CN116486097B - 应用于啮齿动物喂食场景下的远程自动投喂方法及系统 - Google Patents
应用于啮齿动物喂食场景下的远程自动投喂方法及系统 Download PDFInfo
- Publication number
- CN116486097B CN116486097B CN202310419296.XA CN202310419296A CN116486097B CN 116486097 B CN116486097 B CN 116486097B CN 202310419296 A CN202310419296 A CN 202310419296A CN 116486097 B CN116486097 B CN 116486097B
- Authority
- CN
- China
- Prior art keywords
- feeding
- text
- image
- data
- sign
- 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
- 241000283984 Rodentia Species 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 47
- 235000003642 hunger Nutrition 0.000 claims abstract description 103
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 238000010191 image analysis Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000012840 feeding operation Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 113
- 235000013305 food Nutrition 0.000 claims description 69
- 230000037351 starvation Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 230000001121 heart beat frequency Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000036528 appetite Effects 0.000 claims description 9
- 235000019789 appetite Nutrition 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000699800 Cricetinae Species 0.000 description 1
- 241001272178 Glires Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 235000021059 hard food Nutrition 0.000 description 1
- 210000004283 incisor Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
- A01K5/00—Feeding devices for stock or game ; Feeding wagons; Feeding stacks
- A01K5/02—Automatic devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Birds (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及远程投喂技术领域,揭露了应用于啮齿动物喂食场景下的远程自动投喂方法及系统,包括:采集投食对象的历史投喂数据,历史投喂数据包括定时投喂量和定时投喂周期;将当前体征数据划分为特征描述文本和体征描述图像,对特征描述文本进行特征提取,得到文本特征,对体征描述图像进行特征提取,得到图像特征;以通过文本分析网络分析投食对象的第一饥饿状态值;以通过图像分析网络分析投食对象的第二饥饿状态值,计算投食对象的最终饥饿状态值,配置投食对象的当前投食量;利用预先在投食区域中构建的投食设备执行投食对象的投食操作,得到投食对象的投食结果。本发明在于提高应用于啮齿动物喂食场景下的远程自动投喂准确性。
Description
技术领域
本发明涉及远程投喂技术领域,尤其涉及应用于啮齿动物喂食场景下的远程自动投喂方法及系统。
背景技术
啮齿动物是一个包含了啮齿目和兔形目的演化支,啮齿动物,英文名rodent,越来越多的人开始将啮齿动物作为宠物进行培养,但是由于现在的人白天都是在上班地点进行工作,不能全天与啮齿动物待在一起,因此需要对宠物进行远程定时投喂,进而解决啮齿动物的喂养问题。
现有技术中,对于啮齿动物的远程自动投喂方法是通过投喂设备与手机或者电脑建立远程操控,了解啮齿动物的习性,然后通过手机或者电脑设置远程投喂的时间以及投食的数量,但是该方法没有考虑啮齿动物的动态情况,啮齿动物的活动量增加或者减少,都会对进食量造成影响,进而导致投食量不准确,因此需要一种能够提高应用于啮齿动物喂食场景下的远程自动投喂准确性的方法。
发明内容
本发明提供应用于啮齿动物喂食场景下的远程自动投喂方法及系统,其主要目的在于提高应用于啮齿动物喂食场景下的远程自动投喂准确性。
为实现上述目的,本发明提供的应用于啮齿动物喂食场景下的远程自动投喂方法,包括:
获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集;
采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征;
将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值;
将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值;
根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量;
根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
可选地,所述将所述当前体征数据划分为特征描述文本和体征描述图像,包括:
获取所述当前体征数据中每个数据的对应的源代码,得到数据源代码,从所述数据源代码中提取出所述当前体征数据对应的存储代码;
根据所述存储代码,分析所述当前体征数据的存储格式,检测所述每个数据的数据构成元素;
根据所述存储格式和所述数据构成元素,将所述当前体征数据划分成特征描述文本和体征描述图像。
可选地,所述对所述特征描述文本进行特征提取,得到文本特征,包括:
对所述特征描述文本进行向量化操作,得到文本向量,计算所述文本向量中每个向量的重合度,得到向量重合度;
根据所述向量重合度,对所述文本向量进行去重处理,得到目标向量,构建所述目标向量的向量矩阵;
根据所述目标向量,计算所述向量矩阵中每个矩阵对应的特征值,得到矩阵特征值;
根据所述矩阵特征值,对所述特征描述文本进行特征提取,得到文本特征。
可选地,所述计算所述文本向量中每个向量的重合度,得到向量重合度,包括:
通过下述公式计算所述文本向量中每个向量的重合度:
其中,Da,b表示文本向量中两个向量之间的重合度,a和b表示文本向量的序列号,E表示文本向量的数学期望值,Fa表示文本向量中第a个向量对应的标准差,ρa表示文本向量中第a个向量对应的协方差,Fb表示文本向量中第b个向量对应的标准差,ρb表示文本向量中第b个向量对应的协方差。
可选地,所述对所述体征描述图像进行特征提取,得到图像特征,包括:
对所述体征描述图像进行灰度转化,得到灰度体征图像,检测所述灰度体征图像中的图像像素点;
计算所述图像像素点中每个像素点的梯度值,得到像素梯度值,根据所述像素梯度值,计算所述每个像素点的梯度方向;
根据所述像素梯度值和所述梯度方向,构建所述每个像素点的梯度直方图,对所述梯度直方图进行图像合并,得到合并直方图;
通过所述合并直方图,确定所述灰度体征图像的特征描述符,根据所述特征描述符,得到所述体征描述图像的图像特征。
可选地,所述计算所述图像像素点中每个像素点的梯度值,得到像素梯度值,包括:
通过下述公式计算所述图像像素点中每个像素点的梯度值:
其中,K(x,y)表示图像像素点中的像素点的梯度值,x和y表示图像像素点对应的坐标方向,Kx表示水平方向的梯度,Ky表示垂直方向的梯度,(x,y)表示图像像素点的坐标。
可选地,所述将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值,包括:
对所述特征描述文本进行分词处理,得到文本分词,将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,通过所述文本分析网络中的语义分析层对所述文本分词进行语义解析,得到文本语义;
根据所述历史投喂数据,通过所述文本分析网络确认所述投食对象的投食剩余量,根据所述文本语义,分析所述投食对象的食欲状态;
测量所述投食对象进食后的体重差值,结合所述提示剩余量、所述食欲状态以及所述体重差值,计算所述投食对象的第一饥饿值。
可选地,所述将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值,包括:
将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,通过所述图像分析网络中的特征分析神经对所述图像特征进行特征分析,得到分析结果;
结合所述分析结果,计算所述投食对象的体征差异系数,根据所述历史投喂数据,确定所述投食对象的投喂时间差;
结合所述投喂时间差和所述体征差异系数,计算所述投食对象的第二饥饿值。
可选地,所述根据所述最终饥饿状态值,配置所述投食对象的当前投食量,包括:
记录所述投食对象对应的行动轨迹,测试所述行动轨迹中所述投食对象的运动心跳频率;
根据所述心跳频率和预设的目标心频率,计算所述行动轨迹对应的运动强度,获取所述投食对象的当前体重;
结合所述运动强度和所述当前体重,计算所述投食对象的运动能耗值,根据所述运动能耗值,配置所述投食对象的当前投食量。
一种应用于啮齿动物喂食场景下的远程自动投喂系统,其特征在于,所述系统包括:
数据采集模块,用于获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集;
特征提取模块,用于采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征;
饥饿值计算模块,用于将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值;
图像分析模块,用于将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值;
投食量配置模块,用于根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量;
投食操作模块,用于根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
本发明通过获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,可以通过所述历史投喂数据了解所述啮齿动物的投喂习惯和投喂规律,便于后续根号的对所述投喂对象的进行投喂,本发明通过采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,可以对所述体征数据分类,进而便于提高数据的处理效率,其中,本发明通过将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值,可以了解所述投食对象的饥饿情况,以便于提高后续配置所述投食对象的投食量的准确性;此外,本发明通过将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值,结合所述第一饥饿值可以更准确分析出所述投食对象的饥饿情况,本发明通过根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,进而可以准确的对所述投食对象进行投食。因此,本发明实施例提供的应用于啮齿动物喂食场景下的远程自动投喂方法及系统,能够提高应用于啮齿动物喂食场景下的远程自动投喂准确性。
附图说明
图1为本发明一实施例提供的应用于啮齿动物喂食场景下的远程自动投喂方法的流程示意图;
图2为本发明一实施例提供的应用于啮齿动物喂食场景下的远程自动投喂系统的功能模块图;
图3为本发明一实施例提供的实现所述应用于啮齿动物喂食场景下的远程自动投喂方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供应用于啮齿动物喂食场景下的远程自动投喂方法。本申请实施例中,所述应用于啮齿动物喂食场景下的远程自动投喂方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述应用于啮齿动物喂食场景下的远程自动投喂方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的应用于啮齿动物喂食场景下的远程自动投喂方法的流程示意图。在本实施例中,所述应用于啮齿动物喂食场景下的远程自动投喂方法包括步骤S1—S5。
S1、获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集。
本发明通过获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,可以通过所述历史投喂数据了解所述啮齿动物的投喂习惯和投喂规律,便于后续根号的对所述投喂对象的进行投喂。
其中,所述啮齿动物是一类哺乳动物,它们的特征是拥有长而锋利的门齿和强壮的下颌肌肉,用于咬啮坚硬的食物,常见的啮齿动物包括老鼠、仓鼠以及兔子等,所述投食区域是所述啮齿动物进行投食的地方,所述投食对象是需要进行喂食的动物,所述历史投喂数据是所述投食对象之前投喂时对应的数据,所述定时投喂量是所述投食对象定时投喂时对应的实物数量,所述定时投喂周期是所述投食对象的喂食时间,所述定时投喂程序是一种被计算机执行的组合指令,可以用各种编程语言编写,是用于对所述投食对象进行数据采集。
S2、采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征。
本发明通过采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,可以对所述体征数据分类,进而便于提高数据的处理效率,其中,所述特征描述文本是所述体征数据中对数据进行描述的文本,所述体征描述图像是所述体征数据中数据的图像表达形式,进一步的,采集所述投食对象的当前体征数据可以通过数据采集器实现,所述数据采集器是由脚本语言编译。
作为本发明的一个实施例,所述将所述当前体征数据划分为特征描述文本和体征描述图像,包括:获取所述当前体征数据中每个数据的对应的源代码,得到数据源代码,从所述数据源代码中提取出所述当前体征数据对应的存储代码,根据所述存储代码,分析所述当前体征数据的存储格式,检测所述每个数据的数据构成元素,根据所述存储格式和所述数据构成元素,将所述当前体征数据划分成特征描述文本和体征描述图像。
其中,所述源代码是所述当前体征数据中每个数据的对应的计算机可读语言,所述存储代码是所述当前体征数据对应的计算机存储语言,所述存储格式是所述当前体征数据的存储形式,如文本存储形式为txt、doc以及pdf形式,图像存储形式为jpg、png以及gif形式,所述数据构成元素是所述每个数据的组成元素,如文本数据是由文本字符构成,图像数据是由像素点构成。
进一步地,获取所述当前体征数据中每个数据的对应的源代码可以通过GitHub搜索引擎实现,从所述数据源代码中提取出所述当前体征数据对应的存储代码可以通过代码提取工具实现,所述代码提取工具是由Java语言编译,分析所述当前体征数据的存储格式可以通过代码分析器实现,检测所述每个数据的数据构成元素可以通过typeof函数实现,将所述当前体征数据划分成特征描述文本和体征描述图像可以通过Aggregate函数实现。
本发明通过对所述特征描述文本进行特征提取,进而便于对所述特征描述文本中的重要文本进行处理,提高了数据的处理效率,其中,所述文本特征是所述特征描述文本中具有代表性的文本。
作为本发明的一个实施例,所述对所述特征描述文本进行特征提取,得到文本特征,包括:对所述特征描述文本进行向量化操作,得到文本向量,计算所述文本向量中每个向量的重合度,得到向量重合度,根据所述向量重合度,对所述文本向量进行去重处理,得到目标向量,构建所述目标向量的向量矩阵,根据所述目标向量,计算所述向量矩阵中每个矩阵对应的特征值,得到矩阵特征值,根据所述矩阵特征值,对所述特征描述文本进行特征提取,得到文本特征。
其中,所述文本向量是所述特征描述文本对应的向量表达形式,所述向量重合度表示所述文本向量中每个向量的重合程度,所述目标向量是所述文本向量中的重合向量经过去重后得到的向量,所述向量矩阵是所述目标向量对应的方阵,所述矩阵特征值是所述向量矩阵在线性代数意义下具有的特殊性质的标量。
进一步的,作为本发明的一个可选实施例,对所述特征描述文本进行向量化操作可以通过Word2vec算法实现,对所述文本向量进行去重处理可以通过KShingle算法实现,计算所述向量矩阵中每个矩阵对应的特征值可以通过下述方法实现:如果存在数m使得AG=mG成立,则称m是向量矩阵G的一个特征值,A是所述向量矩阵对应的阶数,对所述特征描述文本进行特征提取可以通过结合所述矩阵特征值的数值大小实现。
进一步的,作为本发明的一个可选实施例,所述计算所述文本向量中每个向量的重合度,得到向量重合度,包括:
通过下述公式计算所述文本向量中每个向量的重合度:
其中,Da,b表示文本向量中两个向量之间的重合度,a和b表示文本向量的序列号,E表示文本向量的数学期望值,Fa表示文本向量中第a个向量对应的标准差,ρa表示文本向量中第a个向量对应的协方差,Fb表示文本向量中第b个向量对应的标准差,ρb表示文本向量中第b个向量对应的协方差。
进一步的,作为本发明的一个实施例,所述构建所述目标向量的向量矩阵,包括:
通过下述公式构建所述目标向量的向量矩阵:
其中,G表示目标向量的向量矩阵,i表示目标向量的序列号,t表示目标向量的向量数量,α表示目标向量对应的向量维度,Hi表示目标向量中第i个向量的变量信息,!表示变量信息的阶乘符号,R表示目标向量对应的矩阵宽度。
本发明通过对所述体征描述图像进行特征提取,进而便于对所述体征描述图像中的重要图像进行处理,可以得到图像中的重要数据,以便于后续分析所述投食对象的饥饿值,其中,所述图像特征是所述特征描述图像中的表征部分。
作为本发明的一个实施例,所述对所述体征描述图像进行特征提取,得到图像特征,包括:对所述体征描述图像进行灰度转化,得到灰度体征图像,检测所述灰度体征图像中的图像像素点,计算所述图像像素点中每个像素点的梯度值,得到像素梯度值,根据所述像素梯度值,计算所述每个像素点的梯度方向,根据所述像素梯度值和所述梯度方向,构建所述每个像素点的梯度直方图,对所述梯度直方图进行图像合并,得到合并直方图,通过所述合并直方图,确定所述灰度体征图像的特征描述符,根据所述特征描述符,得到所述体征描述图像的图像特征。
其中,所述灰度体征图像是所述体征描述图像的像素只有一个采样颜色,所述像素梯度值是所述每个像素点在不同方向的变化率,所述梯度方向是所述每个像素点的变化率最快的方向,所述梯度直方图是所述像素梯度值和所述梯度方向构成的图像,所述特征描述符是所述灰度体征图像中独特性质的局部特征描述符号。
进一步的,对所述体征描述图像进行灰度转化可以通过线性变换函数实现,如一次线性函数,检测所述灰度体征图像中的图像像素点可以通过Photoshop工具实现,构建所述每个像素点的梯度直方图可以通过累积分布函数法实现,对所述梯度直方图进行图像合并可以通过叠加法实现,确定所述灰度体征图像的特征描述符可以通过所述合并直方图的图像形状实现,所述体征描述图像的图像特征可以通过所述特征描述符对应的符号特征得到。
进一步的,作为本发明的一个可选实施例,所述计算所述图像像素点中每个像素点的梯度值,得到像素梯度值,包括:
通过下述公式计算所述图像像素点中每个像素点的梯度值:
其中,K(x,y)表示图像像素点中的像素点的梯度值,x和y表示图像像素点对应的坐标方向,Kx表示水平方向的梯度,Ky表示垂直方向的梯度,(x,y)表示图像像素点的坐标。
进一步的,作为本发明的一个可选实施例,所述根据所述像素梯度值,计算所述每个像素点的梯度方向,包括:
通过下述公式计算所述每个像素点的梯度方向:
其中,L(x,y)表示每个像素点的梯度方向,tan-1是三角函数的反函数,Ky(x,y)表示像素点在水平方向对应的像素梯度值,Kx(x,y)表示像素点在垂直方向对应的像素梯度值。
S3、将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值。
本发明通过将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值,可以了解所述投食对象的饥饿情况,以便于提高后续配置所述投食对象的投食量的准确性,其中,所述第一饥饿状态值是根据所述文本特征和所述历史投喂数据分析得到的表示所述投食对象饥饿的数值。
作为本发明的一个实施例,所述将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值,包括:对所述特征描述文本进行分词处理,得到文本分词,将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,通过所述文本分析网络中的语义分析层对所述文本分词进行语义解析,得到文本语义,根据所述历史投喂数据,通过所述文本分析网络确认所述投食对象的投食剩余量,根据所述文本语义,分析所述投食对象的食欲状态,并测量所述投食对象进食后的体重差值,结合所述提示剩余量、所述食欲状态以及所述体重差值,计算所述投食对象的第一饥饿值。
其中,所述文本分词是所述特征描述文本经过分词处理后得到,所述语义分析层是所述文本分析网络中对文本进行语义解析的神经层,所述文本语义是所述文本分词对应的解释,所述投食剩余量是所述投食对象的投喂食物的剩余量,所述食欲状态是所述投食对象对食物需求态度,所述体重差值是所述投食对象进食后的体重变化数值。
进一步的,作为本发明的一个可选实施例,对所述特征描述文本进行分词处理可以通过ik分词器实现,对所述文本分词进行语义解析可以通过语义解析器实现,所述语义解析器是由编程语言编译,对所述文本分词进行语义解析可以通过所述语义分析层中的语义分析法实现,所述投食对象的食欲状态可以通过分析所述投食对象的行为实现,如是否看向盛放食物的盘子,或者啃咬东西等行为,测量所述投食对象进食后的体重差值可以通过体重称重器实现,如体重秤,所述投食对象的第一饥饿值可以通过结合所述提示剩余量、所述食欲状态以及所述体重差值,利用预设的饥饿值计算方法计算得到,如肥胖指数法。
S4、将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值。
本发明通过将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值,结合所述第一饥饿值可以更准确分析出所述投食对象的饥饿情况,其中,所述第二饥饿状态值是根据所述图像特征和所述历史投喂数据分析得到的所述投食对象的饥饿情况。
作为本发明的一个实施例,所述将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值,包括:将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,通过所述图像分析网络中的特征分析神经对所述图像特征进行特征分析,得到分析结果,结合所述分析结果,计算所述投食对象的体征差异系数,根据所述历史投喂数据,确定所述投食对象的投喂时间差,结合所述投喂时间差和所述体征差异系数,计算所述投食对象的第二饥饿值。
其中,所述训练好的图像分析网络是对图像进行分析的神经网络,所述特征分析神经是所述图像分析网络中对所述图像特征从多个维度分析的神经网络,是由bp神经构成,所述体征差异系数表示所述投食对象对应的体征变化程度,所述投喂时间差是所述投食对象定时投喂后到当前的时间差值。
进一步的,对所述图像特征进行特征分析可以通过所述特征分析神经的bp神经元实现,所述投食对象的体征差异系数可以通过计算所述分析结果中所述投食对象投食前后的特征变化差异值得到,计算所述投食对象的第二饥饿值可以通过结合所述投喂时间差和所述体征差异系数,利用预设的饥饿值计算法实现,如负荷计算法。
S5、根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量。
本发明通过根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,以便于更加准确的计算出所述投食对象的饥饿值,提高所述投食对象的投喂食物的数量准确性,其中,所述最终饥饿状态值表示所述投食对象对应的最终饥饿程度,进一步的,所述投食对象的最终饥饿状态值可以通过计算所述第一饥饿状态值和所述第二饥饿状态值的和值得到。
本发明通过根据所述最终饥饿状态值,配置所述投食对象的当前投食量,以便于后续对所述投食对象进行投喂,其中,所述当前投食量是所述投食对象当前进食的数量。
作为本发明的一个实施例,所述根据所述最终饥饿状态值,配置所述投食对象的当前投食量,包括:记录所述投食对象对应的行动轨迹,测试所述行动轨迹中所述投食对象的运动心跳频率,根据所述心跳频率和预设的目标心频率,计算所述行动轨迹对应的运动强度,获取所述投食对象的当前体重,结合所述运动强度和所述当前体重,计算所述投食对象的运动能耗值,根据所述运动能耗值,配置所述投食对象的当前投食量。
其中,所述行动轨迹是所述投食对象的活动路线,所述运动心跳频率是所述行动轨迹中所述投食对象的心跳速率,所述预设的目标心频率是所述投食对象的正常心跳速率,所述运动强度是所述投食对象在所述行动轨迹中所消耗的能量、心肺系统负荷和肌肉疲劳的程度,所述运动能耗值是所述投食对象的能量消耗值。
进一步的,作为本发明的一个可选实施例,记录所述投食对象对应的行动轨迹可以通过摄像机拍摄视频,然后通过图像处理得到,测试所述行动轨迹中所述投食对象的运动心跳频率可以通过心率监测仪实现,所述行动轨迹对应的运动强度可以通过计算所述心跳频率和所述预设的目标心频率的比值得到,所述投食对象的运动能耗值可以通过计算所述运动强度、所述当前体重以及所述行动轨迹的完成周期的乘积得到,所述投食对象的当前投食量可以通过查询预设的能耗与摄入能量映射表进行配置。
S6、根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
本发明通过根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,进而可以准确的对所述投食对象进行投食,其中,所述投食设备是用于对所述投食对象进行投食的机器,所述投食结果是所述投食对象投食后得到的结果,如进食量的情况等。
本发明通过获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,可以通过所述历史投喂数据了解所述啮齿动物的投喂习惯和投喂规律,便于后续根号的对所述投喂对象的进行投喂,本发明通过采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,可以对所述体征数据分类,进而便于提高数据的处理效率,其中,本发明通过将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值,可以了解所述投食对象的饥饿情况,以便于提高后续配置所述投食对象的投食量的准确性;此外,本发明通过将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值,结合所述第一饥饿值可以更准确分析出所述投食对象的饥饿情况,本发明通过根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,进而可以准确的对所述投食对象进行投食。因此,本发明实施例提供的应用于啮齿动物喂食场景下的远程自动投喂方法,能够提高应用于啮齿动物喂食场景下的远程自动投喂准确性
如图2所示,是本发明一实施例提供的应用于啮齿动物喂食场景下的远程自动投喂系统的功能模块图。
本发明所述应用于啮齿动物喂食场景下的远程自动投喂系统100可以安装于电子设备中。根据实现的功能,所述应用于啮齿动物喂食场景下的远程自动投喂系统100可以包括数据采集模块101、特征提取模块102、饥饿值计算模块103、图像分析模块104、投食量配置模块105以及投食操作模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据采集模块101,用于获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集;
所述特征提取模块102,用于采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征;
所述饥饿值计算模块103,用于将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值;
所述图像分析模块104,用于将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值;
所述投食量配置模块105,用于根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量;
所述投食操作模块106,用于根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
详细地,本申请实施例中所述应用于啮齿动物喂食场景下的远程自动投喂系统100中所述的各模块在使用时采用与上述图1中所述的应用于啮齿动物喂食场景下的远程自动投喂方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现应用于啮齿动物喂食场景下的远程自动投喂方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如应用于啮齿动物喂食场景下的远程自动投喂方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行应用于啮齿动物喂食场景下的远程自动投喂方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如应用于啮齿动物喂食场景下的远程自动投喂方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的应用于啮齿动物喂食场景下的远程自动投喂方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集;
采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征;
将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值;
将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值;
根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量;
根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集;
采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征;
将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值;
将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值;
根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量;
根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述方法包括:
获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集;
采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征;
将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值;
将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值;
根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量;
根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
2.如权利要求1所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述将所述当前体征数据划分为特征描述文本和体征描述图像,包括:
获取所述当前体征数据中每个数据的对应的源代码,得到数据源代码,从所述数据源代码中提取出所述当前体征数据对应的存储代码;
根据所述存储代码,分析所述当前体征数据的存储格式,检测所述每个数据的数据构成元素;
根据所述存储格式和所述数据构成元素,将所述当前体征数据划分成特征描述文本和体征描述图像。
3.如权利要求1所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述对所述特征描述文本进行特征提取,得到文本特征,包括:
对所述特征描述文本进行向量化操作,得到文本向量,计算所述文本向量中每个向量的重合度,得到向量重合度;
根据所述向量重合度,对所述文本向量进行去重处理,得到目标向量,构建所述目标向量的向量矩阵;
根据所述目标向量,计算所述向量矩阵中每个矩阵对应的特征值,得到矩阵特征值;
根据所述矩阵特征值,对所述特征描述文本进行特征提取,得到文本特征。
4.如权利要求3所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述计算所述文本向量中每个向量的重合度,得到向量重合度,包括:
通过下述公式计算所述文本向量中每个向量的重合度:
其中,Da,b表示文本向量中两个向量之间的重合度,a和b表示文本向量的序列号,E表示文本向量的数学期望值,Fa表示文本向量中第a个向量对应的标准差,ρa表示文本向量中第a个向量对应的协方差,Fb表示文本向量中第b个向量对应的标准差,ρb表示文本向量中第b个向量对应的协方差。
5.如权利要求1所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述对所述体征描述图像进行特征提取,得到图像特征,包括:
对所述体征描述图像进行灰度转化,得到灰度体征图像,检测所述灰度体征图像中的图像像素点;
计算所述图像像素点中每个像素点的梯度值,得到像素梯度值,根据所述像素梯度值,计算所述每个像素点的梯度方向;
根据所述像素梯度值和所述梯度方向,构建所述每个像素点的梯度直方图,对所述梯度直方图进行图像合并,得到合并直方图;
通过所述合并直方图,确定所述灰度体征图像的特征描述符,根据所述特征描述符,得到所述体征描述图像的图像特征。
6.如权利要求5所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述计算所述图像像素点中每个像素点的梯度值,得到像素梯度值,包括:
通过下述公式计算所述图像像素点中每个像素点的梯度值:
其中,K(x,y)表示图像像素点中的像素点的梯度值,x和y表示图像像素点对应的坐标方向,Kx表示水平方向的梯度,Ky表示垂直方向的梯度,(x,y)表示图像像素点的坐标。
7.如权利要求1所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值,包括:
对所述特征描述文本进行分词处理,得到文本分词,将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,通过所述文本分析网络中的语义分析层对所述文本分词进行语义解析,得到文本语义;
根据所述历史投喂数据,通过所述文本分析网络确认所述投食对象的投食剩余量,根据所述文本语义,分析所述投食对象的食欲状态;
测量所述投食对象进食后的体重差值,结合所述投食剩余量、所述食欲状态以及所述体重差值,计算所述投食对象的第一饥饿值。
8.如权利要求1所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值,包括:
将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,通过所述图像分析网络中的特征分析神经对所述图像特征进行特征分析,得到分析结果;
结合所述分析结果,计算所述投食对象的体征差异系数,根据所述历史投喂数据,确定所述投食对象的投喂时间差;
结合所述投喂时间差和所述体征差异系数,计算所述投食对象的第二饥饿值。
9.如权利要求1所述的应用于啮齿动物喂食场景下的远程自动投喂方法,其特征在于,所述根据所述最终饥饿状态值,配置所述投食对象的当前投食量,包括:
记录所述投食对象对应的行动轨迹,测试所述行动轨迹中所述投食对象的运动心跳频率;
根据所述心跳频率和预设的目标心频率,计算所述行动轨迹对应的运动强度,获取所述投食对象的当前体重;
结合所述运动强度和所述当前体重,计算所述投食对象的运动能耗值,根据所述运动能耗值,配置所述投食对象的当前投食量。
10.一种应用于啮齿动物喂食场景下的远程自动投喂系统,其特征在于,所述系统包括:
数据采集模块,用于获取啮齿动物喂食场景下的投食区域和投食对象,采集所述投食对象的历史投喂数据,所述历史投喂数据包括定时投喂量和定时投喂周期,及所述历史投喂数据通过预先在所述投食区域构建的定时投喂程序进行采集;
特征提取模块,用于采集所述投食对象的当前体征数据,将所述当前体征数据划分为特征描述文本和体征描述图像,对所述特征描述文本进行特征提取,得到文本特征,对所述体征描述图像进行特征提取,得到图像特征;
饥饿值计算模块,用于将所述文本特征和所述历史投喂数据作为第一输入值输入至预设的文本分析网络中,以通过所述文本分析网络分析所述投食对象的第一饥饿状态值;
图像分析模块,用于将所述图像特征和所述历史投喂数据作为第二输入值输入至训练好的图像分析网络中,以通过所述图像分析网络分析所述投食对象的第二饥饿状态值;
投食量配置模块,用于根据所述第一饥饿状态值和所述第二饥饿状态值,计算所述投食对象的最终饥饿状态值,根据所述最终饥饿状态值,配置所述投食对象的当前投食量;
投食操作模块,用于根据所述当前投食量,利用预先在所述投食区域中构建的投食设备执行所述投食对象的投食操作,得到所述投食对象的投食结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419296.XA CN116486097B (zh) | 2023-04-10 | 2023-04-10 | 应用于啮齿动物喂食场景下的远程自动投喂方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419296.XA CN116486097B (zh) | 2023-04-10 | 2023-04-10 | 应用于啮齿动物喂食场景下的远程自动投喂方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116486097A CN116486097A (zh) | 2023-07-25 |
CN116486097B true CN116486097B (zh) | 2023-10-24 |
Family
ID=87214944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310419296.XA Active CN116486097B (zh) | 2023-04-10 | 2023-04-10 | 应用于啮齿动物喂食场景下的远程自动投喂方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486097B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM496344U (zh) * | 2014-11-14 | 2015-03-01 | Medicalead Co Ltd | 寵物自動餵食控制裝置 |
CN109006621A (zh) * | 2018-07-18 | 2018-12-18 | 苏州倍儿壮养殖装备科技有限公司 | 一种水产养殖用投料装置 |
WO2019063762A1 (en) * | 2017-09-28 | 2019-04-04 | Koninklijke Philips N.V. | SYSTEMS AND METHODS FOR AIDING NUTRITION |
CN113671892A (zh) * | 2021-08-18 | 2021-11-19 | 迟明海 | 一种基于云平台的动物管理方法和动物管理系统 |
CN215422223U (zh) * | 2021-01-25 | 2022-01-07 | 深圳市前海远为科技有限公司 | 宠物零食投放装置 |
CN115337631A (zh) * | 2021-05-12 | 2022-11-15 | 智慧式有限公司 | 一种以餐食为游戏、研发人体健康与餐食配方应用、模拟与实际结合解决就业的系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9811536B2 (en) * | 2016-01-27 | 2017-11-07 | Dell Products L.P. | Categorizing captured images for subsequent search |
-
2023
- 2023-04-10 CN CN202310419296.XA patent/CN116486097B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM496344U (zh) * | 2014-11-14 | 2015-03-01 | Medicalead Co Ltd | 寵物自動餵食控制裝置 |
WO2019063762A1 (en) * | 2017-09-28 | 2019-04-04 | Koninklijke Philips N.V. | SYSTEMS AND METHODS FOR AIDING NUTRITION |
CN109006621A (zh) * | 2018-07-18 | 2018-12-18 | 苏州倍儿壮养殖装备科技有限公司 | 一种水产养殖用投料装置 |
CN215422223U (zh) * | 2021-01-25 | 2022-01-07 | 深圳市前海远为科技有限公司 | 宠物零食投放装置 |
CN115337631A (zh) * | 2021-05-12 | 2022-11-15 | 智慧式有限公司 | 一种以餐食为游戏、研发人体健康与餐食配方应用、模拟与实际结合解决就业的系统及方法 |
CN113671892A (zh) * | 2021-08-18 | 2021-11-19 | 迟明海 | 一种基于云平台的动物管理方法和动物管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116486097A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950596A (zh) | 一种用于神经网络的训练方法以及相关设备 | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN117373580B (zh) | 基于时序网络实现钛合金产品的性能分析方法及系统 | |
CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
CN115294185A (zh) | 猪只体重的估测方法以及相关设备 | |
CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
CN114495241A (zh) | 一种图像识别方法及装置、电子设备、存储介质 | |
CN110008922A (zh) | 用于终端设备的图像处理方法、设备、装置、介质 | |
CN116486097B (zh) | 应用于啮齿动物喂食场景下的远程自动投喂方法及系统 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
CN116403693A (zh) | 问诊单派单方法、装置、设备及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN114513355A (zh) | 恶意域名检测方法、装置、设备及存储介质 | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
CN114758403B (zh) | 疲劳驾驶智能分析方法及装置 | |
CN116522105B (zh) | 基于云计算的数据一体化搭建的方法、装置、设备及介质 | |
CN114781833B (zh) | 基于业务人员的能力测评方法、装置、设备及存储介质 | |
CN113850207B (zh) | 基于人工智能的微表情分类方法、装置、电子设备及介质 | |
CN116680380A (zh) | 视觉智能问答方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Jing Inventor after: Li Daiyu Inventor after: Ma Juan Inventor before: Wang Jing |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |