CN117668711A - 一种对象监测方法、系统及存储介质和电子设备 - Google Patents
一种对象监测方法、系统及存储介质和电子设备 Download PDFInfo
- Publication number
- CN117668711A CN117668711A CN202311678646.0A CN202311678646A CN117668711A CN 117668711 A CN117668711 A CN 117668711A CN 202311678646 A CN202311678646 A CN 202311678646A CN 117668711 A CN117668711 A CN 117668711A
- Authority
- CN
- China
- Prior art keywords
- target object
- data
- judging
- sample
- parameters
- 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 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000005096 rolling process Methods 0.000 claims description 84
- 238000005070 sampling Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 32
- 230000033001 locomotion Effects 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 13
- 230000010365 information processing Effects 0.000 abstract description 2
- 244000144972 livestock Species 0.000 description 27
- 230000001133 acceleration Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例公开了一种对象监测方法、系统及存储介质和电子设备,应用于信息处理技术领域。对象监测系统会对目标对象的相关属性序列进行中间参数的计算,得到目标对象的中间统计参数,并根据中间统计参数分别采用分类模型和判别策略的方式对目标对象进行特定状态的判别,得到不同的判别结果,进而融合这两种判别结果,得到目标对象的最终状态。这样融合对目标对象的特定状态进行判别的不同判别方式,可以避免某一种判别方式在判别过程中的误差,更准确地获取目标对象的最终状态。
Description
技术领域
本发明涉及信息处理技术领域,特别涉及一种对象监测方法、系统及存储介质和电子设备。
背景技术
目前在畜牧养殖领域,需要对牲畜进行实时地监测,从而快速地了解牲畜当前是否处于健康状态、或疾病状态或死亡状态,才能即时地对牲畜进行疫情防控等科学处理,阻断疾病的传播,避免了更大范围的损失。
现有对牲畜进行监测主要是先采集到与牲畜相关的真实数据,然后对采集到的数据进行一定的分析,进而确定出牲畜的实际状态,但是随着养殖规模的扩大,按照现有的方法对牲畜实际状态监测的准确性不高。
发明内容
本发明实施例提供一种对象监测方法、系统及存储介质和电子设备,提高了对目标对象进行状态检测的准确度。
本发明实施例一方面提供一种对象监测方法,包括:
采集目标对象的相关属性序列,所述相关属性序列包括基于时间顺序的多项数据,每一项数据为某一时刻与所述目标对象相关的属性;
对所述相关属性序列进行中间参数的计算,得到所述目标对象的中间统计参数;
根据所述中间统计参数及预置的分类模型,对所述目标对象进行特定状态的判别,得到第一判别结果;
根据所述中间统计参数及预置的判别策略,对所述目标对象进行特定状态的判别,得到第二判别结果;
将所述第一判别结果和第二判别结果进行融合,确定所述目标对象的最终状态。
本发明实施例另一方面提供一种对象监测系统,包括:
采集单元,用于采集目标对象的相关属性序列,所述相关属性序列包括基于时间顺序的多项数据,每一项数据为某一时刻与所述目标对象相关的属性;
统计单元,用于对所述相关属性序列进行中间参数的计算,得到所述目标对象的中间统计参数;
第一判别单元,用于根据所述中间统计参数及预置的分类模型,对所述目标对象进行特定状态的判别,得到第一判别结果;
第二判别单元,用于根据所述中间统计参数及预置的判别策略,对所述目标对象进行特定状态的判别,得到第二判别结果;
融合单元,用于将所述第一判别结果和第二判别结果进行融合,确定所述目标对象的最终状态。
本发明实施例另一方面还提供一种计算机可读存储介质,所述计算机可读存储介质储存多个计算机程序,所述计算机程序适于由处理器加载并执行如本发明实施例一方面所述的对象监测方法。
本发明实施例另一方面还提供一种电子设备,包括处理器和存储器;
所述存储器用于储存多个计算机程序,所述计算机程序用于由处理器加载并执行如本发明实施例一方面所述的对象监测方法;所述处理器,用于实现所述多个计算机程序中的各个计算机程序。
可见,在本实施例的方法中,在本实施例的方法中,对象监测系统会对目标对象的相关属性序列进行中间参数的计算,得到目标对象的中间统计参数,并根据中间统计参数分别采用分类模型和判别策略的方式对目标对象进行特定状态的判别,得到不同的判别结果,进而融合这两种判别结果,得到目标对象的最终状态。这样融合对目标对象的特定状态进行判别的不同判别方式,可以避免某一种判别方式在判别过程中的误差,更准确地获取目标对象的最终状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种对象监测方法的示意图;
图2是本发明实施例提供的一种对象监测方法的流程图;
图3是本发明实施例中训练分类模型的方法流程图;
图4是本发明一个应用实施例中预置分类模型和判别策略的方法流程图;
图5是本发明实施例提供的一种对象监测系统的逻辑结构示意图;
图6是本发明实施例提供的一种电子设备的逻辑结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排它的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供一种对象监测方法,主要可以应用于对象监测系统中,将任意可运动的活体(比如牲畜等)作为目标对象,对目标对象的疾病状态或死亡状态进行即时监测,具体地,如图1所示,对象监测系统可以通过如下的方法来实现对目标对象的监测:
采集目标对象的相关属性序列,所述相关属性序列包括基于时间顺序的多项数据,每一项数据为某一时刻与所述目标对象相关的属性;对所述相关属性序列进行中间参数的计算,得到所述目标对象的中间统计参数;根据所述中间统计参数及预置的分类模型,对所述目标对象进行特定状态的判别,得到第一判别结果;根据所述中间统计参数及预置的判别策略,对所述目标对象进行特定状态的判别,得到第二判别结果;将所述第一判别结果和第二判别结果进行融合,确定所述目标对象的最终状态。
这样融合对目标对象的特定状态进行判别的不同判别方式,可以避免某一种判别方式在判别过程中的误差,更准确地获取目标对象的最终状态。
本发明一个实施例提供一种对象监测方法,主要是对象监测系统所执行的方法,流程图如图2所示,包括:
步骤101,采集目标对象的相关属性序列,相关属性序列包括基于时间顺序的多项数据,每一项数据为某一时刻与目标对象相关的属性。
可以理解,对象监测系统可以按照一定的周期(比如10s等)对目标对象的相关数据进行采集,并按照一定的时间频率发起本实施例的对象监测流程,其中,发起本实施例中对象监测流程的时间频率一般都大于采集目标对象相关数据的周期,比如以1小时、2小时、4小时或6小时的时间频率发起本实施例的对象监测流程。
具体地,相关属性序列中每一项数据可以包括某一时刻目标对象的运动数据、温度数据及目标对象所处的环境数据等。其中,若目标对象是动物时,可以在动物耳朵上佩戴智能低功耗耳标来实现对目标对象的运动数据和温度数据的采集,一般在耳标上设置有三轴加速度传感器和温度传感器,分别可以得到目标对象的运动数据及温度数据;而目标对象所处的环境数据可以通过覆盖目标对象所处位置的基站的温度传感器的数据来获取到。
其中,三轴加速传感器主要是基于加速度的基本原理来实现的,加速度是个空间矢量,通过三轴加速传感器可以测得目标对象在三个坐标轴上的分量,进而可以了解目标对象的运动状态,具体地,三轴加速传感器可以测得任一时刻目标对象在三个轴的加速度分量x、y和z,然后根据三个轴的加速度分量可以计算得到目标对象的运动量数据,即
进一步地,在采集到相关属性序列后,可以先对相关属性序列中的数据进行预处理(比如异常数据的剔除、缺失数据处理、均值聚合等)后,再针对预处理后数据执行如下的步骤,这样可以避免采集数据的异常或缺失带来的之后对目标对象进行判别的准确性。
其中,对相关属性序列中的数据进行异常数据的剔除时,可以剔除掉目标对象的温度数据中的异常高温或异常低温;对相关属性序列中的数据进行缺失数据处理时,对于缺失较少的数据可以采用前N天数据均值对缺失数据进行补齐,对于某一天缺失过多的数据比如缺失30%以上的数据,可以将这一天的数据剔除;对相关属性序列中的数据进行聚合时,可以按照一定的时间段(比如30分钟等)对每项数据进行聚合,比如计算得到一个时间段的目标对象的运动数据的均值,一个时间段的目标对象的温度数据的均值,及一个时间段的目标对象所处的环境数据的均值。
步骤102,对上述获取的相关属性序列进行中间参数的计算,得到目标对象的中间统计参数。
具体地,可以计算包括但不限于如下的至少一个参数作为中间统计参数:
(1)与目标对象相关的各个属性分别以一定时间频率滚动的最大采样值、最小采样值、采样标准差及采样非特殊数值(Not a Number,NaN)等。其中,对上述相关属性序列中各个属性进行滚动采样时采用的时间频率,一般大于采集相关属性序列中各项数据时采用的周期,可以为1小时、2小时、4小时、6小时等,
(2)各个属性的滚动变异系数特征,主要是对各属性(温度数据、运动数据和环境数据等)以一定时间频率进行滚动采样后计算的均值,除以相同时间频率滚动采样后计算的标准差,即可得到各个属性的滚动变异系数特征。
(3)上述相关属性序列的每项数据中目标对象的温度数据与环境数据(即环境温度)之间的相似度。具体地,可以对温度数据以一定时间频率进行滚动采样后计算的均值所形成的序列,及对环境数据以另一时间频率进行滚动采样后计算的均值所形成的序列,计算这两个序列之间的相似度。
(4)各个属性的滚动域变异系数特征,主要是对各属性(温度数据、运动数据和环境数据等)以一定时间频率进行滚动采样后计算的最大值,减去以相同时间频率滚动采样后计算的最小值,再除以相同时间频率滚动采样后计算的均值,即可得到各个属性的滚动域变异系数特征。
(5)上述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动最小值的差值,主要是温度数据以一定时间频率进行滚动采样后计算的最小温度值,减去环境数据以相同时间频率滚动采样后计算的最小值。
(6)上述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动均值的差值,主要是温度数据以一定时间频率进行滚动采样后计算的均值,减去环境数据以相同时间频率滚动采样后计算的均值。
(7)上述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动最大值的差值,主要是温度数据以一定时间频率进行滚动采样后计算的最大值,减去环境数据以相同时间频率滚动采样后计算的最大值。
(8)上述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动域变异系数特征的差值,主要是温度数据以一定时间频率进行滚动采样后计算的滚动域变异系数特征,减去环境数据以相同时间频率滚动采样后计算的滚动域变异系数特征。
可见,上述中间统计参数都是对每项数据中各个属性以一定时间频率进行滚动采样后计算的中间参数。
步骤103,根据中间统计参数及预置的分类模型,对目标对象进行特定状态的判别,得到第一判别结果。
这里的分类模型是一种基于人工智能的机器学习模型,可以预先通过一定的训练方法训练得到,并将分类模型的运行逻辑预置到对象监测系统中,当发起本实施例的流程时,可以调用系统中预置的分类模型进行判别。
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。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术机器学习以及/深度学习等几大方向。
而机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
本实施例中,可以采用一个或多个分类模型分别对目标对象的特定状态进行判别,进而可以得到一个或多个第一判别结果。任一分类模型可以用于根据中间统计参数输出目标对象是否属于特定状态的信息,这的特定状态可以包括目标对象所处的任意状态,比如疾病状态、健康状态或死亡状态等。而分类模型可以是任意结构的神经网络,比如随机森林模型、决策树、梯度提升决策树(GBDT)等。
步骤104,根据中间统计参数及预置的判别策略,对目标对象进行特定状态的判别,得到第二判别结果。
这里预置的判别策略是预先配置到对象监测系统中的,主要可以包括处于特定状态的目标对象的各个相关属性的预设条件,比如温度在一定温度范围内,环境温度在一定温度范围内,或运动数据显示目标对象的活跃度在一定范围内等。判别策略可以通过预先采集特定状态的样本,对这些样本的各个相关属性进行统计得到。
具体地,在得到第二判别结果时,可以将中间统计参数与判别策略中相应参数的预设条件进行比较,判别上述中间统计参数是否符合相应的预设条件,若符合,则目标对象处于特定状态。
可以理解的是,中间统计参数会包括多个参数,这样需要将每个参数分别与判别策略进行比较,并分别获得目标对象是否处于特定状态的中间判别结果,然后将多个中间判别结果进行融合,即可得到上述第二判别结果。具体地,若基于多个参数中n个参数得到的中间判别结果都确定目标对象处于特定状态,其中n大于某一阈值,则第二判别结果为目标对象处于特定状态的信息,否则第二判别结果为目标对象处于非特定状态。
需要说明的是,上述步骤103和104之间并没有绝对的顺序关系,可以并行执行,也可以顺序执行,图2中所示的只是其中一种具体的实现方式。
步骤105,将第一判别结果和第二判别结果进行融合,确定目标对象的最终状态。
具体在确定最终状态时,若第一判别结果和第二判别结果相同,则可以直接将目标对象的最终状态确定为第一判别结果或第二判别结果。
若第一判别结果与第二判别结果不一致,比如第一判别结果为目标对象处于特定状态的信息,而第二判别结果为目标对象是非特定状态的信息,则需要确定上述步骤103和104中分别获取第一判别结果和第二判别结果的置信度,将将置信度较大的判别结果作为目标对象的最终状态。
或者,在确定最终状态时,可以直接将第一判别结果和第二判别结果进行叠加,若叠加后的判别结果在预置范围内,则确定目标对象处于特定状态,否则目标对象处于非特定状态。
可见,在本实施例的方法中,对象监测系统会对目标对象的相关属性序列进行中间参数的计算,得到目标对象的中间统计参数,并根据中间统计参数分别采用分类模型和判别策略的方式对目标对象进行特定状态的判别,得到不同的判别结果,进而融合这两种判别结果,得到目标对象的最终状态。这样融合对目标对象的特定状态进行判别的不同判别方式,可以避免某一种判别方式在判别过程中的误差,更准确地获取目标对象的最终状态。
在一个具体的实施例中,如图3所示,对象监测系统可以通过如下的步骤来有监督地训练上述预置的分类模型:
步骤201,确定分类初始模型。
可以理解,对象监测系统在确定分类初始模型时,会确定分类初始模型所包括的多层结构和各层结构中参数的初始值。分类初始模型的参数是指分类初始模型中各层结构在计算过程中所用到的固定的,不需要随时赋值的参数,比如参数规模、网络层数、用户向量长度等参数。
具体地,分类初始模型可以包括:特征提取模块和输出模块,其中,特征提取模块用于根据基于各个样本对象的相关属性序列计算的中间统计参数,提取各个样本对象的特征信息;输出模块用于根据特征提取模块提取的特征信息输出样本对象是否处于特定状态的信息,具体可以输出各个样本对象处于特定状态的概率,如果该概率大于某一预置值,则样本对象处于特定状态。
步骤202,确定训练样本,训练样本中包括多个样本对象,及每个样本对象对应的相关属性序列及特定状态标签。
具体地,各个样本对象的相关数据属性序列包括基于时间顺序的多项数据,每项数据为某一时刻与样本对象相关的属性;特定状态标签是指样本对象是否处于特定状态的标签,若特征状态标签指示样本对象处于特定状态,则样本对象是正样本,若特征状态标签指示样本对象不是处于特定状态,则样本对象是负样本。
步骤203,对每个样本对象的相关属性序列进行中间参数的计算,得到每个样本对象的中间统计参数。这里计算中间统计参数具体见上述实施例中所述,在此不进行赘述。
步骤204,根据每个样本对象的中间统计参数及特定状态标签,训练分类初始模型,得到上述预置的分类模型。
具体地,分类初始模型先分别根据各个样本对象的中间统计参数输出各个样本对象是否处于特定状态的信息,然后根据分类初始模型得到的各个样本对象是否处于特定状态的信息及训练样本中相应样本对象的特定状态标签,调整分类初始模型,以得到最终的分类模型为上述预置的分类模型。
其中,对象监测系统可以会先根据分类初始模型得到的各个样本对象是否处于特定状态的信息及训练样本中相应样本对象的特定状态标签,计算与分类初始模型相关的损失函数,该损失函数用于指示分类初始模型对各个样本对象进行特定状态判别,与各个样本对象实际的状态(根据特定状态标签得到)的误差,比如交叉熵损失函数等。
而分类模型的训练过程就是需要尽量减少上述误差的值,该训练过程是通过反向传播求导以及梯度下降等一系列数学优化手段不断的优化上述步骤201中确定的分类初始模型中参数的参数值,并使得上述损失函数的计算值降至最低。
需要说明的是,上述步骤202到204是通过分类初始模型确定出的各个样本对象是否处于特定状态的信息,对分类初始模型中的参数值的一次调整,而在实际应用中,需要通过不断地循环执行上述步骤202到204,直到对参数值的调整满足一定的停止条件为止。因此,对象监测系统在执行了上述实施例步骤201到204之后,还需要判断当前对参数值的调整是否满足预置的停止条件,当满足时,则结束流程,将调整参数值后的分类初始模型作为最终训练得到的分类模型;当不满足时,则针对调整参数值后的分类初始模型,返回执行上述步骤202到204,即换一批训练样本进行训练。其中,预置的停止条件包括但不限于如下条件中的任何一个:当前调整的参数值与上一次调整的参数值的差值小于一阈值,即调整的参数值达到收敛;及对参数值的调整次数等于预置的次数等。
另外需要说明的是,通过上述步骤201到204训练分类模型的过程中,确定了多个样本对象,其中包括正样本,即处于特征状态的样本对象,在其它实施例中,对象监测系统还可以根据正样本的中间统计参数提取相应参数的预设条件,将提取的预设条件作为上述步骤104中预置的判别策略。
以下以一个具体的应用实例来说明本发明的对象监测方法,在本实施例中,目标对象为牲畜,需要监测牲畜是否处于死亡状态,且本实施例中预置的分类模型具有三个。具体地,本实施例中的方法可以包括如下两个部分:
(1)在对象监测系统中预置分类模型和判别策略,如图4所示,具体可以通过如下步骤来实现:
步骤301,确定三个分类初始模型分别包括的多层结构及各层结构中参数的初始值。具体地,这三个分类初始模型的结构为随机森林模型、决策树和梯度提升决策树。
步骤302,确定训练样本,训练样本中包括多个样本对象,及每个样本对象对应的相关属性序列及特定状态标签,在样本对象中包括正样本和负样本。
具体地,可以针对多个养殖场的牲畜,在历史时间段(比如前7个小时)内按照一定周期(比如10s)采集各个牲畜的相关属性,将各个牲畜作为样本对象,获取到每个样本对象的相关属性序列,其中包括多项数据,每项数据可以包括:时间戳、温度数据、环境温度及通过三轴加速度传感器得到的三个轴的加速度分量x、y和z。
获取到每个牲畜是否死亡的状态,以为每个样本对象进行标注,得到特定状态标签。
步骤303,对每个样本对象的相关属性序列中的数据进行预处理。
具体地,采集到的每个样本对象的原始数据为Xoriginal∈(N,T,Doriginal),其中,N为样本对象的个数,T为时间步,Doriginal表示样本对象的相关属性序列中的一项数据,其中,根据三个轴的加速度分量可以计算得到样本对象的运动量数据,即这样,每个样本对象的原始数据就更改为Xnew∈(N,T,Dnew),其中,Dnew表示样本对象的相关属性序列中的一项新数据,包括时间戳、温度数据、环境温度及运动量数据xyz。
进一步地,可以将每项数据中异常高温和异常低温的温度数据剔除;若某一天缺失过多的数据比如缺失30%以上的数据,则将改天的数据剔除;对于缺失比较少的数据进行补缺,即用前N天的数据均值来补齐。
进一步地,对更改后数据按照一定时间间段(比如30分钟)进行均值聚合,得到最终预处理后的Dnew包括:时间戳、30分钟温度数据均值、30分钟环境温度均值及30分钟运动量数据xyz均值。
步骤304,对预处理后的数据进行中间参数的计算,得到每个样本对象的中间统计参数。
具体地,对每个样本对象的相关属性序列Xnew中的各个相关属性以一定时间频率(比如1小时、2小时、4小时、6小时)进行滚动采样,并计算如下至少一个参数,并以时间戳或温度数据为索引合并到上述预处理后的Xnew中,作为中间统计参数:
与目标对象相关的三个属性(即温度数据、环境温度和运动量数据xyz)分别以一定时间频率滚动的最大采样值、最小采样值、采样标准差及采样非特殊数值(Not aNumber,NaN)等;
对各属性(温度数据、环境温度和运动量数据xyz)以一定时间频率进行滚动采样后计算的滚动变异系数特征;
上述相关属性序列的每项数据中目标对象的温度数据与环境温度之间的相似度;
对各属性(温度数据、环境温度和运动量数据xyz)以一定时间频率进行滚动采样后计算的滚动域变异系数特征;
上述相关属性序列的每项数据中样本对象的温度数据与环境温度的滚动最小值的差值;上述相关属性序列的每项数据中样本对象的温度数据与环境温度的滚动均值的差值;上述相关属性序列的每项数据中样本对象的温度数据与环境温度的滚动最大值的差值;
上述相关属性序列的每项数据中样本对象的温度数据与环境温度的滚动域变异系数特征的差值。
需要说明的是,在将上述计算的参数合并到预处理后的Xnew中后,可以得到Xfeature∈(N,Tfeature,Dfeature),Tfeature表示对各个属性进行滚动的时间频率,比如6小时。且每个样本对象的中间统计参数中,除了上述计算的参数之外,若上述采集到前7个小时的各个样本对象的数据,则在经过6小时滚动采样后,可以只保留最后一个小时的各个属性的数据,比如最后一小时中以30分钟聚合的各个属性的数据,比如30分钟的温度数据均值、30分钟环境温度均值及30分钟运动量数据xyz均值。
步骤305,根据每个样本对象的中间统计参数及特定状态标签,分别训练三个分类初始模型,得到上述预置的分类模型。具体训练过程见上述实施例中所述,在此不进行赘述。
步骤306,对样本对象中正样本进行判别策略的提取。
在实际应用中,可以提取到但不限于如下的策略预设条件作为判别策略:
如果温度数据以4小时的滚动最大值减去温度数据以1小时的滚动最大值小于或等于0,且运动量数据以6小时滚动最大值大于0,则用信号-1来表示,否则用信号0来表示。
如果温度数据以3小时的滚动最大值减去温度数据以3小时的滚动最小值大于或等于8,则用信号-1来表示,否则用信号0来表示。
如果预测时间位于晚上11点到次日造成8点,则用信号-1表示,否则用信号0来表示。
如果温度数据以6小时的滚动最小值减去环境温度以6小时的滚动最小值的差值的绝对值小于5,则用信号1来表示,否则用信号0来表示。
如果30分钟温度数据均值及30分钟环境温度均值的差值的绝对值小于5,则用信号1来表示,否则用信号0来表示。
如果运动量数据以4小时的滚动最大值在(0,2)之间,则用信号1来表示,否则用信号0来表示。
如果运动量数据以6小时的滚动均值在[0,2)之间,则用信号1来表示,否则用信号0来表示。
如果运动量数据以6小时进行滚动采样后计算的滚动变异系数特征大于1.5,则用信号1来表示,否则用信号0来表示。
如果运动量数据以1小时进行滚动采样后计算的滚动最小值大于运动量数据以4小时进行滚动采样后计算的滚动最小值,且当前时间处于晚上18点至凌晨7点之间,则用信号-1来表示,否则用信号0来表示。
如果运动量数据以2小时进行滚动采样后计算的滚动最大值小于运动量数据以6小时进行滚动采样后计算的滚动最大值,则用信号0来表示,否则用信号1来表示。
如果运动量数据以6小时进行滚动采样后计算的均值小于3,则用信号0来表示,否则用信号-1来表示。
如果环境温度以2小时进行滚动采样后计算的滚动最小值,减去环境温度以1小时进行滚动采样后计算的滚动最小值的差值小于0,且温度数据以1小时进行滚动采样后计算的滚动域变异系数特征,除以环境温度以1小时进行滚动采样后计算的滚动域变异系数特征小于或等于0.15,则用信号-1来表示,否则用信号0来表示。
如果温度数据以4小时进行滚动采样后计算的滚动最小值,减去温度数据以1小时进行滚动采样后计算的滚动最小值的差值小于0;且环境温度以1小时进行滚动采样后计算的均值,减去温度数据以1小时进行滚动采样后计算的均值小于0,且温度数据与环境温度的相似度小于0.1;且环境温度以4小时进行滚动采样后计算的均值,减去环境温度以2小时进行滚动采样后计算的均值的差值小于0,则用信号-1来表示,否则用信号0来表示。
如果温度数据以6小时进行滚动采样后计算的滚动最大值,减去环境温度以2小时进行滚动采样后计算的滚动最小值的差值的绝对值小于10,则用信号0来表示,否则用信号-1来表示。
如果温度数据和环境温度以4小时进行滚动采样的差值的绝对值,减去温度数据和环境温度以2小时进行滚动采样的差值的绝对值大于或等于0;且温度数据和环境温度以4小时进行滚动采样的差值的绝对值,减去温度数据和环境数据以1小时进行滚动采样的差值的绝对值大于或等于0,则用信号0来表示,否则用信号-1来表示。
如果温度数据和环境温度的差值的绝对值小于或等于3,则用信号0来表示,否则用信号-1来表示。
如果温度数据小于30,则用信号0来表示,否则用信号-1来表示。
步骤307,将上述训练得到的三个分类模型及提取的判别策略预置到对象监测系统。
(2)对任一待检测牲畜进行死亡状态的监测。
具体地,可以先采集待检测牲畜的相关属性序列,在相关属性序列中包括基于时间顺序的多项数据,每项数据中包括在某一时刻的待检测牲畜的温度数据及三个轴方向的加速度分量,及待检测牲畜所处环境的环境温度。
针对待检测牲畜的相关属性序列,按照一定时间频率进行滚动采样,再基于滚动采样后得到的待检测牲畜的各个时刻的相关属性数据,进行中间参数的计算,得到中间统计参数,具体对中间统计参数的计算见上述实施例中所述,在此不进行赘述。
调用预置的三个分类模型及判别策略,根据中间统计参数分别通过三个分类模型及判别策略后,得到相应的判别结果,具体地,通过每个分类模型都可以得到信号1或信号0的判别结果,其中信号1表示待检测牲畜是死亡状态,信号0表示待检测牲畜是非死亡状态;而通过判别策略可以得到信号-1、信号1或信号0的判别结果。
将得到的各个判别结果进行融合,得到待检测牲畜的最终状态,具体地,将各个判别结果进行叠加,若叠加后的判别结果大于或等于某一阈值(比如大于2),则确定待检测牲畜处于死亡状态。
可见,本实施例中通过训练多个分类模型及提取判别策略,可以采用多种方式对待检测牲畜进行特定状态的监测,并将多种判别结果进行综合,得到的待检测牲畜的最终状态更准确。
本发明实施例还提供一种对象监测系统,其结构示意图如图5所示,具体可以包括:
采集单元10,用于采集目标对象的相关属性序列,所述相关属性序列包括基于时间顺序的多项数据,每一项数据为某一时刻与所述目标对象相关的属性。其中,所述目标对象的相关属性序列中每一项数据包括某一时刻所述目标对象的运动数据、温度数据及所述目标对象所处的环境数据。
统计单元11,用于对所述采集单元10采集到的相关属性序列进行中间参数的计算,得到所述目标对象的中间统计参数。
统计单元11,具体用于计算如下至少一个参数作为所述中间统计参数:
与所述目标对象相关的各个属性分别以一定时间频率滚动的最大采样值、最小采样值、采样标准差及采样非特殊数值;所述各个属性的滚动变异系数特征;所述相关属性序列的每项数据中目标对象的温度数据与环境数据之间的相似度;所述各个属性的滚动域变异系数特征;所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动最小值的差值;所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动均值的差值;所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动最大值的差值;及所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动域变异系数特征的差值。
第一判别单元12,用于根据所述统计单元11统计的中间统计参数及预置的分类模型,对所述目标对象进行特定状态的判别,得到第一判别结果。
第二判别单元13,用于根据所述统计单元11统计的中间统计参数及预置的判别策略,对所述目标对象进行特定状态的判别,得到第二判别结果。
第二判别单元13,具体用于若所述中间统计参数包括多个参数,将所述多个参数分别与预置的判别策略进行比较,获得所述目标对象是否处于特定状态的中间判别结果;若基于所述多个参数中n个参数得到的中间判别结果都指示所述目标对象处于特定状态,且所述n大于某一阈值,则所述第二判别结果为所述目标对象处于特定状态的信息。
融合单元14,用于将所述第一判别单元12得到的第一判别结果和第二判别单元13得到的第二判别结果进行融合,确定所述目标对象的最终状态。
进一步地,本实施例的对象监测系统还可以包括:
训练单元15,用于确定分类初始模型;确定训练样本,所述训练样本中包括多个样本对象,及每个样本对象对应的相关属性序列及特定状态标签;对所述每个样本对象的相关属性序列进行中间参数的计算,得到所述每个样本对象的中间统计参数;根据所述每个样本对象的中间统计参数及特定状态标签,训练所述分类初始模型,得到所述第一判别单元12使用的预置的分类模型。
提取单元16,用于若所述样本对象中包括正样本,根据所述正样本的中间统计参数提取相应参数的预设条件作为所述第二判别单元13使用的预置的判别策略。
在本实施例的系统中,统计单元11会对目标对象的相关属性序列进行中间参数的计算,得到目标对象的中间统计参数,由第一判别单元12和第二判别单元13根据中间统计参数分别采用分类模型和判别策略的方式对目标对象进行特定状态的判别,得到不同的判别结果,进而融合这两种判别结果,得到目标对象的最终状态。这样融合对目标对象的特定状态进行判别的不同判别方式,可以避免某一种判别方式在判别过程中的误差,更准确地获取目标对象的最终状态。
本发明实施例还提供一种电子设备,其结构示意图如图6所示,该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)20(例如,一个或一个以上处理器)和存储器21,一个或一个以上存储应用程序221或数据222的存储介质22(例如一个或一个以上海量存储设备)。其中,存储器21和存储介质22可以是短暂存储或持久存储。存储在存储介质22的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对电子设备中的一系列指令操作。更进一步地,中央处理器20可以设置为与存储介质22通信,在电子设备上执行存储介质22中的一系列指令操作。
具体地,在存储介质22中储存的应用程序221包括对象监测的应用程序,且该程序可以包括上述对象监测系统中的采集单元10,统计单元11,第一判别单元12,第二判别单元13,融合单元14,训练单元15和提取单元16,在此不进行赘述。更进一步地,中央处理器20可以设置为与存储介质22通信,在电子设备上执行存储介质22中储存的对象监测的应用程序对应的一系列操作。
电子设备还可以包括一个或一个以上电源23,一个或一个以上有线或无线网络接口24,一个或一个以上输入输出接口25,和/或,一个或一个以上操作系统223,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述方法实施例中所述的由对象监测系统所执行的步骤可以基于该图6所示的电子设备的结构。
本发明实施例另一方面还提供一种计算机可读存储介质,所述计算机可读存储介质储存多个计算机程序,所述计算机程序适于由处理器加载并执行如上述对象监测系统所执行的对象监测方法。
本发明实施例另一方面还提供一种电子设备,包括处理器和存储器;
所述存储器用于储存多个计算机程序,所述计算机程序用于由处理器加载并执行如上述对象监测系统所执行的对象监测方法;所述处理器,用于实现所述多个计算机程序中的各个计算机程序。
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是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM)、随机存取存储器(RAM)、磁盘或光盘等。
以上对本发明实施例所提供的一种对象监测方法、系统及存储介质和电子设备进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (10)
1.一种对象监测方法,其特征在于,包括:
采集目标对象的相关属性序列,所述相关属性序列包括基于时间顺序的多项数据,每一项数据为某一时刻与所述目标对象相关的属性;
对所述相关属性序列进行中间参数的计算,得到所述目标对象的中间统计参数;
根据所述中间统计参数及预置的分类模型,对所述目标对象进行特定状态的判别,得到第一判别结果;
根据所述中间统计参数及预置的判别策略,对所述目标对象进行特定状态的判别,得到第二判别结果;
将所述第一判别结果和第二判别结果进行融合,确定所述目标对象的最终状态。
2.如权利要求1所述的方法,其特征在于,所述目标对象的相关属性序列中每一项数据包括某一时刻所述目标对象的运动数据、温度数据及所述目标对象所处的环境数据。
3.如权利要求2所述的方法,其特征在于,所述对所述相关属性序列进行中间参数的计算,得到所述目标对象的中间统计参数,具体包括:
计算如下至少一个参数作为所述中间统计参数:
与所述目标对象相关的各个属性分别以一定时间频率滚动的最大采样值、最小采样值、采样标准差及采样非特殊数值;所述各个属性的滚动变异系数特征;所述相关属性序列的每项数据中目标对象的温度数据与环境数据之间的相似度;所述各个属性的滚动域变异系数特征;
所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动最小值的差值;所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动均值的差值;所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动最大值的差值;
及所述相关属性序列的每项数据中目标对象的温度数据与环境数据的滚动域变异系数特征的差值。
4.如权利要求1所述的方法,其特征在于,所述中间统计参数包括多个参数,所述根据所述中间统计参数及预置的判别策略,对所述目标对象进行特定状态的判别,得到第二判别结果,具体包括:
将所述多个参数分别与预置的判别策略进行比较,获得所述目标对象是否处于特定状态的中间判别结果;
若基于所述多个参数中n个参数得到的中间判别结果都指示所述目标对象处于特定状态,且所述n大于某一阈值,则所述第二判别结果为所述目标对象处于特定状态的信息。
5.如权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
确定分类初始模型;
确定训练样本,所述训练样本中包括多个样本对象,及每个样本对象对应的相关属性序列及特定状态标签;
对所述每个样本对象的相关属性序列进行中间参数的计算,得到所述每个样本对象的中间统计参数;
根据所述每个样本对象的中间统计参数及特定状态标签,训练所述分类初始模型,得到所述预置的分类模型。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
所述样本对象中包括正样本,根据所述正样本的中间统计参数提取相应参数的预设条件作为所述预置的判别策略。
7.一种对象监测系统,其特征在于,包括:
采集单元,用于采集目标对象的相关属性序列,所述相关属性序列包括基于时间顺序的多项数据,每一项数据为某一时刻与所述目标对象相关的属性;
统计单元,用于对所述相关属性序列进行中间参数的计算,得到所述目标对象的中间统计参数;
第一判别单元,用于根据所述中间统计参数及预置的分类模型,对所述目标对象进行特定状态的判别,得到第一判别结果;
第二判别单元,用于根据所述中间统计参数及预置的判别策略,对所述目标对象进行特定状态的判别,得到第二判别结果;
融合单元,用于将所述第一判别结果和第二判别结果进行融合,确定所述目标对象的最终状态。
8.如权利要求7所述的系统,其特征在于,还包括:
训练单元,用于确定分类初始模型;确定训练样本,所述训练样本中包括多个样本对象,及每个样本对象对应的相关属性序列及特定状态标签;对所述每个样本对象的相关属性序列进行中间参数的计算,得到所述每个样本对象的中间统计参数;根据所述每个样本对象的中间统计参数及特定状态标签,训练所述分类初始模型,得到所述预置的分类模型。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质储存多个计算机程序,所述计算机程序适于由处理器加载并执行如权利要求1至6任一项所述的对象监测方法。
10.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器用于储存多个计算机程序,所述计算机程序用于由处理器加载并执行如权利要求1至6任一项所述的对象监测方法;所述处理器,用于实现所述多个计算机程序中的各个计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311678646.0A CN117668711A (zh) | 2023-12-07 | 2023-12-07 | 一种对象监测方法、系统及存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311678646.0A CN117668711A (zh) | 2023-12-07 | 2023-12-07 | 一种对象监测方法、系统及存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117668711A true CN117668711A (zh) | 2024-03-08 |
Family
ID=90078470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311678646.0A Pending CN117668711A (zh) | 2023-12-07 | 2023-12-07 | 一种对象监测方法、系统及存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668711A (zh) |
-
2023
- 2023-12-07 CN CN202311678646.0A patent/CN117668711A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
CN106580282A (zh) | 一种人体健康监测装置、系统及方法 | |
Ramos-Giraldo et al. | Drought stress detection using low-cost computer vision systems and machine learning techniques | |
CN110737732A (zh) | 一种机电设备故障预警方法 | |
CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
CN114512239B (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
Imran Molla et al. | Cardiotocogram data classification using random forest based machine learning algorithm | |
CN107423190A (zh) | 一种日志数据异常指向识别方法及装置 | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN117379016B (zh) | 用于肉牛养殖的远程监控系统及其方法 | |
CN114743678A (zh) | 一种基于改进gdn算法的智能手环生理指标异常分析方法及系统 | |
CN117592870B (zh) | 基于水环境监测信息的综合分析系统 | |
Wang et al. | A deep learning-based high-temperature overtime working alert system for smart cities with multi-sensor data | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN116259161B (zh) | 一种电力故障预警系统 | |
CN112155520A (zh) | 基于体温数据的监测装置及方法、电子设备、存储介质 | |
Yang et al. | Software defect prediction: an ensemble learning approach | |
CN117668711A (zh) | 一种对象监测方法、系统及存储介质和电子设备 | |
CN115438705B (zh) | 一种基于可穿戴设备的人体动作预测方法 | |
Kachwala et al. | Predicting Rainfall from Historical Data Trends | |
Lu et al. | Development of the Abnormal Tension Pattern Recognition Module for Twisted Yarn Based on Deep Learning Edge Computing. | |
Duffy et al. | An investigation into smartphone based weakly supervised activity recognition systems | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 | |
Liu et al. | Intelligent wristband human abnormal behaviour recognition method based on machine vision |
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 |