CN116596556A - 肉牛追溯管理系统及方法 - Google Patents
肉牛追溯管理系统及方法 Download PDFInfo
- Publication number
- CN116596556A CN116596556A CN202310525995.2A CN202310525995A CN116596556A CN 116596556 A CN116596556 A CN 116596556A CN 202310525995 A CN202310525995 A CN 202310525995A CN 116596556 A CN116596556 A CN 116596556A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- feeding process
- weight
- feature
- time sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 249
- 241000283690 Bos taurus Species 0.000 title claims abstract description 201
- 235000015278 beef Nutrition 0.000 title claims abstract description 118
- 239000013598 vector Substances 0.000 claims abstract description 335
- 230000008569 process Effects 0.000 claims abstract description 233
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 31
- 238000007726 management method Methods 0.000 claims description 75
- 238000009826 distribution Methods 0.000 claims description 37
- 230000004043 responsiveness Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000000384 rearing effect Effects 0.000 claims 2
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种肉牛追溯管理系统及方法。其首先获取被监测牛对象的饲养过程数据和在饲养过程中的各天的重量值,接着,将所述被监测牛对象在饲养过程中的各天的重量值排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量,然后,将所述被监测牛对象的饲养过程数据通过上下文编码器以得到饲养过程语义理解特征向量,接着,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵,最后,将所述分类特征矩阵通过分类器以得到用于表示被监测牛对象的生长状态是否正常的分类结果。这样,可以优化肉牛追溯管理方案。
Description
技术领域
本申请涉及智能化管理领域,且更为具体地,涉及一种肉牛追溯管理系统及方法。
背景技术
随着人们对食品安全要求的提高和对健康饮食的关注,消费者越来越关注肉类产品的质量和安全。肉牛追溯管理系统就是为了满足这一需求而出现的,它可以有效监控和记录肉牛从养殖到屠宰的全过程,使得消费者可以追溯肉牛所在的生产环节和产品质量情况,提高消费者的信任度和满意度。
目前,由于现有管理方式过于繁琐,难以确定整个生产过程的全貌,因此要实现真正意义上的追溯需要相当大的成本和精力。并且,现有的管理方案中仅仅关注于牛本身的信息,而忽略了牛在饲养过程中的饲养信息,也就无法完整地追溯肉牛的具体来源和去向。同时,现有的一些方案通过区块链技术虽然可确保肉牛数据的真实性,但仍需要对从区块链上获取的数据进行分析以得到追溯结果。因此,期望一种优化的肉牛追溯管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种肉牛追溯管理系统及方法。其首先获取被监测牛对象的饲养过程数据和在饲养过程中的各天的重量值,接着,将所述被监测牛对象在饲养过程中的各天的重量值排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量,然后,将所述被监测牛对象的饲养过程数据通过上下文编码器以得到饲养过程语义理解特征向量,接着,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵,最后,将所述分类特征矩阵通过分类器以得到用于表示被监测牛对象的生长状态是否正常的分类结果。这样,可以优化肉牛追溯管理方案。
根据本申请的一个方面,提供了一种肉牛追溯管理方法,其包括:
获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳;
获取所述被监测牛对象在饲养过程中的各天的重量值;
将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量;
将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量;
计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。
在上述的肉牛追溯管理方法中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述的肉牛追溯管理方法中,将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量,包括:
使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第一尺度重量时序特征向量;
使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第二尺度重量时序特征向量,所述第二长度不同于所述第一长度;以及
将所述第一尺度重量时序特征向量和所述第二尺度重量时序特征向量进行级联以得到所述重量时序特征向量。
在上述的肉牛追溯管理方法中,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量,包括:
对所述被监测牛对象的饲养过程数据进行分词处理以将所述被监测牛对象的饲养过程数据转化为由多个词组成的词序列;
使用所述上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及
使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述饲养过程语义理解特征向量。
在上述的肉牛追溯管理方法中,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵,包括:
分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;
以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述重量时序特征向量和所述饲养过程语义理解特征向量进行加权优化以得到优化后重量时序特征向量和优化后饲养过程语义理解特征向量;以及
计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵。
在上述的肉牛追溯管理方法中,分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数,包括:
以如下优化公式分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;
其中,所述优化公式为:
其中,v1i是所述重量时序特征向量中各个位置的特征值,v2i是所述饲养过程语义理解特征向量中各个位置的特征值,L是特征向量的长度,μ1和σ1 2分别是所述重量时序特征向量中各个位置特征值集合的均值和方差,且μ2和σ2 2分别是所述饲养过程语义理解特征向量中各个位置特征值集合的均值和方差,log为以2为底的对数函数,w1和w2分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
在上述的肉牛追溯管理方法中,计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵,包括:
使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,其中,所述融合高斯密度图的均值向量为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,所述融合高斯密度图的协方差矩阵为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差;以及
对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在上述的肉牛追溯管理方法中,使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,包括:
使用高斯密度图以如下高斯密度图公式来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述融合高斯密度图;
其中,所述高斯密度图公式为:
其中,μ表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,且σ的每个位置的值表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差。
在上述的肉牛追溯管理方法中,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常,包括:
将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种肉牛追溯管理系统,其包括:
饲养过程数据获取模块,用于获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳;
重量值获取模块,用于获取所述被监测牛对象在饲养过程中的各天的重量值;
多尺度编码模块,用于将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量;
上下文编码模块,用于将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量;
响应性估计模块,用于计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵;以及
分类模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。
与现有技术相比,本申请提供的肉牛追溯管理系统及方法,其首先获取被监测牛对象的饲养过程数据和在饲养过程中的各天的重量值,接着,将所述被监测牛对象在饲养过程中的各天的重量值排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量,然后,将所述被监测牛对象的饲养过程数据通过上下文编码器以得到饲养过程语义理解特征向量,接着,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵,最后,将所述分类特征矩阵通过分类器以得到用于表示被监测牛对象的生长状态是否正常的分类结果。这样,可以优化肉牛追溯管理方案。
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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的肉牛追溯管理方法的应用场景图。
图2为根据本申请实施例的肉牛追溯管理方法的流程图。
图3为根据本申请实施例的肉牛追溯管理方法的架构示意图。
图4为根据本申请实施例的肉牛追溯管理方法的子步骤S130的流程图。
图5为根据本申请实施例的肉牛追溯管理方法的子步骤S140的流程图。
图6为根据本申请实施例的肉牛追溯管理方法的子步骤S150的流程图。
图7为根据本申请实施例的肉牛追溯管理方法的子步骤S153的流程图。
图8为根据本申请实施例的肉牛追溯管理方法的子步骤S160的流程图。
图9为根据本申请实施例的肉牛追溯管理系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,目前,由于现有管理方式过于繁琐,难以确定整个生产过程的全貌,因此要实现真正意义上的追溯需要相当大的成本和精力。并且,现有的管理方案中仅仅关注于牛本身的信息,而忽略了牛在饲养过程中的饲养信息,也就无法完整地追溯肉牛的具体来源和去向。同时,现有的一些方案通过区块链技术虽然可确保肉牛数据的真实性,但仍需要对从区块链上获取的数据进行分析以得到追溯结果。因此,期望一种优化的肉牛追溯管理方案。
相应地,考虑到在实际进行肉牛追溯管理过程中,关键在于对于牛的生长状态进行监测,以判断其生长状态是否正常,从而提高肉牛的质量安全和消费者的信任度。在此过程中,可以通过对于牛对象的饲养过程数据,包括有饲料配方、投料量和饲喂时间戳,以及牛对象的重量值变化数据进行分析,以此来进行肉牛的追溯管理和监测。但是,由于所述牛对象的饲养过程数据是文本数据,其具有着上下文的语义关联特征,而所述牛对象的重量值在时间维度上有着动态性的变化规律。因此,在实际进行肉牛追溯管理时,难点在于如何挖掘所述牛对象的饲养过程上下文语义理解特征和所述牛对象的重量时序变化特征之间的关联性特征分布信息,以此来准确地进行牛对象的生长状态监测,从而对于异常情况采取相应措施,以提高肉牛的质量安全和消费者的信任度。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述牛对象的饲养过程上下文语义理解特征和所述牛对象的重量时序变化特征之间的关联性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳。接着,考虑到由于所述被监测牛对象的饲养过程数据中的饲料配方、投料量和饲喂时间戳都是由多个词组成的文本数据,因而所述饲养过程数据具有着上下文的语义关联特征信息。也就是说,所述饲养过程数据中的饲料配方、投料量和饲喂时间戳之间具有着上下文的语义强关联关系。基于此,在本申请的技术方案中,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器中进行编码,以提取出所述饲养过程数据中的各个数据项基于全局的上下文语义关联特征信息,从而得到饲养过程语义理解特征向量。
然后,获取所述被监测牛对象在饲养过程中的各天的重量值。应可以理解,考虑到由于所述被监测牛对象在各天的重量值在时间维度上有着动态变化规律,并且由于所述重量值的波动性和不确定性导致其在时序上的不同时间周期跨度下呈现出不同的动态变化特性。因此,为了能够进行所述被监测牛对象在各天的重量值的时序变化特征的充分表达,在本申请的技术方案中,进一步将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块中进行特征提取,以提取出所述被监测牛对象的各天重量值在不同时间跨度下的时序动态多尺度邻域关联特征,从而得到重量时序特征向量。
进一步地,还考虑到由于所述被监测牛对象的各天重量值时序变化信息和所述饲养过程数据的语义理解信息在实际监测的过程中并不明显,因此,在得到所述重量时序特征向量和所述饲养过程语义理解特征向量后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过高斯分布作为先验分布,来对于所述重量时序特征向量和所述饲养过程语义理解特征向量进行数据增强,也就是,基于高斯密度图对所述重量时序特征向量和所述饲养过程语义理解特征向量进行特征表达强化。具体地,分别构造所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯密度图以得到重量时序高斯密度图和饲养过程语义理解高斯密度图。
接着,再计算所述重量时序高斯密度图相对于所述饲养过程语义理解高斯密度图的响应性估计,以此来表示所述饲养过程数据中的各个数据项基于全局的上下文语义关联特征信息和所述被监测牛对象的各天重量值在不同时间跨度下的时序动态多尺度邻域关联特征的关联性特征分布信息,即所述牛对象的重量时序变化特征和其饲养过程语义特征的关联性特征信息,并以此作为分类特征矩阵通过分类器中进行分类处理,以得到用于表示被监测牛对象的生长状态是否正常的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括被监测牛对象的生长状态正常(第一标签),以及,被监测牛对象的生长状态不正常(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被监测牛对象的生长状态是否正常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被监测牛对象的生长状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被监测牛对象的生长状态是否正常”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为被监测牛对象的生长状态是否正常的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来进行牛对象的生长状态监测,从而对于异常情况采取相应措施,以提高肉牛的质量安全和消费者的信任度。
特别地,在本申请的技术方案中,这里,在基于高斯密度图计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计得到所述分类特征矩阵时,考虑到尽管高斯密度图的均值向量和方差矩阵是确定的,但是在高斯离散化过程中仍然存在基于高斯概率幅值的一定随机性,因此,所述重量时序特征向量和所述饲养过程语义理解特征向量在各自的高斯概率密度表达内会存在高斯回归不确定性,从而在计算得到的所述分类特征矩阵内引入分类回归误差,这会影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
基于此,在本申请的技术方案中,分别计算所述重量时序特征向量V1和所述饲养过程语义理解特征向量V2的高斯回归不确定性因数,表示为:
L是特征向量的长度,μ1和σ1 2分别是特征集合v1i∈V1的均值和方差,且μ2和σ2 2分别是特征集合v2i∈V2的均值和方差,log为以2为底的对数。
这里,针对所述重量时序特征向量V1和所述饲养过程语义理解特征向量V2各自的集成特征集合由于其分布不确定性信息可能导致的所述分类特征矩阵的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将待融合特征向量的特征表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对所述重量时序特征向量和所述饲养过程语义理解特征向量加权后再进行响应性估计,就可以实现所述重量时序特征向量和所述饲养过程语义理解特征向量在响应性估计计算过程中基于自校准的不确定性修正,从而修正所述分类特征矩阵内存在的分类回归误差,提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地进行牛对象的生长状态监测,从而对于异常情况采取相应措施,以提高肉牛的质量安全和消费者的信任度。
图1为根据本申请实施例的肉牛追溯管理方法的应用场景图。如图1所示,在该应用场景中,首先,获取被监测牛对象的饲养过程数据(例如,图1中所示意的D1),以及,所述被监测牛对象在饲养过程中的各天的重量值(例如,图1中所示意的D2),其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳,然后,将所述被监测牛对象的饲养过程数据和所述被监测牛对象在饲养过程中的各天的重量值输入至部署有肉牛追溯管理算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述肉牛追溯管理算法对所述被监测牛对象的饲养过程数据和所述被监测牛对象在饲养过程中的各天的重量值进行处理以得到用于表示被监测牛对象的生长状态是否正常的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的肉牛追溯管理方法的流程图。如图2所示,根据本申请实施例的肉牛追溯管理方法,包括步骤:S110,获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳;S120,获取所述被监测牛对象在饲养过程中的各天的重量值;S130,将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量;S140,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量;S150,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵;以及,S160,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。
图3为根据本申请实施例的肉牛追溯管理方法的架构示意图。如图3所示,在该网络架构中,首先,获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳;接着,获取所述被监测牛对象在饲养过程中的各天的重量值;然后,将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量;接着,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量;然后,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵;最后,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。
更具体地,在步骤S110中,获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳。在步骤S120中,获取所述被监测牛对象在饲养过程中的各天的重量值。在实际进行肉牛追溯管理过程中,关键在于对于牛的生长状态进行监测,以判断其生长状态是否正常,从而提高肉牛的质量安全和消费者的信任度。在此过程中,可以通过对于牛对象的饲养过程数据,包括有饲料配方、投料量和饲喂时间戳,以及牛对象的重量值变化数据进行分析,以此来进行肉牛的追溯管理和监测。
更具体地,在步骤S130中,将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量。由于所述被监测牛对象在各天的重量值在时间维度上有着动态变化规律,并且由于所述重量值的波动性和不确定性导致其在时序上的不同时间周期跨度下呈现出不同的动态变化特性。因此,为了能够进行所述被监测牛对象在各天的重量值的时序变化特征的充分表达,在本申请的技术方案中,进一步将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块中进行特征提取,以提取出所述被监测牛对象的各天重量值在不同时间跨度下的时序动态多尺度邻域关联特征,从而得到重量时序特征向量。
相应地,在一个具体示例中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。如图4所示,将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量,包括:S131,使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第一尺度重量时序特征向量;S132,使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第二尺度重量时序特征向量,所述第二长度不同于所述第一长度;以及,S133,将所述第一尺度重量时序特征向量和所述第二尺度重量时序特征向量进行级联以得到所述重量时序特征向量。
更具体地,在步骤S140中,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量。由于所述被监测牛对象的饲养过程数据中的饲料配方、投料量和饲喂时间戳都是由多个词组成的文本数据,因而所述饲养过程数据具有着上下文的语义关联特征信息。也就是说,所述饲养过程数据中的饲料配方、投料量和饲喂时间戳之间具有着上下文的语义强关联关系。基于此,在本申请的技术方案中,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器中进行编码,以提取出所述饲养过程数据中的各个数据项基于全局的上下文语义关联特征信息,从而得到饲养过程语义理解特征向量。
相应地,在一个具体示例中,如图5所示,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量,包括:S141,对所述被监测牛对象的饲养过程数据进行分词处理以将所述被监测牛对象的饲养过程数据转化为由多个词组成的词序列;S142,使用所述上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及,S143,使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述饲养过程语义理解特征向量。
更具体地,在步骤S150中,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵。由于所述被监测牛对象的各天重量值时序变化信息和所述饲养过程数据的语义理解信息在实际监测的过程中并不明显,因此,在得到所述重量时序特征向量和所述饲养过程语义理解特征向量后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过高斯分布作为先验分布,来对于所述重量时序特征向量和所述饲养过程语义理解特征向量进行数据增强,也就是,基于高斯密度图对所述重量时序特征向量和所述饲养过程语义理解特征向量进行特征表达强化。
相应地,在一个具体示例中,如图6所示,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵,包括:S151,分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;S152,以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述重量时序特征向量和所述饲养过程语义理解特征向量进行加权优化以得到优化后重量时序特征向量和优化后饲养过程语义理解特征向量;以及,S153,计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵。
特别地,在本申请的技术方案中,这里,在基于高斯密度图计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计得到所述分类特征矩阵时,考虑到尽管高斯密度图的均值向量和方差矩阵是确定的,但是在高斯离散化过程中仍然存在基于高斯概率幅值的一定随机性,因此,所述重量时序特征向量和所述饲养过程语义理解特征向量在各自的高斯概率密度表达内会存在高斯回归不确定性,从而在计算得到的所述分类特征矩阵内引入分类回归误差,这会影响所述分类特征矩阵通过分类器得到的分类结果的准确性。基于此,在本申请的技术方案中,分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数.
相应地,在一个具体示例中,分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数,包括:以如下优化公式分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述优化公式为:
其中,v1i是所述重量时序特征向量中各个位置的特征值,v2i是所述饲养过程语义理解特征向量中各个位置的特征值,L是特征向量的长度,μ1和σ1 2分别是所述重量时序特征向量中各个位置特征值集合的均值和方差,且μ2和σ2 2分别是所述饲养过程语义理解特征向量中各个位置特征值集合的均值和方差,log为以2为底的对数函数,w1和w2分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
这里,针对所述重量时序特征向量和所述饲养过程语义理解特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述分类特征矩阵的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将待融合特征向量的特征表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对所述重量时序特征向量和所述饲养过程语义理解特征向量加权后再进行响应性估计,就可以实现所述重量时序特征向量和所述饲养过程语义理解特征向量在响应性估计计算过程中基于自校准的不确定性修正,从而修正所述分类特征矩阵内存在的分类回归误差,提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地进行牛对象的生长状态监测,从而对于异常情况采取相应措施,以提高肉牛的质量安全和消费者的信任度。
相应地,在一个具体示例中,如图7所示,计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵,包括:
S1531,使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,其中,所述融合高斯密度图的均值向量为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,所述融合高斯密度图的协方差矩阵为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差;以及,S1532,对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
相应地,在一个具体示例中,使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,包括:使用高斯密度图以如下高斯密度图公式来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述融合高斯密度图;其中,所述高斯密度图公式为:
其中,μ表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,且σ的每个位置的值表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差。
更具体地,在步骤S160中,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。在得到所述分类结果后,可基于所述分类结果来进行牛对象的生长状态监测,从而对于异常情况采取相应措施,以提高肉牛的质量安全和消费者的信任度。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-classclassification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,如图8所示,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常,包括:S161,将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;S162,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S163,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的肉牛追溯管理方法,其首先获取被监测牛对象的饲养过程数据和在饲养过程中的各天的重量值,接着,将所述被监测牛对象在饲养过程中的各天的重量值排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量,然后,将所述被监测牛对象的饲养过程数据通过上下文编码器以得到饲养过程语义理解特征向量,接着,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵,最后,将所述分类特征矩阵通过分类器以得到用于表示被监测牛对象的生长状态是否正常的分类结果。这样,可以优化肉牛追溯管理方案。
图9为根据本申请实施例的肉牛追溯管理系统100的框图。如图9所示,根据本申请实施例的肉牛追溯管理系统100,包括:饲养过程数据获取模块110,用于获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳;重量值获取模块120,用于获取所述被监测牛对象在饲养过程中的各天的重量值;多尺度编码模块130,用于将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量;上下文编码模块140,用于将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量;响应性估计模块150,用于计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵;以及,分类模块160,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。
在一个示例中,在上述肉牛追溯管理系统100中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个示例中,在上述肉牛追溯管理系统100中,所述多尺度编码模块130,用于:使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第一尺度重量时序特征向量;使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第二尺度重量时序特征向量,所述第二长度不同于所述第一长度;以及,将所述第一尺度重量时序特征向量和所述第二尺度重量时序特征向量进行级联以得到所述重量时序特征向量。
在一个示例中,在上述肉牛追溯管理系统100中,所述上下文编码模块140,用于:对所述被监测牛对象的饲养过程数据进行分词处理以将所述被监测牛对象的饲养过程数据转化为由多个词组成的词序列;使用所述上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及,使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述饲养过程语义理解特征向量。
在一个示例中,在上述肉牛追溯管理系统100中,所述响应性估计模块150,用于:分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述重量时序特征向量和所述饲养过程语义理解特征向量进行加权优化以得到优化后重量时序特征向量和优化后饲养过程语义理解特征向量;以及,计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵。
在一个示例中,在上述肉牛追溯管理系统100中,分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数,包括:以如下优化公式分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述优化公式为:
其中,v1i是所述重量时序特征向量中各个位置的特征值,v2i是所述饲养过程语义理解特征向量中各个位置的特征值,L是特征向量的长度,μ1和σ1 2分别是所述重量时序特征向量中各个位置特征值集合的均值和方差,且μ2和σ2 2分别是所述饲养过程语义理解特征向量中各个位置特征值集合的均值和方差,log为以2为底的对数函数,w1和w2分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
在一个示例中,在上述肉牛追溯管理系统100中,计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵,包括:使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,其中,所述融合高斯密度图的均值向量为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,所述融合高斯密度图的协方差矩阵为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差;以及,对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在一个示例中,在上述肉牛追溯管理系统100中,使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,包括:使用高斯密度图以如下高斯密度图公式来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述融合高斯密度图;其中,所述高斯密度图公式为:
其中,μ表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,且σ的每个位置的值表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差。
在一个示例中,在上述肉牛追溯管理系统100中,所述分类模块160,用于:将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述肉牛追溯管理系统100中的各个模块的具体功能和操作已经在上面参考图1到图8的肉牛追溯管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的肉牛追溯管理系统100可以实现在各种无线终端中,例如具有肉牛追溯管理算法的服务器等。在一个示例中,根据本申请实施例的肉牛追溯管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该肉牛追溯管理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该肉牛追溯管理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该肉牛追溯管理系统100与该无线终端也可以是分立的设备,并且该肉牛追溯管理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种肉牛追溯管理方法,其特征在于,包括:
获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳;
获取所述被监测牛对象在饲养过程中的各天的重量值;
将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量;
将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量;
计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。
2.根据权利要求1所述的肉牛追溯管理方法,其特征在于,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的肉牛追溯管理方法,其特征在于,将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量,包括:
使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第一尺度重量时序特征向量;
使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述重量时序输入向量进行一维卷积编码以得到第二尺度重量时序特征向量,所述第二长度不同于所述第一长度;以及
将所述第一尺度重量时序特征向量和所述第二尺度重量时序特征向量进行级联以得到所述重量时序特征向量。
4.根据权利要求3所述的肉牛追溯管理方法,其特征在于,将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量,包括:
对所述被监测牛对象的饲养过程数据进行分词处理以将所述被监测牛对象的饲养过程数据转化为由多个词组成的词序列;
使用所述上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及
使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述饲养过程语义理解特征向量。
5.根据权利要求4所述的肉牛追溯管理方法,其特征在于,计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵,包括:
分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;
以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述重量时序特征向量和所述饲养过程语义理解特征向量进行加权优化以得到优化后重量时序特征向量和优化后饲养过程语义理解特征向量;以及
计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵。
6.根据权利要求5所述的肉牛追溯管理方法,其特征在于,分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数,包括:
以如下优化公式分别计算所述重量时序特征向量和所述饲养过程语义理解特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;
其中,所述优化公式为:
其中,v1i是所述重量时序特征向量中各个位置的特征值,v2i是所述饲养过程语义理解特征向量中各个位置的特征值,L是特征向量的长度,μ1和σ1 2分别是所述重量时序特征向量中各个位置特征值集合的均值和方差,且μ2和σ2 2分别是所述饲养过程语义理解特征向量中各个位置特征值集合的均值和方差,log为以2为底的对数函数,w1和w2分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
7.根据权利要求6所述的肉牛追溯管理方法,其特征在于,计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述分类特征矩阵,包括:
使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,其中,所述融合高斯密度图的均值向量为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,所述融合高斯密度图的协方差矩阵为所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差;以及
对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
8.根据权利要求7所述的肉牛追溯管理方法,其特征在于,使用高斯密度图来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到融合高斯密度图,包括:
使用高斯密度图以如下高斯密度图公式来计算所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量的响应性估计以得到所述融合高斯密度图;
其中,所述高斯密度图公式为:
其中,μ表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量之间的按位置均值向量,且σ的每个位置的值表示所述优化后重量时序特征向量和所述优化后饲养过程语义理解特征向量中各个位置的特征值之间的方差。
9.根据权利要求8所述的肉牛追溯管理方法,其特征在于,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常,包括:
将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种肉牛追溯管理系统,其特征在于,包括:
饲养过程数据获取模块,用于获取被监测牛对象的饲养过程数据,其中,所述饲养过程数据包括饲料配方、投料量和饲喂时间戳;
重量值获取模块,用于获取所述被监测牛对象在饲养过程中的各天的重量值;
多尺度编码模块,用于将所述被监测牛对象在饲养过程中的各天的重量值按照时间维度排列为重量时序输入向量后通过多尺度邻域特征提取模块以得到重量时序特征向量;
上下文编码模块,用于将所述被监测牛对象的饲养过程数据通过包含嵌入层的上下文编码器以得到饲养过程语义理解特征向量;
响应性估计模块,用于计算所述重量时序特征向量相对于所述饲养过程语义理解特征向量的响应性估计以得到分类特征矩阵;以及
分类模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测牛对象的生长状态是否正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525995.2A CN116596556A (zh) | 2023-05-11 | 2023-05-11 | 肉牛追溯管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525995.2A CN116596556A (zh) | 2023-05-11 | 2023-05-11 | 肉牛追溯管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596556A true CN116596556A (zh) | 2023-08-15 |
Family
ID=87607414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310525995.2A Pending CN116596556A (zh) | 2023-05-11 | 2023-05-11 | 肉牛追溯管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596556A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271906A (zh) * | 2023-11-22 | 2023-12-22 | 吉林省牛人网络科技股份有限公司 | 肉牛交易管理系统及其方法 |
CN117649154A (zh) * | 2024-01-29 | 2024-03-05 | 新疆三联工程建设有限责任公司 | 基于数字化的砼试块制作全过程管理系统及方法 |
-
2023
- 2023-05-11 CN CN202310525995.2A patent/CN116596556A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271906A (zh) * | 2023-11-22 | 2023-12-22 | 吉林省牛人网络科技股份有限公司 | 肉牛交易管理系统及其方法 |
CN117271906B (zh) * | 2023-11-22 | 2024-03-22 | 吉林省牛人网络科技股份有限公司 | 肉牛交易管理系统及其方法 |
CN117649154A (zh) * | 2024-01-29 | 2024-03-05 | 新疆三联工程建设有限责任公司 | 基于数字化的砼试块制作全过程管理系统及方法 |
CN117649154B (zh) * | 2024-01-29 | 2024-04-19 | 新疆三联工程建设有限责任公司 | 基于数字化的砼试块制作全过程管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11664108B2 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
US20200349448A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
CN116596556A (zh) | 肉牛追溯管理系统及方法 | |
CN116010713A (zh) | 基于云计算的创新创业平台服务数据处理方法及系统 | |
CN112148955A (zh) | 一种物联网时序数据异常检测方法及系统 | |
CN111881671B (zh) | 一种属性词提取方法 | |
CN112598017A (zh) | 用于对产品进行分类的系统和方法 | |
Nair et al. | Covariate shift: A review and analysis on classifiers | |
CN116597377A (zh) | 牛养殖的智能监控管理方法及其系统 | |
CN116577677A (zh) | 退役动力电池的放电测试系统及其方法 | |
CN116663568B (zh) | 基于优先级的关键任务识别系统及其方法 | |
CN116482524A (zh) | 输配电开关状态检测方法及系统 | |
WO2014130287A1 (en) | Method and system for propagating labels to patient encounter data | |
Su et al. | Clustering and recognition of spatiotemporal features through interpretable embedding of sequence to sequence recurrent neural networks | |
CN109615080B (zh) | 无监督模型评估方法、装置、服务器及可读存储介质 | |
CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
KR20220007030A (ko) | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 | |
CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN116624903A (zh) | 一种用于油烟管道的智能监测方法及系统 | |
CN111611796A (zh) | 下位词的上位词确定方法、装置、电子设备及存储介质 | |
CN115238645A (zh) | 资产数据识别方法、装置、电子设备和计算机存储介质 | |
KR20220151453A (ko) | 상품의 가격 예측 방법 | |
CN116561814B (zh) | 纺织化纤供应链信息防篡改方法及其系统 | |
CN117496126B (zh) | 基于关键词的影像自动定位系统及方法 | |
CN117686890B (zh) | 用于毫米波治疗仪的单板测试方法及系统 |
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 |