CN115223235A - 单个体多耳标识别方法、装置、存储介质及计算机设备 - Google Patents
单个体多耳标识别方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN115223235A CN115223235A CN202110405007.1A CN202110405007A CN115223235A CN 115223235 A CN115223235 A CN 115223235A CN 202110405007 A CN202110405007 A CN 202110405007A CN 115223235 A CN115223235 A CN 115223235A
- Authority
- CN
- China
- Prior art keywords
- ear
- ear tag
- tags
- pair
- motion data
- 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.)
- Pending
Links
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
- G06N3/08—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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例公开了一种单个体多耳标识别方法、装置、存储介质及计算机设备,其中,本申请实施例的方法,包括:获取多个耳标的第一运动数据序列,将这多个耳标中的每两个耳标组成一个耳标对,根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,当耳标对对应的第一相似度大于预设阈值时,可以判定该耳标对中的两个耳标是佩戴在同一个牲畜个体上的,通过本申请的方案,无需人工核对,可以根据耳标上传的运动数据智能地识别出佩戴在同一牲畜个体上的多个耳标,及时发现骗保行为。
Description
技术领域
本申请涉及电子设备技术领域,具体涉及一种单个体多耳标识别方法、装置、存储介质及计算机设备。
背景技术
牲畜保险是农业保险的一种,一般以牛、羊、猪等牲畜作为保险标的,承担牲畜因疾病或其他意外事故而死亡的损失。
目前的牲畜养殖过程中,通过为牲畜佩戴耳标,将耳标号作为牲畜身份的唯一标识,也就是说,一个牲畜个体只会有一个唯一的耳标。在保险理赔取证时,会通过牲畜佩戴的耳标来确定该牲畜是否为承保标的。但是,在实际养殖中,可能会出现养殖人员为一只牲畜佩戴多个耳标以骗保的现象,为了快速的识别出这种非正常的耳标佩戴情况,亟需一种能够识别单个体多耳标的方案。
发明内容
本申请实施例提供一种单个体多耳标识别方法、装置、存储介质及计算机设备,能够对单个牲畜佩戴多个耳标的情况进行识别。
第一方面,本申请实施例提供一种单个体多耳标识别方法,包括:
获取多个耳标的第一运动数据序列;
将所述多个耳标中的每两个耳标组成一个耳标对;
根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度;
将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
第二方面,本申请实施例还提供一种单个体多耳标识别装置,包括:
数据获取模块,用于获取多个耳标的第一运动数据序列;
耳标配对模块,用于将所述多个耳标中的每两个耳标组成一个耳标对;
相似度计算模块,用于根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度;
耳标识别模块,用于将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
第三方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如本申请任一实施例提供的单个体多耳标识别方法。
第四方面,本申请实施例还提供一种计算机设备,包括处理器和存储器,所述存储器有计算机程序,所述处理器通过调用所述计算机程序,用于执行如本申请任一实施例提供的单个体多耳标识别方法。
本申请实施例提供的技术方案,获取多个耳标的第一运动数据序列,将这多个耳标中的每两个耳标组成一个耳标对,根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,当耳标对对应的第一相似度大于预设阈值时,可以判定该耳标对中的两个耳标是佩戴在同一个牲畜个体上的,通过本申请的方案,无需人工核对,可以根据耳标上传的运动数据智能地识别出佩戴在同一牲畜个体上的多个耳标,及时发现骗保行为。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例提供的单个体多耳标识别方法的第一种流程示意图。
图2为本申请实施例提供的单个体多耳标识别方法中孪生神经网络模型的网络结构示意图。
图3为本发明实施例提供的单个体多耳标识别方法的第二流程示意图。
图4为本申请实施例提供的单个体多耳标识别装置的结构示意图。
图5为本申请实施例提供的计算机设备的结构示意图。
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,所描述的实施例仅仅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,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种单个体多耳标识别方法,该单个体多耳标识别方法的执行主体可以是本申请实施例提供的单个体多耳标识别装置,或者集成了该单个体多耳标识别装置的计算机设备,其中该单个体多耳标识别装置可以采用硬件或者软件的方式实现。其中,计算机设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、台式电脑或者服务器等设备。
请参阅图1,图1为本申请实施例提供的单个体多耳标识别方法的第一种流程示意图。本申请实施例提供的单个体多耳标识别方法的具体流程可以如下:
101、获取多个耳标的第一运动数据序列。
本申请实施例中的耳标为佩戴在养殖场中的牲畜个体上的数据采集设备。例如,耳标中可以设置有运动传感器,诸如加速度传感器、陀螺仪、重力传感器等可以采集运动数据的传感器,还可以设置有温度传感器、定位模块等。
其中,在牲畜入栏时,为牲畜打上耳标,并生成该耳标的唯一编号,在该牲畜的养殖过程中以该唯一的耳标编号作为该牲畜的身份标识信息。其中,耳标中的运动传感器可以周期性的采集牲畜个体的运动数据,并定时、实时或者周期性地上传至服务器,例如,特定范围的围栏内的牲畜的耳标将其采集的数据周期性的上传至该范围内的数据采集基站,再由该数据采集基站将数据上传至服务器。
按照上述方式,在服务器处可以获取到养殖场的每一牲畜佩戴的耳标的运动数据。其中,在连续的时间段内采集的运动数据可以构成一个运动数据序列。例如,获取某一耳标在某天的上午8点至12点采集的运动数据,其中,每1分钟耳标上报一次数据,则在这4个小时内获取到的运动数据可以构成一个运动数据序列,并且该运动数据序列中包含240个运动数据。或者,在其他实施例中,也可以获取一天24个小时内全部运动数据构成运动数据序列。
上述时间段以及运动数据的上报频率等均为举例说明,在具体实施时,均可以根据实际需要设置。比如,为了更加准确的进行单个体多耳标佩戴的识别,根据对牲畜的活动习惯进行收集,确定出牲畜活动比较频繁且运动情况比较符合其生活习性的时间段,采集这个时间段的运动数据,构成本申请实施例中的第一运动数据序列。
其中,在一实施例中,所述获取多个耳标对应的第一运动数据序列之后,所述方法还包括:按照预设历史时间段内的时间节点,对所述多个耳标的第一运动数据序列进行数据对齐处理。
由于每一个耳标中的运动传感器采集数据和上传数据的时间点并不是完全一样的,在获取到全部的耳标的第一运动数据序列之后,为了增加后续相似度计算的准确度,可以对其进行数据对其处理。例如,选择其中的一个耳标的运动数据序列的时间轴作为基准,将其他耳标的运动数据序列向该耳标对齐,其中,对齐处理时可以按照时间最近原则进行对齐。
102、将所述多个耳标中的每两个耳标组成一个耳标对。
在获取到用于评估的全部的耳标的第一运动数据序列之后,对全部的耳标进行两两组对,其中,每两个耳标构成一个耳标对,对应一组第一运动数据序列。
当养殖场中养殖的牲畜数量较大时,并且设置有多个养殖区域,这些养殖区域之间的物理距离较远时,可以针对每一个养殖区域,将一个养殖区域内的耳标作为检测的对象进行识别。例如,某养殖场内有1000个耳标,该养殖场设置有10个养殖区域,每个养殖区域有100个耳标。则分别对每个养殖区域进行识别。比如,对于某个养殖区域的100个耳标进行识别,则可以确定出个耳标对。
其中,为了提高识别速度,减小运算量。可以先通过耳标之间的距离来对耳标对进行筛选。
例如,在一实施例中,将所述多个耳标中的每两个耳标组成一个耳标对之后,还包括:
获取每一耳标对的两个耳标在预设历史时间段内的位置数据序列;
根据所述位置数据序列,计算每一耳标对中的两个耳标之间的相对距离;
将所述相对距离小于预设距离的耳标对,作为待检测耳标对;
基于所述待检测耳标对,执行根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度的步骤。
该实施例中,在获取到每一个耳标的第一运动数据序列之后,还需要获取每一耳标在该第一运动数据序列对应的时间段内的位置数据序列。
可选的,每一耳标的位置数据序列也可以按照上文中的对齐方式进行对齐处理。
接下来,根据位置数据序列,计算每一耳标对中的两个耳标之间的相对距离。可以理解的是这里计算得到的相对距离也是一个数据序列,其中,当该相对距离序列中有不少于预设比例的相对距离值都小于预设距离时,可以将该耳标对作为待检测耳标对。
在确定出待检测耳标对之后,接下来可以只对这些待检测耳标对进行检测。
或者,在其他实施例中,为了更加准确的识别佩戴在同一个牲畜个体上的多个耳标,也可以对全部的耳标对进行识别。
接下来,以对待检测耳标对的识别为例,对识别方法进行说明。
103、根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度。
本申请实施例中,通过预先训练好的孪生神经网络模型来计算两个第一运动数据序列之间的第一相似度。
请参阅图2,图2为本申请实施例提供的单个体多耳标识别方法中孪生神经网络模型的网络结构示意图。
例如,在一实施例中,所述根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,包括:
根据每一待检测耳标对中耳标的第一运动数据序列,生成每一待检测耳标对中耳标的运动数据向量;
根据所述预设的孪生神经网络模型的所述第一神经网络和第二神经网络,分别对每一待检测耳标对中的两个耳标的运动数据向量进行计算,得到对应的第一特征向量和第二特征向量;
根据所述距离计算层,计算每一耳标对中的两个耳标的第一特征向量和所述第二特征向量之间的第一相似度,作为每一耳标对中的两个耳标的第一相似度。
其中,该孪生神经网络模型包括并行的第一神经网络与第二神经网络,以及分别与所述第一神经网络和所述第二神经网络连接的距离计算层。第一神经网络和第二神经网络可以为卷积神经网络、循环神经网络等,这两个网络共享权重。耳标对中的两个第一运动数据序列分别输入到两个神经网络中进行运算,得到各自对应的特征向量,分别记为第一特征向量和第二特征向量。将第一特征向量和第二特征向量输入距离计算层,距离计算层可以采用欧式距离、汉明距离、闵可夫斯基距离或者余弦相似度等任意一种算法来计算两个特征向量的相似度,将计算得到的相似度作为待检测耳标对中的两个耳标的第一相似度。
其中,对每一待检测耳标对中耳标的第一运动数据序列进行数据归一化处理,将运动数据转换为位于[0,1]之间的数据,得到两个运动数据向量,将这两个运动数据向量作为第一神经网络和第二神经网络的输入数据。
接下来,本申请实施例中的孪生网络模型的训练过程进行说明。其训练方法包括:
获取样本耳标对,以及所述样本耳标对中耳标的第二运动数据序列;
根据所述第二运动数据序列,计算所述样本耳标对中耳标的第二相似度;
将所述第二运动数据序列作为训练输入数据,将所述第二相似度作为训练输出数据,对所述孪生神经网络模型进行模型训练,以确定模型参数。
在一实施例中,可以采集一定数量的耳标的运动数据,记为第二运动数据序列,作为模型训练的输入数据,并将这些耳标中的每两个构成样本耳标对,计算每一个样本耳标对的第二相似度。例如,计算所述样本耳标对中两个耳标的第二运动数据序列之间的相关系数,将所述相关系数作为所述样本耳标对中耳标的第二相似度。比如,计算两个运动数据序列之间的皮尔逊相关系数、肯德尔等级相关系数,在计算得到相关系数后,进行正、负样本的划分,其中,相关系数较高(如大于0.7)的耳标对判定为佩戴在同一牲畜个体上,将其对应的第二运动数据序列的第二相似度记为1,该第二运动数据和对应的第二相似度作为一个正样本。对于相关系数较低(如小于0.3)的耳标对判定为佩戴在不同牲畜个体上,将其对应的第二运动数据序列的第二相似度记为0,将该第二运动数据和对应的第二相似度作为一个负样本。其中,相关系数的取值范围为0-1,相关系数不小于0.3且不到鱼0.7的耳标对舍弃掉,不使用其对应数据作为训练数据,以提高模型训练的准确度。
将正样本和负样本构成的样本集中的70%的数据作为训练集,将剩余的30%的数据作为验证集,对预先搭建的模型进行训练和验证,以确定出最优的模型参数。模型经过训练后,学习得到一个相似性的度量,可以用于识别两个第一运动数据序列的第一相似度。
104、将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
得到每一个待检测耳标对的两个第一运动数据序列的第一相似度之后,将第一相似度大于预设阈值的耳标对确定为目标耳标对,目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
可选的,在一实施例中,在将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标之后,该方法还包括:当所述目标耳标对有多个、且多个目标耳标对中有相同耳标时,将具有相同耳标的多个目标耳标对中的多个耳标,确定为佩戴在同一牲畜个体上的耳标。
该实施例中,在确定出目标耳标对之后,进一步进行识别,以确定出一个牲畜个体上可能佩戴的两个以上的耳标。如果目标耳标对有多个,并且这多个目标耳标对中有相同耳标,例如,确定出的目标耳标对有4对,其中有两个目标耳标对中有一个耳标的编号相同的,那么可以确定出这两个目标耳标对中的三个耳标都是佩戴在同一牲畜个体上的。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
由上可知,本申请实施例提供的单个体多耳标识别方法,获取多个耳标的第一运动数据序列,将这多个耳标中的每两个耳标组成一个耳标对,根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,当耳标对对应的第一相似度大于预设阈值时,可以判定该耳标对中的两个耳标是佩戴在同一个牲畜个体上的,通过本申请的方案,无需人工核对,可以根据耳标上传的运动数据智能地识别出佩戴在同一牲畜个体上的多个耳标,及时发现骗保行为。
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
请参阅图3,图3为本发明实施例提供的单个体多耳标识别方法的第二流程示意图。所述方法包括:
201、获取多个耳标在预设历史时间段内的第一运动数据序列。
本申请实施例中的耳标为佩戴在养殖场中的牲畜个体上的数据采集设备。例如,耳标中可以设置有运动传感器,诸如加速度传感器、陀螺仪、重力传感器等可以采集运动数据的传感器,还可以设置有温度传感器。其中,在牲畜入栏时,为牲畜打上耳标,并生成该耳标的唯一编号,在该牲畜的养殖过程中以该唯一的耳标编号作为该牲畜的身份标识信息。
耳标中的运动传感器可以周期性的采集牲畜个体的运动数据,并定时、实时或者周期性地上传至服务器,例如,特定范围的围栏内的牲畜的耳标将其采集的数据周期性的上传至该范围内的数据采集基站,再由该数据采集基站将数据上传至服务器。
在连续的历史时间段内采集的运动数据可以构成一个运动数据序列。例如,获取某一耳标在某天的上午8点至12点采集的运动数据,其中,每1分钟耳标上报一次数据,则在这4个小时内获取到的运动数据可以构成一个运动数据序列,并且该运动数据序列中包含240个运动数据。
202、按照所述预设历史时间段内的时间节点,对所述多个耳标的第一运动数据序列进行数据对齐处理。
由于每一个耳标中的运动传感器采集数据和上传数据的时间点并不是完全一样的,在获取到全部的耳标的第一运动数据序列之后,为了增加后续相似度计算的准确度,可以对其进行数据对其处理。例如,选择其中的一个耳标的运动数据序列的时间轴作为基准,将其他耳标的运动数据序列向该耳标对齐,其中,对齐处理时可以按照时间最近原则进行对齐。
203、将所述多个耳标中的每两个耳标组成一个耳标对。
在获取到用于评估的全部的耳标的第一运动数据序列之后,对全部的耳标进行两两组对,其中,每两个耳标构成一个耳标对,对应一组第一运动数据序列。
204、获取每一耳标对的两个耳标在所述预设历史时间段内的位置数据序列。
205、根据所述位置数据序列,计算每一耳标对中的两个耳标之间的相对距离。
206、将所述相对距离小于预设距离的耳标对,作为待检测耳标对。
为了提高识别速度,减小运算量。可以先通过耳标之间的距离来对耳标对进行筛选。根据位置数据序列,计算每一耳标对中的两个耳标之间的相对距离。可以理解的是这里计算得到的相对距离也是一个数据序列,其中,当该相对距离序列中有不少于预设比例的相对距离值都小于预设距离时,可以将该耳标对作为待检测耳标对。
207、根据预设的孪生神经网络模型,计算每一待检测耳标对中的两个耳标的第一运动数据序列之间的第一相似度。
在确定出待检测耳标对之后,接下来可以只对这些待检测耳标对进行检测。本申请实施例中,通过预先训练好的孪生神经网络模型来计算两个第一运动数据序列之间的第一相似度。其中,该孪生神经网络模型包括并行的第一神经网络与第二神经网络,以及分别与所述第一神经网络和所述第二神经网络连接的距离计算层。第一神经网络和第二神经网络可以为卷积神经网络、循环神经网络等,这两个网络共享权重。耳标对中的两个第一运动数据序列分别输入到两个神经网络中进行运算,得到各自对应的特征向量,分别记为第一特征向量和第二特征向量。将第一特征向量和第二特征向量输入距离计算层,距离计算层可以采用欧式距离、汉明距离、闵可夫斯基距离或者余弦相似度等任意一种算法来计算两个特征向量的相似度,将计算得到的相似度作为待检测耳标对中的两个耳标的第一相似度。
208、将所述第一相似度大于预设阈值的待检测耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
得到每一个待检测耳标对的两个第一运动数据序列的第一相似度之后,将第一相似度大于预设阈值的耳标对确定为目标耳标对,目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
由上可知,本发明实施例提出的单个体多耳标识别方法,获取多个耳标的第一运动数据序列,将这多个耳标中的每两个耳标组成一个耳标对,根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,当耳标对对应的第一相似度大于预设阈值时,可以判定该耳标对中的两个耳标是佩戴在同一个牲畜个体上的,通过本申请的方案,无需人工核对,可以根据耳标上传的运动数据智能地识别出佩戴在同一牲畜个体上的多个耳标,及时发现骗保行为。
在一实施例中还提供一种单个体多耳标识别装置。请参阅图4,图4为本申请实施例提供的单个体多耳标识别装置300的结构示意图。其中该单个体多耳标识别装置300应用于计算机设备,该单个体多耳标识别装置300包括数据获取模块301、耳标配对模块302、相似度计算模块303以及耳标识别模块303,如下:
数据获取模块301,用于获取多个耳标的第一运动数据序列;
耳标配对模块302,用于将所述多个耳标中的每两个耳标组成一个耳标对;
相似度计算模块303,用于根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度;
耳标识别模块303,用于将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
在一些实施例中,所述耳标设置有运动传感器,以通过所述运动传感器采集第一运动数据序列;数据获取模块301,还用于按照预设历史时间段内的时间节点,对所述多个耳标的第一运动数据序列进行数据对齐处理。
在一些实施例中,所述耳标还设置有定位模块,以通过所述定位模块采集所述耳标的位置数据序列;
在一些实施例中,耳标配对模块302,还用于将所述多个耳标中的每两个耳标组成一个耳标对之后,还包括:
获取每一耳标对的两个耳标在预设历史时间段内的位置数据序列;
根据所述位置数据序列,计算每一耳标对中的两个耳标之间的相对距离;
将所述相对距离小于预设距离的耳标对,作为待检测耳标对;
基于所述待检测耳标对,执行根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度的步骤。
在一些实施例中,所述孪生神经网络模型包括并行的第一神经网络与第二神经网络,以及分别与所述第一神经网络和所述第二神经网络连接的距离计算层;相似度计算模块303,还用于根据每一待检测耳标对中耳标的第一运动数据序列,生成每一待检测耳标对中耳标的运动数据向量;
根据所述预设的孪生神经网络模型的所述第一神经网络和第二神经网络,分别对每一待检测耳标对中的两个耳标的运动数据向量进行计算,得到对应的第一特征向量和第二特征向量;
根据所述距离计算层,计算每一耳标对中的两个耳标的第一特征向量和所述第二特征向量之间的第一相似度,作为每一耳标对中的两个耳标的第一相似度。
在一些实施例中,该装置300还包括:
模型训练模块,用于获取样本耳标对,以及所述样本耳标对中耳标的第二运动数据序列;
根据所述第二运动数据序列,计算所述样本耳标对中耳标的第二相似度;
以及,将所述第二运动数据序列作为训练输入数据,将所述第二相似度作为训练输出数据,对所述孪生神经网络模型进行模型训练,以确定模型参数。
在一些实施例中,模型训练模块,还用于计算所述样本耳标对中两个耳标的第二运动数据序列之间的相关系数,将所述相关系数作为所述样本耳标对中耳标的第二相似度。
应当说明的是,本申请实施例提供的单个体多耳标识别装置与上文实施例中的单个体多耳标识别方法属于同一构思,通过该单个体多耳标识别装置可以实现单个体多耳标识别方法实施例中提供的任一方法,其具体实现过程详见单个体多耳标识别方法实施例,此处不再赘述。
由上可知,本申请实施例提出的单个体多耳标识别装置,获取多个耳标的第一运动数据序列,将这多个耳标中的每两个耳标组成一个耳标对,根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,当耳标对对应的第一相似度大于预设阈值时,可以判定该耳标对中的两个耳标是佩戴在同一个牲畜个体上的,通过本申请的方案,无需人工核对,可以根据耳标上传的运动数据智能地识别出佩戴在同一牲畜个体上的多个耳标,及时发现骗保行为。
本申请实施例还提供一种计算机设备,该计算机设备可以为终端,该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机(PC,PersonalComputer)、个人数字助理(Personal Digital Assistant,PDA)等终端设备。如图5所示,图5为本申请实施例提供的计算机设备的结构示意图。该计算机设备400包括有一个或者一个以上处理核心的处理器401、有一个或一个以上计算机可读存储介质的存储器402及存储在存储器402上并可在处理器上运行的计算机程序。其中,处理器401与存储器402电性连接。本领域技术人员可以理解,图中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器401是计算机设备400的控制中心,利用各种接口和线路连接整个计算机设备400的各个部分,通过运行或加载存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备400的各种功能和处理数据,从而对计算机设备400进行整体监控。
在本申请实施例中,计算机设备400中的处理器401会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能:
获取多个耳标的第一运动数据序列;
将所述多个耳标中的每两个耳标组成一个耳标对;
根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度;
将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
可选的,如图5所示,计算机设备400还包括:触控显示屏403、射频电路404、音频电路405、输入单元406以及电源407。其中,处理器401分别与触控显示屏403、射频电路404、音频电路405、输入单元406以及电源407电性连接。本领域技术人员可以理解,图5中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
触控显示屏403可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏403可以包括显示面板和触控面板。其中,显示面板可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的,可以采用液晶显示器(LCD,Liquid Crystal Display)、有机发光二极管(OLED,Organic Light-EmittingDiode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并生成相应的操作指令,且操作指令执行对应程序。可选的,触控面板可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器401,并能接收处理器401发来的命令并加以执行。触控面板可覆盖显示面板,当触控面板检测到在其上或附近的触摸操作后,传送给处理器401以确定触摸事件的类型,随后处理器401根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中,可以将触控面板与显示面板集成到触控显示屏403而实现输入和输出功能。但是在某些实施例中,触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏403也可以作为输入单元406的一部分实现输入功能。
射频电路404可用于收发射频信号,以通过无线通信与网络设备或其他计算机设备建立无线通讯,与网络设备或其他计算机设备之间收发信号。
音频电路405可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路405可将接收到的音频数据转换后的电信号,传输到扬声器,由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路405接收后转换为音频数据,再将音频数据输出处理器401处理后,经射频电路404以发送给比如另一计算机设备,或者将音频数据输出至存储器402以便进一步处理。音频电路405还可能包括耳塞插孔,以提供外设耳机与计算机设备的通信。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源407用于给计算机设备400的各个部件供电。可选的,电源407可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源407还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管图5中未示出,计算机设备400还可以包括摄像头、传感器、无线保真模块、蓝牙模块等,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
由上可知,本实施例提供的计算机设备,获取多个耳标的第一运动数据序列,将这多个耳标中的每两个耳标组成一个耳标对,根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,当耳标对对应的第一相似度大于预设阈值时,可以判定该耳标对中的两个耳标是佩戴在同一个牲畜个体上的,通过本申请的方案,无需人工核对,可以根据耳标上传的运动数据智能地识别出佩戴在同一牲畜个体上的多个耳标,及时发现骗保行为。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种单个体多耳标识别方法中的步骤。例如,该计算机程序可以执行如下步骤:
获取多个耳标的第一运动数据序列;
将所述多个耳标中的每两个耳标组成一个耳标对;
根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度;
将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种单个体多耳标识别方法中的步骤,因此,可以实现本申请实施例所提供的任一种单个体多耳标识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种单个体多耳标识别方法、装置、介质及计算机设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种单个体多耳标识别方法,其特征在于,包括:
获取多个耳标的第一运动数据序列;
将所述多个耳标中的每两个耳标组成一个耳标对;
根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度;
将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
2.如权利要求1所述的单个体多耳标识别方法,其特征在于,所述耳标设置有运动传感器,以通过所述运动传感器采集第一运动数据序列;
所述获取多个耳标对应的第一运动数据序列之后,还包括:
按照预设历史时间段内的时间节点,对所述多个耳标的第一运动数据序列进行数据对齐处理。
3.如权利要求1所述的单个体多耳标识别方法,其特征在于,所述耳标还设置有定位模块,以通过所述定位模块采集所述耳标的位置数据序列;
将所述多个耳标中的每两个耳标组成一个耳标对之后,还包括:
获取每一耳标对的两个耳标在预设历史时间段内的位置数据序列;
根据所述位置数据序列,计算每一耳标对中的两个耳标之间的相对距离;
将所述相对距离小于预设距离的耳标对,作为待检测耳标对;
基于所述待检测耳标对,执行根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度的步骤。
4.如权利要求3所述的单个体多耳标识别方法,其特征在于,所述孪生神经网络模型包括并行的第一神经网络与第二神经网络,以及分别与所述第一神经网络和所述第二神经网络连接的距离计算层;
所述根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度,包括:
根据每一待检测耳标对中耳标的第一运动数据序列,生成每一待检测耳标对中耳标的运动数据向量;
根据所述预设的孪生神经网络模型的所述第一神经网络和第二神经网络,分别对每一待检测耳标对中的两个耳标的运动数据向量进行计算,得到对应的第一特征向量和第二特征向量;
根据所述距离计算层,计算每一耳标对中的两个耳标的第一特征向量和所述第二特征向量之间的第一相似度,作为每一耳标对中的两个耳标的第一相似度。
5.如权利要求1所述的单个体多耳标识别方法,其特征在于,在将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标之后,还包括:
当所述目标耳标对有多个、且多个目标耳标对中有相同耳标时,将具有相同耳标的多个目标耳标对中的多个耳标,确定为佩戴在同一牲畜个体上的耳标。
6.如权利要求1至5任一项所述的单个体多耳标识别方法,其特征在于,在获取多个耳标的第一运动数据序列之前,还包括:
获取样本耳标对,以及所述样本耳标对中耳标的第二运动数据序列;
根据所述第二运动数据序列,计算所述样本耳标对中耳标的第二相似度;
将所述第二运动数据序列作为训练输入数据,将所述第二相似度作为训练输出数据,对所述孪生神经网络模型进行模型训练,以确定模型参数。
7.如权利要求6所述的单个体多耳标识别方法,其特征在于,根据所述第二运动数据序列,计算所述样本耳标对中耳标的第二相似度,包括:
计算所述样本耳标对中两个耳标的第二运动数据序列之间的相关系数,将所述相关系数作为所述样本耳标对中耳标的第二相似度。
8.一种单个体多耳标识别装置,其特征在于,包括:
数据获取模块,用于获取多个耳标的第一运动数据序列;
耳标配对模块,用于将所述多个耳标中的每两个耳标组成一个耳标对;
相似度计算模块,用于根据预设的孪生神经网络模型,计算每一耳标对中的两个耳标的第一运动数据序列之间的第一相似度;
耳标识别模块,用于将所述第一相似度大于预设阈值的耳标对确定为目标耳标对,所述目标耳标对中的两个耳标为佩戴在同一牲畜个体上的耳标。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的单个体多耳标识别方法。
10.一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至7任一项所述的单个体多耳标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405007.1A CN115223235A (zh) | 2021-04-15 | 2021-04-15 | 单个体多耳标识别方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405007.1A CN115223235A (zh) | 2021-04-15 | 2021-04-15 | 单个体多耳标识别方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223235A true CN115223235A (zh) | 2022-10-21 |
Family
ID=83605119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405007.1A Pending CN115223235A (zh) | 2021-04-15 | 2021-04-15 | 单个体多耳标识别方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223235A (zh) |
-
2021
- 2021-04-15 CN CN202110405007.1A patent/CN115223235A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763599B2 (en) | Model training method and apparatus, face recognition method and apparatus, device, and storage medium | |
CN104680046B (zh) | 一种用户活动识别方法及装置 | |
CN110598802B (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
CN102985897B (zh) | 高效姿势处理 | |
CN111260665B (zh) | 图像分割模型训练方法和装置 | |
CN103745235A (zh) | 人脸识别方法、装置及终端设备 | |
CN113505256B (zh) | 特征提取网络训练方法、图像处理方法及装置 | |
CN109993234A (zh) | 一种无人驾驶训练数据分类方法、装置及电子设备 | |
CN104977038B (zh) | 使用与关联存储器耦合的运动感测设备识别移动 | |
CN114299546A (zh) | 识别宠物身份的方法、装置、存储介质及电子设备 | |
CN109886408A (zh) | 一种深度学习方法及装置 | |
CN111798978A (zh) | 用户健康评估方法、装置、存储介质及电子设备 | |
CN113344184A (zh) | 用户画像预测方法、装置、终端和计算机可读存储介质 | |
US10863329B2 (en) | Methods and apparatus for conditional classifier chaining in a constrained machine learning environment | |
CN108595013B (zh) | 握持识别方法、装置、存储介质及电子设备 | |
Lee | IoT livestock estrus monitoring system based on machine learning | |
CN110598599A (zh) | 基于Gabor原子分解的人体异常步态检测方法和装置 | |
CN115223235A (zh) | 单个体多耳标识别方法、装置、存储介质及计算机设备 | |
CN114841203A (zh) | 一种牲畜状态监测方法、装置、终端及存储介质 | |
CN113762585B (zh) | 数据的处理方法、账号类型的识别方法及装置 | |
CN116259083A (zh) | 一种图像质量识别模型的确定方法和相关装置 | |
CN114333997A (zh) | 数据处理、数据处理模型的训练方法、装置、设备及介质 | |
CN114698564B (zh) | 耳标状态的检测方法、装置、存储介质及电子设备 | |
CN109993191B (zh) | 信息处理方法及装置、电子设备及存储介质 | |
Wu et al. | CARMUS: Towards a general framework for continuous activity recognition with missing values on smartphones |
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 |