CN112598116A - 一种宠物食欲评价方法、装置、设备及存储介质 - Google Patents
一种宠物食欲评价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112598116A CN112598116A CN202011530763.9A CN202011530763A CN112598116A CN 112598116 A CN112598116 A CN 112598116A CN 202011530763 A CN202011530763 A CN 202011530763A CN 112598116 A CN112598116 A CN 112598116A
- Authority
- CN
- China
- Prior art keywords
- target
- pet
- food
- calorie
- appetite
- 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
- 230000036528 appetite Effects 0.000 title claims abstract description 69
- 235000019789 appetite Nutrition 0.000 title claims abstract description 69
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 235000013305 food Nutrition 0.000 claims abstract description 94
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 31
- 235000012631 food intake Nutrition 0.000 claims description 29
- 230000037406 food intake Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 235000011888 snacks Nutrition 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 239000000835 fiber Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 235000019577 caloric intake Nutrition 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000037396 body weight Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001954 sterilising effect Effects 0.000 description 3
- 238000004659 sterilization and disinfection Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 241000219289 Silene Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fodder In General (AREA)
Abstract
本发明涉及宠物管理技术领域，具体涉及一种宠物食欲评价方法、装置、设备及存储介质。包括获取目标粮食的基本特征以及目标宠物的基本特征；将目标粮食的基本特征输入预置的粮食卡路里预测神经网络模型，获得目标粮食的卡路里参数；将目标宠物的基本特征以及目标粮食的卡路里参数输入预置的宠物食欲评价神经网络模型，获得目标宠物对目标粮食的食欲指数。本发明可以获得宠物对粮食的食欲指数，便于宠物主了解自己的宠物对所选宠物粮食的食欲喜好情况，并进行宠物粮食的挑选。
Description
技术领域
本发明涉及宠物管理技术领域，具体涉及一种宠物食欲评价方法、装置、设备及存储介质。
背景技术
随着社会发展，生活水平的提高，有很多家庭已经将猫狗等动物作为家庭成员和伴侣对待。消费升级带来宠物相关消费行业的快速发展。对于宠物的衣、食、住、行等方方面面都有多种多样的产品出现。但是，随之而来的是宠物的肥胖等病症的增加，以及宠物食粮选择困难的问题。
目前对宠物粮食的选择大都还是依据宠物饲养主的个人经验及喜好来掌控的，没有精确有效的数据作支撑，宠物饲养主就不了解自己的宠物对所选粮食的食欲喜好程度。因此，需要一种可根据食物特征和宠物特征来对宠物的食欲进行有效评价的方法，以实现对宠物喂食的精准把控。
发明内容
针对现有技术存在的不足，本发明提供了一种宠物食欲评价方法、装置、设备及存储介质，其应用时，可以获得宠物对粮食的食欲指数，便于宠物主了解自己的宠物对所选宠物粮食的食欲喜好情况，并进行宠物粮食的挑选。
第一方面，本发明提供一种宠物食欲评价方法，包括：
获取目标粮食的基本特征以及目标宠物的基本特征；
将目标粮食的基本特征输入预置的粮食卡路里预测神经网络模型，获得目标粮食的卡路里参数；
将目标宠物的基本特征以及目标粮食的卡路里参数输入预置的宠物食欲评价神经网络模型，获得目标宠物对目标粮食的食欲指数。
基于上述技术内容，可通过获取目标宠物的基本特征和目标粮食的基本特征来作为基础数据支撑，并将其代入相应的神经网络模型进行数据处理，得到目标宠物对目标粮食的食欲指数。宠物主可以以此了解自己的宠物对所选宠物粮食的食欲喜好情况，并进行宠物粮食的挑选，实现对宠物喂食的精准把控。
在一个可能的设计中，所述目标粮食的基本特征包括目标粮食的品牌、产品规格和产品价格，所述目标宠物的基本特征包括目标宠物的种类以及对目标粮食的实际食量和标准食量，所述方法还包括：
在目标宠物对目标粮食的食欲指数达到设定阈值时，记录对应目标粮食的基本特征，同时记录目标宠物的基本特征；
根据记录的对应目标粮食的品牌、产品规格和产品价格，以及同种类目标宠物对目标粮食的实际食量和标准食量，计算目标粮食品牌产品的综合评价指数。
在一个可能的设计中，所述目标粮食的基本特征包括蛋白质参数、脂肪参数、纤维参数以及原始卡路里标签，所述目标粮食分为主粮和零食，所述粮食卡路里预测神经网络模型采用Sigmoid函数将输入变量映射到(0，1)之间，Sigmoid函数表现形式为：
其中，Lk∈(0，1)，表示映射后的卡路里参数；k表示原始卡路里标签；w和b分别表示将主粮和零食的卡路里范围映射到Lk范围的超参数。
在一个可能的设计中，所述主粮对应的粮食卡路里预测神经网络模型设有5层神经网络层，并采用ReLU激活函数进行模型神经元特征激活，采用BN算法进行模型参数空间纠正。
在一个可能的设计中，所述零食对应的粮食卡路里预测神经网络模型设有4层神经网络层，采用BN算法进行模型参数空间纠正，并设有残差块进行模型神经元特征优化。
在一个可能的设计中，所述目标宠物的基本特征包括目标宠物对目标粮食的实际食量和标准食量，所述宠物食欲评价神经网络模型采用Sigmoid函数将输入变量映射到(0，1)之间，Sigmoid函数表现形式为：
其中，L∈(0，1)，表示目标宠物的食欲指数；s表示目标宠物的标准卡路里量，由目标宠物的标准食量及目标粮食的卡路里参数确定；limit∈(0，1)，表示设定的目标宠物的食量下界参数；q表示目标宠物的实际食量和标准食量之间的偏差值。
在一个可能的设计中，所述宠物食欲评价神经网络模型设有两层神经网络层，并采用二分类交叉熵算法作为模型的损失函数。
第二方面，本发明提供一种宠物食欲评价装置，包括：
获取单元，用于获取目标粮食的基本特征以及目标宠物的基本特征；
预测单元，用于将目标粮食的基本特征输入预置的粮食卡路里预测神经网络模型，获得目标粮食的卡路里参数；
评价单元，用于将目标宠物的基本特征以及目标粮食的卡路里参数输入预置的宠物食欲评价神经网络模型，获得目标宠物对目标粮食的食欲指数。
第三方面，本发明提供一种计算机设备，包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面中任意一种所述的方法。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行上述第一方面中任意一种所述的方法。
本发明的有益效果为：
本发明通过过获取目标宠物的基本特征和目标粮食的基本特征来作为基础数据支撑，并将其代入相应的神经网络模型进行数据处理，得到目标宠物对目标粮食的食欲指数。宠物主可以以此了解自己的宠物对所选宠物粮食的食欲喜好情况，并进行宠物粮食的挑选，实现对宠物喂食的精准把控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的方法流程示意图；
图2为主粮的卡路里预测神经网络模型示意图；
图3为零食的卡路里预测神经网络模型示意图；
图4为残差块的表达形式示意图；
图5为宠物体重1-4千克的卡路里摄入偏差与食欲指数关系图；
图6为宠物体重7-9千克的卡路里摄入偏差与食欲指数关系图；
图7为宠物食欲评价神经网络模型示意图；
图8为本发明的装置结构示意图；
图9为本发明的计算机设备结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，术语第一、第二等仅用于区分描述，而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等等来描述各种单元，这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元，并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。
应当理解，在本发明的描述中，术语“上”、“竖直”、“内”、“外”等指示的方位或位置关系，是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
应当理解，当将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，当将单元称作与另一个单元“直接相连”或“直接耦合”时，不存在中间单元。应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”，“相邻”对“直接相邻”等等)。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本文使用的术语仅用于描述特定实施例，并且不意在限制本发明的示例实施例。如本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解术语“包括”、“包括了”、“包含”、和/或“包含了”当在本文中使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例1：
本实施例提供一种宠物食欲评价方法，如图1所示，包括以下步骤：
S101.获取目标粮食的基本特征以及目标宠物的基本特征。
目标粮食的基本特征包括蛋白质含量、脂肪含量、纤维含量以及原始卡路里标签范围等，这些参数可通过目标粮食的相应说明书及包装标签直接获得，或者通过相应的计算获得，如宠物粮食卡路里主要集中在蛋白质及脂肪中，而纤维对宠物粮食的卡路里含量有抑制作用，因此通过蛋白质含量、脂肪含量、纤维含量的相应计算可获得宠物粮食的原始卡路里标签范围。目标宠物的基本特征包括目标宠物的年龄、体重、绝育状态以及目标宠物对目标粮食的实际食量和标准食量等，标准食量可根据年龄、体重、绝育状态来进行判定。
S102.将目标粮食的基本特征输入预置的粮食卡路里预测神经网络模型，获得目标粮食的卡路里参数。
粮食卡路里预测神经网络模型以目标粮食的蛋白质含量、脂肪含量和纤维含量作为模型输入，以1克食粮对应的卡路里含量作为模型预测输出结果。粮食卡路里预测神经网络模型采用Sigmoid函数将输入变量映射到(0，1)之间，Sigmoid函数表现形式为：
其中，Lk∈(0，1)，表示映射后的卡路里参数；k表示原始卡路里标签，可由蛋白质含量、脂肪含量和纤维含量的相应计算获得，主粮的原始卡路里标签范围为[3220，5500]，零食的原始卡路里标签范围为[320，1500]；w和b分别表示将主粮和零食的卡路里范围映射到Lk范围的超参数。
目标粮食分为主粮和零食，对于主粮的卡路里参数预测，可采用如图2所示的5层神经网络模型进行，针对可能出现的模型特征空间偏移现象，采用BN(BatchNormalization)算法进行模型参数空间纠正，表达公式如下：
yi＝BNγ,β(xi)＝γ·x’i+β
BN位于隐藏层中激活函数的输入部分，xi表示当前隐藏层未经过激活函数操作的神经元特征，m表示当前隐藏层中神经元个数；μB表示m个神经元特征的均值；
表示m个神经元特征的方差；ε表示防止分母值出现0值设置的超参数；xi’表示更新后的神经元特征；γ，β表示对每一个神经元添加的调节参数，该调节参数通过神经网络模型训练得到，目的是保证更新后xi’的神经元特征不被削弱，从而使得该隐藏层的网络表达能力增强。通过BN算法将正向传播过程中的神经元特征映射成均值为0，标准差为1的特征范围，目的是在模型反向传播的过程中纠正并更新模型的参数空间，从而提高模型的收敛速度。
由于神经元结构复杂，并且Sigmoid函数的梯度饱和度较高，随着训练次数的增加导致神经元特征的梯度下降过快导致模型提前拟合，将模型内部的部分激活函数变为ReLU激活函数，随着模型训练次数的增加，经过ReLU激活函数激活后的神经元特征梯度不会变化，并且部分神经元特征变为0可以近似dropout效果，增加模型的鲁棒性。
对于零食的卡路里参数预测，可采用如图3所示的4层神经网络模型进行，模型采用BN算法进行模型参数空间纠正，绝大多数宠物零食中包含80％水分，因此各营养含量和卡路里之间的特征关系相较于主粮更加模糊。模型部分采用逻辑回归预测的基础上，选择4层神经网络进行构建。由于神经网络层数较多，神经网络反向传播过程中神经元特征因梯度消失过快而导致模型提前拟合，最终导致模型预测的准确度下降。因此在BN基础上在模型内部添加残差块(Residual Unit)对神经元特征进行优化。
残差块针对因神经网络层数过多导致的梯度消失问题而设计，它的主要表达形式如图4所示，其中x表示某一隐藏层的输入特征，在前向传播过程中经过某一段隐藏层F(x)时，由于需要和F(x)中的权重矩阵weight进行矩阵计算，而反向传播过程中weight会持续更新，从而使经过了若干次矩阵计算后的x逐渐向0方向逼近，最终导致x的梯度消失。而残差块的构建将x越过若干个隐藏层，并直接与隐藏层输出结果求和，这种方法缓解了神经元特征梯度消失速度，从而使神经元特征在更深的隐藏层中学习特征。
S103.将目标宠物的基本特征以及目标粮食的卡路里参数输入预置的宠物食欲评价神经网络模型，获得目标宠物对目标粮食的食欲指数。
宠物食欲评价神经网络模型采用Sigmoid函数将输入变量映射到(0，1)之间，Sigmoid函数表现形式为：
其中，L∈(0，1)，表示目标宠物的食欲指数，L＝1表示宠物食欲食量符合标准状态，宠物的食欲状况最佳；L＝0表示宠物的食欲最差；s表示目标宠物的标准卡路里量，由目标宠物的标准食量及目标粮食的卡路里参数计算确定，如年龄为5周，体重1.0kg的猫一天的卡路里摄入量标准为219.45kcal/天；limit∈(0，1)，表示设定的目标宠物的食量下界参数，如limit＝60％；q表示目标宠物的实际食量和标准食量之间的偏差值，具体公式为q＝-|t-r|，t表示宠物实际食量，r表示宠物的标准食量。
以食欲指数为样本标签，从实际卡路里摄入量与标准卡路里的偏差角度观察不同体重范围的样本分布如图5和图6所示，图5为宠物体重1-4千克的卡路里摄入偏差与食欲指数关系图，图6为宠物体重7-9千克的卡路里摄入偏差与食欲指数关系图。其中，横坐标表示实际卡路里摄入量相对于标准卡路里摄入量之间的偏差情况(单位：g/天)；纵坐标表示食欲指数的具体数值，由图可知，实际卡路里摄入量和标准卡路里偏差越小的食欲指数值越高。
如图7所示，宠物食欲评价神经网络模型以目标宠物的年龄(Age input)、体重(Weight input)、绝育状态(Steri input)以及目标宠物对目标粮食的实际食量(Intakeinput)作为输入变量，设有两层神经网络层，并采用二分类交叉熵算法作为模型的损失函数。模型输出结果为[0，1]区间值，在食欲评价问题中，1表示理想的标准食欲状态，0表示设定的不标准食欲状态下界。损失函数的的表达式为：
损失函数分别计算原始标签xj和预测标签yj中理想食欲状态的相似性∑yjlog(xj)和食欲状态下界的相似性∑(1-yj)log(1-xj)，损失函数值越大，预测标签和原始标签之间的相似性越高，预测结果越准确。
在获得食欲指数后，还可对宠物粮食品牌产品进行相应的推荐排名，具体方法包括：
S201.在目标宠物对目标粮食的食欲指数达到设定阈值时，记录对应目标粮食的基本特征，同时记录目标宠物的基本特征。
S202.根据记录的对应目标粮食的品牌、产品规格和产品价格，以及同种类目标宠物对目标粮食的实际食量和标准食量，计算目标粮食品牌品牌的综合评价指数，计算公式为：
其中，V表示品牌产品的综合评价指数；Mspec和P分别表示品牌产品的规格和产品的价格；ma和ms分别表示食用该品牌产品的宠物的实际食量和标准食量，并且ma、ms基于相同宠物种类和食用相同品牌的产品的宠物进行采样；median(ma/ms)表示某一种类宠物各样本对于相同品牌产品喜好指数的中位数；C表示常数。
S203.最后将各品牌产品的综合评价指数进行升序排列，综合评价指数越小，推荐产品的位置越靠前。
实施例2：
本实施例提供一种宠物食欲评价装置，如图8所示，包括：
获取单元，用于获取目标粮食的基本特征以及目标宠物的基本特征；
预测单元，用于将目标粮食的基本特征输入预置的粮食卡路里预测神经网络模型，获得目标粮食的卡路里参数；
评价单元，用于将目标宠物的基本特征以及目标粮食的卡路里参数输入预置的宠物食欲评价神经网络模型，获得目标宠物对目标粮食的食欲指数。
实施例3：
本实施例提供一种计算机设备，如图9所示，包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行实施例1中所述的宠物食欲评价方法。
所述存储器可以但不限于包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等；所述处理器可以但不限于包括单片机、ARM处理器等。
实施例4：
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行实施例1中所述的宠物食欲评价方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
实施例5：
本实施例提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行实施例1中所述的宠物食欲评价方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤，而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。因此，本发明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，本发明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。
本发明是参照实施例的方法、装置、设备和存储介质的流程图和/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。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种宠物食欲评价方法，其特征在于，包括：
获取目标粮食的基本特征以及目标宠物的基本特征；
将目标粮食的基本特征输入预置的粮食卡路里预测神经网络模型，获得目标粮食的卡路里参数；
将目标宠物的基本特征以及目标粮食的卡路里参数输入预置的宠物食欲评价神经网络模型，获得目标宠物对目标粮食的食欲指数。
2.根据权利要求1所述的一种宠物食欲评价方法，其特征在于，所述目标粮食的基本特征包括目标粮食的品牌、产品规格和产品价格，所述目标宠物的基本特征包括目标宠物的种类以及对目标粮食的实际食量和标准食量，所述方法还包括：
在目标宠物对目标粮食的食欲指数达到设定阈值时，记录对应目标粮食的基本特征，同时记录目标宠物的基本特征；
根据记录的对应目标粮食的品牌、产品规格和产品价格，以及同种类目标宠物对目标粮食的实际食量和标准食量，计算目标粮食品牌产品的综合评价指数。
3.根据权利要求1所述的一种宠物食欲评价方法，其特征在于，所述目标粮食的基本特征包括蛋白质参数、脂肪参数、纤维参数以及原始卡路里标签，所述目标粮食分为主粮和零食，所述粮食卡路里预测神经网络模型采用Sigmoid函数将输入变量映射到(0，1)之间，Sigmoid函数表现形式为：
其中，Lk∈(0，1)，表示映射后的卡路里参数；k表示原始卡路里标签；w和b分别表示将主粮和零食的卡路里范围映射到Lk范围的超参数。
4.根据权利要求3所述的一种宠物食欲评价方法，其特征在于，所述主粮对应的粮食卡路里预测神经网络模型设有5层神经网络层，并采用ReLU激活函数进行模型神经元特征激活，采用BN算法进行模型参数空间纠正。
5.根据权利要求3所述的一种宠物食欲评价方法，其特征在于，所述零食对应的粮食卡路里预测神经网络模型设有4层神经网络层，采用BN算法进行模型参数空间纠正，并设有残差块进行模型神经元特征优化。
6.根据权利要求1所述的一种宠物食欲评价方法，其特征在于，所述目标宠物的基本特征包括目标宠物对目标粮食的实际食量和标准食量，所述宠物食欲评价神经网络模型采用Sigmoid函数将输入变量映射到(0，1)之间，Sigmoid函数表现形式为：
其中，L∈(0，1)，表示目标宠物的食欲指数；s表示目标宠物的标准卡路里量，由目标宠物的标准食量及目标粮食的卡路里参数确定；limit∈(0，1)，表示设定的目标宠物的食量下界参数；q表示目标宠物的实际食量和标准食量之间的偏差值。
7.根据权利要求6所述的一种宠物食欲评价方法，其特征在于，所述宠物食欲评价神经网络模型设有两层神经网络层，并采用二分类交叉熵算法作为模型的损失函数。
8.一种宠物食欲评价装置，其特征在于，包括：
获取单元，用于获取目标粮食的基本特征以及目标宠物的基本特征；
预测单元，用于将目标粮食的基本特征输入预置的粮食卡路里预测神经网络模型，获得目标粮食的卡路里参数；
评价单元，用于将目标宠物的基本特征以及目标粮食的卡路里参数输入预置的宠物食欲评价神经网络模型，获得目标宠物对目标粮食的食欲指数。
9.一种计算机设备，其特征在于，包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011530763.9A CN112598116B (zh) | 2020-12-22 | 一种宠物食欲评价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011530763.9A CN112598116B (zh) | 2020-12-22 | 一种宠物食欲评价方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598116A true CN112598116A (zh) | 2021-04-02 |
| CN112598116B CN112598116B (zh) | 2024-10-25 |
Family
ID=
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106472332A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于动态智能算法的宠物喂养方法及系统 |
| CN108450382A (zh) * | 2018-02-05 | 2018-08-28 | 浙江大学 | 一种基于深度学习的智能投饲系统 |
| WO2018169639A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc | Recognition in unlabeled videos with domain adversarial learning and knowledge distillation |
| WO2018216353A1 (ja) * | 2017-05-24 | 2018-11-29 | 株式会社日本ナチュラルエイジングケア研究所 | アレルギーの処方探索システム及び方法、アレルギーの処方探索プログラム |
| WO2019015544A1 (zh) * | 2017-07-20 | 2019-01-24 | 杭州海康威视数字技术股份有限公司 | 一种机器学习、寻物方法及装置 |
| CN109729990A (zh) * | 2018-12-13 | 2019-05-10 | 平安科技（深圳）有限公司 | 宠物自动喂食方法及装置、计算机存储介质和电子设备 |
| CN109932715A (zh) * | 2019-02-18 | 2019-06-25 | 珠海格力电器股份有限公司 | 储粮桶、粮食检测方法、装置和存储介质 |
| CN110458361A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于bp神经网络的粮食品质指标预测方法 |
| US20200074879A1 (en) * | 2018-08-31 | 2020-03-05 | Nutristyle Inc. | System and method for modifying dietary related behavior |
| CN110896871A (zh) * | 2019-09-30 | 2020-03-24 | 珠海格力电器股份有限公司 | 一种投放食物的方法、装置和智能投食机 |
| CN111027908A (zh) * | 2019-12-10 | 2020-04-17 | 福建瑞达精工股份有限公司 | 一种基于机器学习的智能粮仓管控方法及终端 |
| US20200170227A1 (en) * | 2017-06-28 | 2020-06-04 | Observe Technologies Limited | Decision making system and method of feeding aquatic animals |
| CN111489046A (zh) * | 2019-01-29 | 2020-08-04 | 广东省公共卫生研究院 | 一种基于供应链和bp神经网络的区域性食品安全评价模型 |
| CN111758113A (zh) * | 2018-01-16 | 2020-10-09 | 哈比有限公司 | 用于宠物健康平台的方法和系统 |
| CN111784159A (zh) * | 2020-07-01 | 2020-10-16 | 深圳市检验检疫科学研究院 | 一种食品风险追溯信息分级方法和装置 |
| CN111950721A (zh) * | 2020-10-09 | 2020-11-17 | 东北电力大学 | 一种基于嗅-味联觉感知模型的风味识别方法 |
| US20200365053A1 (en) * | 2019-05-17 | 2020-11-19 | NotCo Delaware, LLC | Systems and methods to mimic target food items using artificial intelligence |
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106472332A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于动态智能算法的宠物喂养方法及系统 |
| WO2018169639A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc | Recognition in unlabeled videos with domain adversarial learning and knowledge distillation |
| WO2018216353A1 (ja) * | 2017-05-24 | 2018-11-29 | 株式会社日本ナチュラルエイジングケア研究所 | アレルギーの処方探索システム及び方法、アレルギーの処方探索プログラム |
| US20200170227A1 (en) * | 2017-06-28 | 2020-06-04 | Observe Technologies Limited | Decision making system and method of feeding aquatic animals |
| WO2019015544A1 (zh) * | 2017-07-20 | 2019-01-24 | 杭州海康威视数字技术股份有限公司 | 一种机器学习、寻物方法及装置 |
| CN111758113A (zh) * | 2018-01-16 | 2020-10-09 | 哈比有限公司 | 用于宠物健康平台的方法和系统 |
| CN108450382A (zh) * | 2018-02-05 | 2018-08-28 | 浙江大学 | 一种基于深度学习的智能投饲系统 |
| US20200074879A1 (en) * | 2018-08-31 | 2020-03-05 | Nutristyle Inc. | System and method for modifying dietary related behavior |
| CN109729990A (zh) * | 2018-12-13 | 2019-05-10 | 平安科技（深圳）有限公司 | 宠物自动喂食方法及装置、计算机存储介质和电子设备 |
| CN111489046A (zh) * | 2019-01-29 | 2020-08-04 | 广东省公共卫生研究院 | 一种基于供应链和bp神经网络的区域性食品安全评价模型 |
| CN109932715A (zh) * | 2019-02-18 | 2019-06-25 | 珠海格力电器股份有限公司 | 储粮桶、粮食检测方法、装置和存储介质 |
| US20200365053A1 (en) * | 2019-05-17 | 2020-11-19 | NotCo Delaware, LLC | Systems and methods to mimic target food items using artificial intelligence |
| CN110458361A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于bp神经网络的粮食品质指标预测方法 |
| CN110896871A (zh) * | 2019-09-30 | 2020-03-24 | 珠海格力电器股份有限公司 | 一种投放食物的方法、装置和智能投食机 |
| CN111027908A (zh) * | 2019-12-10 | 2020-04-17 | 福建瑞达精工股份有限公司 | 一种基于机器学习的智能粮仓管控方法及终端 |
| CN111784159A (zh) * | 2020-07-01 | 2020-10-16 | 深圳市检验检疫科学研究院 | 一种食品风险追溯信息分级方法和装置 |
| CN111950721A (zh) * | 2020-10-09 | 2020-11-17 | 东北电力大学 | 一种基于嗅-味联觉感知模型的风味识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 郭春丽;: "瘦素与其他摄食信号在肥胖调节中的相互作用", 安徽医药, no. 09, 20 September 2010 (2010-09-20) * |
| 陈强;吴平;郑丽敏;: "基于BP神经网络的水牛疾病诊断系统", 计算机工程与设计, no. 06, pages 42 - 43 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sznajder et al. | How adaptive learning affects evolution: reviewing theory on the Baldwin effect | |
| Walters et al. | Linking recruitment to trophic factors: revisiting the Beverton--Holt recruitment model from a life history and multispecies perspective | |
| Lika et al. | The bijection from data to parameter space with the standard DEB model quantifies the supply–demand spectrum | |
| KR102188099B1 (ko) | 반려동물의 성장 관리 시스템 | |
| Mangel et al. | Definition and evaluation of the fitness of behavioral and developmental programs | |
| Mitchell et al. | Early life events carry over to influence pre-migratory condition in a free-living songbird | |
| Sae-Lim et al. | Genetic (co) variance of rainbow trout (Oncorhynchus mykiss) body weight and its uniformity across production environments | |
| Sae-Lim et al. | Estimation of breeding values for uniformity of growth in Atlantic salmon (Salmo salar) using pedigree relationships or single-step genomic evaluation | |
| KR20080065583A (ko) | 유전자형 정보를 이용한 동물 생산을 최적화시키기 위한시스템 및 방법 | |
| Kao et al. | Potential effects of climate change on the growth of fishes from different thermal guilds in Lakes Michigan and Huron | |
| Dong et al. | Consequences of cannibalism and competition for food in a smallmouth bass population: an individual-based modeling study | |
| Brito Lopes et al. | Improving genomic prediction accuracy for meat tenderness in Nellore cattle using artificial neural networks | |
| Ouweltjes et al. | A data-driven prediction of lifetime resilience of dairy cows using commercial sensor data collected during first lactation | |
| Salvioli et al. | Fisheries management as a Stackelberg Evolutionary Game: Finding an evolutionarily enlightened strategy | |
| Benard et al. | Consequences of intraspecific niche variation: phenotypic similarity increases competition among recently metamorphosed frogs | |
| Sperfeld et al. | Woodstoich III: Integrating tools of nutritional geometry and ecological stoichiometry to advance nutrient budgeting and the prediction of consumer‐driven nutrient recycling | |
| Rego Neto et al. | Population genetic structure of Santa Inês sheep in Brazil | |
| Aljehani et al. | Feeding control and water quality monitoring in aquaculture systems: Opportunities and challenges | |
| CN112598116A (zh) | 一种宠物食欲评价方法、装置、设备及存储介质 | |
| Albers et al. | Personality affects individual variation in olfactory learning and reversal learning in the house cricket, Acheta domesticus | |
| CN112598116B (zh) | 一种宠物食欲评价方法、装置、设备及存储介质 | |
| KR102505886B1 (ko) | 인공지능 기반 맞춤형 반려동물 식이 정보 큐레이션 방법, 장치 및 시스템 | |
| Castellano et al. | Environmental effects on the ontogenesis of tadpole personality | |
| Das et al. | Prospects of Smart Aquaculture in Indian Scenario: A New Horizon in the Management of Aquaculture Production Potential | |
| Brunner et al. | Bertalanffy-Pütter models for avian growth |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240914 Address after: Buildings 1-18, Group 1, Shengli Village, Jingshan Economic Development Zone, Jingmen City, Hubei Province 431800 Applicant after: Jingshan Sanha Technology Industrial Co.,Ltd. Country or region after: China Address before: No.23-2, group 1, ciyinsi community, ciyinsi office, Chuanshan District, Suining City, Sichuan Province, 629000 Applicant before: Wang Huailin Country or region before: China |
|
| GR01 | Patent grant |