CN117196832B - 畜牧业活体抵押监管系统及其方法 - Google Patents

Abstract

本发明涉及智能化监管领域，其具体地公开了一种畜牧业活体抵押监管系统及其方法。其首先与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中，接着，对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见，然后，在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息，最后，将所述数据分析子系统的分析结果进行展示。这样，可以提高对牲畜健康情况和品种评估的精准度，从而优化信用评估结果。

Description

畜牧业活体抵押监管系统及其方法

技术领域

本发明涉及智能化监管领域，且更为具体地，涉及一种畜牧业活体抵押监管系统及其方法。

背景技术

畜牧业是农业的重要组成部分，其发展对于保障人类的食品安全和经济发展至关重要。畜牧业活体抵押是一种金融服务模式，它允许畜牧业者将自己的牲畜作为抵押物获得贷款或其他金融支持。在畜牧业中，养殖者通常需要大量资金用于购买牲畜、饲料、设备等。然而，由于畜牧业的特殊性，传统的信用评估方式对于畜牧业者来说可能并不适用。

传统的信用评估主要依赖于借款人的信用记录、资产状况和经营状况等因素。但在畜牧业中，由于牲畜是一种活体资产，其价值会随着时间的推移而变化。此外，牲畜的健康状况和品种特征对其价值也有重要影响。因此，传统的信用评估方式无法全面而准确地评估畜牧业者的贷款风险。

然而，在对于被抵押牲畜的健康状况进行检测评估时，传统方案通常依赖于人工目测和触摸等方式对牲畜进行评估。这种评估方法容易受到个人主观意见和经验的影响，导致评估结果的不准确性和不可靠性。并且，传统方案大多只能通过外部观察来评估牲畜的健康状况和品种类型，无法提供准确的评估结果。

因此，期望一种优化的畜牧业活体抵押监管系统。

发明内容

有鉴于此，本公开提出了一种畜牧业活体抵押监管系统及其方法，其可以提高对牲畜健康情况和品种评估的精准度，从而优化信用评估结果。

根据本公开的一方面，提供了一种畜牧业活体抵押监管系统，其包括：

物联网数据采集子系统，用于与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中；

数据分析子系统，用于对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见；

预警子系统，用于在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息；

大屏展示子系统，用于将所述数据分析子系统的分析结果进行展示。

根据本公开的另一方面，提供了一种畜牧业活体抵押监管方法，其包括：

与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中；

对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见；

在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息；

将所述数据分析子系统的分析结果进行展示。

根据本公开的实施例，其首先与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中，接着，对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见，然后，在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息，最后，将所述数据分析子系统的分析结果进行展示。这样，可以提高对牲畜健康情况和品种评估的精准度，从而优化信用评估结果。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的畜牧业活体抵押监管系统的框图。

图2示出根据本公开的实施例的畜牧业活体抵押监管系统中所述数据分析子系统的框图。

图3示出根据本公开的实施例的畜牧业活体抵押监管系统中所述毛发图像特征分析模块的框图。

图4示出根据本公开的实施例的畜牧业活体抵押监管系统中所述毛发多尺度特征融合单元的框图。

图5示出根据本公开的实施例的畜牧业活体抵押监管系统中所述牲畜健康状态检测模块的框图。

图6示出根据本公开的实施例的畜牧业活体抵押监管系统中所述特征优化单元的框图。

图7示出根据本公开的实施例的畜牧业活体抵押监管方法的流程图。

图8示出根据本公开的实施例的畜牧业活体抵押监管方法的子步骤S120的架构示意图。

图9示出根据本公开的实施例的畜牧业活体抵押监管系统的应用场景图。

具体实施方式

下面将结合附图对本公开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公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

如本公开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。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

相应地，考虑到牲畜的毛色和毛质通常会受到其健康状况的影响。例如，健康牲畜通常具有光泽、柔软的毛发，毛色均匀且鲜艳。而患病或不健康的牲畜可能出现毛发无光泽、干燥、脱落或毛色变化等问题。因而通过观察牲畜的毛色和毛质变化，可以初步判断其健康状态是否正常。并且，不同品种的牲畜往往具有特定的毛色和毛质特征。通过观察牲畜的毛色和毛质，可以初步判断其所属的品种类型。这对于畜牧业者和金融机构来说都是重要的信息，因为不同品种的牲畜在市场上的价值和需求可能存在差异，并且对于环境的适应能力夜有所差异。

基于此，本公开的技术构思为通过摄像头采集被抵押牲畜的毛发图像，并在后端引入图像处理和分析算法来进行所述毛发图像的分析，以通过牲畜毛发的毛色和毛质来判断该牲畜的健康状态和品种特征，以此来提高对牲畜健康情况和品种评估的精准度，从而优化信用评估结果，有利于更为准确地评估畜牧业者的贷款风险。

图1示出根据本公开的实施例的畜牧业活体抵押监管系统的框图示意图。如图1所示，根据本公开实施例的畜牧业活体抵押监管系统100，包括：物联网数据采集子系统110，用于与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中；数据分析子系统120，用于对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见；预警子系统130，用于在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息；以及，大屏展示子系统140，用于将所述数据分析子系统的分析结果进行展示。

图2示出根据本公开的实施例的畜牧业活体抵押监管系统中所述数据分析子系统的框图。如图2所示，根据本公开实施例的畜牧业活体抵押监管系统100，所述数据分析子系统120，包括：毛发图像采集模块121，用于通过摄像头采集被抵押牲畜的毛发图像；毛发图像特征分析模块122，用于对所述被抵押牲畜的毛发图像进行图像特征分析以得到被抵押牲畜的毛发特征；以及，牲畜健康状态检测模块123，用于基于所述被抵押牲畜的毛发特征，确定被抵押牲畜的健康状态是否正常。

具体地，在本公开的技术方案中，首先，获取由摄像头采集的被抵押牲畜的毛发图像。接着，使用在图像的隐含特征提取方面具有优异表现性能的卷积神经网络模型来进行所述被抵押牲畜的毛发图像的特征挖掘，以提取出图像中有关于该被抵押牲畜毛发的毛色和毛质等特征信息，以此来进行牲畜的健康状况和品种的评估。特别地，考虑到在实际进行所述被抵押牲畜的健康状态和品种类型检测时，不仅需要关注于图像中有关于该牲畜毛发的颜色、纹理等特征信息，还需要关注于其内部的损伤等深层的隐含特征信息。而金字塔网络主要是解决目标检测中的多尺度问题，其可以在不同尺度上对图像特征进行分析，并通过融合这些不同层的特征达到很好的检测效果。

基于此，在本公开的技术方案中，将所述被抵押牲畜的毛发图像通过基于金字塔网络的多尺度特征提取器以得到毛发浅层特征图、毛发中层特征图和毛发深层特征图。应可以理解，这里，所述毛发浅层特征图反映了有关于所述被抵押牲畜毛发的纹理和形状等表面浅层特征信息，所述毛发中层特征图反映了有关于所述被抵押牲畜毛发的颜色和结构等中层特征信息，所述毛发深层特征图反映了有关于所述被抵押牲畜毛发的更抽象和高层次的内部结构和损伤等特征信息。因此，将图像中有关于该牲畜的毛发不同层次的特征信息进行融合，可以综合利用不同层次的特征信息来提高牲畜毛发特征的表达能力，有利于对于被抵押牲畜的健康状态和品种进行准确检测评估。

进一步地，在分别得到所述被抵押牲畜的毛发图像中有关于牲畜毛发的浅层特征、中层特征和深层特征信息后，需要将所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图进行融合，以保留图像中有关于被抵押牲畜毛发的多层次信息来进行牲畜的健康状态和品种检测，从而检测的精准度。特别地，为了不过多增大模型的参数量以及保持通道数不变，在本公开的技术方案中，进一步使用自适应融合模块融合所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图以得到毛发多尺度特征图。这样，既能在不增加过多参数的情况下保持原有的通道数不变，也能进行多层次的特征融合，充分利用多层次信息，进而提高对于牲畜的健康状态和品种检测的精准度。

接着，将所述毛发多尺度特征图通过三分支注意力模块以得到多维度强化毛发特征图。应可以理解，由于所述毛发多尺度特征图存在所述被抵押牲畜的毛发图像中有关于毛发特征信息之间的多尺度互补信息，因此，在本公开的技术方案中，进一步使用所述三分支注意力模块来加强所述毛发多尺度特征图中各个位置的特征在空间维度上的交互，空间维度和通道维度上的交互，以及，不同通道维度之间的交互以更为有效地挖掘和重视互补特征信息。

相应地，如图3所示，所述毛发图像特征分析模块122，包括：牲畜毛发多尺度特征提取单元1221，用于通过基于深度神经网络模型的多尺度特征提取器对所述被抵押牲畜的毛发图像进行特征提取以得到毛发浅层特征图、毛发中层特征图和毛发深层特征图；以及，毛发多尺度特征融合单元1222，用于融合模块融合所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图以得到所述被抵押牲畜的毛发特征。其中，所述深度神经网络模型为金字塔网络模型。值得一提的是，金字塔网络模型是一种深度神经网络模型，它的结构类似于金字塔形状，该模型在不同尺度上提取特征，从而能够捕捉到不同层次的信息。金字塔网络模型在图像处理领域中被广泛应用，特别是在目标检测和图像分割任务中，它可以通过在不同层次上提取特征，从全局到局部，从粗糙到细致，来获取更加丰富和准确的特征表示。在所述毛发图像特征分析模块中，使用金字塔网络模型进行多尺度特征提取，可以在不同层次上获取毛发图像的浅层、中层和深层特征。然后，这些特征通过毛发多尺度特征融合单元进行融合，得到最终的毛发特征表示。通过金字塔网络模型，可以更好地捕捉到毛发图像的多层次特征信息，提高对被抵押牲畜毛发特征的分析和识别能力，从而实现更准确和可靠的牲畜抵押评估。

更具体地，如图4所示，所述毛发多尺度特征融合单元1222，包括：毛发特征自适应融合子单元12221，用于使用自适应融合模块融合所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图以得到毛发多尺度特征图；以及，多维度毛发特征强化子单元12222，用于将所述毛发多尺度特征图通过三分支注意力模块以得到多维度强化毛发特征图作为所述被抵押牲畜的毛发特征。值得一提的是，三分支注意力模块是一种用于增强特征表示能力的模块，它能够自适应地对输入的特征图进行加权融合，从而提取更具有区分度和重要性的特征。三分支注意力模块通常由三个分支组成：通道注意力分支、空间注意力分支和通道-空间注意力分支。通道注意力分支：该分支通过对特征图的通道维度进行注意力计算，学习不同通道之间的重要性权重，它能够自动选择和强化对于当前任务更有用的特征通道，抑制对任务无关的通道。空间注意力分支：该分支通过对特征图的空间维度进行注意力计算，学习不同空间位置的重要性权重，它能够自动选择和强化对于当前任务更有用的空间位置，抑制对任务无关的位置。通道-空间注意力分支：该分支结合了通道和空间的注意力计算，综合考虑了通道和空间的重要性，它能够在通道和空间两个维度上同时进行注意力加权，从而更全面地捕捉特征图的重要信息。通过三分支注意力模块，可以根据不同任务的需求，自适应地对毛发多尺度特征图进行加权融合，强化重要特征的表示，抑制无关特征的干扰，从而得到更具有区分度和表达能力的多维度强化毛发特征图，这有助于提高被抵押牲畜毛发特征的区分度和识别性能，进一步提升牲畜抵押评估的准确性和可靠性。

特别地，在本公开的技术方案中，这里，将所述被抵押牲畜的毛发图像通过基于金字塔网络的多尺度特征提取器以得到所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图时，所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图表达不同深度下的基于金字塔网络的不同尺度表示的所述被抵押牲畜的毛发图像的图像语义特征。

并且，基于自适应融合模块的特性，其在融合所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图时，不会对通道维度下表达的不同深度的图像语义特征进行完全的通道融合，也就是，所述毛发多尺度特征图的每个通道下的特征矩阵并不是所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图的相应通道下的特征矩阵的完全融合，因此，所述毛发多尺度特征图的各个特征矩阵之间会存在由不同特征深度和尺度引起的分布差异。

进一步地，在通过三分支注意力模块时，考虑到无论是用于强化特征矩阵的局部空间分布的空间注意力机制，还是用于强化某些通道位置下的特征矩阵的整体特征分布的通道注意力机制，都会进一步加大各个特征矩阵之间的分布差异，因此也使得所述多维度强化毛发特征图的全局特征分布关联效果进一步恶化，从而影响其整体表达效果。

因此，本公开的申请人基于沿通道的加权机制来对所述多维度强化毛发特征图的各个特征矩阵进行加权，以提升所述多维度强化毛发特征图的全局特征分布关联效果，其中，所述加权特征向量通过各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化。

相应地，如图5所示，所述牲畜健康状态检测模块123，包括：特征优化单元1231，用于基于沿通道的加权机制来对所述多维度强化毛发特征图的各个特征矩阵进行加权优化以得到优化多维度强化毛发特征图；以及，健康状态分类单元1232，用于将所述优化多维度强化毛发特征图通过分类器以得到分类结果，所述分类结果用于表示被抵押牲畜的健康状态是否正常。应可以理解，特征优化单元1231的作用是通过沿通道的加权机制对多维度的毛发特征图进行加权优化，它能够根据每个特征矩阵的重要性，对其进行加权处理，以得到优化后的多维度强化毛发特征图，这个优化过程可以提高特征图的质量和表达能力，有助于更准确地描述被抵押牲畜的毛发特征。健康状态分类单元1232的作用是将优化后的多维度强化毛发特征图输入到分类器中，以得到牲畜的健康状态分类结果，分类器可以根据不同的特征图模式和特征权重，对牲畜的健康状态进行分类判断，通过这个单元，可以了解被抵押牲畜的健康状态是否正常，从而为抵押评估提供重要的参考依据。换言之，特征优化单元1231和健康状态分类单元1232在牲畜健康状态检测模块中分别负责对毛发特征图进行优化和进行健康状态分类，从而提高牲畜健康状态检测的准确性和可靠性。

更具体地，如图6所示，所述特征优化单元1231，包括：优化因数计算子单元12311，用于通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到加权特征向量；以及，加权优化子单元12312，用于以所述加权特征向量对所述多维度强化毛发特征图的沿通道维度的各个特征矩阵进行加权优化以得到所述优化多维度强化毛发特征图。应可以理解，优化因数计算子单元12311的作用是通过基于多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化，它使用定向偏导约束来计算优化因数，以实现对特征向量的自适应调谐，通过这种结构化的优化，可以得到加权特征向量，其中每个特征的权重由优化因数确定。加权优化子单元12312的作用是使用加权特征向量对多维度强化毛发特征图的沿通道维度的各个特征矩阵进行加权优化，它根据加权特征向量中的权重，对每个特征矩阵进行加权处理，以得到优化后的多维度强化毛发特征图，这个加权优化过程可以提高特征图的质量和表达能力，有助于更准确地描述被抵押牲畜的毛发特征。换言之，优化因数计算子单元12311和加权优化子单元12312分别在特征优化单元1231中负责计算优化因数和进行加权优化，它们的功能是为了通过自适应调谐和加权处理，优化多维度强化毛发特征图，从而提高牲畜健康状态检测的准确性和可靠性。

更具体地，所述优化因数计算子单元12311，包括：通道线性变化二级子单元，用于将所述多维度强化毛发特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图；以及，自调谐结构化二级子单元，用于基于所述转换后特征图，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到所述加权特征向量。这里，首先将所述多维度强化毛发特征图的每个特征矩阵通道线性变换转换为的正方矩阵，其中/>是所述多维度强化毛发特征图的通道数。

更具体地，所述自调谐结构化二级子单元，用于：基于所述转换后特征图，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束以如下优化公式进行自调谐结构化以得到所述加权特征向量；其中，所述优化公式为：

；

其中，是所述转换后特征图沿通道维度的第/>个特征矩阵，/>是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量，/>是所述转换后特征图沿通道维度的第/>个特征矩阵的第/>位置的特征值，/>、/>和/>分别表示按位置加法、减法和乘法，/>是所述加权特征向量。

也就是，以所述加权特征向量对于所述多维度强化毛发特征图的各个特征矩阵进行加权时，可以通过所述多维度强化毛发特征图的沿通道维度的每个静态场景矩阵相对于通道控制向量/>的自结构化约束，来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐，从而基于所述多维度强化毛发特征图的高维特征流形集合的与各个特征矩阵所表达的特征场景对应的特定凸多面体族（convex polytopes family）来进行高维特征流形的结构化，以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联，从而提升所述多维度强化毛发特征图的全局特征分布关联效果，以提升其通过分类器得到的分类结果的准确性。这样，能够基于牲畜毛发的毛色和毛质等特征来判断该牲畜的健康状态和品种类型，以此来提高对牲畜健康情况和品种评估的精准度，从而优化信用评估结果，有利于更为准确地评估畜牧业者的贷款风险，以优化畜牧业活体抵押的监管质量。

进一步地，再将所述多维度强化毛发特征图通过分类器以得到分类结果，所述分类结果用于表示被抵押牲畜的健康状态是否正常。也就是说，以特征增强后的有关于所述被抵押牲畜的毛发多尺度特征信息来进行分类处理，以基于牲畜毛发的毛色和毛质等多尺度特征来判断该牲畜的健康状态和品种类型，以此来提高对牲畜健康情况和品种评估的精准度。

相应地，所述健康状态分类单元1232，进一步用于：将所述多维度强化毛发特征图按照行向量或者列向量展开为强化分类特征向量；使用所述分类器的全连接层对所述强化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输入所述分类器的Softmax分类函数以得到所述分类结果。

也就是，在本公开的技术方案中，所述分类器的标签包括被抵押牲畜的健康状态正常(第一标签)，以及，被抵押牲畜的健康状态不正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述多维度强化毛发特征图属于哪个分类标签。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“被抵押牲畜的健康状态是否正常”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，被抵押牲畜的健康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“被抵押牲畜的健康状态是否正常”的语言文本意义。

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-class classification），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。

值得一提的是，全连接层（Fully Connected Layer）是神经网络中的一种常见层类型，也被称为密集连接层或全连接层，它的作用是将前一层的所有神经元与当前层的所有神经元相连接，每个连接都有一个权重，全连接层可以将输入数据的高维特征映射到输出的分类结果。全连接编码是指在全连接层中对输入特征进行编码的过程。编码可以理解为将输入特征转换为更高层次、更抽象的表示形式。通过全连接编码，神经网络可以学习到输入特征之间的复杂关系，并提取出更有区分性的特征。在健康状态分类单元中，多维度强化毛发特征图被展开为强化分类特征向量，然后通过全连接层进行全连接编码，得到编码分类特征向量。全连接层的作用是将特征向量映射到一个更高维度的空间，以便更好地区分不同的健康状态。最后，编码分类特征向量被输入到分类器的Softmax分类函数中，用于得到最终的分类结果。换言之，全连接层和全连接编码在健康状态分类单元中的作用是将多维度的强化毛发特征转换为更高层次、更抽象的特征表示，并通过Softmax分类函数进行分类，从而实现对牲畜健康状态的分类判断。

综上，基于本公开实施例的畜牧业活体抵押监管系统100被阐明，其可以提高对牲畜健康情况和品种评估的精准度，从而优化信用评估结果。

如上所述，根据本公开实施例的所述畜牧业活体抵押监管系统100可以实现在各种终端设备中，例如具有畜牧业活体抵押监管算法的服务器等。在一个示例中，畜牧业活体抵押监管系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该畜牧业活体抵押监管系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该畜牧业活体抵押监管系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该畜牧业活体抵押监管系统100与该终端设备也可以是分立的设备，并且该畜牧业活体抵押监管系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图7示出根据本公开的实施例的畜牧业活体抵押监管方法的流程图。如图7所示，根据本公开实施例的畜牧业活体抵押监管方法，其包括：S110，与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中；S120，对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见；S130，在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息；以及，S140，将所述数据分析子系统的分析结果进行展示。

图8示出根据本公开的实施例的畜牧业活体抵押监管方法的子步骤S120的系统架构的示意图。如图8所示，根据本公开实施例的畜牧业活体抵押监管方法，对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见，包括：通过摄像头采集被抵押牲畜的毛发图像；对所述被抵押牲畜的毛发图像进行图像特征分析以得到被抵押牲畜的毛发特征；以及，基于所述被抵押牲畜的毛发特征，确定被抵押牲畜的健康状态是否正常。

这里，本领域技术人员可以理解，上述畜牧业活体抵押监管方法中的各个步骤的具体操作已经在上面参考图1到图6的畜牧业活体抵押监管系统的描述中得到了详细介绍，并因此，将省略其重复描述。

图9示出根据本公开的实施例的畜牧业活体抵押监管系统的应用场景图。如图9所示，在该应用场景中，首先，通过摄像头（例如，图9中所示意的C）采集被抵押牲畜的毛发图像（例如，图9中所示意的D），然后，将所述被抵押牲畜的毛发图像输入至部署有畜牧业活体抵押监管算法的服务器中（例如，图9中所示意的S），其中，所述服务器能够使用所述畜牧业活体抵押监管算法对所述被抵押牲畜的毛发图像进行处理以得到用于表示被抵押牲畜的健康状态是否正常的分类结果。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (5)

1.一种畜牧业活体抵押监管系统，其特征在于，包括：

物联网数据采集子系统，用于与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中；

数据分析子系统，用于对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见；

预警子系统，用于在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息；

大屏展示子系统，用于将所述数据分析子系统的分析结果进行展示；

其中，所述数据分析子系统，包括：

毛发图像采集模块，用于通过摄像头采集被抵押牲畜的毛发图像；

毛发图像特征分析模块，用于对所述被抵押牲畜的毛发图像进行图像特征分析以得到多维度强化毛发特征图作为被抵押牲畜的毛发特征；

牲畜健康状态检测模块，用于基于所述被抵押牲畜的毛发特征，确定被抵押牲畜的健康状态是否正常；

其中，所述牲畜健康状态检测模块，包括：

特征优化单元，用于基于沿通道的加权机制来对所述多维度强化毛发特征图的各个特征矩阵进行加权优化以得到优化多维度强化毛发特征图；

健康状态分类单元，用于将所述优化多维度强化毛发特征图通过分类器以得到分类结果，所述分类结果用于表示被抵押牲畜的健康状态是否正常；

其中，所述特征优化单元，包括：

优化因数计算子单元，用于通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到加权特征向量；

加权优化子单元，用于以所述加权特征向量对所述多维度强化毛发特征图的沿通道维度的各个特征矩阵进行加权优化以得到所述优化多维度强化毛发特征图；

其中，所述优化因数计算子单元，包括：

通道线性变化二级子单元，用于将所述多维度强化毛发特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图；

自调谐结构化二级子单元，用于基于所述转换后特征图，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到所述加权特征向量；

其中，所述自调谐结构化二级子单元，用于：

基于所述转换后特征图，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束以如下优化公式进行自调谐结构化以得到所述加权特征向量；

其中，所述优化公式为：

；

其中，是所述转换后特征图沿通道维度的第/>个特征矩阵，/>是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量，/>是所述转换后特征图沿通道维度的第/>个特征矩阵的第/>位置的特征值，/>、/>和/>分别表示按位置加法、减法和乘法，/>是所述加权特征向量。

2.根据权利要求1所述的畜牧业活体抵押监管系统，其特征在于，所述毛发图像特征分析模块，包括：

牲畜毛发多尺度特征提取单元，用于通过基于深度神经网络模型的多尺度特征提取器对所述被抵押牲畜的毛发图像进行特征提取以得到毛发浅层特征图、毛发中层特征图和毛发深层特征图；

毛发多尺度特征融合单元，用于融合模块融合所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图以得到所述被抵押牲畜的毛发特征。

3.根据权利要求2所述的畜牧业活体抵押监管系统，其特征在于，所述深度神经网络模型为金字塔网络模型。

4.根据权利要求3所述的畜牧业活体抵押监管系统，其特征在于，所述毛发多尺度特征融合单元，包括：

毛发特征自适应融合子单元，用于使用自适应融合模块融合所述毛发浅层特征图、所述毛发中层特征图和所述毛发深层特征图以得到毛发多尺度特征图；

多维度毛发特征强化子单元，用于将所述毛发多尺度特征图通过三分支注意力模块以得到多维度强化毛发特征图作为所述被抵押牲畜的毛发特征。

5.一种畜牧业活体抵押监管方法，其特征在于，包括：

与物联网设备建立通信，并将被抵押牲畜的活体数据收集到数据库中；

对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见；

在所述数据分析子系统判断所述被抵押牲畜的体征异常或者定位不在监管牧场范围时给监管人员发出预警信息；

将所述数据分析子系统的分析结果进行展示；

其中，对所述活体数据中的体征数据进行分析，并给出所述被抵押牲畜的体征及相关的监管意见，包括：

通过摄像头采集被抵押牲畜的毛发图像；

对所述被抵押牲畜的毛发图像进行图像特征分析以得到多维度强化毛发特征图作为被抵押牲畜的毛发特征；

基于所述被抵押牲畜的毛发特征，确定被抵押牲畜的健康状态是否正常；

其中，基于所述被抵押牲畜的毛发特征，确定被抵押牲畜的健康状态是否正常，包括：

基于沿通道的加权机制来对所述多维度强化毛发特征图的各个特征矩阵进行加权优化以得到优化多维度强化毛发特征图；

将所述优化多维度强化毛发特征图通过分类器以得到分类结果，所述分类结果用于表示被抵押牲畜的健康状态是否正常；

其中，基于沿通道的加权机制来对所述多维度强化毛发特征图的各个特征矩阵进行加权优化以得到优化多维度强化毛发特征图，包括：

通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到加权特征向量；

以所述加权特征向量对所述多维度强化毛发特征图的沿通道维度的各个特征矩阵进行加权优化以得到所述优化多维度强化毛发特征图；

其中，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到加权特征向量，包括：

将所述多维度强化毛发特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图；

基于所述转换后特征图，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到所述加权特征向量；

其中，基于所述转换后特征图，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束进行自调谐结构化以得到所述加权特征向量，包括：

基于所述转换后特征图，通过基于所述多维度强化毛发特征图的各个特征矩阵的静态场景表达的定向偏导约束以如下优化公式进行自调谐结构化以得到所述加权特征向量；

其中，所述优化公式为：

；

其中，是所述转换后特征图沿通道维度的第/>个特征矩阵，/>是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量，/>是所述转换后特征图沿通道维度的第/>个特征矩阵的第/>位置的特征值，/>、/>和/>分别表示按位置加法、减法和乘法，/>是所述加权特征向量。