CN109887526B - 对母羊的生理状态检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种对母羊的生理状态检测方法、装置、设备及储存介质，其中方法包括：采集目标母羊的音频数据；按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，所述预设的处理规则包括数据格式处理规则或数据过滤规则；提取所述目标音频数据的特征信息；将所述特征信息输入到网络模型中进行预测，得到预测标签；可自动检测出母羊的生理状态，可提高牧羊的产量。

Description

对母羊的生理状态检测方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种对母羊的生理状态检测方法、装置、设备及存储介质。

背景技术

畜牧业是我国西北的支柱产业，养羊业作为畜牧业的重要组成部分，对西北地区的发展具有极其重要的意义。由于过度放牧等因素，导致草原严重退化、沙化、盐渍化，且扩展速度极快，因此，圈养方式成为牧羊业的发展方向。由于圈养技术对养殖环境的要求较高，而大部分牧民的羊舍环境变化较大等因素的影响，造成羊的运动不足，进而导致羊的存活率较低。特别是母羊普遍存在体质弱、难产、得病率和死亡率高等问题，而母羊的生理状态(如生产)直接影响到牧羊的产量，因此，如何对母羊的生理状态进行检测是当前亟待解决的问题。

发明内容

本发明实施例提供一种对母羊的生理状态检测方法、装置、设备及存储介质，可自动检测出母羊的生理状态，可提高牧羊的产量。

第一方面，本发明实施例提供了一种对母羊的生理状态检测方法，包括：

采集目标母羊的音频数据；

按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，所述预设的处理规则包括数据格式处理规则或数据过滤规则；

提取所述目标音频数据的特征信息；

将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

第二方面，本发明实施例提供了一种母羊的生理状态检测装置，包括：

采集模块，用于采集目标母羊的音频数据；

处理模块，用于按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，所述预设的处理规则包括数据格式处理规则或数据过滤规则；

提取模块，用于提取所述目标音频数据的特征信息；

预测模块，用于将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

第三方面，本发明实施例提供了另一种电子设备，包括：

处理器，适于实现一条或一条以上指令；以及，

计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如下步骤：

采集目标母羊的音频数据；

按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，所述预设的处理规则包括数据格式处理规则或数据过滤规则；

提取所述目标音频数据的特征信息；

将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

第四方面，本发明实施例提供了一种计算机可读存储介质，包括：所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由处理器加载并执行如下步骤：

采集目标母羊的音频数据；

按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，所述预设的处理规则包括数据格式处理规则或数据过滤规则；

提取所述目标音频数据的特征信息；

将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

本发明实施例中，通过对采集到的目标母羊的音频数据进行格式或过滤等处理，得到目标音频数据，可避免非母羊音频数据对后续处理过程的干扰，并可提高处理效率。另外，通过将目标音频数据的特征信息输入到网络模型中进行预测，得到目标母羊的生理状态，以便于管理员可以根据目标母羊的生理状态对目标母羊进行有效的管理，降低母羊的伤亡，提高牧羊的产量。基于母羊的音频(声音)自动检测母羊的生理状态，可节省大量人力，并可提高检测准确度；满足用户对母羊监控的智能化、自动化需求，可同时对批量的母羊的生理状态进行检测。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种对母羊的生理状态检测方法的流程示意图；

图2是本发明实施例提供的一种网络模型的结构示意图；

图3是本发明实施例提供的一种对母羊的生理状态检测方法的流程示意图；

图4是本发明实施例提供的一种对母羊的生理状态检测装置的结构示意图；

图5是本发明实施例提供的一种电子设备的结构示意图。

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。

在现有技术中，通常需要兽医手动采集母羊的生活状态信息，生活状态信息包括母羊每天的进食量或母羊的身体指数(如温度信息、血压等等)等等，根据生活状态信息分析母羊的生理状态(如生产等)。这种人工监控的方式需要消耗大量人力，且准确度较低，一定程度上影响了牧羊的产量。基于此，本发明实施例提供一种自动对母羊的生理状态检测的方法，该方法可以实现基于母羊的音频(声音)自动检测母羊的生理状态，可节省大量人力，并可提高检测准确度；满足用户对母羊监控的智能化、自动化需求，可同时对批量的母羊的生理状态进行检测。该方法可以由电子设备来执行，该电子设备可以是指智能终端、服务器、电脑或检测仪等设备。

请参见图1，是本发明实施例提供的一种对母羊的生理状态检测方法的流程示意图，本发明实施例的所述方法可以由上述提及的电子设备来执行。本实施例中，该对母羊的生理状态检测方法包括以下步骤。

S101、采集目标母羊的音频数据。

本发明实施例中，电子设备可以采用声音传感器采集目标母羊的音频数据。具体的，该声音传感器为设置于电子设备中的器件，该电子设备可以安装与目标母羊的身体上，该电子设备可以通过该声音传感器采集目标母羊的音频数据。或者，声音传感器为独立于电子设备的器件，声音传感器与电子设备之间可以通信，例如，电子设备可以通过声音传感器与电子设备之间的网络连接接收声音传感器所发送的目标母羊的音频数据。

其中，该目标母羊可以为用户所监控的多个母羊中的任一母羊。在一个实例中，该目标母羊可以为生理状态不稳定的母羊，生理状态不稳定的母羊是指出现异常状态的频率较高的母羊，例如，目标母羊是指出现打斗生理状态的频率大于预设频率的母羊。在另一个实例中，目标母羊是指处于特殊时间段的母羊，例如，目标母羊为处于待产的时间段的母羊，或目标母羊为处于生病待愈合的时间段的母羊。

S102、按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，该预设的处理规则包括数据格式处理规则或数据过滤规则。

本发明实施例中，由于采集到的音频数据中通常包括冗余数据，如静音数据或非母羊的音频数据等等，为了避免对冗余数据进行处理，提高处理效率，可以对采集到的音频数据进行预处理。具体的，电子设备可以采用滤波器对采集到的音频数据进行过滤处理，得到目标音频数据，其中，滤波器可以为高通滤波器或带通滤波器等。和/或者，为了便于提取采集的音频数据的特征信息，电子设备可以对采集到的音频数据进行格式转换处理。

在一个实施例中，该预设的处理规则包括数据过滤规则，步骤S102包括：按照预设的长度对该采集到的音频数据进行划分，得到多个音频段，获取该多个音频段中的每个音频段的频率，将该多个音频段中频率未在预设频率段内音频段滤除，并将该多个音频段中频率位于该预设频率段内的音频段进行合并，得到该目标音频数据。

由于母羊的声音(音频)频率通常位于一个固定的范围内，因此，在该固定的范围以外的音频为噪声，为了避免噪声的干扰，电子设备可以滤除噪声。例如，假设采集到的音频数据的长度为2min，预设的长度可以为10s，母羊的声音(音频)频率范围为10-20kHz，预设频率段为10-20kHz；电子设备可以按照每10s的长度对采集到的音频数据进行划分，得到12个音频段，如，0s-10s为第一音频段，10s-20s为第二音频段，20s-30s为第三音频段等等。进一步，获取每个音频段的频率，其中，该每个音频段的频率可以为对应时间段的最大频率、最小频率或平均频率，如，第一音频段的频率为0s-10s内的音频的最大频率，同样，第二音频段的频率为10s-20s内的音频的最大频率。将该12个音频段中频率未在10-20kHz音频段滤除，并将该12个音频段中频率位于10-20kHz的音频段进行合并，得到该目标音频数据。

在另一个实施例中，该预设的处理规则包括数据格式处理规则，步骤S102包括：获取该采集到的音频数据的数据格式，当该采集到的音频数据的数据格式与预设数据格式不相同时，按照该预设数据格式对该采集到的音频数据进行格式转换处理，得到该目标音频数据。

为了便于提取采集的音频数据的特征信息，电子设备可以获取该采集到的音频数据的数据格式，当该采集到的音频数据的数据格式与预设数据格式不相同时，该预设数据格式可以为适用于电子设备提取特征信息的数据格式，例如该格式可以为脉冲编码调制(Pulse Code Modulation，PCM)，或音频交互格式(Audio Interchange File Format，AIFF)等等。按照该预设数据格式对该采集到的音频数据进行格式转换处理，得到该目标音频数据。

S103、提取该目标音频数据的特征信息。

本发明实施例中，由于母羊的音频数据的特征信息与其他音频的特征信息有较大的区别，因此，电子设备可以获取该目标音频数据的特征信息，该特征信息可以是指目标音频数据的能量、音调或音色等等，能量是指声音的强度(即声音的响度)，音调是指声音的高低，音色是指声音的特性。

S104、将该特征信息输入到网络模型中进行预测，得到预测标签。

其中，该预测标签用于描述该目标母羊的生理状态，该生理状态包括正常状态或异常状态，该异常状态包括打斗、生产、饥饿、寻羔羊或生病；该网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

本发明实施例中，电子设备可以将该特性信息输入到网络模型中进行预测，得到预测标签。其中，该预测标签用于描述该目标母羊的生理状态，该生理状态包括正常状态或异常状态，正常状态是指不需要饲养员或兽医额外的关注的生理状态；异常状态是指需要饲养员或兽医额外的关注的生理状态，例如，该异常状态包括打斗，为了防止母羊或其他羊受伤，则需要饲养员阻止打斗。该预测标签的内容具体可以包括生理状态、及预测为该生理状态的概率，例如，预测标签的内容“概率为0.9的生产”。

其中，该网络模型的网络参数可以是指通过多个母羊的音频特征信息训练得到的，即该网络模型可以是指优化训练得到的，该网络模型的预测误差小于预设阈值，该网络模型可以为深度神经网络模型、卷积神经网络模型及递归神经网络模型等等中的任一种。在一个实施例中，该网络模型为卷积神经网络模型，如图2所示，该卷积神经网络模型由编码器、固定的编码层、解码器、全连接层、分类器组成。编码器：由3层组成，分别包括由128个神经元组成的双向循环层、由64个神经元组成的2个双向循环层、由32个循环神经元组成的单向层。编码器被设置为处理任意长度的任意序列，编码器里所有的循环神经元都是门控触发单元(Gated Recurrent Unit，GRU)，它结构比较简单，通过更新门和重置门来决定对之前状态的依赖程度，从而可以很好解决远距离依赖的问题；所以通过编码器可以识别出目标母羊的音频数据。固定的编码层：由具有固定参数的32个神经元的激活层组成，被用来初始化解码器。解码器：由一个单独的循环层构成，它具有64个长短时记忆单元(LongShort-Term Memory，LSTM)，且结合了注意力机制；注意力机制使该网络模型主要关注输入的目标母羊的音频特征中的显著部分，以提高分类性能。全连接层：由256个线性整流函数(Rectified Linear Unit，ReLU)的神经元构成，用于将目标母羊的显著特征映射到样本标记空间，组合学习到的目标母羊的三个阶段的声音特征，三个阶段包括初始爆破、中间阶段和最后爆发，从而得到目标母羊的整体声音特征。分类器：由支持向量机(Support VectorMachine，SVM)构成，用于输出预测标签。

在一个实施例中，为了提高母羊的安全性，在检测到目标母羊处于异常状态时，可以将目标母羊的生理状态信息通知给管理员。具体的，当该目标母羊的生理状态处于异常状态，可以获取管理员的联系信息(如电话或即时通信账号)，通过该联系信息将该预测标签及目标母羊的标识信息发送至与管理员绑定的设备，以便管理员可以及时了解目标母羊的生理状态，并采取相应的措施，以实现对母羊的有效管理。

在另一个实施例中，当该目标母羊的生理状态处于异常状态，输出提示信息，该提示信息用于提示对该目标母羊进行管理。提示方式可以为发出不同频率或不同颜色的闪光，或发出不同音量的报警声音等等。

在另一个实施例中，为了实现对目标母羊的智能化管理，当检测到目标母羊的生理状态处于异常状态时，可以根据异常状态作出相应的操作。例如，当检测到目标母羊的生理状态处于饥饿状态时，可以自动向目标母羊的羊槽中添加食物。再例如，当检测到该目标母羊处于生病状态，可以进一步采集目标母羊的身体指数(如温度等)，根据身体指数诊断目标母羊的病症。

本发明实施例中，通过对采集到的目标母羊的音频数据进行格式或过滤等处理，得到目标音频数据，可避免非母羊音频数据对后续处理过程的干扰，并可提高处理效率。另外，通过将目标音频数据的特征信息输入到网络模型中进行预测，得到目标母羊的生理状态，以便于管理员可以根据目标母羊的生理状态对目标母羊进行有效的管理，降低母羊的伤亡，提高牧羊的产量。基于母羊的音频(声音)自动检测母羊的生理状态，可节省大量人力，并可提高检测准确度；满足用户对母羊监控的智能化、自动化需求，可同时对批量的母羊的生理状态进行检测。

请参见图3，是本发明实施例提供的另一种对母羊的生理状态检测方法的流程示意图，本发明实施例的所述方法可以由上述提及的电子设备来执行。本实施例中，该对母羊的生理状态检测方法包括以下步骤。

S201、采集训练样本集，该训练样本集包括多个母羊的音频的特征样本，以及每个特征样本的标注标签，该标注标签用于描述母羊的生理状态。

S202、以该多个母羊的音频的特征样本作为该网络模型的输入，以该每个特征样本的标注标签为该网络模型的训练目标，对该网络模型进行迭代训练。

在步骤S201和S202中，为了提高网络模型的预测准确度，可以对网络模型进行优化训练。具体的，电子设备可以采集训练样本集，该训练样本集包括多个母羊的音频的特征样本，以及每个特征样本的标注标签。其中，该标注标签用于描述母羊的生理状态，该标注标签可以是指人工对特征样本进行标注的；该特性样本可以是根据多只处于不同生理状态的母羊的音频得到，例如，通过50只处于不同生理状态的母羊的音频得到的。以该多个母羊的音频的特征样本作为该网络模型的输入，以该每个特征样本的标注标签为该网络模型的训练目标，对该网络模型进行迭代训练。

在一个实施例中，该网络模型包括损失函数，步骤S202包括：将该多个母羊的音频的特征样本输入到该网络模型中进行预测，得到该每个特征样本的预测标签；通过该损失函数计算该每个特征样本的预测标签与对应特征样本的标注标签之间的误差；当该误差大于预设阈值时，对该网络模型的网络参数进行调整，以使该误差小于或等于该预设阈值。

电子设备可以通过调整网络模型的网络参数来优化网络模型，具体的，将该多个母羊的音频的特征样本输入到该网络模型中进行预测，得到该每个特征样本的预测标签；通过该损失函数计算该每个特征样本的预测标签与对应特征样本的标注标签之间的误差，当该误差大于预设阈值时，表明该网络模型的预测准确度较低，可以对该网络模型的网络参数进行调整，并重复采用样本集对网络进行迭代训练，直到该误差小于或等于该预设阈值，则暂停训练。当该误差小于或等于预设阈值时，表明该网络模型的预测准确度较高，可以暂停对网络模型的优化训练。

S203、采集目标母羊的音频数据。

S204、按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，该预设的处理规则包括数据格式处理规则或数据过滤规则。

S205、提取该目标音频数据的特征信息。

在一个实施例中，该目标音频的特征信息为目标音频的能量，步骤S205包括：对该目标音频数据进行傅里叶变换处理，得到该目标音频数据的频域信息，对该目标音频数据的频域信息进行解析，得到该目标音频数据的能量矩阵，根据该目标音频数据的能量矩阵确定该目标音频数据的特征信息。

由于目标母羊处于不同生理状态的音频的能量具有较大差别，电子设备可以根据目标母羊的音频的能量确定目标母羊的生理状态。具体的，电子设备可以对该目标音频数据进行傅里叶变换处理，得到该目标音频数据的频域信息，该频域信息用于描述目标音频数据的频率与能量的关系；对该目标音频数据的频域信息进行解析，得到该目标音频数据的能量矩阵，对目标音频数据的能量矩阵进行局部检测，得到多个局部最大能量值，根据局部最大能量值确定该目标音频数据的特征信息，即该目标音频数据的特征信息是由多个局部最大能量值组成。

在另一个实施例中，该目标音频的特征信息为目标音频的音高，步骤S205包括：获取该目标音频数据的时频信息，对该目标音频数据的时频信息进行采样处理，得到多个采样点，对该多个采样点进行解析得到每个采样点对应的音高信息，将所有采样点的音高信息作为该目标音频数据的特征信息。

由于目标母羊处于不同生理状态的音频的音高具有较大差别，电子设备可以根据目标母羊的音频的音高确定目标母羊的生理状态。具体的，获取该目标音频数据的时频信息，该时频信息用于描述时间与频率的关系；对该目标音频数据的时频信息进行采样处理，得到多个采样点，每个采样点表某个时间点的音频的频率。对该多个采样点进行解析得到每个采样点对应的音高信息，音高信息是指采样点的音高(即音高值)，每个采样点的频率与该采样点的音高成正比，即频率越大，音高越高；频率越小，音高越低；将所有采样点的音高信息作为该目标音频数据的特征信息。

S206、将该特征信息输入到网络模型中进行预测，得到预测标签，其中，该预测标签用于描述该目标母羊的生理状态，该生理状态包括正常状态或异常状态，该异常状态包括打斗、生产、饥饿、寻羔羊或生病；该网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

本发明实施例中，通过对采集到的目标母羊的音频数据进行格式或过滤等处理，得到目标音频数据，可避免非母羊音频数据对后续处理过程的干扰，并可提高处理效率。另外，通过将目标音频数据的特征信息输入到网络模型中进行预测，得到目标母羊的生理状态，以便于管理员可以根据目标母羊的生理状态对目标母羊进行有效的管理，降低母羊的伤亡，提高牧羊的产量。基于母羊的音频(声音)自动检测母羊的生理状态，可节省大量人力，并可提高检测准确度；满足用户对母羊监控的智能化、自动化需求，可同时对批量的母羊的生理状态进行检测。

请参见图4，是本发明实施例提供的一种母羊的生理状态检测装置的结构示意图，本发明实施例的所述装置可以设置在上述提及的电子设备中。本实施例中，该装置包括：

采集模块401，用于采集目标母羊的音频数据。

处理模块402，用于按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，所述预设的处理规则包括数据格式处理规则或数据过滤规则。

提取模块403，用于提取所述目标音频数据的特征信息。

预测模块404，用于将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

可选的，训练模块405，用于采集训练样本集，所述训练样本集包括多个母羊的音频的特征样本，以及每个特征样本的标注标签，所述标注标签用于描述母羊的生理状态；以所述多个母羊的音频的特征样本作为所述网络模型的输入，以所述每个特征样本的标注标签为所述网络模型的训练目标，对所述网络模型进行迭代训练。

可选的，所述网络模型包括损失函数，可选的，训练模块405，用于将所述多个母羊的音频的特征样本输入到所述网络模型中进行预测，得到所述每个特征样本的预测标签；通过所述损失函数计算所述每个特征样本的预测标签与对应特征样本的标注标签之间的误差；当所述误差大于预设阈值时，对所述网络模型的网络参数进行调整，以使所述误差小于或等于所述预设阈值。

可选的，采集模块401，用于对所述目标音频数据进行傅里叶变换处理，得到所述目标音频数据的频域信息；对所述目标音频数据的频域信息进行解析，得到所述目标音频数据的能量矩阵；根据所述目标音频数据的能量矩阵确定所述目标音频数据的特征信息。

可选的，提取模块403，具体用于获取所述目标音频数据的时频信息；对所述目标音频数据的时频信息进行采样处理，得到多个采样点；对所述多个采样点进行解析得到每个采样点对应的音高信息；将所有采样点的音高信息作为所述目标音频数据的特征信息。

可选的，所述预设的处理规则包括数据过滤规则，处理模块402，具体用于按照预设的长度对所述采集到的音频数据进行划分，得到多个音频段；获取所述多个音频段中的每个音频段的频率；将所述多个音频段中频率未在预设频率段内音频段滤除，并将所述多个音频段中频率位于所述预设频率段内的音频段进行合并，得到所述目标音频数据。

可选的，所述预设的处理规则包括数据格式处理规则，处理模块402，具体用于获取所述采集到的音频数据的数据格式；当所述采集到的音频数据的数据格式与预设数据格式不相同时，按照所述预设数据格式对所述采集到的音频数据进行格式转换处理，得到所述目标音频数据。

本发明实施例中，通过对采集到的目标母羊的音频数据进行格式或过滤等处理，得到目标音频数据，可避免非母羊音频数据对后续处理过程的干扰，并可提高处理效率。另外，通过将目标音频数据的特征信息输入到网络模型中进行预测，得到目标母羊的生理状态，以便于管理员可以根据目标母羊的生理状态对目标母羊进行有效的管理，降低母羊的伤亡，提高牧羊的产量。基于母羊的音频(声音)自动检测母羊的生理状态，可节省大量人力，并可提高检测准确度；满足用户对母羊监控的智能化、自动化需求，可同时对批量的母羊的生理状态进行检测。

请参见图5，是本发明实施例提供的一种电子设备的结构示意图，如图所示的本实施例中的电子设备可以包括：一个或多个处理器501；一个或多个输入装置502，一个或多个输出装置503和存储器504。上述处理器501、输入装置502、输出装置503和存储器504通过总线505连接。

所处理器501可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入装置502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出装置503可以包括显示器(LCD等)、扬声器等，输出装置503可以输出提示信息，提示信息可用于提示目标母羊的生理状态。

该存储器504可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器，存储器504用于存储计算机程序，所述计算机程序包括程序指令，处理器501用于执行存储器504存储的程序指令，以用于执行一种母羊的生理状态检测方法，即用于执行以下操作：

采集目标母羊的音频数据；

按照预设的处理规则对采集到的音频数据进行处理，得到目标音频数据，所述预设的处理规则包括数据格式处理规则或数据过滤规则；

提取所述目标音频数据的特征信息；

将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的。

可选的，处理器501用于执行存储器504存储的程序指令，用于执行以下操作：

采集训练样本集，所述训练样本集包括多个母羊的音频的特征样本，以及每个特征样本的标注标签，所述标注标签用于描述母羊的生理状态；

以所述多个母羊的音频的特征样本作为所述网络模型的输入，以所述每个特征样本的标注标签为所述网络模型的训练目标，对所述网络模型进行迭代训练。

可选的，处理器501用于执行存储器504存储的程序指令，用于执行以下操作：

将所述多个母羊的音频的特征样本输入到所述网络模型中进行预测，得到所述每个特征样本的预测标签；

通过所述损失函数计算所述每个特征样本的预测标签与对应特征样本的标注标签之间的误差；

当所述误差大于预设阈值时，对所述网络模型的网络参数进行调整，以使所述误差小于或等于所述预设阈值。

可选的，处理器501用于执行存储器504存储的程序指令，用于执行以下操作：

对所述目标音频数据进行傅里叶变换处理，得到所述目标音频数据的频域信息；对所述目标音频数据的频域信息进行解析，得到所述目标音频数据的能量矩阵；根据所述目标音频数据的能量矩阵确定所述目标音频数据的特征信息。

可选的，处理器501用于执行存储器504存储的程序指令，用于执行以下操作：

获取所述目标音频数据的时频信息；对所述目标音频数据的时频信息进行采样处理，得到多个采样点；对所述多个采样点进行解析得到每个采样点对应的音高信息；将所有采样点的音高信息作为所述目标音频数据的特征信息。

可选的，处理器501用于执行存储器504存储的程序指令，用于执行以下操作：

按照预设的长度对所述采集到的音频数据进行划分，得到多个音频段；

获取所述多个音频段中的每个音频段的频率；

将所述多个音频段中频率未在预设频率段内音频段滤除，并将所述多个音频段中频率位于所述预设频率段内的音频段进行合并，得到所述目标音频数据。

可选的，处理器501用于执行存储器504存储的程序指令，用于执行以下操作：

获取所述采集到的音频数据的数据格式；

当所述采集到的音频数据的数据格式与预设数据格式不相同时，按照所述预设数据格式对所述采集到的音频数据进行格式转换处理，得到所述目标音频数据。

本发明实施例中所描述的处理器501、输入装置502、输出装置503可执行本发明实施例提供的对母羊的生理状态检测方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的电子设备的实现方式，在此不再赘述。

本发明实施例中提供还了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，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现本发明的图1及图3实施例中所示的对母羊的生理状态检测方法。

所述计算机可读存储介质可以是前述任一实施例所述的医疗管理设备的内部存储单元，例如控制设备的硬盘或内存。所述计算机可读存储介质也可以是所述控制设备的外部存储设备，例如所述控制设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述控制设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述控制设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的控制设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的控制设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例是示意性的，例如，所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种对母羊的生理状态检测方法，其特征在于，包括：

采集目标母羊的音频数据；所述音频数据是通过安装在所述目标母羊的电子设备采集到的；所述目标母羊是指出现打斗生理状态的频率大于预设频率的母羊；或者，所述目标母羊是指处于待产阶段的母羊，或者，所述目标母羊是指生病待愈合的时间段的母羊；

按照预设的长度对所述采集到的音频数据进行划分，得到多个音频段；获取所述多个音频段中的每个音频段的频率；将所述多个音频段中频率未在预设频率段内音频段滤除，并将所述多个音频段中频率位于所述预设频率段内的音频段进行合并，得到目标音频数据；所述预设频率段是根据母羊的声音频率范围确定的；

提取所述目标音频数据的特征信息；

将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的，所述网络模型为由编码器、固定的编码层、解码器、全连接层、分类器组成的卷积神经网络模型，所述编码器被设置为处理任意长度的序列，所述编码器包括由128个神经元组成的双向循环层、由64个神经元组成的2个双向循环层、由32个循环神经元组成的单向层，所述编码器中所有的循环神经元均是门控触发单元，门控触发单元基于更新门和重置门来决定之前状态的依赖程度，所述编码器用于从所述特征信息中识别目标母羊的音频特征，所述固定的编码层由具有固定参数的32个神经元的激活层组成，用于初始化所述解码器，所述解码器由一个单独循环层构成，用于提取所述目标母羊的音频特征中的显著特征，所述全连接层由256个线性整流函数的神经元构成，用于将所述目标母羊的音频特征中的显著特征映射到样本标记空间，组合学习到的所述目标母羊的三个阶段的声音特征，得到所述目标母羊的整体声音特征，所述分类器由支持向量机构成，用于基于所述目标母羊的整体声音特征输出预测标签，所述三个阶段包括初始爆破、中间阶段和最后爆发。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采集训练样本集，所述训练样本集包括多个母羊的音频的特征样本，以及每个特征样本的标注标签，所述标注标签用于描述母羊的生理状态；

以所述多个母羊的音频的特征样本作为所述网络模型的输入，以所述每个特征样本的标注标签为所述网络模型的训练目标，对所述网络模型进行迭代训练。

3.根据权利要求2所述的方法，其特征在于，所述网络模型包括损失函数，所述以所述多个母羊的音频的特征样本作为所述网络模型的输入，以所述每个特征样本的标注标签为所述网络模型的训练目标，对所述网络模型进行迭代训练，包括：

将所述多个母羊的音频的特征样本输入到所述网络模型中进行预测，得到所述每个特征样本的预测标签；

通过所述损失函数计算所述每个特征样本的预测标签与对应特征样本的标注标签之间的误差；

当所述误差大于预设阈值时，对所述网络模型的网络参数进行调整，以使所述误差小于或等于所述预设阈值。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述提取所述目标音频数据的特征信息，包括：

对所述目标音频数据进行傅里叶变换处理，得到所述目标音频数据的频域信息；

对所述目标音频数据的频域信息进行解析，得到所述目标音频数据的能量矩阵；

根据所述目标音频数据的能量矩阵确定所述目标音频数据的特征信息。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述提取所述目标音频数据的特征信息，包括：

获取所述目标音频数据的时频信息；

对所述目标音频数据的时频信息进行采样处理，得到多个采样点；

对所述多个采样点进行解析得到每个采样点对应的音高信息；

将所有采样点的音高信息作为所述目标音频数据的特征信息。

6.一种母羊的生理状态检测装置，其特征在于，包括：

采集模块，用于采集目标母羊的音频数据；所述音频数据是通过安装在所述目标母羊的电子设备采集到的；所述目标母羊是指出现打斗生理状态的频率大于预设频率的母羊；或者，所述目标母羊是指处于待产阶段的母羊，或者，所述目标母羊是指生病待愈合的时间段的母羊；

处理模块，用于按照预设的长度对所述采集到的音频数据进行划分，得到多个音频段；获取所述多个音频段中的每个音频段的频率；将所述多个音频段中频率未在预设频率段内音频段滤除，并将所述多个音频段中频率位于所述预设频率段内的音频段进行合并，得到目标音频数据；所述预设频率段是根据母羊的声音频率范围确定的；

提取模块，用于提取所述目标音频数据的特征信息；

预测模块，用于将所述特征信息输入到网络模型中进行预测，得到预测标签，其中，所述预测标签用于描述所述目标母羊的生理状态，所述生理状态包括正常状态或异常状态，所述异常状态包括打斗、生产、饥饿、寻羔羊或生病；所述网络模型的网络参数是通过多个母羊的音频特征信息训练得到的，所述网络模型为由编码器、固定的编码层、解码器、全连接层、分类器组成的卷积神经网络模型，所述编码器被设置为处理任意长度的序列，所述编码器包括由128个神经元组成的双向循环层、由64个神经元组成的2个双向循环层、由32个循环神经元组成的单向层，所述编码器中所有的循环神经元均是门控触发单元，门控触发单元基于更新门和重置门来决定之前状态的依赖程度，所述编码器用于从所述特征信息中识别目标母羊的音频特征，所述固定的编码层由具有固定参数的32个神经元的激活层组成，用于初始化所述解码器，所述解码器由一个单独循环层构成，用于提取所述目标母羊的音频特征中的显著特征，所述全连接层由256个线性整流函数的神经元构成，用于将所述目标母羊的音频特征中的显著特征映射到样本标记空间，组合学习到的所述目标母羊的三个阶段的声音特征，得到所述目标母羊的整体声音特征，所述分类器由支持向量机构成，用于基于所述目标母羊的整体声音特征输出预测标签，所述三个阶段包括初始爆破、中间阶段和最后爆发。

7.一种电子设备，其特征在于，包括：

处理器，适于实现一条或一条以上指令；以及，

计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如权利要求1-5任一项所述的母羊的生理状态检测方法。

8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由处理器加载并执行如权利要求1-5任一项所述的母羊的生理状态检测方法。