CN111723785A - 一种动物发情确定方法及装置 - Google Patents

Abstract

本发明提供了一种动物发情确定方法及装置，该方法包括：采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，可以解决相关技术中采用熟练工人的人工观察的方式去预测动物是否即将发生发情行为存在工作量大且对手工人经验影响的问题，通过动物声音预测接下来的一定时间内是否处于发情时期，不需要人工检测，减少因不同人经验不同对判断准确率的影响。

Description

一种动物发情确定方法及装置

技术领域

本发明涉及检测领域，具体而言，涉及一种动物发情确定方法及装置。

背景技术

在畜牧养殖领域判断雌性牲畜是否发情，通常一种有效的办法是通过人工按压牲畜背部，通过静立反射来判断牲畜是否发情，人工按压存在如下问题和缺点：依赖饲养员的经验和知识；结果受到饲养员的情绪、主观感觉影响；牲畜发情有周期性和最佳时间，容易被人为错过；人工工作量大，对人员要求较高。

针对相关技术中采用熟练工人的人工观察的方式去检查动物是否发生发情行为存在工作量大且对手工人经验影响的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种动物发情确定方法及装置，以至少解决相关技术中采用熟练工人的人工观察的方式去检查动物是否发生发情行为存在工作量大且对手工人经验影响的问题。

根据本发明的一个实施例，提供了一种动物发情确定方法，包括：

采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

可选地，确定所述目标图像的目标图像特征或所述声音信息的目标音频特征包括：

将所述目标图像特征输入预先训练好的第一目标特征提取模型中，得到所述第一目标特征提取模型输出的所述目标图像的图像特征的概率，其中，所述概率大于第一预设阈值的图像特征确定为所述目标图像特征；或者

将所述目标声音信息输入预先训练好的第二目标特征提取模型中，得到所述第二目标特征提取模型输出的所述目标声音信息的音频特征的概率，其中，所述概率大于第一预设阈值的音频特征确定为所述目标音频特征。

可选地，根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果包括：

将所述目标音频特征输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标动物在所述下一时间段内的预估识别结果的概率，其中，所述概率大于或等于第二预设阈值的预估识别结果为处于发情时期，所述概率小于所述第二预设阈值的预估识别结果为处于发情时期；或者

将所述目标图像特征输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标动物的识别结果的概率，其中，所述概率大于或等于第二预设阈值的识别结果为处于发情时期，所述概率小于所述第二预设阈值的识别结果为处于发情时期。

可选地，在采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息之前，所述方法还包括：

获取第一预定数量的所述目标动物的同类动物处于发情时期之前预定时间段内与处于发情时期的声音信息、以及所述声音信息实际对应的音频特征；

使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对第一原始特征提取模型进行训练，得到所述第一目标特征提取模型，其中，所述第一预定数量的声音信息为所述第一原始特征提取模型的输入，训练好的所述第一目标特征提取模型输出的所述目标声音信息对应的目标音频特征与所述目标声音信息实际对应的音频特征满足第一目标函数。

可选地，在使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对所述第一原始特征提取模型进行训练，得到所述第一目标特征提取模型之后，所述方法还包括：

获取所述第一预定数量的声音信息的音频特征、以及所述音频特征实际对应的识别结果，其中，所述音频特征包括处于发情时期的音频特征和处于非发情时期的音频特征；

使用所述第一预定数量的音频特征、以及所述音频特征实际对应的识别结果对原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的音频特征为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标音频特征对应的目标识别结果与所述目标音频特征实际对应的识别结果满足第二目标函数。

可选地，在采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息之前，所述方法还包括：

获取第二预定数量的所述目标动物的同类动物的预定部位的图像、以及所述图像实际对应的图像特征，其中，所述图像包括处于发情时期的图像和处于非发情时期的图像；

使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型，其中，所述第二预定数量的图像为所述第二原始特征提取模型的输入，训练好的所述第二目标特征提取模型输出的所述目标图像对应的目标图像特征与所述目标图像实际对应的图像特征满足第三目标函数。

可选地，在使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型之后，所述方法还包括：

获取所述第二预定数量的图像的图像特征、以及所述图像特征实际对应的识别结果；

使用所述第二预定数量的图像特征、以及所述图像特征实际对应的识别结果对原始卷积神经网络模型进行训练，得到所述目标卷积神经网络模型，其中，所述第二预定数量的图像特征为所述原始卷积神经网络模型的输入，训练好的所述目标卷积神经网络模型输出的所述目标图像特征对应的目标识别结果与所述目标图像特征实际对应的识别结果满足第四目标函数。

可选地，在根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果之后，所述方法还包括：

在所述识别结果或所述预估识别结果为处于发情时期的情况下，向预先建立连接的移动终端发送告警消息。

根据本发明的另一个实施例，还提供了一种动物发情确定装置，包括：

采集模块，用于采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

第一确定模块，用于确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

第二确定模块，用于根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

可选地，所述第一确定模块包括：

第一输入子模块，用于将所述目标图像特征输入预先训练好的第一目标特征提取模型中，得到所述第一目标特征提取模型输出的所述目标图像的图像特征的概率，其中，所述概率大于第一预设阈值的图像特征确定为所述目标图像特征；或者

第二输入子模块，用于将所述目标声音信息输入预先训练好的第二目标特征提取模型中，得到所述第二目标特征提取模型输出的所述目标声音信息的音频特征的概率，其中，所述概率大于第一预设阈值的音频特征确定为所述目标音频特征。

可选地，所述第二确定模块包括：

第三输入子模块，用于将所述目标音频特征输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标动物在所述下一时间段内的预估识别结果的概率，其中，所述概率大于或等于第二预设阈值的预估识别结果为处于发情时期，所述概率小于所述第二预设阈值的预估识别结果为处于发情时期；或者

第四输入子模块，用于将所述目标图像特征输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标动物的识别结果的概率，其中，所述概率大于或等于第二预设阈值的识别结果为处于发情时期，所述概率小于所述第二预设阈值的识别结果为处于发情时期。

可选地，所述装置还包括：

第一获取模块，用于获取第一预定数量的所述目标动物的同类动物处于发情时期之前预定时间段内与处于发情时期的声音信息、以及所述声音信息实际对应的音频特征；

第一训练模块，用于使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对第一原始特征提取模型进行训练，得到所述第一目标特征提取模型，其中，所述第一预定数量的声音信息为所述第一原始特征提取模型的输入，训练好的所述第一目标特征提取模型输出的所述目标声音信息对应的目标音频特征与所述目标声音信息实际对应的音频特征满足第一目标函数。

可选地，所述装置还包括：

第二获取模块，用于获取所述第一预定数量的声音信息的音频特征、以及所述音频特征实际对应的识别结果，其中，所述音频特征包括处于发情时期的音频特征和处于非发情时期的音频特征；

第二训练模块，用于使用所述第一预定数量的音频特征、以及所述音频特征实际对应的识别结果对原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的音频特征为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标音频特征对应的目标识别结果与所述目标音频特征实际对应的识别结果满足第二目标函数。

可选地，所述装置还包括：

第三获取模块，用于获取第二预定数量的所述目标动物的同类动物的预定部位的图像、以及所述图像实际对应的图像特征，其中，所述图像包括处于发情时期的图像和处于非发情时期的图像；

第三训练模块，用于使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型，其中，所述第二预定数量的图像为所述第二原始特征提取模型的输入，训练好的所述第二目标特征提取模型输出的所述目标图像对应的目标图像特征与所述目标图像实际对应的图像特征满足第三目标函数。

可选地，所述装置还包括：

第四获取模块，用于获取所述第二预定数量的图像的图像特征、以及所述图像特征实际对应的识别结果；

第四训练模块，用于使用所述第二预定数量的图像特征、以及所述图像特征实际对应的识别结果对原始卷积神经网络模型进行训练，得到所述目标卷积神经网络模型，其中，所述第二预定数量的图像特征为所述原始卷积神经网络模型的输入，训练好的所述目标卷积神经网络模型输出的所述目标图像特征对应的目标识别结果与所述目标图像特征实际对应的识别结果满足第四目标函数。

可选地，所述装置还包括：

告警模块，用于在所述识别结果或所述预估识别结果为处于发情时期的情况下，向预先建立连接的移动终端发送告警消息。

根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，可以解决相关技术中采用熟练工人的人工观察的方式去预测动物是否即将发生发情行为存在工作量大且对手工人经验影响的问题，通过动物声音预测接下来的一定时间内是否处于发情时期，不需要人工检测，减少因不同人经验不同对判断准确率的影响。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的动物发情确定方法的移动终端的硬件结构框图；

图2是根据本发明实施例的动物发情确定方法的流程图；

图3是根据本发明实施例的动物发情确定装置的框图；

图4是根据本发明优选实施例的动物发情确定装置的框图一；

图5是根据本发明优选实施例的动物发情确定装置的框图二。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的动物发情确定方法的移动终端的硬件结构框图，如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的动物发情确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

基于上述的移动终端，本实施例提供了一种动物发情确定方法，图2是根据本发明实施例的动物发情确定方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

步骤S204，确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

进一步的，将所述目标图像特征输入预先训练好的第一目标特征提取模型中，得到所述第一目标特征提取模型输出的所述目标图像的图像特征的概率，其中，所述概率大于第一预设阈值的图像特征确定为所述目标图像特征；或者将所述目标声音信息输入预先训练好的第二目标特征提取模型中，得到所述第二目标特征提取模型输出的所述目标声音信息的音频特征的概率，其中，所述概率大于第一预设阈值的音频特征确定为所述目标音频特征。

步骤S206，根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

进一步的，将所述目标音频特征输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标动物在所述下一时间段内的预估识别结果的概率，其中，所述概率大于或等于第二预设阈值的预估识别结果为处于发情时期，所述概率小于所述第二预设阈值的预估识别结果为处于发情时期；或者将所述目标图像特征输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标动物的识别结果的概率，其中，所述概率大于或等于第二预设阈值的识别结果为处于发情时期，所述概率小于所述第二预设阈值的识别结果为处于发情时期。

通过上述步骤S202至S206，可以解决相关技术中采用熟练工人的人工观察的方式去预测动物是否即将发生发情行为存在工作量大且对手工人经验影响的问题，通过动物声音预测接下来的一定时间内是否处于发情时期，不需要人工检测，减少因不同人经验不同对判断准确率的影响。

本发明实施例，在采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息之前，获取第一预定数量的所述目标动物的同类动物处于发情时期之前预定时间段内与处于发情时期的声音信息、以及所述声音信息实际对应的音频特征；使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对第一原始特征提取模型进行训练，得到所述第一目标特征提取模型，其中，所述第一预定数量的声音信息为所述第一原始特征提取模型的输入，训练好的所述第一目标特征提取模型输出的所述目标声音信息对应的目标音频特征与所述目标声音信息实际对应的音频特征满足第一目标函数。

进一步地，在使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对所述第一原始特征提取模型进行训练，得到所述第一目标特征提取模型之后，获取所述第一预定数量的声音信息的音频特征、以及所述音频特征实际对应的识别结果，其中，所述音频特征包括处于发情时期的音频特征和处于非发情时期的音频特征；使用所述第一预定数量的音频特征、以及所述音频特征实际对应的识别结果对原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的音频特征为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标音频特征对应的目标识别结果与所述目标音频特征实际对应的识别结果满足第二目标函数。

本发明实施例，在采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息之前，获取第二预定数量的所述目标动物的同类动物的预定部位的图像、以及所述图像实际对应的图像特征，其中，所述图像包括处于发情时期的图像和处于非发情时期的图像；使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型，其中，所述第二预定数量的图像为所述第二原始特征提取模型的输入，训练好的所述第二目标特征提取模型输出的所述目标图像对应的目标图像特征与所述目标图像实际对应的图像特征满足第三目标函数。

进一步地，在使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型之后，获取所述第二预定数量的图像的图像特征、以及所述图像特征实际对应的识别结果；使用所述第二预定数量的图像特征、以及所述图像特征实际对应的识别结果对原始卷积神经网络模型进行训练，得到所述目标卷积神经网络模型，其中，所述第二预定数量的图像特征为所述原始卷积神经网络模型的输入，训练好的所述目标卷积神经网络模型输出的所述目标图像特征对应的目标识别结果与所述目标图像特征实际对应的识别结果满足第四目标函数。

本发明实施例中，在根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果之后，在所述识别结果或所述预估识别结果为处于发情时期的情况下，向预先建立连接的移动终端发送告警消息，即发现动物发情后及时通知相关人员，提高工作效率。

本发明实施例使用的一维卷积神经网络模型可以在已有特征的基础上提取表达性更强的特征，模型性能更优，对连续的时序信息具有更强的建模功能。如可以使用前六天叫声的采样预测下一天是否会发情或发情概率，更早知道猪只发情信息，便于提前做出安排。

采集多段发情时的动物叫声训练动物发情预测模型，具体包括：采集多组动物发情时及其发情前六天的叫声；首先用基于循环神经网络模型对猪只叫声进行降噪处理，然后利用短时平均幅度差和语谱图方法提取降噪后的声音特征，最后用词袋方法将叫声的频域特征转化为定长的特征向量，得到训练样本声音特征；使用一维卷积神经网络利用训练样本训练预测模型，模型输入为动物六天叫声的采样，输出为动物下一天的发情概率，概率大于一定阈值则认为其将要发情；将动物一天的叫声输入模型，得到其第二天是否要发情的识别结果。

当动物要发情时，及时自动通知相关人员进行后续处置。通过声音采集装置实时监测动物状态，可及时发现动物发情，避免因发现太晚而错过最佳配种时间。利用声音分类的方法训练发情预测模型，模型准确率高。用发情预测模型自动检测动物发情，节省人力，减少因不同人经验不同对判断准确率的影响。发现动物发情后及时通知相关人员，工作效率高。

下面以预定部位为动物的屁股为例对本发明实施例进行说明。

本发明实施例中，抽取视频图像中的动物屁股作为目标，采集多张发情与不发情时的目标图像作为训练样本。将训练样本处理为224*224大小的图像；将图像输入到卷积神经网络中，训练发情和不发情的分类模型，作为动物发情预测模型；通过视频装置实时监测动物状态，定时将获取到的目标图像进行预处理后输入发情预测模型中，得到动物是否发情的结果。当动物处于发情状态时，及时自动通知相关人员进行后续处置。通过视频装置实时监测动物状态，可及时发现动物发情，避免因发现太晚而错过最佳配种时间。利用图像目标分类的方法训练发情预测模型，模型准确率高。用发情预测模型自动检测动物发情，节省人力，减少因不同人经验不同对判断准确率的影响。发现动物发情后及时通知相关人员，工作效率高。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

根据本发明的另一个实施例，还提供了一种动物发情确定装置，图3是根据本发明实施例的动物发情确定装置的框图，如图3所示，包括：

采集模块32，用于采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

第一确定模块34，用于确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

第二确定模块36，用于根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

图4是根据本发明优选实施例的动物发情确定装置的框图一，如图4所示，所述第一确定模块34包括：

第一输入子模块42，用于将所述目标图像特征输入预先训练好的第一目标特征提取模型中，得到所述第一目标特征提取模型输出的所述目标图像的图像特征的概率，其中，所述概率大于第一预设阈值的图像特征确定为所述目标图像特征；或者

第二输入子模块44，用于将所述目标声音信息输入预先训练好的第二目标特征提取模型中，得到所述第二目标特征提取模型输出的所述目标声音信息的音频特征的概率，其中，所述概率大于第一预设阈值的音频特征确定为所述目标音频特征。

图5是根据本发明优选实施例的动物发情确定装置的框图二，如图5所示，所述第二确定模块36包括：

第三输入子模块52，用于将所述目标音频特征输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标动物在所述下一时间段内的预估识别结果的概率，其中，所述概率大于或等于第二预设阈值的预估识别结果为处于发情时期，所述概率小于所述第二预设阈值的预估识别结果为处于发情时期；或者

第四输入子模块54，用于将所述目标图像特征输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标动物的识别结果的概率，其中，所述概率大于或等于第二预设阈值的识别结果为处于发情时期，所述概率小于所述第二预设阈值的识别结果为处于发情时期。

可选地，所述装置还包括：

第一获取模块，用于获取第一预定数量的所述目标动物的同类动物处于发情时期之前预定时间段内与处于发情时期的声音信息、以及所述声音信息实际对应的音频特征；

第一训练模块，用于使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对第一原始特征提取模型进行训练，得到所述第一目标特征提取模型，其中，所述第一预定数量的声音信息为所述第一原始特征提取模型的输入，训练好的所述第一目标特征提取模型输出的所述目标声音信息对应的目标音频特征与所述目标声音信息实际对应的音频特征满足第一目标函数。

可选地，所述装置还包括：

第二获取模块，用于获取所述第一预定数量的声音信息的音频特征、以及所述音频特征实际对应的识别结果，其中，所述音频特征包括处于发情时期的音频特征和处于非发情时期的音频特征；

第二训练模块，用于使用所述第一预定数量的音频特征、以及所述音频特征实际对应的识别结果对原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的音频特征为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标音频特征对应的目标识别结果与所述目标音频特征实际对应的识别结果满足第二目标函数。

可选地，所述装置还包括：

第三获取模块，用于获取第二预定数量的所述目标动物的同类动物的预定部位的图像、以及所述图像实际对应的图像特征，其中，所述图像包括处于发情时期的图像和处于非发情时期的图像；

第三训练模块，用于使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型，其中，所述第二预定数量的图像为所述第二原始特征提取模型的输入，训练好的所述第二目标特征提取模型输出的所述目标图像对应的目标图像特征与所述目标图像实际对应的图像特征满足第三目标函数。

可选地，所述装置还包括：

第四获取模块，用于获取所述第二预定数量的图像的图像特征、以及所述图像特征实际对应的识别结果；

第四训练模块，用于使用所述第二预定数量的图像特征、以及所述图像特征实际对应的识别结果对原始卷积神经网络模型进行训练，得到所述目标卷积神经网络模型，其中，所述第二预定数量的图像特征为所述原始卷积神经网络模型的输入，训练好的所述目标卷积神经网络模型输出的所述目标图像特征对应的目标识别结果与所述目标图像特征实际对应的识别结果满足第四目标函数。

可选地，所述装置还包括：

告警模块，用于在所述识别结果或所述预估识别结果为处于发情时期的情况下，向预先建立连接的移动终端发送告警消息。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

S2，确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

S3，根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

实施例4

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

S2，确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

S3，根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种动物发情确定方法，其特征在于，包括：

采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

2.根据权利要求1所述的方法，其特征在于，确定所述目标图像的目标图像特征或所述声音信息的目标音频特征包括：

将所述目标图像特征输入预先训练好的第一目标特征提取模型中，得到所述第一目标特征提取模型输出的所述目标图像的图像特征的概率，其中，所述概率大于第一预设阈值的图像特征确定为所述目标图像特征；或者

将所述目标声音信息输入预先训练好的第二目标特征提取模型中，得到所述第二目标特征提取模型输出的所述目标声音信息的音频特征的概率，其中，所述概率大于第一预设阈值的音频特征确定为所述目标音频特征。

3.根据权利要求1所述的方法，其特征在于，根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果包括：

将所述目标音频特征输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标动物在所述下一时间段内的预估识别结果的概率，其中，所述概率大于或等于第二预设阈值的预估识别结果为处于发情时期，所述概率小于所述第二预设阈值的预估识别结果为处于发情时期；或者

将所述目标图像特征输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标动物的识别结果的概率，其中，所述概率大于或等于第二预设阈值的识别结果为处于发情时期，所述概率小于所述第二预设阈值的识别结果为处于发情时期。

4.根据权利要求1所述的方法，其特征在于，在采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息之前，所述方法还包括：

获取第一预定数量的所述目标动物的同类动物处于发情时期之前预定时间段内与处于发情时期的声音信息、以及所述声音信息实际对应的音频特征；

使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对第一原始特征提取模型进行训练，得到所述第一目标特征提取模型，其中，所述第一预定数量的声音信息为所述第一原始特征提取模型的输入，训练好的所述第一目标特征提取模型输出的所述目标声音信息对应的目标音频特征与所述目标声音信息实际对应的音频特征满足第一目标函数。

5.根据权利要求4所述的方法，其特征在于，在使用所述第一预定数量的声音信息、以及所述声音信息实际对应的音频特征对所述第一原始特征提取模型进行训练，得到所述第一目标特征提取模型之后，所述方法还包括：

获取所述第一预定数量的声音信息的音频特征、以及所述音频特征实际对应的识别结果，其中，所述音频特征包括处于发情时期的音频特征和处于非发情时期的音频特征；

使用所述第一预定数量的音频特征、以及所述音频特征实际对应的识别结果对原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的音频特征为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标音频特征对应的目标识别结果与所述目标音频特征实际对应的识别结果满足第二目标函数。

6.根据权利要求1所述的方法，其特征在于，在采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息之前，所述方法还包括：

获取第二预定数量的所述目标动物的同类动物的预定部位的图像、以及所述图像实际对应的图像特征，其中，所述图像包括处于发情时期的图像和处于非发情时期的图像；

使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型，其中，所述第二预定数量的图像为所述第二原始特征提取模型的输入，训练好的所述第二目标特征提取模型输出的所述目标图像对应的目标图像特征与所述目标图像实际对应的图像特征满足第三目标函数。

7.根据权利要求6所述的方法，其特征在于，在使用所述第二预定数量的图像、以及所述图像实际对应的图像特征对第二原始特征提取模型进行训练，得到所述第二目标特征提取模型之后，所述方法还包括：

获取所述第二预定数量的图像的图像特征、以及所述图像特征实际对应的识别结果；

使用所述第二预定数量的图像特征、以及所述图像特征实际对应的识别结果对原始卷积神经网络模型进行训练，得到所述目标卷积神经网络模型，其中，所述第二预定数量的图像特征为所述原始卷积神经网络模型的输入，训练好的所述目标卷积神经网络模型输出的所述目标图像特征对应的目标识别结果与所述目标图像特征实际对应的识别结果满足第四目标函数。

8.根据权利要求1至7中任一项所述的方法，其特征在于，在根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果之后，所述方法还包括：

在所述识别结果或所述预估识别结果为处于发情时期的情况下，向预先建立连接的移动终端发送告警消息。

9.一种动物发情确定装置，其特征在于，包括：

采集模块，用于采集目标动物的预定部位的目标图像或在当前时间段的目标声音信息；

第一确定模块，用于确定所述目标图像的目标图像特征或所述声音信息的目标音频特征；

第二确定模块，用于根据所述目标图像特征确定所述目标动物的识别结果，或者根据所述目标音频特征确定所述目标动物在所述当前时间段的下一时间段内的预估识别结果，其中，所述预估识别结果包括处于发情时期、处于非发情时期。

10.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8中任一项所述的方法。

11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8中任一项所述的方法。

Images