
基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析,以确定蜂箱内蜂蜜的成熟度。
在一可选实施例中,处理器31在根据蜂箱的环境数据和蜂群的状态数据,确定蜂箱内蜂蜜的成熟度时,用于:
基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析,以确定蜂箱内蜂蜜的第一成熟度;
基于至少一种成熟度判断指标,对获取到的蜂箱的环境数据和蜂群的状态数据进行达标程度分析,以确定蜂箱内蜂蜜的第二成熟度;
根据第一成熟度和第二成熟度,确定蜂箱内蜂蜜的成熟度。
在一可选实施例中,处理器31在基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析时,用于:
将获取到的蜂箱的环境数据和蜂群的状态数据输入第一成熟度预测模型;
在第一成熟度预测模型中,基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的蜂箱的环境数据和蜂群的状态数据进行时序分析。
在一可选实施例中,处理器31在使用第一成熟度预测模型之前,还用于:
获取样本数据,样本数据中包含蜂蜜成熟度、蜂箱的环境数据及蜂群的状态数据;
将样本数据输入第一成熟度预测模型,以训练第一成熟度预测模型,第一成熟度预测模型中包含环境数据和状态数据与蜂蜜成熟度之间的影响关系。
在一可选实施例中,处理器31在基于至少一种成熟度判断指标,对获取到的蜂箱的环境数据和蜂群的状态数据进行达标程度分析,以确定蜂箱内蜂蜜的第二成熟度时,用于:
获取至少一种成熟度判断指标各自对应的标准值;
基于至少一种成熟度判断指标各自对应的指标统计规则,对获取到的蜂箱的环境数据和蜂群的状态数据进行指标统计,以获得至少一种成熟度判断指标对应的实际值;
根据至少一种成熟度判断指标对应的实际值和标准值,确定蜂箱内蜂蜜在至少一种成熟度判断指标下的达标程度;
根据达标程度,确定蜂箱内蜂蜜的第二成熟度。
在一可选实施例中,处理器31在根据第一成熟度和第二成熟度,确定蜂箱当前的蜂蜜成熟度时,用于:
根据获取到的蜂箱的环境数据和蜂群的状态数据,确定蜂箱对应的样本完善度;
根据样本完善度,确定第一成熟度和第二成熟度各自的权重系数;
根据第一成熟度和第二成熟度各自的权重系数,对第一成熟度和第二成熟度进行加权求和,以获得蜂箱当前的蜂蜜成熟度。
在一可选实施例中,处理器31还用于:
识别获取到的蜂箱的环境数据和蜂群的状态数据中存在的异常数据,异常数据为时序上存在异常变化的环境数据或状态数据;
根据异常数据,生成异常提示信息;
将异常提示信息提供给用户终端。
在一可选实施例中,蜂群的状态数据中包含蜂群的振翅声音分贝值和频率值;处理器31在识别获取到的蜂箱的环境数据和蜂群的状态数据中存在的异常数据时,用于:
根据蜂群的振翅声音分贝值和频率值,提取蜂群的音频特征;
根据音频特征与音频异常状态的关联关系,对蜂群的音频特征进行时序分析,预测蜂群当前是否处于音频异常状态;
若蜂群当前处于音频异常状态,则确定蜂群的振翅声音分贝值和频率值为异常数据。
在一可选实施例中,音频异常状态包括胡蜂入侵、分蜂或病虫害中的一种或多种。
在一可选实施例中,蜂箱的环境数据中包括蜂箱内蜂蜜的重量值,处理器31在识别获取到的蜂箱的环境数据和蜂群的状态数据中存在的异常数据时,用于:
若蜂蜜的重量值在时序上的变化不符合第一预设要求,确定蜂蜜的重量值为异常数据。
在一可选实施例中,蜂群的状态数据包括蜂群进出蜂箱的频率,处理器31在识别获取到的蜂箱的环境数据和蜂群的状态数据中存在的异常数据时,用于:
根据蜂群进出蜂箱的频率,统计蜂群的活跃度;
若蜂群的活跃度在时序上的变化不符合第二预设要求,确定蜂群进出蜂箱的次数为异常数据。
在一可选实施例中,蜂箱的环境数据包括开盖监测数据,处理器31在识别获取到的蜂箱的环境数据和蜂群的状态数据中存在的异常数据时,用于:
根据开盖监测数据,确定蜂箱是否发生开盖事件;
若蜂箱发生开盖事件,确定开盖监测数据为异常数据。
在一可选实施例中,处理器31在获取蜂箱的环境数据和蜂箱对应的蜂群的状态数据时,用于:
获取在蜂箱当前的蜂蜜成长时期内产生的蜂箱的环境数据和蜂箱对应的蜂群的状态数据。
在一可选实施例中,处理器31还用于:
若蜂箱内蜂蜜的成熟度达到采收标准值,生成采收提示信息;
将采收提示信息发送至用户终端,以提醒用户采收蜂箱内的蜂蜜。
在一可选实施例中,蜂箱的环境数据包括:位置数据、气象数据、蜂蜜的重量值或开盖监测数据中的一种或多种;
蜂群的状态数据包括:进出蜂箱的频率、蜜源、蜂群种类或振翅声音的分贝值和频率值中的一种或多种。
进一步,如图3所示,该计算设备还包括:电源组件33等其它组件。图3中仅示意性给出部分组件,并不意味着计算设备只包括图3所示组件。
值得说明的是,上述关于计算设备的实施例中涉及到的技术细节,可参考前述关于蜂蜜成熟度确定方法的实施例中的描述,为节省篇幅,在此不再赘述,但这不应造成本申请保护范围的损失。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。
图4为本申请又一实施例提供的一种蜂箱的结构示意图,如图4所示,该蜂箱包括:采集组件40、存储器41、处理器42和通信组件43;
存储器41用于存储一条或多条计算机指令;
处理器42与采集组件40、存储器41以及通信组件43耦合,用于执行一条或多条计算机指令,以用于:
利用采集组件40采集蜂箱的环境数据和蜂箱对应的蜂群的状态数据;
通过通信组件42将采集到的蜂箱的环境数据和蜂箱对应的蜂群的状态数据提供至服务器,以供服务器进行蜂蜜成熟度确定。
本实施例提供的蜂箱可利用采集组件自动采集蜂箱的环境数据和蜂箱对应的蜂群的状态数据。实际应用中,蜂箱可将采集到的数据上传至云端,服务器可在需要使用数据时,从云端获取所需的数据。当然,本实施例并不限于此,蜂箱也可直接将采集到的数据发送至服务器。
在一可选实施例中,采集组件可包括气候采集单元、红外传感器、重量传感器、温湿度传感器、声音采集单元或开盖监测单元中的一种或多种。当然,本实施例并不限于此,根据实际需求,蜂箱上或周围还可布设其它采集组件。
进一步,如图4所示,该计算设备还包括:电源组件44等其它组件。图4中仅示意性给出部分组件,并不意味着计算设备只包括图4所示组件。
值得说明的是,上述关于蜂箱的实施例中涉及到的技术细节,可参考前述关于蜂蜜成熟度确定方法的各实施例中的描述,为节省篇幅,在此不再赘述,但这不应造成本申请保护范围的损失。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由蜂箱执行的各步骤。
图5为本申请又一实施例提供的一种目标对象属性的确定方法的流程示意图。如图5所示,该方法包括:
确定目标对象的目标容具;
获取目标容具的环境数据和目标容具对应的养殖对象的状态数据;
根据目标容具的环境数据和养殖对象的状态数据,确定目标容具内目标对象的属性。
本实施例提供的目标对象属性的确定方法,可应用于各种需要确定目标对象属性的场景中。其中,在不同的场景中,目标对象、目标容具及养殖对象可能不完全相同。例如,目标对象可以是蜂蜜,还可以是鸡蛋、鸭蛋等其它由养殖对象所产出的,用于食用或生产加工的其它资源。相应地,目标容具可以是蜂箱、鸡笼或鸭笼等等,而养殖对象则可以是蜜蜂、鸡或鸭等。
而目标对象的属性也可根据应用场景的不同而灵活调整,例如,可以是蜂蜜的成熟度、鸡蛋或鸭蛋的累积数量等。
当然,这些均是示例性的,本实施例并不仅限于此。
本实施例中,可在目标容具上和/或周围布设采集组件。采集组件可包括气候采集单元、红外传感器、重量传感器、温湿度传感器、声音采集单元或开盖监测单元中的一种或多种。当然,本实施例并不限于此,在不同的应用场景中,可根据需要装配采集组件,以更好地采集目标容具的环境数据以及其内养殖对象的状态数据。
另外,本实施例中,在不同的应用场景中,所采集的目标容具的环境数据和养殖对象的状态数据也可按需设定,例如,在确定蜂蜜成熟度的场景中,蜂箱的环境数据包括:位置数据、气象数据、蜂蜜的重量值或开盖监测数据中的一种或多种;蜂群的状态数据包括:进出蜂箱的频率、蜜源、蜂群种类或振翅声音的分贝值和频率值中的一种或多种。
本实施例中,目标容具的环境数据以及养殖对象的状态数据可包含目标容具上的采集组件真实采集到的数据,还可包含一些固定特征数据,固定特征数据包括但不限于经纬度等位置数据、养殖对象种类等等。
实际应用中,这些固定数据可与目标容具进行关联,这些固定数据可存储在目标容具的存储器中,当然,本实施例并不限于此。
基于此,本实施例中,可根据目标容具的环境数据和养殖对象的状态数据,分析目标对象在时序上的变化情况,从而确定出目标容具内目标对象的属性。
本实施例提供的目标对象属性的确定方法,可预测目标对象当前的属性,也可回溯已经采收的目标对象在采收时的属性。当然,本实施例提供的目标对象属性确定方法还可确定目标对象在其它时段的属性,本实施例对此不作限定。
在上述预测目标对象当前属性的情况下,本实施例中,可获取目标容具当前的成长时期内产生的目标容具的环境数据和目标容具对应的养殖对象的状态数据,并基于这些数据,确定目标对象当前的属性。
本实施例中,若目标对象当前的属性达到采收标准值,可生成采收提示信息;将采收提示信息发送至用户终端,以提醒用户采收目标容具内的目标对象。
本实施例中,可获取目标容具的环境数据以及目标容具对应的养殖对象的状态数据,根据目标容具的环境数据以及目标容具对应的养殖对象的状态数据可分析目标对象的变化情况,从而确定目标容具内目标对象的属性。这使得目标对象的属性确定工作不再需要依赖工人经验或化学手段,不仅可节省大量成本,还可提高目标对象属性确定工作的效率、及时性和/或准确性。
在上述或下述实施例中,根据目标容具的环境数据和养殖对象的状态数据,采用多种实现方式来确定目标容具内目标对象的属性。
在一种实现方式中,可基于环境数据和状态数据与目标对象属性之间在时序上存在的影响关系,对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析,以确定目标容具内目标对象的属性。
在该实现方式中,可预先学习环境数据和状态数据与目标对象属性之间在时序上存在的影响关系。基于学习到的环境数据和状态数据与目标对象属性之间在时序上存在的影响关系,本实施例中,可对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析。
在实际应用中,可将获取到的目标容具的环境数据和养殖对象的状态数据输入属性预测模型,并利用属性预测模型对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析。
正如前文提及的,目标容具的环境数据和养殖对象的状态数据中至少包含两方面的数据:一方面是目标容具上的采集组件采集到的数据,这部分数据为遵循时序的数据;另一方面是目标容具和养殖对象的固定特征数据。
在实际应用中,由于不同经纬度、不同对象种类等情况下,目标对象属性受到其它环境数据和状态数据的影响可能不同,因此,针对不同的固定特征数据,属性预测模型中的模型参数不完全相同,以适配不同的固定特征数据,从而提高属性的准确性。
属性预测模型可采用基于时序的深度学习模型,例如LSTM模型。本实施例中可预先对属性预测模型进行训练。
在进行属性预测模型训练的过程中,可获取样本数据,样本数据中包含目标对象属性、目标容具的环境数据及养殖对象的状态数据;将样本数据输入属性预测模型,以训练属性预测模型,属性预测模型中包含环境数据和状态数据与目标对象属性之间的影响关系。
其中,本实施例中,不限定样本数据的来源。样本数据可以是现有的样本数据库中的样本数据,还可以是对属性预测模型的输出结果进行人工标注后产生的数据。例如,在属性预测模型的使用过程中,对其输出结果进行人工修正及标注,修正及标注后的数据以及输入属性预测模型中的数据可作为样本数据重新输入属性预测模型,以供属性预测模型重新学习其中包含的知识,不断调整模型参数。这样,可不断优化属性预测模型,提高属性的准确性。
在该实现方式中,可基于从样本数据中学习到的经验知识,对目标容具内目标对象的属性进行预测,在样本数据足够多的情况下,可保证预测结果的准确性。
在一些特殊情况下,样本数据可能并不充足,这可能导致属性预测模型的输出结果不够准确,为了改善这一问题:
在另一种实现方式中,可基于环境数据和状态数据与目标对象属性之间在时序上存在的影响关系,对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析,以确定目标对象的第一参考属性;基于至少一种属性判断指标,对获取到的目标容具的环境数据和养殖对象的状态数据进行达标程度分析,以确定目标对象的第二参考属性;根据第一参考属性和第二参考属性,确定目标容具内目标对象的属性。
其中,该实现方式中,基于环境数据和状态数据与目标对象属性之间在时序上存在的影响关系,对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析,以确定目标对象的第一参考属性的过程,可参考上一种实现方式,在此不再赘述。
在该实现方式中,还可根据专家规则预先配置至少一种属性判断指标。属性判断指标是指判断目标对象属性的维度。在不同的应用场景下,属性的判断指标可按需设定,例如,在确定蜂蜜成熟的场景中,属性判断指标包括日照有效时长、目标对象重量变化率等等。
每个属性判断指标可对应一标准值。本实施例中,可基于至少一种属性判断指标各自对应的指标统计规则,对获取到的目标容具的环境数据和养殖对象的状态数据进行指标统计。
据此,可根据至少一种属性判断指标对应的实际值和标准值,确定目标对象在至少一种属性判断指标下的达标程度。
因此,可根据目标容具在至少一种属性判断指标下的达标程度,确定目标对象的第二参考属性。
在实际应用中,可综合目标容具在至少一种属性判断指标下的达标程度,来确定目标对象的第二参考属性。例如,可为不同的属性判断指标配置不同的权重,并对目标容具在不同属性判断指标下的达标程度进行加权求和,以获得目标对象的第二参考属性。当然,这仅是示例性的,本实施例并不限于此。
至此,可基于从样本数据中学习到的经验知识,确定目标对象的第一参考属性,可基于专家规则,确定目标对象的第二参考属性。
在该实现方式中,可根据获取到的目标容具的环境数据和养殖对象的状态数据,确定目标容具对应的样本完善度;根据样本完善度,确定第一参考属性和第二参考属性各自的权重系数;根据第一参考属性和第二参考属性各自的权重系数,对第一参考属性和第二参考属性进行加权求和,以获得目标容具当前的目标对象属性。
在实际应用中,可维护固定特征数据与样本完善度之间的关系,据此,可根据获取到的目标容具的环境数据和养殖对象的状态数据中包含的固定特征数据,判断目标容具对应的样本完善度。当然,这仅是示例性的,本实施例并不限于此。
样本完善度是指第一参考属性预测模型所学习过的知识量。样本完善度低的情况下,表征没有足够多的样本数据供第一参考属性预测模型进行学习,这可能导致第一参考属性预测模型的输出结果准确性不够。相反,样本完善度高的情况下,表征已有足够多的样本数据供第一参考属性预测模型进行学习,这使得第一参考属性预测模型的输出结果更加准确。例如,对于新开发的养蜂区域,样本数据极少,这种情况下,训练出的第一参考属性预测模型的准确性可能不够高。
本实施例中,可通过专家规则来补充或修正第一参考属性预测模型的输出结果,从而可保证最终获得的目标容具内目标对象的属性的准确性。当目标容具对应的样本完善度较低时,可为第一参考属性配置较低的权重系数,而为第二参考属性配置较高的权重系数,这保证可更多地参考专家规则来确定目标容具内目标对象的属性。
在极端情况下,可将第一参考属性或第二参考属性各自的权重系数配置为0。例如,完全没有样本数据的情况下,可仅依据专家规则确定目标容具内目标对象的属性。又例如,第一参考属性预测模型已经非常完善的情况下,可不再参考专家规则。
在该实现方式中,可综合专家规则和从样本数据中学习到的经验知识,进行目标对象属性的确定,这保证了目标对象属性的确定结果的正确性、适当性、科学性和严密性。
在上述或下述实施例中,可识别获取到的目标容具的环境数据和养殖对象的状态数据中存在的异常数据,异常数据为时序上存在异常变化的环境数据或状态数据;根据异常数据,生成异常提示信息;将异常提示信息提供给用户终端。
本实施例中,可根据获取到的目标容具的环境数据和养殖对象的状态数据在时序上的变化情况,识别出异常数据。
实际应用中,可针对每种环境数据或状态数据分别设定判断异常变化的预设要求,在某种环境数据或状态数据在时序上的变化不满足预设要求时,可确定该环境数据或状态数据为异常数据。
针对异常数据,可生成异常提示信息。例如,当湿度发生异常变化时,可生成“请注意湿度”的异常提示信息。又例如,当目标对象的重量值发生异常变化时,可生成“目标对象变少了”的异常提示信息。
本实施例中,可将异常提示信息提供给用户终端。其中,用户终端可以是蜂农的手机或计算机等终端设备。异常提示信息可指导蜂农劳作,这可保证蜂农及时处理异常情况,从而及时止损。
图6为本申请又一实施例提供的另一种计算设备的结构示意图。如图6所示,该计算设备包括:存储器60、处理器61以及通信组件62。
处理器61,与存储器60及通信组件62耦合,用于执行存储器中的计算机程序,以用于:
确定目标对象的目标容具;
通过通信组件62获取目标容具的环境数据和目标容具对应的养殖对象的状态数据;
根据目标容具的环境数据和养殖对象的状态数据,确定目标容具内目标对象的属性。
在一可选实施例总灰姑娘,处理器61在根据目标容具的环境数据和养殖对象的状态数据,确定目标容具内目标对象的属性时,用于:
基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析,以确定目标对象的属性。
在一可选实施例总灰姑娘,处理器61在根据目标容具的环境数据和养殖对象的状态数据,确定目标容具内目标对象的属性时,用于:
基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析,以确定目标对象的第一参考属性;
基于至少一种属性判断指标,对获取到的目标容具的环境数据和养殖对象的状态数据进行达标程度分析,以确定目标对象的第二参考属性;
根据第一参考属性和第二参考属性,确定目标对象的属性。
在一可选实施例总灰姑娘,处理器61在基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析时,用于:
将获取到的目标容具的环境数据和养殖对象的状态数据输入第一属性预测模型;
在第一属性预测模型中,基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的目标容具的环境数据和养殖对象的状态数据进行时序分析。
在一可选实施例总灰姑娘,处理器61在使用第一属性预测模型之前,还包括:
获取样本数据,样本数据中包含目标对象的属性、目标对象所在容具的环境数据及养殖对象的状态数据;
将样本数据输入第一属性预测模型,以训练第一属性预测模型,第一属性预测模型中包含环境数据和状态数据与目标对象的属性之间的影响关系。
在一可选实施例总灰姑娘,处理器61在基于至少一种属性判断指标,对获取到的目标容具的环境数据和养殖对象的状态数据进行达标程度分析,以确定目标对象的第二参考属性时,用于:
获取至少一种属性判断指标各自对应的标准值;
基于至少一种属性判断指标各自对应的指标统计规则,对获取到的蜂箱的环境数据和蜂群的状态数据进行指标统计,以获得至少一种属性判断指标对应的实际值;
根据至少一种属性判断指标对应的实际值和标准值,确定目标对象在至少一种属性判断指标下的达标程度;
根据达标程度,确定目标对象的第二参考属性。
在一可选实施例总灰姑娘,处理器61在根据第一参考属性和第二参考属性,确定目标对象的属性时,用于:
根据获取到的目标容具的环境数据和养殖对象的状态数据,确定目标容具对应的样本完善度;
根据样本完善度,确定第一参考属性和第二参考属性各自的权重系数;
根据第一参考属性和第二参考属性各自的权重系数,对第一参考属性和第二参考属性进行加权求和,以获得目标对象的属性。
在一可选实施例总灰姑娘,处理器61还用于:
识别获取到的目标容具的环境数据和养殖对象的状态数据中存在的异常数据,异常数据为时序上存在异常变化的环境数据或状态数据;
根据异常数据,生成异常提示信息;
将异常提示信息提供给用户终端。
进一步,如图6所示,该计算设备还包括:电源组件63等其它组件。图6中仅示意性给出部分组件,并不意味着计算设备只包括图6所示组件。
值得说明的是,上述关于计算设备的实施例中涉及到的技术细节,可参考前述关于目标对象属性的方法的各实施例中的描述,为节省篇幅,在此不再赘述,但这不应造成本申请保护范围的损失。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。
其中,图3、4、6中的存储器,用于存储计算机程序,并可被配置为存储其它各种数据以支持在存储器所在设备上的操作。这些数据的示例包括用于在存储器所在设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
其中,图3、4、6中的通信组件,被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术或其它技术来实现,以促进短程通信。
其中,图3、4、6中的电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理***,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本领域当前的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (44)
1.一种蜂蜜成熟度确定方法,其特征在于,包括:
确定目标蜂箱;
获取所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据;
根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度,包括:
基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析,以确定所述蜂箱内蜂蜜的成熟度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度,包括:
基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析,以确定所述蜂箱内蜂蜜的第一成熟度;
基于至少一种成熟度判断指标,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行达标程度分析,以确定所述蜂箱内蜂蜜的第二成熟度;
根据所述第一成熟度和所述第二成熟度,确定所述蜂箱内蜂蜜的成熟度。
4.根据权利要求2或3所述的方法,其特征在于,所述基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析,包括:
将获取到的所述蜂箱的环境数据和所述蜂群的状态数据输入第一成熟度预测模型;
在所述第一成熟度预测模型中,基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析。
5.根据权利要求3所述的方法,其特征在于,在使用所述第一成熟度预测模型之前,还包括:
获取样本数据,所述样本数据中包含蜂蜜成熟度、蜂箱的环境数据及蜂群的状态数据;
将所述样本数据输入所述第一成熟度预测模型,以训练所述第一成熟度预测模型,所述第一成熟度预测模型中包含环境数据和状态数据与蜂蜜成熟度之间的影响关系。
6.根据权利要求3所述的方法,其特征在于,所述基于至少一种成熟度判断指标,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行达标程度分析,以确定所述蜂箱内蜂蜜的第二成熟度,包括:
获取所述至少一种成熟度判断指标各自对应的标准值;
基于所述至少一种成熟度判断指标各自对应的指标统计规则,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行指标统计,以获得所述至少一种成熟度判断指标对应的实际值;
根据所述至少一种成熟度判断指标对应的实际值和标准值,确定所述蜂箱内蜂蜜在所述至少一种成熟度判断指标下的达标程度;
根据所述达标程度,确定所述蜂箱内蜂蜜的第二成熟度。
7.根据权利要求3所述的方法,其特征在于,所述根据所述第一成熟度和所述第二成熟度,确定所述蜂箱当前的蜂蜜成熟度,包括:
根据获取到的所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱对应的样本完善度;
根据所述样本完善度,确定所述第一成熟度和所述第二成熟度各自的权重系数;
根据所述第一成熟度和所述第二成熟度各自的权重系数,对所述第一成熟度和所述第二成熟度进行加权求和,以获得所述蜂箱当前的蜂蜜成熟度。
8.根据权利要求1所述的方法,其特征在于,还包括:
识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据,所述异常数据为时序上存在异常变化的环境数据或状态数据;
根据所述异常数据,生成异常提示信息;
将所述异常提示信息提供给用户终端。
9.根据权利要求8所述的方法,其特征在于,所述蜂群的状态数据中包含蜂群的振翅声音分贝值和频率值;所述识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据,包括:
根据所述蜂群的振翅声音分贝值和频率值,提取所述蜂群的音频特征;
根据音频特征与音频异常状态的关联关系,对所述蜂群的音频特征进行时序分析,预测所述蜂群当前是否处于音频异常状态;
若所述蜂群当前处于音频异常状态,则确定所述蜂群的振翅声音分贝值和频率值为异常数据。
10.根据权利要求9所述的方法,其特征在于,所述音频异常状态包括胡蜂入侵、分蜂或病虫害中的一种或多种。
11.根据权利要求8所述的方法,其特征在于,所述蜂箱的环境数据中包括蜂箱内蜂蜜的重量值,所述识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据,包括:
若所述蜂蜜的重量值在时序上的变化不符合第一预设要求,确定所述蜂蜜的重量值为异常数据。
12.根据权利要求8所述的方法,其特征在于,所述蜂群的状态数据包括蜂群进出蜂箱的频率,所述识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据,包括:
根据所述蜂群进出蜂箱的频率,统计所述蜂群的活跃度;
若所述蜂群的活跃度在时序上的变化不符合第二预设要求,确定所述蜂群进出蜂箱的次数为异常数据。
13.根据权利要求8所述的方法,其特征在于,所述蜂箱的环境数据包括开盖监测数据,所述识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据,包括:
根据所述开盖监测数据,确定所述蜂箱是否发生开盖事件;
若所述蜂箱发生开盖事件,确定所述开盖监测数据为异常数据。
14.根据权利要求1所述的方法,其特征在于,所述获取所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据,包括:
获取在所述蜂箱当前的蜂蜜成长时期内产生的所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据。
15.根据权利要求14所述的方法,其特征在于,还包括:
若所述蜂箱内蜂蜜的成熟度达到采收标准值,生成采收提示信息;
将所述采收提示信息发送至用户终端,以提醒用户采收所述蜂箱内的蜂蜜。
16.根据权利要求1所述的方法,其特征在于,所述蜂箱的环境数据包括:位置数据、气象数据、蜂蜜的重量值或开盖监测数据中的一种或多种;
所述蜂群的状态数据包括:进出蜂箱的频率、蜜源、蜂群种类或振翅声音的分贝值和频率值中的一种或多种。
17.一种计算设备,其特征在于,包括存储器、处理器和通信组件;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述存储器及所述通信组件耦合,用于执行所述一条或多条计算机指令,以用于:
确定目标蜂箱;
通过所述通信组件获取所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据;
根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度。
18.根据权利要求17所述的设备,其特征在于,所述处理器在根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度时,用于:
基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析,以确定所述蜂箱内蜂蜜的成熟度。
19.根据权利要求17所述的设备,其特征在于,所述处理器在根据所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱内蜂蜜的成熟度时,用于:
基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析,以确定所述蜂箱内蜂蜜的第一成熟度;
基于至少一种成熟度判断指标,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行达标程度分析,以确定所述蜂箱内蜂蜜的第二成熟度;
根据所述第一成熟度和所述第二成熟度,确定所述蜂箱内蜂蜜的成熟度。
20.根据权利要求18或19所述的设备,其特征在于,所述处理器在基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析时,用于:
将获取到的所述蜂箱的环境数据和所述蜂群的状态数据输入第一成熟度预测模型;
在所述第一成熟度预测模型中,基于环境数据和状态数据与蜂蜜成熟度之间在时序上存在的影响关系,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行时序分析。
21.根据权利要求20所述的设备,其特征在于,在使用所述第一成熟度预测模型之前,所述处理器还用于:
获取样本数据,所述样本数据中包含蜂蜜成熟度、蜂箱的环境数据及蜂群的状态数据;
将所述样本数据输入所述第一成熟度预测模型,以训练所述第一成熟度预测模型,所述第一成熟度预测模型中包含环境数据和状态数据与蜂蜜成熟度之间的影响关系。
22.根据权利要求19所述的设备,其特征在于,所述处理器在基于至少一种成熟度判断指标,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行达标程度分析,以确定所述蜂箱内蜂蜜的第二成熟度时,用于:
获取所述至少一种成熟度判断指标各自对应的标准值;
基于所述至少一种成熟度判断指标各自对应的指标统计规则,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行指标统计,以获得所述至少一种成熟度判断指标对应的实际值;
根据所述至少一种成熟度判断指标对应的实际值和标准值,确定所述蜂箱内蜂蜜在所述至少一种成熟度判断指标下的达标程度;
根据所述达标程度,确定所述蜂箱内蜂蜜的第二成熟度。
23.根据权利要求19所述的设备,其特征在于,所述处理器在根据所述第一成熟度和所述第二成熟度,确定所述蜂箱当前的蜂蜜成熟度时,用于:
根据获取到的所述蜂箱的环境数据和所述蜂群的状态数据,确定所述蜂箱对应的样本完善度;
根据所述样本完善度,确定所述第一成熟度和所述第二成熟度各自的权重系数;
根据所述第一成熟度和所述第二成熟度各自的权重系数,对所述第一成熟度和所述第二成熟度进行加权求和,以获得所述蜂箱当前的蜂蜜成熟度。
24.根据权利要求17所述的设备,其特征在于,所述处理器还用于:
识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据,所述异常数据为时序上存在异常变化的环境数据或状态数据;
根据所述异常数据,生成异常提示信息;
将所述异常提示信息提供给用户终端。
25.根据权利要求24所述的设备,其特征在于,所述蜂群的状态数据中包含蜂群的振翅声音分贝值和频率值;所述处理器在识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据时,用于:
根据所述蜂群的振翅声音分贝值和频率值,提取所述蜂群的音频特征;
根据音频特征与音频异常状态的关联关系,对所述蜂群的音频特征进行时序分析,预测所述蜂群当前是否处于音频异常状态;
若所述蜂群当前处于音频异常状态,则确定所述蜂群的振翅声音分贝值和频率值为异常数据。
26.根据权利要求25所述的设备,其特征在于,所述音频异常状态包括胡蜂入侵、分蜂或病虫害中的一种或多种。
27.根据权利要求24所述的设备,其特征在于,所述蜂箱的环境数据中包括蜂箱内蜂蜜的重量值,所述处理器在识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据时,用于:
若所述蜂蜜的重量值在时序上的变化不符合第一预设要求,确定所述蜂蜜的重量值为异常数据。
28.根据权利要求24所述的设备,其特征在于,所述蜂群的状态数据包括蜂群进出蜂箱的频率,所述处理器在识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据时,用于:
根据所述蜂群进出蜂箱的频率,统计所述蜂群的活跃度;
若所述蜂群的活跃度在时序上的变化不符合第二预设要求,确定所述蜂群进出蜂箱的次数为异常数据。
29.根据权利要求24所述的设备,其特征在于,所述蜂箱的环境数据包括开盖监测数据,所述处理器在识别获取到的所述蜂箱的环境数据和所述蜂群的状态数据中存在的异常数据时,用于:
根据所述开盖监测数据,确定所述蜂箱是否发生开盖事件;
若所述蜂箱发生开盖事件,确定所述开盖监测数据为异常数据。
30.根据权利要求17所述的设备,其特征在于,所述处理器在获取所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据时,用于:
获取在所述蜂箱当前的蜂蜜成长时期内产生的所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据。
31.根据权利要求30所述的设备,其特征在于,所述处理器还用于:
若所述蜂箱内蜂蜜的成熟度达到采收标准值,生成采收提示信息;
将所述采收提示信息发送至用户终端,以提醒用户采收所述蜂箱内的蜂蜜。
32.根据权利要求17所述的设备,其特征在于,所述蜂箱的环境数据包括:位置数据、气象数据、蜂蜜的重量值或开盖监测数据中的一种或多种;
所述蜂群的状态数据包括:进出蜂箱的频率、蜜源、蜂群种类或振翅声音的分贝值和频率值中的一种或多种。
33.一种目标对象属性的确定方法,其特征在于,包括:
确定目标对象的目标容具;
获取所述目标容具的环境数据和所述目标容具对应的养殖对象的状态数据;
根据所述目标容具的环境数据和所述养殖对象的状态数据,确定所述目标容具内目标对象的属性。
34.根据权利要求33所述的方法,其特征在于,所述根据所述目标容具的环境数据和所述养殖对象的状态数据,确定所述目标容具内目标对象的属性,包括:
基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的所述目标容具的环境数据和所述养殖对象的状态数据进行时序分析,以确定所述目标对象的属性。
35.根据权利要求33所述的方法,其特征在于,所述根据所述目标容具的环境数据和所述养殖对象的状态数据,确定所述目标容具内目标对象的属性,包括:
基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的所述目标容具的环境数据和所述养殖对象的状态数据进行时序分析,以确定所述目标对象的第一参考属性;
基于至少一种属性判断指标,对获取到的所述目标容具的环境数据和所述养殖对象的状态数据进行达标程度分析,以确定所述目标对象的第二参考属性;
根据所述第一参考属性和所述第二参考属性,确定所述目标对象的属性。
36.根据权利要求34或35所述的方法,其特征在于,所述基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的所述目标容具的环境数据和所述养殖对象的状态数据进行时序分析,包括:
将获取到的所述目标容具的环境数据和所述养殖对象的状态数据输入第一属性预测模型;
在所述第一属性预测模型中,基于环境数据和状态数据与目标对象的属性之间在时序上存在的影响关系,对获取到的所述目标容具的环境数据和所述养殖对象的状态数据进行时序分析。
37.根据权利要求36所述的方法,其特征在于,在使用所述第一属性预测模型之前,还包括:
获取样本数据,所述样本数据中包含目标对象的属性、目标对象所在容具的环境数据及养殖对象的状态数据;
将所述样本数据输入所述第一属性预测模型,以训练所述第一属性预测模型,所述第一属性预测模型中包含环境数据和状态数据与目标对象的属性之间的影响关系。
38.根据权利要求35所述的方法,其特征在于,所述基于至少一种属性判断指标,对获取到的所述目标容具的环境数据和所述养殖对象的状态数据进行达标程度分析,以确定所述目标对象的第二参考属性,包括:
获取所述至少一种属性判断指标各自对应的标准值;
基于所述至少一种属性判断指标各自对应的指标统计规则,对获取到的所述蜂箱的环境数据和所述蜂群的状态数据进行指标统计,以获得所述至少一种属性判断指标对应的实际值;
根据所述至少一种属性判断指标对应的实际值和标准值,确定所述目标对象在所述至少一种属性判断指标下的达标程度;
根据所述达标程度,确定所述目标对象的所述第二参考属性。
39.根据权利要求35所述的方法,其特征在于,所述根据所述第一参考属性和所述第二参考属性,确定所述目标对象的属性,包括:
根据获取到的所述目标容具的环境数据和所述养殖对象的状态数据,确定所述目标容具对应的样本完善度;
根据所述样本完善度,确定所述第一参考属性和所述第二参考属性各自的权重系数;
根据所述第一参考属性和所述第二参考属性各自的权重系数,对所述第一参考属性和所述第二参考属性进行加权求和,以获得所述目标对象的属性。
40.根据权利要求33所述的方法,其特征在于,还包括:
识别获取到的所述目标容具的环境数据和所述养殖对象的状态数据中存在的异常数据,所述异常数据为时序上存在异常变化的环境数据或状态数据;
根据所述异常数据,生成异常提示信息;
将所述异常提示信息提供给用户终端。
41.一种计算设备,其特征在于,包括存储器、处理器和通信组件;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述存储器及所述通信组件耦合,用于执行所述一条或多条计算机指令,以用于:
确定目标对象的目标容具;
通过所述通信组件获取所述目标容具的环境数据和所述目标容具对应的养殖对象的状态数据;
根据所述目标容具的环境数据和所述养殖对象的状态数据,确定所述目标容具内目标对象的属性。
42.一种蜂箱,其特征在于,包括采集组件、存储器、处理器和通信组件;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述采集组件、所述存储器以及所述通信组件耦合,用于执行所述一条或多条计算机指令,以用于:
利用所述采集组件采集所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据;
通过所述通信组件将采集到的所述蜂箱的环境数据和所述蜂箱对应的蜂群的状态数据发送至服务器,以供所述服务器进行蜂蜜成熟度确定。
43.根据权利要求42所述的蜂箱,其特征在于,所述采集组件包括:气候采集单元、红外传感器、重量传感器、温湿度传感器、声音采集单元或开盖监测单元中的一种或多种。
44.一种存储计算机指令的计算机可读存储介质,其特征在于,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行权利要求1-16任一项所述的蜂蜜成熟度确定方法,或者权利要求33-40任一项所述的目标对象属性的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275305.2A CN112986504B (zh) | 2019-12-12 | 2019-12-12 | 蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275305.2A CN112986504B (zh) | 2019-12-12 | 2019-12-12 | 蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112986504A true CN112986504A (zh) | 2021-06-18 |
CN112986504B CN112986504B (zh) | 2023-11-07 |
Family
ID=76331592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911275305.2A Active CN112986504B (zh) | 2019-12-12 | 2019-12-12 | 蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986504B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI839277B (zh) * | 2023-07-26 | 2024-04-11 | 國立臺灣大學 | 複合式蜜蜂監控裝置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507882A (zh) * | 2011-12-19 | 2012-06-20 | 中国农业大学 | 牛肉品质的多参数综合评价方法 |
RU2011105652A (ru) * | 2011-02-15 | 2012-08-20 | Государственное образовательное учреждение высшего профессионального образования "Алтайская государственная академия образования и | Способ повышения продуктивности работы пчел |
CN103409527A (zh) * | 2013-08-13 | 2013-11-27 | 福建农林大学 | 利用蜜蜂Dop2基因荧光定量PCR技术鉴别蜂王浆产量性能的方法 |
KR101441273B1 (ko) * | 2014-01-22 | 2014-09-17 | 나원경 | 완제품 치즈의 즉석 제조를 위한 반제품 생치즈의 제조방법 |
CN104597217A (zh) * | 2014-12-05 | 2015-05-06 | 塔里木大学 | 一种基于成熟规律的水果成熟度评价方法 |
CN105092528A (zh) * | 2015-07-30 | 2015-11-25 | 浙江工商大学 | 一种通过理化指标和电子鼻技术鉴别蜂蜜品质的方法 |
CN107167565A (zh) * | 2017-04-07 | 2017-09-15 | 中国农业大学 | 一种鲜食葡萄品质评价方法及*** |
CN107862456A (zh) * | 2017-11-02 | 2018-03-30 | 江苏中烟工业有限责任公司 | 一种批次烟叶质量综合评价的方法 |
KR20180038833A (ko) * | 2016-10-07 | 2018-04-17 | 건국대학교 글로컬산학협력단 | 산란계 소리에 기초하여 산란계의 상태를 추정하는 방법 및 장치 |
CN108072742A (zh) * | 2017-12-21 | 2018-05-25 | 西北大学 | 一种鉴别成熟油蜂蜜的方法 |
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与*** |
CN110059781A (zh) * | 2019-04-11 | 2019-07-26 | 北京信诺必成科技有限公司 | 奶牛数字化行为识别装置 |
CN110264373A (zh) * | 2019-06-10 | 2019-09-20 | 四川天府蜂谷科技有限公司 | 基于云计算的人工智能(ai)养蜂方法及其*** |
-
2019
- 2019-12-12 CN CN201911275305.2A patent/CN112986504B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2011105652A (ru) * | 2011-02-15 | 2012-08-20 | Государственное образовательное учреждение высшего профессионального образования "Алтайская государственная академия образования и | Способ повышения продуктивности работы пчел |
CN102507882A (zh) * | 2011-12-19 | 2012-06-20 | 中国农业大学 | 牛肉品质的多参数综合评价方法 |
CN103409527A (zh) * | 2013-08-13 | 2013-11-27 | 福建农林大学 | 利用蜜蜂Dop2基因荧光定量PCR技术鉴别蜂王浆产量性能的方法 |
KR101441273B1 (ko) * | 2014-01-22 | 2014-09-17 | 나원경 | 완제품 치즈의 즉석 제조를 위한 반제품 생치즈의 제조방법 |
CN104597217A (zh) * | 2014-12-05 | 2015-05-06 | 塔里木大学 | 一种基于成熟规律的水果成熟度评价方法 |
CN105092528A (zh) * | 2015-07-30 | 2015-11-25 | 浙江工商大学 | 一种通过理化指标和电子鼻技术鉴别蜂蜜品质的方法 |
KR20180038833A (ko) * | 2016-10-07 | 2018-04-17 | 건국대학교 글로컬산학협력단 | 산란계 소리에 기초하여 산란계의 상태를 추정하는 방법 및 장치 |
CN107167565A (zh) * | 2017-04-07 | 2017-09-15 | 中国农业大学 | 一种鲜食葡萄品质评价方法及*** |
CN107862456A (zh) * | 2017-11-02 | 2018-03-30 | 江苏中烟工业有限责任公司 | 一种批次烟叶质量综合评价的方法 |
CN108072742A (zh) * | 2017-12-21 | 2018-05-25 | 西北大学 | 一种鉴别成熟油蜂蜜的方法 |
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与*** |
CN110059781A (zh) * | 2019-04-11 | 2019-07-26 | 北京信诺必成科技有限公司 | 奶牛数字化行为识别装置 |
CN110264373A (zh) * | 2019-06-10 | 2019-09-20 | 四川天府蜂谷科技有限公司 | 基于云计算的人工智能(ai)养蜂方法及其*** |
Non-Patent Citations (6)
Title |
---|
TIANCHEN MA ETAL: "Discrimination of Natural Mature Acacia Honey Based on Multi-Physicochemical Parameters Combined with Chemometric Analysis", 《MOLECULES》 * |
TIANCHEN MA ETAL: "Discrimination of Natural Mature Acacia Honey Based on Multi-Physicochemical Parameters Combined with Chemometric Analysis", 《MOLECULES》, 23 July 2019 (2019-07-23), pages 10 * |
梁铖 等: "石榴花蜂蜜成分分析", 《蜜蜂杂志》 * |
梁铖 等: "石榴花蜂蜜成分分析", 《蜜蜂杂志》, 31 December 2012 (2012-12-31), pages 5 * |
马元军: "浅谈蜂产品质量安全现状及迎春黒蜂发展对策", 《2014年全国蜂产品市场信息交流会暨中国(哈尔滨)蜂业博览会论文集》 * |
马元军: "浅谈蜂产品质量安全现状及迎春黒蜂发展对策", 《2014年全国蜂产品市场信息交流会暨中国(哈尔滨)蜂业博览会论文集》, 28 February 2014 (2014-02-28), pages 1 - 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI839277B (zh) * | 2023-07-26 | 2024-04-11 | 國立臺灣大學 | 複合式蜜蜂監控裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN112986504B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clarke et al. | Predictive modelling of honey bee foraging activity using local weather conditions | |
Darras et al. | Comparing the sampling performance of sound recorders versus point counts in bird surveys: A meta‐analysis | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
US20180342020A1 (en) | System, method and apparatus for management of agricultural resource | |
JP7300796B2 (ja) | 生育状況または病害虫発生状況の予測システム、方法およびプログラム | |
Feldman et al. | How training citizen scientists affects the accuracy and precision of phenological data | |
US20190380325A1 (en) | Manage and control pests infestation using machine learning in conjunction with automated devices | |
JP2019030253A (ja) | 栽培支援装置、栽培支援方法、コンピュータプログラム及び記録媒体 | |
EP3917315A1 (en) | Systems and methods for measuring beehive strength | |
CN111563759B (zh) | 基于ai技术的农产品溯源过程的识别与分析*** | |
Mariette et al. | Parent-embryo acoustic communication: a specialised heat vocalisation allowing embryonic eavesdropping | |
US20220304284A1 (en) | Control and monitoring system for pesticide and harmful bee drugs in bee hives | |
US20160171407A1 (en) | Method and system for classifying plant disease through crowdsourcing using a mobile communication device | |
CN112986504B (zh) | 蜂蜜成熟度、目标对象属性的确定方法、设备及存储介质 | |
Wood et al. | Spatiotemporal patterns of the California Spotted Owl’s territorial vocalizations | |
Komasilovs et al. | Modular sensory hardware and data processing solution for implementation of the precision beekeeping | |
Cooper | Is there a weekend bias in clutch-initiation dates from citizen science? Implications for studies of avian breeding phenology | |
US20240016127A1 (en) | System and method for monitoring, identifying and recording beehive status | |
EP4276700A1 (en) | Tracking and monitoring bees pollination efficiency | |
CN112990623B (zh) | 一种蜂蜜、目标对象品质分析方法、设备及存储介质 | |
US20230224612A1 (en) | Systems and methods for sensor monitoring and sensor-related calculations | |
Zarembo et al. | Digital twin: Orchard management using UAV | |
Gottwald et al. | Classifying the activity states of small vertebrates using automated VHF telemetry | |
US20220237481A1 (en) | Visual recognition to evaluate and predict pollination | |
Mazare et al. | Pests detection system for agricultural crops using intelligent image analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |