CN111738410B - 肉牛个体生长曲线获取方法、装置和存储介质 - Google Patents
肉牛个体生长曲线获取方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111738410B CN111738410B CN202010440542.6A CN202010440542A CN111738410B CN 111738410 B CN111738410 B CN 111738410B CN 202010440542 A CN202010440542 A CN 202010440542A CN 111738410 B CN111738410 B CN 111738410B
- Authority
- CN
- China
- Prior art keywords
- curve
- growth
- beef cattle
- month
- feature
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种肉牛个体生长曲线获取方法、装置和存储介质。肉牛个体生长曲线获取方法包括从肉牛获取在小于等于t个月的多个生长时间下的各第三体征特征,设定u‑t个零值数据,将第1个月至第u个月生长时间下的各第三体征特征输入到第t个月对应的人工智能模型,获取人工智能模型的输出值,根据所述人工智能模型的输出值确定第三曲线参数,获取由所述第三曲线参数确定的个体生长曲线等步骤。本发明实施例使用经过训练的人工智能模型,可以利用肉牛群体的生长信息,从而预测单个肉牛的生长趋势。本发明广泛应用于肉牛生产技术领域。
Description
技术领域
本发明涉及肉牛生产技术领域,尤其是一种肉牛个体生长曲线获取方法、装置和存储介质。
背景技术
肉牛生长曲线描述肉牛的体征信息与生长时间的关系,生长曲线拟合是研究和分析生长发育规律的重要方法之一,是对肉牛整体或组织器官等的增重过程中进行的动态描述和分析。例如,在肉牛的生产和育种中,通过在肉牛各个生长时间下对肉牛的体重进行测定,可以建立肉牛的体重-生长时间生长曲线,通过对生长曲线的分析,可以对肉牛的体重增重进行评定和预测,确定肉牛在实际生产条件下的营养需要建立饲喂方案。因此,科学合理地预测肉牛的生长曲线能够帮助企业充分发挥其生产潜力,提高经济效益。
现有技术中,生长曲线是基于肉牛的群体测定的,即主要考虑了肉牛的群体特征。但是,群体和特定的个体之间存在差异,即使现有技术得到的生长曲线能够用来较好地预测肉牛群体的生长变化,但应用于每个个体时很可能会出现偏差,导致预测结果不准确。
发明内容
针对上述至少一个技术问题,本发明的目的在于提供一种肉牛个体生长曲线获取方法、装置和存储介质。
一方面,本发明实施例包括一种肉牛个体生长曲线获取方法,包括以下步骤:
确定所述肉牛当前的生长时间为t个月;
从所述肉牛获取在小于等于t个月的多个生长时间下的各第三体征特征;所述第三体征特征用于从第一方面描述肉牛的体征信息;
获取u-t个零值数据;u为生长时间的上限;
将各所述第三体征特征和各所述零值数据输入到第t个月对应的人工智能模型;
获取所述人工智能模型的输出值;
根据所述人工智能模型的输出值确定第三曲线参数;
获取由所述第三曲线参数确定的个体生长曲线。
进一步地,所述第t个月对应的人工智能模型经过如下训练:
获取训练数据;所述训练数据包括无量纲化参数以及在小于等于t个月的多个生长时间下从肉牛获取的多个第一体征特征;所述第一体征特征用于从第一方面描述肉牛的体征信息,所述第一体征特征与所述肉牛的生长时间之间通过个体生长曲线描述,相同生长时间的多个所述第一体征特征形成群体体征特征,所述群体体征特征与所述肉牛的生长时间之间通过群体生长曲线描述;所述无量纲化参数为根据所述群体生长曲线对所述个体生长曲线进行无量纲化的结果;
使用所述训练数据对所述人工智能模型进行训练;在所述训练中,以各所述第一体征特征和u-t个零值数据作为所述人工智能模型的输入,以所述无量纲化参数作为所述人工智能模型的预期输出。
进一步地,所述训练数据还包括第二体征特征,所述第二体征特征用于从第二方面描述肉牛的体征信息;所述第二体征特征与所述第一体征特征以及所述零值数据共同作为所述人工智能模型的输入。
进一步地,所述人工智能模型包括线性融合模块和全连接模块;
所述线性融合模块用于接收所述第一体征特征和第二体征特征,以可训练的线性融合模块参数对所述第一体征特征和第二体征特征进行线性组合,从而输出组合体征特征;
所述全连接模块用于接收所述线性融合模块输出的所述组合体征特征,以可训练的全连接模块参数对所述组合体征特征进行处理,从而输出无量纲化参数。
进一步地,所述全连接模块包括依次连接的第一隐藏层、第二隐藏层和输出层;
所述第一隐藏层和第二隐藏层依次对所述组合体征特征进行处理;
所述输出层根据所述第二隐藏层的处理结果,输出无量纲化参数;
所述第一隐藏层的网络参数、所述第二隐藏层的网络参数和所述输出层的网络参数组成所述全连接模块参数。
进一步地,肉牛个体生长曲线获取方法还包括以下步骤:
从肉牛的多个个体分别采集得到第1个月至第u个月生长时间下的多个所述第一体征特征;
将来自相同个体的第1个月至第u个月生长时间下的各所述第一体征特征与所述生长时间进行拟合,从而确定所述个体生长曲线;所述个体生长曲线具有第一曲线参数;
根据相同生长时间下的多个所述第一体征特征,确定这一生长时间下的所述群体体征特征;
将各所述群体体征特征与所述生长时间进行拟合,从而确定所述群体生长曲线;所述群体生长曲线具有第二曲线参数;
根据所述第二曲线参数对所述第一曲线参数进行无量纲化,从而得到所述无量纲化参数。
进一步地,所述无量纲化参数为所述第一曲线参数与所述第二曲线参数的商。
进一步地,t≥4,u=18。
另一方面,本发明实施例还包括一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中所述的肉牛个体生长曲线获取方法。
另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行实施例所述的肉牛个体生长曲线获取方法。
本发明的有益效果是:本发明的一个实施例中,对人工智能模型的训练能够使人工智能模型学习第一体征特征和无量纲化参数之间的特征联系,由于第一体征特征描述肉牛个体的体征信息,无量纲化参数可以表示群体生长曲线与个体生长曲线之间的对应关系,因此可以使得人工智能模型学习到肉牛个体与群体之间的差异,经过训练的人工智能模型可以用于对肉牛个体生长曲线的预测获取。本发明的另一个实施例中,在前一实施例的基础上,进一步综合考虑了第一体征特征和第二体征特征所包含的体征信息,避免现有技术单一考虑一种体征信息面临的信息不全面的问题。使用经过本发明实施例训练的人工智能模型,可以利用肉牛群体的生长信息,从而预测单个肉牛的生长趋势。
附图说明
图1为实施例1中人工智能模型训练方法的原理图;
图2为实施例2中人工智能模型训练方法的原理图。
具体实施方式
本发明的实施例中,生长时间是一个以月为周期的时间变量,用来表示肉牛从出生开始计算的时间,在养殖产业中以月龄来作为生长时间。
本发明的实施例中,第一体征特征用于从一个方面描述肉牛的体征信息,可以选定为肉牛最明显的发育体征信息,例如对于肉牛,第一体征特征可以选定为体重。
对于一个肉牛,可以在第1个月至第u个月中的每月采集一次第一体征特征,可以拟合成以生长时间为自变量、以第一体征特征为因变量的个体生长曲线。本实施例中,u是肉牛生长时间的上限,由于在实践中肉牛普遍在生长18个月之后即出栏,因此本实施例中设定u=18。
对于一个肉牛群体,其由多头同一品种或品系、在相同或无显著差异的饲养环境下生长的同一性别的肉牛组成,在第1个月至第u个月中的每个月采集每头肉牛的体征信息作为群体体征特征。多个月的群体体征特征,可以拟合成以生长时间为自变量、以群体体征特征为因变量的群体生长曲线。
个体生长曲线可以通过第一曲线参数来表示,群体生长曲线可以通过第二曲线参数来表示。可以在拟合获得个体生长曲线时,将拟合模型中的参数作为第一曲线参数,例如,使用Logistic模型来拟合得到个体生长曲线,Logistic模型中的变量t表示生长时间,变量Wt表示第一体征特征,那么拟合得到的个体生长曲线实际上可以用参数(a1,b1,c1)来表示,其中(a1,b1,c1)分别为参数(a,b,c)在拟合完成后的取值,因此将参数(a1,b1,c1)作为第一曲线参数;基于相同的原理,可以得到第二曲线参数(a2,b2,c2)。
本发明的实施例中,个体生长曲线通过第一曲线参数表示,群体生长曲线通过第二曲线参数表示。本实施例中的根据群体生长曲线对个体生长曲线进行无量纲化,是指根据第二曲线参数对第一曲线参数进行无量纲化。一种可选的无量纲化方式是将各第一曲线参数除以相同位置的第二曲线参数,例如上述第一曲线参数(a1,b1,c1)和第二曲线参数(a2,b2,c2),通过运算和/>可以得到一系列无量纲化参数(q1,q2,q3)。
由上述可知,无量纲化参数反映了第一曲线参数与第二曲线参数之间的联系。在已获得群体生长曲线,也就是各第二曲线参数的情况下,可以根据无量纲化参数来获得第一曲线参数,例如已知第二曲线参数(a2,b2,c2)和无量纲化参数[q1,q2,q3],可以通过运算a1=q1×a2、b1=q2×b2和c1=q3×c2来获得第一曲线参数(a1,b1,c1)。
实施例1
为了获取当前生长时间为t个月的肉牛的个体生长曲线,先训练获得第t个月对应的人工智能模型。本实施例中的第t个月对应的人工智能模型训练方法包括以下步骤:
A1.获取神经网络等人工智能模型;
A2.获取多组训练数据;本实施例中,训练数据由第一体征特征和无量纲化参数组成,这些第一体征特征分别与第1个月至第t个月生长时间对应,即这些第一体征特征分别是在生长时间为第1个月、第2个月……第t个月时从肉牛获取的;
A3.使用所述训练数据对人工智能模型进行训练;在训练时,每次输入到人工智能模型中的数据包括与第1个月至第t个月生长时间对应的各第一体征特征以及u-t个零值数据,每个零值数据的值为0,即输入到人工智能模型中的数据的形式可以表示为本实施例中,u是肉牛生长时间的上限,由于在实践中肉牛普遍在生长18个月之后即出栏,因此本实施例中设定u=18。u-t个零值数据的意义可以理解为:第t个月对应的人工智能模型是用生长时间为t个月的肉牛数据训练的,第t+1个月至第u个月这u-t个月属于未来的时间,这段时间对应的第一体征特征是不可实际测得的,因此本实施例中设定为0,即使用零值数据补足。
本实施例中,人工智能模型被配置为接收训练数据中的第一体征特征和零值数据,并输出一组与各无量纲化参数格式或类型相同的输出值。
参照图1,在执行步骤A3的训练时,以第一体征特征作为人工智能模型的输入,以无量纲化参数作为人工智能模型的预期输出,与人工智能模型的实际输出一起确定L2范数作为损失函数,进行多次训练迭代。当满足训练迭代次数达到预设次数或者损失函数收敛到预设值时结束训练。
本实施例中,对人工智能模型的训练能够使人工智能模型学习第一体征特征和无量纲化参数之间的特征联系。由于第一体征特征描述肉牛个体的体征信息,无量纲化参数可以表示群体生长曲线与个体生长曲线之间的对应关系,因此本实施例中的步骤A1-A3可以使得人工智能模型学习到肉牛个体与群体之间的差异,经过本实施例中的步骤A1-A3训练的人工智能模型可以用于对肉牛个体生长曲线的预测获取。
实施例2
为了获取当前生长时间为t个月的肉牛的个体生长曲线,先训练获得第t个月对应的人工智能模型。本实施例中的第t个月对应的人工智能模型训练方法包括以下步骤:本实施例中的人工智能模型训练方法包括以下步骤:
B1.获取神经网络等人工智能模型;
B2.获取多组训练数据;本实施例中,训练数据由第一体征特征和无量纲化参数组成,这些多个第一体征特征分别与第1个月至第t个月生长时间对应,即这些第一体征特征分别是在生长时间为第1个月、第2个月……第t个月时从肉牛获取的;
B3.使用所述训练数据对人工智能模型进行训练;参照图2,本实施例中所使用的训练数据除了包括第一体征特征,还包括第二体征特征;第二体征特征从与第一体征特征不同的方面描述肉牛的体征信息,可以起到辅助第一体征特征来描述肉牛的体征信息的作用。可以选定肉牛区别于第一体征的体尺性状作为第二体征特征,例如体高、体斜长、胸围、胸深、腹围和管围等;在训练时,每次输入到人工智能模型中的数据包括与第1个月至第t个月生长时间对应的各第一体征特征、第二体征特征以及零值数据,每个零值数据的值为0,即输入到人工智能模型中的数据的形式可以表示为
本实施例中,u是肉牛生长时间的上限,由于在实践中肉牛普遍在生长18个月之后即出栏,因此本实施例中设定u=18。u-t个零值数据的意义可以理解为:第t个月对应的人工智能模型是用生长时间为t个月的肉牛数据训练的,第t+1个月至第u个月这u-t个月属于未来的时间,这段时间对应的第一体征特征或第二体征特征是未可实际测得的,因此本实施例中设定为0,即使用零值数据补足。
本实施例中,第一体征特征表示为x0,各第二体征特征分别表示为x1,x2……xm,即可以使用m个第二体征特征。
本实施例中所使用的人工智能模型包括线性融合模块和全连接模块。线性融合模块和全连接模块均为神经网络。
线性融合模块中包括线性融合模块参数L={l1,l2,…,lm},线性融合模块的作用为通过公式对第一体征特征和第二体征特征进行线性组合,从而输出组合体征特征x。
全连接模块包括依次连接的第一隐藏层、第二隐藏层和输出层。可选地,在线性融合模块的结点数为18的情况下,全连接模块中每层的结点数如表1所示。
表1
第一隐藏层 | 第二隐藏层 | 输出层 |
9 | 5 | n |
根据表1所示的结点数,将第一隐藏层的参数设定为θ1∈R9×18,将第二隐藏层的参数设定为θ2∈R5×9,将输出层的参数设定为θ3∈Rn×5,n为第一曲线参数或第二曲线参数的个数。例如,当使用Logistic模型来拟合得到个体生长曲线或群体生长曲线,那么第一曲线参数和第二曲线参数中有3个参数,此时n=3。
本实施例中,θ1、θ2和θ3组成全连接模块参数θ。
由表1所示的结构可知,全连接模块可以接收线性融合模块输出的组合体征特征x,经过全连接模块中各层处理之后,可以输出与训练数据中无量纲化参数格式或类型相同的输出值。
参照图2,在执行步骤B3的训练时,以第一体征特征和若干个第二体征特征作为线性融合模块的输入,线性融合模块通过线性融合模块参数,将第一体征特征和若干个第二体征特征进行线性融合得到组合体征特征,作为全连接模块的输入;以无量纲化参数作为全连接模块的预期输出,与全连接模块的实际输出一起确定L2范数作为损失函数,进行多次训练迭代。本实施例中,从人工智能模型整体的角度看,基于L2范数的损失函数可以表示为其中/>表示参数为L和θ的人工智能网络,/>表示人工智能网络接收输入的第一体征特征和第二体征特征,qi表示与/>相应的无量纲化参数。i表示样本的序号,N表示样本数量。
当满足训练迭代次数达到预设次数或者损失函数收敛到预设值时结束对人工智能模型的训练。对人工智能模型的训练使得线性融合模块具有合适的参数L,且全连接模块具有合适的参数θ。
本实施例中,对人工智能模型的训练能够使人工智能模型中的线性融合模块学习将第一体征特征和第二体征特征进行线性融合的能力,从而能够使用合适的权重将第一体征特征和第二体征特征融合得到组合体征特征,组合体征特征综合考虑了第一体征特征和第二体征特征所包含的体征信息,避免现有技术单一考虑一种体征信息面临的信息不全面的问题。对人工智能模型的训练能够使人工智能模型中的全连接模块学习组合体征特征和无量纲化参数之间的特征联系。由于组合体征特征描述肉牛个体的体征信息,无量纲化参数可以表示群体生长曲线与个体生长曲线之间的对应关系,因此本实施例中的步骤B1-B3可以使得人工智能模型学习到肉牛个体与群体之间的差异,经过本实施例中的步骤B1-B3训练的人工智能模型可以用于对肉牛个体生长曲线的预测获取。
实施例3
在执行了实施例1和实施例2获得了经过训练的人工智能网络的基础上,可以执行本实施中的肉牛个体生长曲线获取方法。
本实施中的肉牛个体生长曲线获取方法包括以下步骤:
S1.如果肉牛当前的生长时间为t个月,采集肉牛在第1个月、第2个月……第t个月的第三体征特征;本实施例中,第三体征特征是与第一体征特征类型或格式相同的信息,它们都从相同的方面描述肉牛的体征信息;例如,如果实施例1和实施例2中的第一体征特征是肉牛的体重,那么本实施例中的第三体征特征也是肉牛的体重;如果实施例1和实施例2中的第一体征特征是肉牛的体长,那么本实施例中的第三体征特征也是肉牛的体长;
本实施例中,肉牛的出栏周期为u个月,即肉牛的生长时间的上限为u个月,对于当前生长时间为t(t<u)个月的肉牛,本领域技术人员能够实际采集到肉牛在第1个月、第2个月……第t个月的第三体征特征,需要预测的是肉牛在第t+1个月、第t+2个月……第u个月的生长情况,因此肉牛在第t+1个月、第t+2个月……第u个月的第三体征特征是当前不可实际采集到的;本实施例中,设置u-t个零值数据来代替肉牛在第t+1个月、第t+2个月……第u个月的第三体征特征,将第1个月、第2个月……第t个月的第三体征特征和u-t个零值数据输入到人工智能网络中,使得输入到人工智能网络中的数据能够满足要求;
由于在实践中肉牛普遍在生长18个月之后即出栏,因此本实施例中设定u=18;
S2.将第1个月、第2个月……第t个月的第三体征特征和18-t个零值数据输入到经过实施例1或实施例2训练的人工智能模型;由步骤S1可知,输入到人工智能模型中的数据的形式可以表示为
S3.经过训练的人工智能模型能够接受第三体征特征预测牛的生长规律,从而反映在输出值中;本实施例中,一种可能的输出值为[q′1,q′2,q′3];
S4.根据人工智能模型的输出值[q′1,q′2,q′3]确定第三曲线参数;本实施例中,根据人工智能模型的输出值[q′1,q′2,q′3]和第二曲线参数(a2,b2,c2)来确定第三曲线参数,具体地,通过将人工智能模型的输出值与第二曲线参数相乘的方式,将第二曲线参数转换成第三曲线参数,由第三曲线参数确定个体生长曲线;本实施例中,通过运算a3=q′1×a2、b3=q′2×b2和c3=q′2×c2来获得第三曲线参数(a3,b3,c3);
S5.根据第三曲线参数(a3,b3,c3)和Logistic模型可以确定一条个体生长曲线。
步骤S3所获得的人工智能模型的输出值,反映了肉牛的个体生长信息,通过执行步骤S5,可以利用肉牛群体的生长信息,考虑个体的差异,从而预测单个肉牛的生长趋势。
本实施例中,输入到人工智能模型的第三体征特征,其中第1个月、第2个月……第t个月的第三体征特征是从肉牛测得的,第t+1个月、第t+2个月……第u个月的第三体征特征则是被置零的数值,因此只有第1个月、第2个月……第t个月的第三体征特征才包含了有效的信息量。在实际应用中,在t≤3的情况下,所获取的第一体征特征数量较少,不利于人工智能模型进行预测,因此,本实施例中可以将t的范围设定为t≥4,即需要预测肉牛的个体生长曲线时,至少测得肉牛在第1个月、第2个月、第3个月和第4个月的第三体征特征。
本实施例中的肉牛个体生长曲线获取方法,基于经过实施例1和实施例2训练的人工智能模型,能够使用少量的数据(肉牛前t个月生长时间的第三体征特征)去学习整个生长曲线模型的相关参数,从而得到肉牛在整个生长周期(第1个月、第2个月……第u个月)的个体生长曲线,最终达到预测该肉牛生长情况的目的。
实施例4
本实施例中,一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例1、实施例2和实施例3中所述的人工智能模型训练方法或肉牛个体生长曲线获取方法,实现与实施例1、实施例2和实施例3中所述的相同的技术效果。
本实施例中,一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行实施例中所述的人工智能模型训练方法或肉牛个体生长曲线获取方法,实现与实施例中所述的相同的技术效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向目标终端的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的目标终端,包括显示器上产生的物理和有形目标终端的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (8)
1.肉牛个体生长曲线获取方法,其特征在于,包括以下步骤:
确定所述肉牛当前的生长时间为t个月;
从所述肉牛获取在小于等于t个月的多个生长时间下的各第三体征特征;所述第三体征特征用于从第一方面描述肉牛的体征信息;
获取u-t个零值数据;u为生长时间的上限;
将各所述第三体征特征和各所述零值数据输入到第t个月对应的人工智能模型;
获取所述人工智能模型的输出值;
根据所述人工智能模型的输出值确定第三曲线参数;
获取由所述第三曲线参数确定的个体生长曲线;
第t个月对应的人工智能模型训练方法包括以下步骤:
获取人工智能模型;
获取多组训练数据;其中,所述训练数据由第一体征特征和无量纲化参数组成,所述第一体征特征分别是在生长时间为第1个月、第2个月……第t个月时从肉牛获取的;所述无量纲化参数为根据群体生长曲线对所述个体生长曲线进行无量纲化的结果;
使用所述训练数据对所述人工智能模型进行训练;在训练时,每次输入到所述人工智能模型中的数据包括与第1个月至第t个月生长时间对应的各第一体征特征以及u-t个零值数据;其中,u是肉牛生长时间的上限;
所述根据所述人工智能模型的输出值确定第三曲线参数,包括:
根据所述人工智能模型的输出值[q1′,q′2,q3′]和第二曲线参数(a2,b2,c2),通过运算a3=q1′×a2、b3=q′2×b2和c3=q′2×c2来获得第三曲线参数(a3,b3,c3);所述第二曲线参数为群体生长曲线所具有的曲线参数;
所述获取由所述第三曲线参数确定的个体生长曲线,包括:
根据第三曲线参数(a3,b3,c3)和Logistic模型确定所述个体生长曲线;t表示生长时间,Wt表示所述第一体征特征,a、b和c表示参数。
2.根据权利要求1所述的肉牛个体生长曲线获取方法,其特征在于,所述第t个月对应的人工智能模型经过如下训练:
获取训练数据;所述训练数据包括无量纲化参数以及在小于等于t个月的多个生长时间下从肉牛获取的多个第一体征特征;所述第一体征特征用于从第一方面描述肉牛的体征信息,所述第一体征特征与第三体征特征的类型或格式相同;所述第一体征特征与所述肉牛的生长时间之间通过个体生长曲线描述,相同生长时间的多个所述第一体征特征形成群体体征特征,所述群体体征特征与所述肉牛的生长时间之间通过群体生长曲线描述;
使用所述训练数据对所述人工智能模型进行训练;在所述训练中,以各所述第一体征特征和u-t个零值数据作为所述人工智能模型的输入,以所述无量纲化参数作为所述人工智能模型的预期输出;
从肉牛的多个个体分别采集得到第1个月至第u个月生长时间下的多个所述第一体征特征;
将来自相同个体的第1个月至第u个月生长时间下的各所述第一体征特征与所述生长时间进行拟合,从而确定所述个体生长曲线;所述个体生长曲线具有第一曲线参数;
根据相同生长时间下的多个所述第一体征特征,确定这一生长时间下的所述群体体征特征;
将各所述群体体征特征与所述生长时间进行拟合,从而确定所述群体生长曲线;所述群体生长曲线具有第二曲线参数;
根据所述第二曲线参数对所述第一曲线参数进行无量纲化,从而得到所述无量纲化参数;所述无量纲化参数为所述第一曲线参数与所述第二曲线参数的商。
3.根据权利要求2所述的肉牛个体生长曲线获取方法,其特征在于,所述训练数据还包括第二体征特征,所述第二体征特征用于从第二方面描述肉牛的体征信息;所述第二体征特征与所述第一体征特征以及所述零值数据共同作为所述人工智能模型的输入。
4.根据权利要求2所述的肉牛个体生长曲线获取方法,其特征在于:
所述人工智能模型包括线性融合模块和全连接模块;
所述线性融合模块用于接收所述第一体征特征和第二体征特征,以可训练的线性融合模块参数对所述第一体征特征和第二体征特征进行线性组合,从而输出组合体征特征;
所述全连接模块用于接收所述线性融合模块输出的所述组合体征特征,以可训练的全连接模块参数对所述组合体征特征进行处理,从而输出无量纲化参数。
5.根据权利要求4所述的肉牛个体生长曲线获取方法,其特征在于:
所述全连接模块包括依次连接的第一隐藏层、第二隐藏层和输出层;
所述第一隐藏层和第二隐藏层依次对所述组合体征特征进行处理;
所述输出层根据所述第二隐藏层的处理结果,输出无量纲化参数;
所述第一隐藏层的网络参数、所述第二隐藏层的网络参数和所述输出层的网络参数组成所述全连接模块参数。
6.根据权利要求1-5任一项所述的肉牛个体生长曲线获取方法,其特征在于,t≥4,u=18。
7.一种计算机装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述方法。
8.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440542.6A CN111738410B (zh) | 2020-05-22 | 2020-05-22 | 肉牛个体生长曲线获取方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440542.6A CN111738410B (zh) | 2020-05-22 | 2020-05-22 | 肉牛个体生长曲线获取方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738410A CN111738410A (zh) | 2020-10-02 |
CN111738410B true CN111738410B (zh) | 2023-09-26 |
Family
ID=72647588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010440542.6A Active CN111738410B (zh) | 2020-05-22 | 2020-05-22 | 肉牛个体生长曲线获取方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738410B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831080A (zh) * | 2024-03-04 | 2024-04-05 | 正大农业科学研究有限公司 | 基于深度学习的猪生长状况预测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529006A (zh) * | 2016-11-04 | 2017-03-22 | 北京农业信息技术研究中心 | 基于深度图像的肉鸡生长模型拟合方法及装置 |
CN107092907A (zh) * | 2017-05-31 | 2017-08-25 | 赵晓飞 | 面向血液细菌培养的生长曲线处理方法、装置及系统 |
CN110163846A (zh) * | 2019-04-19 | 2019-08-23 | 安徽省农业科学院畜牧兽医研究所 | 一种肉牛体况自动评分方法、系统和存储介质 |
CN110663640A (zh) * | 2019-11-12 | 2020-01-10 | 天津市畜牧兽医研究所 | 一种通过建立体尺生长曲线进行西荷杂交牛日粮调控的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015050929A1 (en) * | 2013-10-01 | 2015-04-09 | The Children's Hospital Of Philadelphia | Image analysis for predicting body weight in humans |
-
2020
- 2020-05-22 CN CN202010440542.6A patent/CN111738410B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529006A (zh) * | 2016-11-04 | 2017-03-22 | 北京农业信息技术研究中心 | 基于深度图像的肉鸡生长模型拟合方法及装置 |
CN107092907A (zh) * | 2017-05-31 | 2017-08-25 | 赵晓飞 | 面向血液细菌培养的生长曲线处理方法、装置及系统 |
CN110163846A (zh) * | 2019-04-19 | 2019-08-23 | 安徽省农业科学院畜牧兽医研究所 | 一种肉牛体况自动评分方法、系统和存储介质 |
CN110663640A (zh) * | 2019-11-12 | 2020-01-10 | 天津市畜牧兽医研究所 | 一种通过建立体尺生长曲线进行西荷杂交牛日粮调控的方法 |
Non-Patent Citations (2)
Title |
---|
Dogan Narinc et al..Growth curve analyses in poultry science.《World's Poultry Science Journal 》.2017,第73卷(第2期),第395-408页. * |
刘坤林.现代畜牧业羊只生长曲线拟合及盈亏分析.《中国优秀硕士学位论文全文数据库基础科学辑》.2020,第2020年卷(第3期),第A002-418页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111738410A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902222B (zh) | 一种推荐方法及装置 | |
CN110287285B (zh) | 一种问题意图识别方法、装置、计算机设备及存储介质 | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
CN110929650B (zh) | 豢养物身份识别方法、装置、计算设备、可读存储介质 | |
CN109583594B (zh) | 深度学习训练方法、装置、设备及可读存储介质 | |
CN107423551A (zh) | 用于执行医学检查的成像方法 | |
CN112560964A (zh) | 基于半监督学习训练中草药病虫害识别模型的方法与系统 | |
CN112232407A (zh) | 病理图像样本的神经网络模型训练方法、装置 | |
CN106796533A (zh) | 自适应地选择执行模式的系统和方法 | |
CN112639833A (zh) | 可自适应神经网络 | |
CN109685765A (zh) | 一种基于卷积神经网络的x光片肺炎结果预测装置 | |
Jubery et al. | Using machine learning to develop a fully automated soybean nodule acquisition pipeline (snap) | |
CN113592060A (zh) | 一种神经网络优化方法以及装置 | |
US11875257B2 (en) | Normalization method for machine-learning and apparatus thereof | |
CN111652167A (zh) | 一种染色体核型图像智能评价方法及系统 | |
CN108062708A (zh) | 牲畜资产的抵押方法、计算机程序、存储介质及电子设备 | |
Klyuchko | Application of artificial neural networks method in biotechnology | |
CN110826581A (zh) | 一种动物数量识别方法、装置、介质及电子设备 | |
CN111738410B (zh) | 肉牛个体生长曲线获取方法、装置和存储介质 | |
Hamidinekoo et al. | DeepPod: a convolutional neural network based quantification of fruit number in Arabidopsis | |
Wang et al. | Research on maize disease recognition method based on improved resnet50 | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
US20200311702A1 (en) | Dental technical fee automatic calculation system, dental technical fee automatic calculation method, and program | |
CN113407820B (zh) | 利用模型进行数据处理的方法及相关系统、存储介质 |
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 |