CN112016740A - 数据处理方法和装置 - Google Patents
数据处理方法和装置 Download PDFInfo
- Publication number
- CN112016740A CN112016740A CN202010831674.1A CN202010831674A CN112016740A CN 112016740 A CN112016740 A CN 112016740A CN 202010831674 A CN202010831674 A CN 202010831674A CN 112016740 A CN112016740 A CN 112016740A
- Authority
- CN
- China
- Prior art keywords
- matrix
- ingestion
- data
- prediction
- calculating
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 230000037406 food intake Effects 0.000 claims abstract description 266
- 239000011159 matrix material Substances 0.000 claims abstract description 222
- 238000001514 detection method Methods 0.000 claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 235000021050 feed intake Nutrition 0.000 abstract description 2
- 241000283690 Bos taurus Species 0.000 description 19
- 241001465754 Metazoa Species 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 235000012631 food intake Nutrition 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000255925 Diptera Species 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 2
- 241001494479 Pecora Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000013330 chicken meat Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数据处理方法和装置，涉及计算机技术领域。该方法的实施方式包括：获取采食数据，所述采食数据至少包括：预设时间范围内不同时间点的检测对象与采食位置的关系；根据所述采食数据，计算得到测试矩阵；将所述采食数据输入至预测模型，计算得到预测矩阵；将所述测试矩阵和所述预测矩阵进行对比，得到训练过程的偏差结果；根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数。这样，通过训练得到的预测模型可以预测检测对象的采食习性，来控制检测对象的饲喂过程，智能化程度高且易控制。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据处理方法和装置。
背景技术
一般地，养殖场多采用人工定时加料投喂的方式饲喂动物，或者基于饲养员主观判断不定时加料饲喂动物，人工加料方式智能化水平低，不易控制。不同的动物具有不同的采食习性，传统的饲喂方式无法根据动物的采食习性科学分析采食位置、采食时间或采食量等，进而无法科学地制定加料计划。一方面，当动物进食速度较快或上次投喂量不足时，若没有到达饲喂时间点，此时容易出现动物断食的情况。另一方面，如果动物采食速度较慢或上次投喂量过多，余食容易变质，食用变质饲料会使得动物引发疾病。
发明内容
有鉴于此，本发明实施例提供一种数据处理方法和装置，能够解决传统的饲喂方式无法根据动物的采食习性控制其饲喂过程的技术问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种数据处理方法。
本发明实施例的数据处理方法包括：
A.获取采食数据，所述采食数据至少包括：预设时间范围内不同时间点的检测对象与采食位置的关系；
B.根据所述采食数据，计算得到测试矩阵；
C.将所述采食数据输入至预测模型，计算得到预测矩阵；
D.将所述测试矩阵和所述预测矩阵进行对比，得到训练过程的偏差结果；
E.根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数。
可选地，所述采食数据是与所述检测对象采食相关的图像数据、开关数据和/或感应数据。
可选地，所述根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数，包括：
判断所述训练过程的偏差结果是否在预设范围内；
若是，将训练过程的偏差结果在预设范围内所对应的模型参数，确定为预测模型的目标模型参数；
否则，调整预测模型的参数，重复执行步骤A至步骤E，直至所述训练过程的偏差结果在预设范围内。
可选地，当所述采食数据是与所述检测对象采食相关的图像数据时，根据所述采食数据，计算得到测试矩阵，包括：
将所述采食数据转化为与所述采食数据尺寸相同的第一矩阵；所述第一矩阵包括：第一字符和/或第二字符，所述第一字符用于表示对应元素有正在采食的所述检测对象，所述第二字符用于表示对应元素没有正在采食的所述检测对象；
根据所述第一矩阵，计算得到测试矩阵。
可选地，所述根据所述第一矩阵，计算得到测试矩阵，包括：
将所述第一矩阵作为测试矩阵；或者，
将所述第一矩阵通过卷积运算转化为图像矩阵，并将所述图像矩阵作为测试矩阵。
可选地，所述将所述第一矩阵通过卷积运算转化为图像矩阵，包括：
确定权重矩阵；
将所述第一矩阵与所述权重矩阵进行卷积计算，使得所述第一矩阵转化为图像矩阵。
可选地，所述确定权重矩阵，包括：
根据预设的离散程度σ值和模糊半径确定权重矩阵。
可选地，当所述采食数据是与所述检测对象采食相关的图像数据时，将所述采食数据输入至预测模型，计算得到预测矩阵，包括：
将所述采食数据输入至预测模型，计算得到特征矩阵；
根据所述特征矩阵，计算得到预测矩阵。
可选地，根据所述特征矩阵，计算得到预测矩阵，包括：
将所述特征矩阵作为预测矩阵；或者，
将所述特征矩阵进行反卷积运算，计算得到预测矩阵。
可选地，当所述采食数据是与所述检测对象采食相关的图像数据，将所述采食数据输入至预测模型，计算得到特征矩阵的步骤之前，所述方法还包括：
将所述采食数据进行灰度处理。
可选地，所述预测模型为深度学习卷积神经网络模型，不同层的训练过程对应设置不同的卷积个数，从首次训练过程对应的卷积个数开始，每次训练过程的卷积个数增长一倍，直到达到第二预设数量次。
可选地，所述方法还包括：
将第一采食数据输入至训练得到的预测模型，计算得到第二矩阵；
根据所述第二矩阵确定预测结果，所述预测结果包括：有无检测对象、检测对象采食起始时间点、检测对象采食终止时间点和/或采食位置。
可选地，所述方法还包括：
将所述预测结果以热力图形式展示。
可选地，所述方法还包括：
将所述预测结果发送给边缘计算网关；
通过所述边缘计算网关根据所述预测结果，计算检测对象的采食时长。
为实现上述目的，根据本发明实施例的另一个方面，提供了一种数据处理装置。
本发明实施例的数据处理装置包括：
获取模块，用于获取采食数据，所述采食数据至少包括：预设时间范围内不同时间点的检测对象与采食位置的关系；
第一计算模块，用于根据所述采食数据，计算得到测试矩阵；
第二计算模块，用于将所述采食数据输入至预测模型，计算得到预测矩阵；
对比模块，用于将所述测试矩阵和所述预测矩阵进行对比，得到训练过程的偏差结果；
确定模块，用于根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数。
为实现上述目的，根据本发明实施例的另一个方面，提供了一种电子设备。
本发明实施例的电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的方法。
为实现上述目的，根据本发明实施例的另一个方面，提供了一种计算机可读介质。
本发明实施例的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：
依据本发明实施例的数据处理方法可以训练得到预测模型，通过预测模型可以预测检测对象的采食习性，并可以根据检测对象的采食习性控制检测对象的饲喂过程，智能化程度高且易控制。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明第一实施例的数据处理方法的流程示意图；
图2是本发明实施例的采食数据为图像数据时的示意图；
图3是本发明第二实施例的数据处理方法的流程示意图；
图4是本发明实施例的预测结果以热力图形式显示的示意图；
图5是本发明实施例的数据处理装置的模块示意图；
图6是本发明实施例可以应用于其中的示例性系统架构图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
近年来，人工智能技术慢慢涉入到农牧领域，利用大数据技术可以对动物的养殖过程进行数据关联性分析，例如：可以采用大数据技术分析动物的采食习性，并根据动物的采食习性有效且科学地制定加料计划，提高智能化水平。以牛只的采食习性为例，牛只的采食时间可能固定在一天中的某个时间段，另外，由于受到光照、温度、蚊蝇的影响，可能导致牛只在某个采食栏位的采食量大幅度降低。因此，掌握牛只集中进食的时间，以及各个采食位置的采食量，就能够精准的、科学的保障牛只进食，同时减少饲料的浪费。
基于以上分析，本发明实施例提供了一种数据处理方法，该数据处理方法可以训练得到与检测对象采食习性有关的预测模型，采食习性至少包括：采食次数、采食时间段、采食量、采食时长和/或采食位置。进而根据预测模型可以科学地预测分析检测对象的采食习性，并根据检测对象的采食习性更加智能化地控制加料方式。图1是本发明第一实施例的数据处理方法的流程示意图，如图1所示，所述数据处理方法可以包括如下步骤：
步骤101：获取采食数据。
在步骤101中，可以获取第一预设数量的采食数据，所述第一预设数量可以根据实际需求确定。所述采食数据至少包括：预设时间范围内不同时间点采集得到的检测对象与采食位置的关系，所述检测对象可以为但不限于牛只、羊只或鸡等动物。其中预设时间范围可以根据实际需求确定，所述预设时间范围可以为一整天或一天中的指定时间段，例如：所述预设时间范围可以为每天的9:00am(上午)至9:00pm(下午)。采集时间点可以根据预设的采集周期确定，例如：步骤101获取的采食数据是在预设时间范围内每隔5min(分)采集一次得到的采食数据。
其中，所述采食数据是与所述检测对象采食相关的图像数据、开关数据和/或感应数据。需要说明的是，所述图像数据可以为图片或从视频中获取的帧图像等。例如：所述图像数据可以为图2所示的人工打标的图片，即在图像数据中人工标注有检测对象的采食位置。所述开关数据可以理解为检测对象采食时触发物理开关的数据。所述感应数据可以理解为检测对象佩戴的传感器在采食被触发的数据。
当所述采食数据是与所述检测对象采食相关的图像数据时，可以通过摄像头在预设时间内按照根据预设的采集周期采集与检测对象采食采食相关的图像数据。当所述采食数据是与所述检测对象采食相关的所述开关数据时，为了获取采食数据，可以在采食位置设置物理开关。当检测对象去相应的采食位置进行采食时会触发物理开关，通过开关的触发时间以及位置可以分析得到检测对象的采食时间点和采食位置，可以理解的是，采食数据至少包括：采食位置以及采食时间点。当所述采食数据是与所述检测对象采食相关的所述感应数据时，为了便于获取采食数据，在采食位置设置感应器，例如：红外传感器，通过感应器的识别时间和位置分析检测对象的采食时间点以及采食位置。
其中图2所示的为所述采食数据为图像数据时的情形。即可以在预设时间范围内按照预设采集周期采集与所述检测对象采食相关的图像数据，以得到第一预设数量的采食数据。一个图像数据中可以有一个或多个检测对象。参见图2，在图2所示的图像数据中有指定时间点的采食数据，所述采食位置用采食栏位表示，图中有8个采食栏位，并且所述第一个、第五个至第八个(从左往右数)采食栏位有正在采食的五个检测对象。
步骤102：根据所述采食数据，计算得到测试矩阵。
在步骤102中，所述测试矩阵可以为数字矩阵或图像矩阵。当所述采食数据是与所述检测对象采食相关的图像数据时，可以首先将所述采食数据转化为第一矩阵。所述第一矩阵包括：第一字符和/或第二字符，所述第一字符用于表示对应元素有正在采食的所述检测对象，所述第二字符用于表示对应元素没有正在采食的所述检测对象。然后根据所述第一矩阵，计算得到测试矩阵。
需要说明的是，可以以像素为单位，将所述采食数据转化为第一矩阵，即所述采食数据的像素与第一矩阵中的元素一一对应。进一步地，可以将所述采食数据中的预设区域以像素为单位转化为与所述预设区域尺寸相同的第一矩阵，所述预设区域可以为所述采食数据中的指定区域，即所述预设区域可以为所述采食数据对应的整个区域或其中的部分区域，可以根据需要确定所述预设区域的大小。例如：所述检测对象的采食位置与所述采食栏位的位置有关，可以将采食栏位附近一定范围的区域作为所述预设区域，这样可以更加快速得知在所述采食数据中是否存在检测对象或所述检测对象的采食位置。
当所述采食数据为图2所示的图像数据时，为了便于将采食数据转化为第一矩阵，在步骤102之前，采用人工方式在与所述检测对象采食相关的图像数据中对采食位置进行打标。例如：可以通过打标点标注检测对象的采食位置，可以理解的是，有打标点的位置说明存在正在采食的检测对象。进而可以根据图2所示的打标点确定所述第一矩阵中各个元素具体为第一字符还是第二字符。其中，所述第一字符和所述第二字符可以根据实际需求确定，例如：所述第一字符为1，所述第二字符为0。
需要说明的是，所述检测对象的采食位置与所述采食栏位的位置有关。当采用人工方式对图像数据中的采食位置进行打标时，按照预设时间范围内不同时间点检测对象与采食栏位的关系，确定所述采食位置的打标点。当所述采食数据为图2所示的图像数据时，参见图2，在所述图像数据中共有8个采食栏位，图2中的第一个、第五个至第八个采食栏位(从左往右数)均存在正在采食的检测对象，则可以在第一个、第五个至第八个采食栏位相应位置设置打标点。
需要说明的是，可以将所述第一矩阵作为测试矩阵；或者，可以将所述第一矩阵通过卷积运算转化为图像矩阵，并将所述图像矩阵作为测试矩阵，通过卷积运算可以提高计算精度，是算法计算的常用方法，用以增强信号特征。在将所述第一矩阵通过卷积运算转化为图像矩阵时，可以首先确定权重矩阵；然后再将所述第一矩阵与所述权重矩阵进行卷积计算，使得所述第一矩阵转化为图像矩阵。进一步地，可以根据预设的离散程度σ值和模糊半径确定权重矩阵。
步骤103：将所述采食数据输入至预测模型，计算得到预测矩阵。
在步骤103中，当所述采食数据是与所述检测对象采食相关的图像数据时，将所述采食数据输入至预测模型，计算得到特征矩阵；然后再根据所述特征矩阵，计算得到预测矩阵。进一步地，可以将所述特征矩阵作为预测矩阵；或者，可以将所述特征矩阵进行反卷积运算，计算得到预测矩阵。
可以理解的是，所述预测矩阵可以为数字矩阵或图像矩阵。为了便于在步骤104中将所述测试矩阵和所述预测矩阵进行对比，需要要求所述预测矩阵与所述测试矩阵类型相同。可以理解的是，当所述测试矩阵为数字矩阵时，所述预测矩阵对应为数字矩阵；当所述测试矩阵为图像矩阵时，所述预测矩阵对应为图像矩阵。
在本发明实施例中，所述预测模型可以为但不限于深度学习卷积神经网络模型(简称为VGG)，不同层的训练过程对应设置不同的卷积个数，从首次训练过程对应的卷积个数开始，每次训练过程的卷积个数增长一倍，直到达到第二预设数量次。可以理解的是，VGG是一种深度学习卷积神经网络，展示出网络深度是算法优良性能的关键部分，最好的网络包括16个卷积层，网络结构非常一致。VGG是通过几个阶段的卷积特征提取，每层的卷积个数，从首阶段个数开始，每个阶段增长一倍，直到达到最高，然后保持。虽然VGG参数多，层次深，但是需要很少的迭代次数就可以收敛。
另外，当所述采食数据为与所述检测对象采食相关的图像数据时，在步骤103之前，为了便于确定预测矩阵，可以将所述采食数据进行灰度处理。例如：参见图2，以所述检测对象是牛只为例，将人工打标的牛只图片的原图称为训练图，将训练图改为灰度图，并取其图像矩阵作为训练输入数据。
需要说明的是，步骤102和步骤103可以先后执行或同时执行，当步骤102和步骤103为先后执行时，步骤102和步骤103的执行顺序可以置换。可以理解的是，本发明实施例并不仅限于图1所示步骤102和步骤103先后执行的情形。
步骤104：将所述测试矩阵和所述预测矩阵进行对比，得到每次训练过程的偏差结果。
步骤105：根据每次训练过程的偏差结果，确定所述预测模型的目标模型参数。
在步骤105中，判断所述训练过程的偏差结果是否在预设范围内；若是，将训练过程的偏差结果在预设范围内所对应的模型参数，确定为预测模型的目标模型参数；若否，则调整所述预测模型的参数，重复执行步骤103至步骤105，直至所述训练过程的偏差结果在预设范围内。例如：可以将所述测试矩阵和所述预测矩阵的偏差结果在预设范围内且取值最小的模型参数，确定为预测模型的目标模型参数。
需要说明的是，在对所述预测模型训练的过程中，可以将预测模型的训练过程循环计算第二预设数量次，不同的训练过程对应设置不同的模型参数，来从其中选择最优的模型参数。
在步骤105之后，所述方法还包括：首先将第一采食数据输入至训练得到的预测模型，计算得到第二矩阵；然后再根据所述第二矩阵确定预测结果，所述预测结果至少包括：采食次数、采食时间段、采食量、采食时长和/或采食位置。
参见图4，为了更加直观地显示预测结果，可以将所述预测结果以热力图形式展示。在热力图中，纵轴为时间轴，横轴为采食栏位分布。通过图4所示的预测结果可以看出，检测对象在凌晨3:00至4:00较少出现采食行为，检测对象对边缘两侧采食栏位喜好较强，采食率较高。
依据本发明实施例的数据处理方法可以训练得到预测模型，通过预测模型可以预测检测对象的采食习性，并可以根据检测对象的采食习性控制检测对象的饲喂过程，智能化程度高且易控制。
图3是本发明实施例的数据处理方法的流程示意图，数据处理方法是基于所述检测对象采食相关的图像数据训练预测模型的过程。如图3所示，所述数据处理方法可以包括如下步骤：
步骤301：获取采食数据。
在步骤301中，可以获取第一预设数量的采食数据，所述第一预设数量可以根据实际需求确定。所述采食数据至少包括：预设时间范围内不同时间点采集得到的检测对象与采食位置的关系，所述检测对象可以为但不限于牛只、羊只或鸡等动物。其中预设时间范围可以根据实际需求确定，所述预设时间范围可以为一整天或一天中的指定时间段，例如：所述预设时间范围可以为每天的9:00am(上午)至9:00pm(下午)。采集时间点可以根据预设的采集周期确定，例如：步骤101获取的采食数据是在预设时间范围内每隔5min(分)采集一次得到的采食数据。
其中，所述采食数据是与所述检测对象采食相关的图像数据、开关数据和/或感应数据。需要说明的是，所述图像数据可以为图片或从视频中获取的帧图像等。例如：所述图像数据可以为图2所示的人工打标的图片，即在图像数据中人工标注有检测对象的采食位置。所述开关数据可以理解为检测对象采食时触发物理开关的数据。所述感应数据可以理解为检测对象佩戴的传感器在采食被触发的数据。
当所述采食数据是与所述检测对象采食相关的图像数据时，可以通过摄像头在预设时间内按照预设的采集周期采集与检测对象采食相关的图像数据。当所述采食数据是与所述检测对象采食相关的所述开关数据时，为了获取采食数据，可以在采食位置设置物理开关。当检测对象去相应的采食位置进行采食时会触发物理开关，通过开关的触发时间以及位置可以分析得到检测对象的采食时间点和采食位置，可以理解的是，采食数据至少包括：采食位置以及采食时间点。当所述采食数据是与所述检测对象采食相关的所述感应数据时，为了便于获取采食数据，在采食位置设置感应器，例如：红外传感器，通过感应器的识别时间和位置分析检测对象的采食时间点以及采食位置。
其中图2所示的为所述采食数据为图像数据时的情形。即可以在预设时间范围内按照预设采集周期采集与所述检测对象采食相关的图像数据，以得到第一预设数量的采食数据。一个图像数据中可以有一个或多个检测对象。参见图2，在图2所示的图像数据中有指定时间点的采食数据，所述采食位置用采食栏位表示，图中有8个采食栏位，并且所述第一个、第五个至第八个(从左往右数)采食栏位有正在采食的五个检测对象。
需要说明的是，步骤302至步骤304与步骤305至步骤306可以先后执行或并列执行，本发明实施例中并不具体限定步骤302至步骤304与步骤305至步骤306的执行顺序。例如：图3所示的为步骤302至步骤304与步骤305至步骤306并列执行的情形，即在步骤301之后可以执行步骤303至步骤305，或者执行步骤306至步骤307。
步骤302：将所述采食数据转化为第一矩阵；所述第一矩阵包括：第一字符和/或第二字符，所述第一字符用于表示对应元素有正在采食的所述检测对象，所述第二字符用于表示对应元素没有正在采食的所述检测对象。
在步骤302中，可以以像素为单位，将所述采食数据转化为第一矩阵，即所述采食数据的像素与第一矩阵中的元素一一对应。
需要说明的是，可以将所述采食数据中的预设区域以像素为单位转化为与所述预设区域尺寸相同的第一矩阵，所述预设区域可以为所述采食数据中的指定区域，即所述预设区域可以为所述采食数据对应的整个区域或其中的部分区域，可以根据需要确定所述预设区域的大小。例如：所述检测对象的采食位置与所述采食栏位的位置有关，可以将采食栏位附近一定范围的区域作为所述预设区域，这样可以更加快速得知在所述采食数据中是否存在检测对象或所述检测对象的采食位置。
当所述采食数据为图2所示的图像数据时，为了便于将采食数据转化为第一矩阵，在步骤302之前，采用人工方式在与所述检测对象采食相关的图像数据中对采食位置进行打标。例如：可以通过打标点标注检测对象的采食位置，可以理解的是，有打标点的位置说明存在正在采食的检测对象，没有打标点的位置说明不存在正在采食的检测对象。进而可以根据图2所示的打标点确定所述第一矩阵中各个元素具体为第一字符还是第二字符。其中，所述第一字符和所述第二字符可以根据实际需求确定，例如：所述第一字符为1，所述第二字符为0。
需要说明的是，所述检测对象的采食位置与所述采食栏位的位置有关。当采用人工方式对图像数据中的采食位置进行打标时，按照预设时间范围内不同时间点检测对象与采食栏位的关系，确定所述采食位置的打标点。当所述采食数据为图2所示的图像数据时，参见图2，在所述图像数据中共有8个采食栏位，图2中的第一个、第五个至第八个采食栏位(从左往右数)均存在正在采食的检测对象，则可以在第一个、第五个至第八个采食栏位相应位置设置打标点。
步骤303：确定权重矩阵。
在步骤303中，可以根据预设的离散程度σ值和模糊半径确定权重矩阵。即采用高斯模糊算法，将正态分布用于图像处理，高斯模糊的原理可以理解为每个像素都取周边像素的平均值，根据设定离散程度σ值和模糊半径计算出权重矩阵，作为高斯核用于后续卷积运算。
步骤304：将所述第一矩阵与所述权重矩阵进行卷积计算，使得所述第一矩阵转化为图像矩阵，并将所述图像矩阵作为测试矩阵。在步骤304之后执行步骤307。
在步骤304中，卷积运算指的是使用至少一个卷积核对所述采食数据对应的第一矩阵中每个元素进行卷积操作。可以理解的是，当所述采食数据为图像数据时，通过所述通过卷积运算可以对所述采食数据中的每个像素进行一系列操作。将人工打标的图片转化成第一矩阵以后与高斯核进行卷积运算，生成一个新的矩阵。卷积运算是图像处理时经常用到的一种操作，它具有增强原信号特征，并且降低噪音的作用。
步骤305：将所述采食数据输入至预测模型，计算得到特征矩阵。
在步骤305中，所述预测模型可以为但不限于深度学习卷积神经网络模型(简称为VGG)，不同层的训练过程对应设置不同的卷积个数，从首次训练过程对应的卷积个数开始，每次训练过程的卷积个数增长一倍，直到达到第二预设数量次。可以理解的是，VGG是一种深度学习卷积神经网络，展示出网络深度是算法优良性能的关键部分，最好的网络包括16个卷积层，网络结构非常一致。VGG是通过几个阶段的卷积特征提取，每层的卷积个数，从首阶段个数开始，每个阶段增长一倍，直到达到最高，然后保持。虽然VGG参数多，层次深，但是需要很少的迭代次数就可以收敛。
另外，当所述采食数据为与所述检测对象采食相关的图像数据时，在步骤305之前，为了便于确定预测矩阵，可以将所述采食数据进行灰度处理。例如：参见图2，以所述检测对象是牛只为例，将人工打标的牛只图片的原图称为训练图，将训练图改为灰度图，并取其图像矩阵作为训练输入数据。
步骤306：将所述特征矩阵进行反卷积运算，计算得到预测矩阵。在步骤306之后执行步骤307。
步骤307：将所述测试矩阵和所述预测矩阵进行对比，得到每次训练过程的偏差结果。
在步骤307中，预测值与真实值的偏差程度可以为最常见的loss，将所述测试矩阵和所述预测矩阵进行对比，得到每次训练过程的偏差结果，偏差结果即为loss结果。在预测模型构建的过程中就需要不断地使用loss值对模型参数进行修正，对预测模型进行迭代，准确率也不断提高。当准确率达标以后，就可以新的采食数据通过预测矩阵计算出特征矩阵，并将特征矩阵求和就可以得到检测对象的采食位置。
步骤308：判断所述测试矩阵和所述预测矩阵的偏差结果是否在预设范围内；若是，则执行步骤309；否则，重复执行步骤305。
步骤309：将所述测试矩阵和所述预测矩阵的偏差结果在预设范围内的模型参数，确定为预测模型的目标模型参数。
在步骤309之后，所述方法还包括：将首先第一采食数据输入至训练得到的预测模型，计算得到第二矩阵；然后再根据所述第二矩阵确定预测结果，所述预测结果包括：有无检测对象、检测对象采食起始时间点、检测对象采食终止时间点和/或采食位置。然后将所述预测结果发送给边缘计算网关；通过所述边缘计算网关根据所述预测结果，计算得到检测对象的采食时长。
以所述检测对象是牛只为例，将算法结果传给边缘计算网关，算法结果主要包括有无牛只、牛只进采食栏位的时间点、牛只出采食栏位的时间点、栏位位置等。边缘计算将算法结果通过计算得到牛只在某个采食栏位的采食时长。从而得到牛只对采食栏位和时间的喜好。
参见图4，为了更加直观地显示预测结果，可以将所述预测结果以热力图形式展示。在热力图中，纵轴为时间轴，横轴为采食栏位分布。通过图4所示的预测结果可以看出，检测对象在凌晨3:00至4:00较少出现采食行为，检测对象对边缘两侧采食栏位喜好较强，采食率较高。
依据本发明实施例的数据处理方法可以训练得到预测模型，通过预测模型可以预测检测对象的采食习性，并可以根据检测对象的采食习性控制检测对象的饲喂过程，智能化程度高且易控制。
进一步地，本发明实施例的数据处理方法可以基于视觉识别算法训练预测模型，即将与检测对象采食有关的图像数据为输入数据对预测模型进行训练。以检测对象是牛只为例，通过预测模型可以分析出牛只习惯性的采食位置以及采食时间。
图5是本发明实施例的数据处理装置的模块示意图，参见图5，所述数据处理装置500可以包括如下模块：
获取模块501，用于获取采食数据，所述采食数据至少包括：预设时间范围内不同时间点的检测对象与采食位置的关系；
第一计算模块502，用于根据所述采食数据，计算得到测试矩阵；
第二计算模块503，用于将所述采食数据输入至预测模型，计算得到预测矩阵；
对比模块504，用于将所述测试矩阵和所述预测矩阵进行对比，得到训练过程的偏差结果；
确定模块505，用于根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数。
可选地，所述采食数据是与所述检测对象采食相关的图像数据、开关数据和/或感应数据。
可选地，所述确定模块505进一步用于：
判断所述训练过程的偏差结果是否在预设范围内；
若是，将训练过程的偏差结果在预设范围内所对应的模型参数，确定为预测模型的目标模型参数；
若否，则重复执行将所述采食数据输入至预测模型，计算得到预测矩阵的步骤。
可选地，当所述采食数据是与所述检测对象采食相关的图像数据，且所述图像数据中的采食位置用采食栏位表示时，所述训练模块502进一步用于：
将所述采食数据转化为第一矩阵；所述第一矩阵包括：第一字符和/或第二字符，所述第一字符用于表示对应元素有正在采食的所述检测对象，所述第二字符用于表示对应元素没有正在采食的所述检测对象；
根据所述第一矩阵，计算得到测试矩阵。
可选地，所述第一计算模块502进一步用于：
将所述第一矩阵作为测试矩阵；或者，
将所述第一矩阵通过卷积运算转化为图像矩阵，并将所述图像矩阵作为测试矩阵。
可选地，所述第一计算模块502进一步用于：
确定权重矩阵；
将所述第一矩阵与所述权重矩阵进行卷积计算，使得所述第一矩阵转化为图像矩阵。
可选地，所述第一计算模块502进一步用于：
根据预设的离散程度σ值和模糊半径确定权重矩阵。
可选地，当所述采食数据是与所述检测对象采食相关的图像数据时，所述第二计算模块503进一步用于：
将所述采食数据输入至预测模型，计算得到特征矩阵；
根据所述特征矩阵，计算得到预测矩阵。
可选地，所述第二计算模块503进一步用于：
将所述特征矩阵作为预测矩阵；或者，
将所述特征矩阵进行反卷积运算，计算得到预测矩阵。
可选地，所述数据处理装置还包括：
处理模块，用于将所述采食数据进行灰度处理。
可选地，所述预测模型为深度学习卷积神经网络模型，不同层的训练过程对应设置不同的卷积个数，从首次训练过程对应的卷积个数开始，每次训练过程的卷积个数增长一倍，直到达到第二预设数量次。
可选地，所述数据处理装置还包括：
第三计算模块，用于将第一采食数据输入至训练得到的预测模型，计算得到第二矩阵；
预测模块，用于根据所述第二矩阵确定预测结果，，所述预测结果包括：有无检测对象、检测对象采食起始时间点、检测对象采食终止时间点和/或采食位置。
可选地，所述数据处理装置还包括：
展示模块，用于将所述预测结果以热力图形式展示。
可选地，所述数据处理装置还包括：
发送模块，用于将所述预测结果发送给边缘计算网关；
第四计算模块，用于通过所述边缘计算网关根据所述预测结果，计算所述检测对象的采食时长。
依据本发明实施例的数据处理装置可以训练得到预测模型，通过预测模型可以预测检测对象的采食习性，并可以根据检测对象的采食习性控制检测对象的饲喂过程，智能化程度高且易控制。
图6示出了可以应用本发明实施例的数据处理方法或数据处理装置的示例性系统架构600。
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的数据处理方法一般由服务器605执行，相应地，数据处理装置一般设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取采食数据，所述采食数据至少包括：预设时间范围内不同时间点的检测对象与采食位置的关系；根据所述采食数据，计算得到测试矩阵；将所述采食数据输入至预测模型，计算得到预测矩阵；将所述测试矩阵和所述预测矩阵进行对比，得到训练过程的偏差结果；根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数。
依据本发明实施例的数据处理装置可以训练得到预测模型，通过预测模型可以预测检测对象的采食习性，并可以根据检测对象的采食习性控制检测对象的饲喂过程，智能化程度高且易控制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (17)
1.一种数据处理方法，其特征在于，包括：
A.获取采食数据，所述采食数据至少包括：预设时间范围内不同时间点的检测对象与采食位置的关系；
B.根据所述采食数据，计算得到测试矩阵；
C.将所述采食数据输入至预测模型，计算得到预测矩阵；
D.将所述测试矩阵和所述预测矩阵进行对比，得到训练过程的偏差结果；
E.根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数。
2.根据权利要求1所述的方法，其特征在于，所述采食数据是与所述检测对象采食相关的图像数据、开关数据和/或感应数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数，包括：
判断所述训练过程的偏差结果是否在预设范围内；
若是，将训练过程的偏差结果在预设范围内所对应的模型参数，确定为预测模型的目标模型参数；
否则，调整预测模型的参数，重复执行步骤A至步骤E，直至所述训练过程的偏差结果在预设范围内。
4.根据权利要求1所述的方法，其特征在于，当所述采食数据是与所述检测对象采食相关的图像数据时，根据所述采食数据，计算得到测试矩阵，包括：
将所述采食数据转化为第一矩阵；所述第一矩阵包括：第一字符和/或第二字符，所述第一字符用于表示对应元素有正在采食的所述检测对象，所述第二字符用于表示对应元素没有正在采食的所述检测对象；
根据所述第一矩阵，计算得到测试矩阵。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一矩阵，计算得到测试矩阵，包括：
将所述第一矩阵作为测试矩阵；或者，
将所述第一矩阵通过卷积运算转化为图像矩阵，并将所述图像矩阵作为测试矩阵。
6.根据权利要求5所述的方法，其特征在于，所述将所述第一矩阵通过卷积运算转化为图像矩阵，包括：
确定权重矩阵；
将所述第一矩阵与所述权重矩阵进行卷积计算，使得所述第一矩阵转化为图像矩阵。
7.根据权利要求6所述的方法，其特征在于，所述确定权重矩阵，包括：
根据预设的离散程度σ值和模糊半径确定权重矩阵。
8.根据权利要求1所述的方法，其特征在于，当所述采食数据是与所述检测对象采食相关的图像数据时，将所述采食数据输入至预测模型，计算得到预测矩阵，包括：
将所述采食数据输入至预测模型，计算得到特征矩阵；
根据所述特征矩阵，计算得到预测矩阵。
9.根据权利要求8所述的方法，其特征在于，根据所述特征矩阵，计算得到预测矩阵，包括：
将所述特征矩阵作为预测矩阵；或者，
将所述特征矩阵进行反卷积运算，计算得到预测矩阵。
10.根据权利要求8所述的方法，其特征在于，当所述采食数据是与所述检测对象采食相关的图像数据，将所述采食数据输入至预测模型，计算得到特征矩阵的步骤之前，所述方法还包括：
将所述采食数据进行灰度处理。
11.根据权利要求1至10任一项所述的方法，其特征在于，所述预测模型为深度学习卷积神经网络模型，不同层的训练过程对应设置不同的卷积个数，从首次训练过程对应的卷积个数开始，每次训练过程的卷积个数增长一倍，直到达到第二预设数量次。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将第一采食数据输入至训练得到的预测模型，计算得到第二矩阵；
根据所述第二矩阵确定预测结果，所述预测结果包括：有无检测对象、检测对象采食起始时间点、检测对象采食终止时间点和/或采食位置。
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
将所述预测结果以热力图形式展示。
14.根据权利要求12所述的方法，其特征在于，所述方法还包括：
将所述预测结果发送给边缘计算网关；
通过所述边缘计算网关根据所述预测结果，计算所述检测对象的采食时长。
15.一种数据处理装置，其特征在于，包括：
获取模块，用于获取采食数据，所述采食数据至少包括：预设时间范围内不同时间点的检测对象与采食位置的关系；
第一计算模块，用于根据所述采食数据，计算得到测试矩阵；
第二计算模块，用于将所述采食数据输入至预测模型，计算得到预测矩阵；
对比模块，用于将所述测试矩阵和所述预测矩阵进行对比，得到训练过程的偏差结果；
确定模块，用于根据所述训练过程的偏差结果，确定所述预测模型的目标模型参数。
16.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-14中任一所述的方法。
17.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-14中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010831674.1A CN112016740B (zh) | 2020-08-18 | 2020-08-18 | 数据处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010831674.1A CN112016740B (zh) | 2020-08-18 | 2020-08-18 | 数据处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016740A true CN112016740A (zh) | 2020-12-01 |
| CN112016740B CN112016740B (zh) | 2024-06-18 |
Family
ID=73504922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010831674.1A Active CN112016740B (zh) | 2020-08-18 | 2020-08-18 | 数据处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016740B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030058339A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Method and apparatus for detecting an event based on patterns of behavior |
| WO2012172542A1 (en) * | 2011-06-13 | 2012-12-20 | Isaac Tavori | Apparatus and methods for corrective guidance of eating behavior |
| WO2018152532A1 (en) * | 2017-02-20 | 2018-08-23 | Alibaba Group Holding Linited | Type prediction method, apparatus and electronic device for recognizing an object in an image |
| CN108475295A (zh) * | 2015-12-17 | 2018-08-31 | 微软技术许可有限责任公司 | 用于预测即将进食时刻的可穿戴系统 |
| CN108508782A (zh) * | 2018-01-29 | 2018-09-07 | 江苏大学 | 基于arm的猪只行为跟踪识别监控装置及方法 |
| WO2019009700A1 (en) * | 2017-07-05 | 2019-01-10 | N.V. Nederlandsche Apparatenfabriek Nedap | METHOD AND SYSTEM FOR MONITORING ANIMAL DEVELOPMENT |
| WO2019119301A1 (zh) * | 2017-12-20 | 2019-06-27 | 华为技术有限公司 | 在卷积神经网络模型中确定特征图像的方法和装置 |
| CN110222577A (zh) * | 2019-05-08 | 2019-09-10 | 平安科技（深圳）有限公司 | 一种目标监控方法、装置、计算机设备及存储介质 |
| CN110826581A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
| KR20200059626A (ko) * | 2018-11-21 | 2020-05-29 | 한국전자통신연구원 | 섭식행위 및 섭식내용을 자동으로 인식하는 시스템, 사용자 디바이스 및 방법 |
| CN111539384A (zh) * | 2020-05-26 | 2020-08-14 | 北京海益同展信息科技有限公司 | 牧场采食监控方法、系统、装置、设备及存储介质 |
-
2020
- 2020-08-18 CN CN202010831674.1A patent/CN112016740B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030058339A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Method and apparatus for detecting an event based on patterns of behavior |
| WO2012172542A1 (en) * | 2011-06-13 | 2012-12-20 | Isaac Tavori | Apparatus and methods for corrective guidance of eating behavior |
| CN108475295A (zh) * | 2015-12-17 | 2018-08-31 | 微软技术许可有限责任公司 | 用于预测即将进食时刻的可穿戴系统 |
| WO2018152532A1 (en) * | 2017-02-20 | 2018-08-23 | Alibaba Group Holding Linited | Type prediction method, apparatus and electronic device for recognizing an object in an image |
| WO2019009700A1 (en) * | 2017-07-05 | 2019-01-10 | N.V. Nederlandsche Apparatenfabriek Nedap | METHOD AND SYSTEM FOR MONITORING ANIMAL DEVELOPMENT |
| WO2019119301A1 (zh) * | 2017-12-20 | 2019-06-27 | 华为技术有限公司 | 在卷积神经网络模型中确定特征图像的方法和装置 |
| CN108508782A (zh) * | 2018-01-29 | 2018-09-07 | 江苏大学 | 基于arm的猪只行为跟踪识别监控装置及方法 |
| CN110826581A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
| KR20200059626A (ko) * | 2018-11-21 | 2020-05-29 | 한국전자통신연구원 | 섭식행위 및 섭식내용을 자동으로 인식하는 시스템, 사용자 디바이스 및 방법 |
| CN110222577A (zh) * | 2019-05-08 | 2019-09-10 | 平安科技（深圳）有限公司 | 一种目标监控方法、装置、计算机设备及存储介质 |
| CN111539384A (zh) * | 2020-05-26 | 2020-08-14 | 北京海益同展信息科技有限公司 | 牧场采食监控方法、系统、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016740B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11334795B2 (en) | Automated and adaptive design and training of neural networks | |
| US20220198800A1 (en) | Video processing method, apparatus and device, and computerreadable storage medium | |
| CN110458107B (zh) | 用于图像识别的方法和装置 | |
| CN111144937B (zh) | 广告素材确定方法、装置、设备及存储介质 | |
| CN110402840B (zh) | 一种基于图像识别的生猪监测终端及生猪监测系统 | |
| CN109360028B (zh) | 用于推送信息的方法和装置 | |
| CN110263979B (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
| US11360927B1 (en) | Architecture for predicting network access probability of data files accessible over a computer network | |
| CN113887447B (zh) | 一种针对密集群体目标的密度估计、分类预测模型的训练、推理方法及装置 | |
| WO2021136060A1 (zh) | 图像分类方法、装置、存储介质及电子设备 | |
| US20220067930A1 (en) | Systems and methods for predicting growth of a population of organisms | |
| Singh et al. | Performance evaluation of plant leaf disease detection using deep learning models | |
| WO2020151175A1 (zh) | 文本生成方法、装置、计算机设备及存储介质 | |
| CN111382616A (zh) | 视频分类方法、装置及存储介质、计算机设备 | |
| CN115147862A (zh) | 底栖动物自动识别方法、系统、电子设备和可读存储介质 | |
| Majewski et al. | Multipurpose monitoring system for edible insect breeding based on machine learning | |
| CN110826581A (zh) | 一种动物数量识别方法、装置、介质及电子设备 | |
| CN111626251A (zh) | 一种视频分类方法、视频分类装置及电子设备 | |
| CN111325181A (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
| Wittek et al. | Supervised machine learning aided behavior classification in pigeons | |
| Daum et al. | Vocalexplore: Pay-as-you-go video data exploration and model building | |
| CN107392119A (zh) | 一种基于Spark Streaming的奶牛场监控视频实时过滤方法与系统 | |
| CN114550848A (zh) | 作物病害处理方法、装置、电子设备及计算机可读介质 | |
| CN111248716B (zh) | 食材的烹饪控制方法、图像处理方法、装置及烹饪设备 | |
| CN112016740B (zh) | 数据处理方法和装置 |
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 | ||
| CB02 | Change of applicant information |
Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176 Applicant after: Jingdong Technology Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176 Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176 Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176 Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |