CN113349105B - 智能喂鸟方法、电子设备、喂鸟器和存储介质 - Google Patents
智能喂鸟方法、电子设备、喂鸟器和存储介质 Download PDFInfo
- Publication number
- CN113349105B CN113349105B CN202110607292.5A CN202110607292A CN113349105B CN 113349105 B CN113349105 B CN 113349105B CN 202110607292 A CN202110607292 A CN 202110607292A CN 113349105 B CN113349105 B CN 113349105B
- Authority
- CN
- China
- Prior art keywords
- bird
- recognition model
- state
- training
- category
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 235000013305 food Nutrition 0.000 claims abstract description 73
- 235000015219 food category Nutrition 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 78
- 238000012360 testing method Methods 0.000 claims description 66
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000009187 flying Effects 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 5
- 241000271566 Aves Species 0.000 description 75
- 238000004891 communication Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000271559 Dromaiidae Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000555745 Sciuridae Species 0.000 description 1
- 241000271567 Struthioniformes Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003323 beak Anatomy 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K39/00—Feeding or drinking appliances for poultry or other birds
- A01K39/01—Feeding devices, e.g. chainfeeders
- A01K39/012—Feeding devices, e.g. chainfeeders filling automatically, e.g. by gravity from a reserve
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Animal Husbandry (AREA)
- Birds (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种智能喂鸟方法、电子设备、喂鸟器和存储介质,通过喂鸟器上的摄像组件拍摄预设区域内鸟的视频信息;并对所述视频信息进行分析,确定所述鸟的类别和所述鸟的状态;进而根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;并在若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。实现了无需人工辅助的自动化喂鸟,实现智能化喂鸟。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种智能喂鸟方法、电子设备、喂鸟器和存储介质。
背景技术
随着人们生活节奏的加快以及智能化技术对人们生活带来的便利,智能养鸟技术已成为目前宠物爱好者研究的一大兴趣。现有的智能喂鸟器通常仅是在普通的喂鸟器上投喂某项自动的功能,例如,自动开关门的功能、自动添水添食、或者定时提醒的功能等,整个喂鸟的过程还是需要人工的辅助,不具有独立完成喂鸟的功能。
发明内容
本申请提供了一种智能喂鸟方法、电子设备、喂鸟器和存储介质,旨在通过识别鸟的类别和状态,进而根据鸟的类别和状态确定是否需要投喂鸟食以及需要投喂鸟食类别的智能喂鸟方法,使得整个喂鸟过程无需人工辅助。
第一方面,本申请实施例提供了一种智能喂鸟方法,应用于喂鸟器,所述喂鸟器包括摄像组件;所述方法包括:
通过所述摄像组件拍摄预设区域内鸟的视频信息;
对所述视频信息进行分析,确定所述鸟的类别和所述鸟的状态;
根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;
若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。
第二方面,本申请实施例提供了一种电子设备,其特征在于,所述电子设备与喂鸟器通讯连接,所述电子设备用于基于喂鸟器拍摄的视频信息,确定鸟的类别和鸟的状态,并将所述鸟的类别和鸟的状态返回至喂鸟器,以指示所述喂鸟器根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别,并在若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。
第三方面,本申请实施例提供了一种喂鸟器,其特征在于,包括摄像组件、存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如上第一方面所述的智能喂鸟方法的步骤。
第四方面,本申请实施例还提供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,所述计算机程序被处理器执行时使所述处理器实现如上第一方面所述的智能喂鸟方法的步骤。
本申请实施例提供了一种智能喂鸟方法、喂鸟器和存储介质,通过喂鸟器上的摄像组件拍摄预设区域内鸟的视频信息;将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息,确定所述鸟的类别和所述鸟的状态;进而根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;并在若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。实现了无需人工辅助的自动化喂鸟,实现智能化喂鸟。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请实施例的公开内容。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,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是本申请实施例提供的喂鸟器的结构示意图;
图2是本申请一实施例提供的智能喂鸟方法的实现流程示意图;
图3是本申请另一实施例提供的智能喂鸟方法的实现流程示意图;
图4是本申请实施例提供的喂鸟器的结构示意图;
图5是本申请实施例提供的喂鸟器的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
请参阅图1所示,图1是本申请实施例提供的喂鸟器的结构示意图。由图1可知,在本实施例中,喂鸟器100包括本体101、设置于本体101上的摄像组件102、鸟食仓103和喂食区104。其中,摄像组件102用于拍摄预设区域内鸟的视频。其中,预设区域为预先确定的用于养鸟的空间区域,例如可以是鸟笼内,也可以是动物园里鸟类活动的区域,或者其它任何用于养鸟的区域。
鸟食仓103用于存放待喂养的鸟类食物。具体地,鸟食仓103可以包括有多个分区,每个分区内用于存放不同类别鸟类的食物(图1中仅示例性地示出了具有一个分区的鸟食仓)。
喂食区104用于放置投喂的食物;具体地,在喂食区104和鸟食仓103之间还设置有可控制开启或闭合的门,当该门开启时,可以进行投食;当该门关闭时,停止投食。
可以理解地,图1仅示例性地示出了喂鸟器100的结构,并不构成对喂鸟器100结构的限定。例如,在其它一些实施例中,喂鸟器100还可以包括储水区域、防盗模块、供电模块、充电模块、安全警示模块以及通讯模块等。其中,储水区域用于储存喂鸟的水;防盗模块用于检测非正常操作行为,并在检测到非正常操作行为之后,发出预警信息;供电模块和充电模块共同保证喂鸟器100具有足够的电量进行正常运行;安全警示模块用于检测喂鸟器100的工作状态,并在确定喂鸟器100处于危险使用状态例如,电池电量不足、温度过高或者遭到破坏(如松鼠等动物的破坏)时,发出安全警示信息。
通讯模块用于与其它设备通讯连接,示例性地,通讯模块可以与用户的终端设备通讯连接,用于在终端设备中绑定喂鸟器100。用户可以通过终端设备监控已绑定的喂鸟器100的数据信息,并可以将绑定的喂鸟器100的信息共享给其它用户,例如,家人或者朋友等。可选地,当在终端设备中绑定喂鸟器100之后,喂鸟器100可以将使用状态数据发送至终端设备,以供终端设备根据喂鸟器100的使用状态数据分析喂鸟器100是否存在使用问题,例如充电是否安全,是否存在漏食或者自动喂食不灵敏等问题。
具体地,在本实施例中,摄像组件102可以包括但不限于枪机、半球形摄像机、一体化摄像机、红外日夜两用摄像机、高速球摄像机或者网络摄像机等。
鸟食仓103可以是悬挂于本体101上,也可以作为本体101的部分嵌入本体101内部;具体地,鸟食仓103的形状可以为任意几何形状类型,在此不做具体限定。
此外,本申请实施例提供的喂鸟器100可以用于为具有多种类别的鸟的场所进行自动投喂,例如宠物店、动物园等。具体地,摄像组件102拍摄到预设区域内鸟的视频后,喂鸟器100通过通讯模块将视频信息发送至电子设备,指示电子设备对鸟的视频信息进行分析,得到预设区域内鸟的状态和鸟的类别,进而喂鸟器100根据电子设备返回的鸟的状态和鸟的类别,确定是否需要投喂鸟食以及需要投喂的鸟食类别,并在确定需要投喂鸟食时,根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。在无需人工辅助的情况下,可以自动化完成喂鸟。
请参阅图2所示,图2是本申请一实施例提供的智能喂鸟方法的实现流程示意图。本实施例提供的智能喂鸟方法可以由图1所示的喂鸟器执行。详述如下:
S201,通过所述摄像组件拍摄预设区域内鸟的视频信息。
其中,喂鸟器可以悬挂在预设养鸟区域(用于散养鸟类的区域)的喂养位置,或者设置在养鸟笼(笼养)上;该喂鸟器可以控制设置在该喂鸟器上的摄像组件自由地转动,以实现通过摄像组件拍摄到整个预设区域内鸟的视频信息。可以理解地,拍摄的鸟的视频信息包括鸟的形状、鸟的动作(例如飞行、觅食、或者休息等)。此外,当鸟在飞行或者觅食的过程中,通常会发出叫声;因此,拍摄的鸟的视频信息还包括鸟的声音信息。由于不同类别的鸟具有不同的形状并具有不同的动作,且不同类别的鸟能够发出不同的声音信息,因此,当在具有多类别鸟的区域内使用本申请提供的养鸟器时,可以通过拍摄的鸟的视频信息包括的鸟的形状、鸟的动作和鸟的声音信息,可以有效地识别出待投喂的鸟的类别和鸟的状态。
S202,将所述视频信息发送至电子设备,以指示所述电子设备基于所述射频信息确定所述鸟的类别和所述鸟的状态。
在一实施例中,所述电子设备基于所述视频信息,确定所述鸟的类别和所述鸟的状态,可以包括:所述电子设备调用预先训练完成的多任务识别模型对所述视频信息进行分析,识别出所述视频信息中鸟的类别以及对应各类别鸟的状态。
其中,所述预先训练完成的多任务识别模型可以由具有计算功能的电子设备预先训练完成。在本申请的实施例中,所述喂鸟器通过通讯模块与电子设备进行通讯连接。在一实施例中,所述通讯模块可以是无线通讯模块,例如蓝牙、Wi-Fi、ZigBee、数传电台等;此外,所述通讯模块还可以是有线通讯模块,例如利用金属导线、光纤等有形媒质进行通讯。
可选地,所述电子设备可以是单个服务器或者服务器集群、云计算机等。
其中,所述预设的多任务识别模型包括模型的训练过程和模型的测试过程;示例性地,所述模型的训练过程包括基于同时标注了鸟的类别和鸟的状态的样本对预设的多任务模型进行训练,得到训练之后的所述多任务识别模型;所述模型的测试过程包括:将包含有鸟的样本图像输入训练之后的所述多任务识别模型进行鸟的类别和鸟的状态识别,基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性。
其中,对鸟的类别的识别过程可以基于鸟的外在形状,和/或鸟的声音。对鸟的状态识别可以基于鸟的动作。具体地,在对包含有鸟的样本(图像或者视频)进行标注时,标注了鸟的外在形状和鸟的动作,并建立鸟的外在形状与鸟的类别标签之间的映射关系,以及鸟的动作与动作标签之间的映射关系。
在一实施例中,所述基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性,可以包括:若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出的各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率大于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试通过;若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率小于或等于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试不通过,增加训练样本的数量,重复对所述多任务识别模型的训练过程,直至对训练之后的所述多任务识别模型的识别准确性测试通过。
此外,所述多任务识别模型包括第一输出分支和第二输出分支,所述第一输出分支用于输出鸟的类别,所述第二输出分支用于输出鸟的状态。
S203,根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别。
在一实施例中,喂鸟器中预先存储有鸟的状态与投喂鸟食剂量之间的第一映射关系,以及鸟的类别与鸟食类别之间的第二映射关系。其中,鸟的状态包括运动(例如飞行、走动或觅食)、休息等;鸟的类别例如包括但不限于鸵鸟、鸸鹋、鹤鸵、无翼鸟等。其中,鸟食类别包括但不限于谷类、虫类、杂食类或肉类;示例性地,根据鸟的类别可以确定鸟为食谷鸟类、食虫鸟类、杂食鸟类或食肉鸟类,进而建立鸟的类别与鸟食类别之间的第二映射关系。
其中,所述根据鸟的类别和鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别,包括:根据预先存储的鸟的状态与投喂鸟食剂量之间的第一映射关系,确定是否需要投喂鸟食;根据预先存储的鸟的类别与鸟食类别之间的第二映射关系,确定投喂的鸟食类别。
S204,若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。
在一实施例中,当鸟的状态处于觅食时(例如,寻捕昆虫或者嘴啄植物等),则确定需要投喂食物。对应地,根据需要确定的鸟食类别,选取对应类别的鸟食进行投喂。具体地,预先设置有鸟食类别与各个鸟食类别的存食仓的标识信息之间的第三映射关系,根据该鸟食类别与各个鸟食类别的存食仓的标识信息之间的第三映射关系,可以确定对应待投喂的鸟食类别存储的鸟食仓,选择该待投喂的鸟食类别存储的鸟食仓内的鸟食进行投喂。
可选地,本申请实施例提供的喂鸟器还可以具有检测喂食区剩余鸟食量的功能;在根据所述鸟的类别和所述鸟的状态,确定需要投喂鸟食之后,还可以进一步进行检测喂食区在当前时刻的剩余鸟食量。具体地,检测喂食区剩余鸟食量,在检测到鸟食量大于预设鸟食量时,则不需要投喂对应类别的鸟食;在检测到鸟食量小于或等于所述预设鸟食量时,则投喂对应类别的鸟食。
此外,本申请实施例提供的喂鸟器具有引诱鸟类进食的功能。例如,喂鸟器根据待投喂鸟的类别,选择性地发出待投喂的类别鸟发出的叫声,以引诱待投喂类别的鸟靠近该喂鸟器,选择进食。可选地,可以将不同类别鸟的叫声预先存储在喂鸟器中,当需要对特定类别鸟进行投喂时,选择性地发出该特定类别鸟的叫声。
通过上述实施例可知,本申请实施例提供的智能喂鸟方法,通过喂鸟器上的摄像组件拍摄预设区域内鸟的视频信息;并将所述视频信息发送至电子设备,以指示所述电子设备对所述视频信息进行分析,确定所述鸟的类别和所述鸟的状态;进而实现喂鸟器根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;并在若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。实现了无需人工辅助的自动化喂鸟,实现智能化喂鸟。
请参阅图3所示,图3是本申请另一实施例提供的智能喂鸟方法的实现流程示意图。该实施例与图2所示实施例相比,S301与S201以及S304至S306与S202至S204的具体实现过程相同,不同之处在于,在S304之前还包括S303。详述如下:
S301,通过所述摄像组件拍摄预设区域内鸟的视频信息。
S302,向预先存储有所述多任务识别模型的电子设备发送所述视频信息,以指示所述电子设备对所述视频信息进行分析,确定鸟的类别和鸟的状态。
S303,接收所述电子设备返回的所述鸟的类别和鸟的状态。
其中,所述电子设备可以是单个服务器或者服务器集群;所述多任务识别模型为由电子设备预先训练完成的模型。具体可以参见上述实施例关于多任务识别模型的描述,在此不再赘述。
S304,对所述视频信息进行分析,确定所述鸟的类别和所述鸟的状态。
S305,根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别。
S306,若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。
通过上述分析可知,本申请实施例提供的智能喂鸟方法,通过喂鸟器上的摄像组件拍摄预设区域内鸟的视频信息;并通过与所述喂鸟器通讯连接的电子设备对所述视频信息进行分析,确定所述鸟的类别和所述鸟的状态;进而实现所述喂鸟器根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;并在若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。实现了无需人工辅助的自动化喂鸟,实现智能化喂鸟。
请参阅图4所示,图4是本申请实施例提供的喂鸟器的结构示意图。在本实施例中,喂鸟器100包括摄像组件102、控制模块401、第一确定模块402、第二确定模块403以及投食模块404;其中,
控制模块401,用于控制摄像组件拍摄预设区域内鸟的视频信息;
发送模块402,用于将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息确定所述鸟的类别和所述鸟的状态;
确定模块403,用于根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;
投食模块404,用于若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。
在一实施例中,所述发送模块402,具体用于:
将所述视频信息发送至电子设备,以指示所述电子设备通过预先训练完成的多任务识别模型对所述视频信息进行分析,得到所述鸟的类别和所述鸟的状态。
在一实施例中,所述喂鸟器还包括接收模块,所述接收模块,用于:
接收所述电子设备返回的所述鸟的类别和所述鸟的状态。
在一实施例中,所述预设的多任务识别模型包括模型的训练过程和模型的测试过程;
所述模型的训练过程包括基于同时标注了鸟的类别和鸟的状态的样本对预设的多任务模型进行训练,得到训练之后的所述多任务识别模型;
所述模型的测试过程包括:将包含有鸟的样本图像输入训练之后的所述多任务识别模型进行鸟的类别和鸟的状态识别,基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性。
在一实施例中,所述基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性,包括:
若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出的各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率大于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试通过;
若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率小于或等于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试不通过,增加训练样本的数量,重复对所述多任务识别模型的训练过程,直至对训练之后的所述多任务识别模型的识别准确性测试通过。
在一实施例中,所述多任务识别模型包括第一输出分支和第二输出分支,所述第一输出分支用于输出鸟的类别,所述第二输出分支用于输出鸟的状态。
在一实施例中,所述第二确定模块403,具体用于:
根据预先存储的鸟的状态与投喂鸟食剂量之间的第一映射关系,确定是否需要投喂鸟食;
根据预先存储的鸟的类别与鸟食类别之间的第二映射关系,确定投喂的鸟食类别。
在一实施例中,所述通讯模块包括无线通讯模块、和/或有线通讯模块。
请结合上述实施例参阅图5,图5是本申请实施例提供的喂鸟器的示意性框图。
示例性的,喂鸟器100除包括图1所示的各模块之外(图5中未示出图1中的各模块),还可以包括处理器501和存储器502。
示例性的,处理器501和存储器502通过总线503连接,所述总线503比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器501可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(Central Processing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器502可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中,所述处理器501用于运行存储在存储器502中的计算机程序,并在执行所述计算机程序时实现上述智能喂鸟方法的步骤。
示例性的,所述处理器501用于运行存储在存储器502中的计算机程序,并在执行所述计算机程序时实现如下步骤:
通过所述摄像组件拍摄预设区域内鸟的视频信息;
将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息确定所述鸟的类别和所述鸟的状态;
根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;
若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。
在一实施例中,所述将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息确定所述鸟的类别和所述鸟的状态,包括:
将所述视频信息发送至电子设备,以指示所述电子设备通过预先训练完成的多任务识别模型对所述视频信息进行分析,得到所述鸟的类别和所述鸟的状态。
在一实施例中,在所述将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息确定所述鸟的类别和所述鸟的状态之后,还包括:
接收所述电子设备返回的所述鸟的类别和所述鸟的状态。
在一实施例中,所述预设的多任务识别模型包括模型的训练过程和模型的测试过程;
所述模型的训练过程包括基于同时标注了鸟的类别和鸟的状态的样本对预设的多任务模型进行训练,得到训练之后的所述多任务识别模型;
所述模型的测试过程包括:将包含有鸟的样本图像输入训练之后的所述多任务识别模型进行鸟的类别和鸟的状态识别,基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性。
在一实施例中,所述基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性,包括:
若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出的各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率大于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试通过;
若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率小于或等于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试不通过,增加训练样本的数量,重复对所述多任务识别模型的训练过程,直至对训练之后的所述多任务识别模型的识别准确性测试通过。
在一实施例中,所述多任务识别模型包括第一输出分支和第二输出分支,所述第一输出分支用于输出鸟的类别,所述第二输出分支用于输出鸟的状态。
在一实施例中,所述根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别,包括:
根据预先存储的鸟的状态与投喂鸟食剂量之间的第一映射关系,确定是否需要投喂鸟食;
根据预先存储的鸟的类别与鸟食类别之间的第二映射关系,确定投喂的鸟食类别。
在一实施例中,所述通讯模块包括无线通讯模块、和/或有线通讯模块。
本申请实施例提供的终端的具体原理和实现方式均与前述实施例中智能喂鸟方法实现类似,此处不再赘述。
本申请实施例还提供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,所述计算机程序被处理器执行时使所述处理器实现如下步骤:
通过所述摄像组件拍摄预设区域内鸟的视频信息;
将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息确定所述鸟的类别和所述鸟的状态;
根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别;
若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂。
在一实施例中,所述将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息确定所述鸟的类别和所述鸟的状态,包括:
将所述视频信息发送至电子设备,以指示所述电子设备通过预先训练完成的多任务识别模型对所述视频信息进行分析,得到所述鸟的类别和所述鸟的状态。
在一实施例中,在所述将所述视频信息发送至电子设备,以指示所述电子设备基于所述视频信息确定所述鸟的类别和所述鸟的状态之后,还包括:
接收所述电子设备返回的所述鸟的类别和所述鸟的状态。
在一实施例中,所述预设的多任务识别模型包括模型的训练过程和模型的测试过程;
所述模型的训练过程包括基于同时标注了鸟的类别和鸟的状态的样本对预设的多任务模型进行训练,得到训练之后的所述多任务识别模型;
所述模型的测试过程包括:将包含有鸟的样本图像输入训练之后的所述多任务识别模型进行鸟的类别和鸟的状态识别,基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性。
在一实施例中,所述基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性,包括:
若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出的各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率大于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试通过;
若训练之后的所述多任务识别模型对各个所述测试样本进行分析,输出各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括鸟的第二类别和第二状态均相同的概率小于或等于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试不通过,增加训练样本的数量,重复对所述多任务识别模型的训练过程,直至对训练之后的所述多任务识别模型的识别准确性测试通过。
在一实施例中,所述多任务识别模型包括第一输出分支和第二输出分支,所述第一输出分支用于输出鸟的类别,所述第二输出分支用于输出鸟的状态。
在一实施例中,所述根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别,包括:
根据预先存储的鸟的状态与投喂鸟食剂量之间的第一映射关系,确定是否需要投喂鸟食;
根据预先存储的鸟的类别与鸟食类别之间的第二映射关系,确定投喂的鸟食类别。
在一实施例中,所述通讯模块包括无线通讯模块、和/或有线通讯模块。
其中,所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如所述终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端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。
应当理解,在此本申请中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。
还应当理解,在本申请和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,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申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种智能喂鸟方法,其特征在于,应用于喂鸟器,所述喂鸟器包括摄像组件;所述方法包括:
通过所述摄像组件拍摄预设区域内包含鸟的形状、鸟的动作和鸟的声音信息的视频信息;
将包含所述鸟的形状、鸟的动作和鸟的声音信息的所述视频信息发送至电子设备,以指示所述电子设备基于预先训练完成的多任务识别模型对所述鸟的形状、和/或鸟的声音信息进行分析,得到所述鸟的类别,基于预先训练完成的多任务识别模型对所述鸟的动作进行分析,得到所述鸟的状态;其中,所述鸟的状态包括飞行、走动或觅食;
根据所述鸟的状态,确定是否需要投喂鸟食以及根据所述鸟的类别,确定需要投喂的鸟食类别;
若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂;
所述多任务识别模型包括模型的训练过程和模型的测试过程;
所述模型的训练过程包括基于同时标注了鸟的类别和鸟的状态的样本对多任务识别模型进行训练,得到训练之后的所述多任务识别模型;
所述模型的测试过程包括:将包含有鸟的样本图像输入训练之后的所述多任务识别模型进行鸟的类别和鸟的状态识别,基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性;
所述基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性,包括:
若训练之后的所述多任务识别模型对各个测试样本进行分析,输出的各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括的鸟的第二类别和第二状态均相同的概率大于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试通过;
若训练之后的所述多任务识别模型对各个测试样本进行分析,输出各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括的鸟的第二类别和第二状态均相同的概率小于或等于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试不通过,增加训练样本的数量,重复对所述多任务识别模型的训练过程,直至对训练之后的所述多任务识别模型的识别准确性测试通过。
2.根据权利要求1所述的智能喂鸟方法,其特征在于,得到所述鸟的类别和所述状态之后,还包括:接收所述电子设备返回的所述鸟的类别和所述鸟的状态。
3.根据权利要求1所述的智能喂鸟方法,其特征在于,所述多任务识别模型包括第一输出分支和第二输出分支,所述第一输出分支用于输出鸟的类别,所述第二输出分支用于输出鸟的状态。
4.根据权利要求1或3所述的智能喂鸟方法,其特征在于,根据所述鸟的状态确定是否需要投喂鸟食以及根据所述鸟的类别确定需要投喂的鸟食类别包括:
根据预先存储的鸟的状态与投喂鸟食剂量之间的第一映射关系,确定是否需要投喂鸟食;
根据预先存储的鸟的类别与鸟食类别之间的第二映射关系,确定投喂的鸟食类别。
5.一种电子设备,其特征在于,所述电子设备与喂鸟器通讯连接,所述电子设备用于接收喂鸟器拍摄的包含鸟的形状、鸟的动作和/或鸟的声音信息的视频信息,基于预先训练完成的多任务识别模型对所述鸟的形状、和/或鸟的声音信息进行分析,得到所述鸟的类别,基于预先训练完成的多任务识别模型对所述鸟的动作进行分析,得到所述鸟的状态,并将所述鸟的类别和鸟的状态返回至喂鸟器,以指示所述喂鸟器根据所述鸟的类别和所述鸟的状态,确定是否需要投喂鸟食以及需要投喂的鸟食类别,并在若确定需要投喂鸟食,则根据需要投喂的鸟食类别,选取对应类别的鸟食进行投喂,其中,所述鸟的状态包括飞行、走动或觅食;
所述多任务识别模型包括模型的训练过程和模型的测试过程;
所述模型的训练过程包括基于同时标注了鸟的类别和鸟的状态的样本对多任务识别模型进行训练,得到训练之后的所述多任务识别模型;
所述模型的测试过程包括:将包含有鸟的样本图像输入训练之后的所述多任务识别模型进行鸟的类别和鸟的状态识别,基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性;
所述基于训练之后的所述多任务识别模型输出的鸟的类别和鸟的状态,确定训练之后的所述多任务识别模型的识别准确性,包括:
若训练之后的所述多任务识别模型对各个测试样本进行分析,输出的各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括的鸟的第二类别和第二状态均相同的概率大于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试通过;
若训练之后的所述多任务识别模型对各个测试样本进行分析,输出各个测试样本包括的鸟的第一类别和第一状态与预设的各个测试样本包括的鸟的第二类别和第二状态均相同的概率小于或等于预设的概率阈值,则确定对训练之后的所述多任务识别模型的识别准确性测试不通过,增加训练样本的数量,重复对所述多任务识别模型的训练过程,直至对训练之后的所述多任务识别模型的识别准确性测试通过。
6.一种喂鸟器,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如权利要求1至4任一项所述的智能喂鸟方法的步骤。
7.一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存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至4任一项所述的智能喂鸟方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607292.5A CN113349105B (zh) | 2021-06-01 | 2021-06-01 | 智能喂鸟方法、电子设备、喂鸟器和存储介质 |
US17/877,079 US20230027590A1 (en) | 2021-06-01 | 2022-07-29 | Intelligent bird feeding method, electronic device and bird feeder |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607292.5A CN113349105B (zh) | 2021-06-01 | 2021-06-01 | 智能喂鸟方法、电子设备、喂鸟器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113349105A CN113349105A (zh) | 2021-09-07 |
CN113349105B true CN113349105B (zh) | 2022-06-21 |
Family
ID=77530960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607292.5A Active CN113349105B (zh) | 2021-06-01 | 2021-06-01 | 智能喂鸟方法、电子设备、喂鸟器和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230027590A1 (zh) |
CN (1) | CN113349105B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240215544A1 (en) * | 2022-12-29 | 2024-07-04 | Gardenature Limited | Bird box |
USD999460S1 (en) * | 2023-05-26 | 2023-09-19 | Shenzhen Pumao Culture and Art Co., Ltd. | Bird feeder |
US11985957B1 (en) | 2023-06-30 | 2024-05-21 | Zheng Li | Bird feeding monitoring house |
USD1019008S1 (en) * | 2023-07-21 | 2024-03-19 | ShenZhen Shouli Intelligent Technology Co. LTD | Feeder |
USD1032959S1 (en) * | 2023-07-24 | 2024-06-25 | Tuopu Weishi Shenzhen Technology Co., Ltd. | Bird feeder |
USD1013972S1 (en) * | 2023-07-28 | 2024-02-06 | Quanzhou Wentelai Import And Export Trade Co., Ltd | Combined bird feeder with camera |
CN220756145U (zh) * | 2023-09-08 | 2024-04-12 | 泉州温特莱进出口贸易有限公司 | 智能喂鸟观测装置 |
USD1029408S1 (en) * | 2024-01-16 | 2024-05-28 | WiseForge Innovative Technologies Limited | Bird feeder |
USD1029411S1 (en) * | 2024-03-07 | 2024-05-28 | Shenzhen sinocam Technology Co., LTD | Bird feeder |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503012A (zh) * | 2019-08-07 | 2019-11-26 | 深圳大学 | 鸟类喂食的方法、装置及系统 |
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 |
CN111027378A (zh) * | 2019-11-01 | 2020-04-17 | 深圳大学 | 行人重识别的方法、装置、终端及存储介质 |
CN112559785A (zh) * | 2020-12-01 | 2021-03-26 | 淮阴师范学院 | 一种基于大数据训练的鸟类图像识别系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826358B (zh) * | 2018-08-08 | 2022-12-06 | 杭州海康威视数字技术股份有限公司 | 动物情绪的识别方法、装置及存储介质 |
-
2021
- 2021-06-01 CN CN202110607292.5A patent/CN113349105B/zh active Active
-
2022
- 2022-07-29 US US17/877,079 patent/US20230027590A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503012A (zh) * | 2019-08-07 | 2019-11-26 | 深圳大学 | 鸟类喂食的方法、装置及系统 |
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 |
CN111027378A (zh) * | 2019-11-01 | 2020-04-17 | 深圳大学 | 行人重识别的方法、装置、终端及存储介质 |
CN112559785A (zh) * | 2020-12-01 | 2021-03-26 | 淮阴师范学院 | 一种基于大数据训练的鸟类图像识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230027590A1 (en) | 2023-01-26 |
CN113349105A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113349105B (zh) | 智能喂鸟方法、电子设备、喂鸟器和存储介质 | |
Watanabe et al. | Linking animal-borne video to accelerometers reveals prey capture variability | |
KR20170105406A (ko) | 반려동물 관리 장치 및 방법 | |
Jones et al. | Acoustic identification of bats from directly sampled and time expanded recordings of vocalizations | |
Ladds et al. | Seeing it all: evaluating supervised machine learning methods for the classification of diverse otariid behaviours | |
AU2020102433A4 (en) | Machine learning based fish monitoring machine and method thereof | |
CN109544862A (zh) | 基于智能家居的行为识别方法、装置、存储介质及设备 | |
CN104969875A (zh) | 一种基于图像变化的宠物行为检测系统 | |
CN109614608A (zh) | 电子装置、文本信息检测方法及存储介质 | |
CN210110004U (zh) | 一种基于人工智能的油田行为监控系统 | |
CN108540777A (zh) | 一种智能监控方法、装置、设备和存储介质 | |
CN111539334B (zh) | 一种驱赶方法、装置、设备和介质 | |
JP2020195289A (ja) | 動物用罠システム及び動物の錯誤捕獲を抑止する方法 | |
CN107131607A (zh) | 基于空调的监控方法、装置、系统以及空调 | |
KR102425522B1 (ko) | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 | |
CN117423061A (zh) | 一种基于人工智能的智慧园区智能监控系统 | |
CN113219964A (zh) | 禽舍环境巡检及调控方法、设备以及介质 | |
CN116343018A (zh) | 一种基于图像处理的渔业捕捞智能识别方法、系统及介质 | |
Young et al. | CCTV enables the discovery of new barbastelle (Barbastella barbastellus) vocalisations and activity patterns near a roost | |
CN110321796A (zh) | 一种犬只训导方法、装置、系统及存储介质 | |
KR20230011898A (ko) | 행동별 이상 감지 시스템 | |
Van Deurs et al. | Using accelerometry to quantify prey attack and handling behaviours in piscivorous pike Esox lucius | |
KR102425521B1 (ko) | 영상정보 분석 기반 방역 시스템 및 그 이용 방법 | |
KR102276549B1 (ko) | 인공지능 기반의 선택객체 감지 카메라를 통한 유해조수 식별 및 포획 방법 및 시스템 | |
CN110419460B (zh) | 基于宠物穿戴设备的宠物控制方法以及终端设备 |
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 |