CN117918023A

CN117918023A - 基于图像数据确定与动物相关的生物特征数据的方法

Info

Publication number: CN117918023A
Application number: CN202280060426.9A
Authority: CN
Inventors: 苏珊·韦尼蒙特; 罗宾·汤姆普森; 斯蒂芬·G·马修斯
Original assignee: Hills Pet Nutrition Inc
Current assignee: Hills Pet Nutrition Inc
Priority date: 2021-09-07
Filing date: 2022-09-07
Publication date: 2024-04-23
Also published as: MX2024002678A; CA3229940A1; US12121007B2; AU2022343085A1; WO2023038923A1; EP4381463A1; US20230073738A1

Abstract

可以提供用于确定动物的身体属性的方法、装置和系统。例如，系统可以包括被配置成捕获与动物相关的图像数据的传感器。一个或更多个处理器可以被配置成接收所捕获的与动物相关的图像数据；识别图像数据中描绘的与动物相关的部分；将图像数据中描绘的与动物相关的部分输入到机器学习模型中；以及经由机器学习模型确定理想体重(IBW)、动物的身体状况评分(BCS)、动物的体脂指数(BFI)、重量、或者动物或动物的部分的其他属性，包括高度、宽度、长度、深度、直径、半径、周长等。

Description

基于图像数据确定与动物相关的生物特征数据的方法

相关申请的交叉引用

本申请要求2021年9月7日提交的美国临时申请第63/241,173号的优先权权益，其内容在此通过引用整体并入本文中。

背景技术

超重或肥胖宠物是日益常见且重要的健康问题。这些情况使宠物容易患关节疾病例如关节炎、代谢疾病例如糖尿病，限制宠物从事日常生活活动的能力例如进出汽车、上床或家具，并限制它们可以进行的活动例如跑、跳、玩耍、行走等。宠物家长通常无法或不愿意准确评价他们的宠物是否存在超重或肥胖及其程度。在家庭环境中通常难以测量宠物重量，因为人体秤没有足够的表面积来容纳宠物，并且大型动物太大而无法站在人体秤上(或由站立在人体秤上的宠物主人抓住)。因此，宠物重量通常很少测量，通常仅在宠物去兽医办公室时测量(即每年一次或更少)。

由于上述原因，许多宠物家长通常不知道他们的宠物的重量、理想体重(idealbody weight，IBW)、身体状况评分(body condition score，BCS)或体脂指数(body fatindex，BFI)，因此无法适当地喂养他们的宠物。虽然兽医和兽医保健团队的其他成员接受过准确评价重量、IBW、BCS和BFI所需的培训，但他们通常不愿意向宠物家长提出与宠物超重和肥胖相关的问题，因为这是一个令人不适的话题并且是主观的，即使在由培训过的兽医正式评估时也是如此。因此，期望具有针对体重、IBW、BCS或BFI的评分工具，其以客观的方式自动对这些参数进行评分并且不需要特殊的宠物秤或前往兽医办公室。该问题的可能的解决方案是基于动物的照片或视频对体重、IBW、BCS或BFI进行评分。这种评分将允许对宠物重量、IBW、BCS或BFI进行客观评价，其可以由宠物家长在家中重复、廉价且容易地进行。这样的工具将允许宠物家长和兽医在兽医办公室之外(例如在宠物的家里)使用该工具，并与诸如远程医疗的工具结合。因此，可以更准确并且更频繁地评估宠物的健康和幸福感，这可以导致兽医酌情为宠物提出更准确且及时的健康和营养建议，例如体重减轻或体重管理食品和调整喂食量或频率等的建议。

发明内容

在一个方面中，本公开内容可以涉及用于确定动物的身体属性的方法、装置和系统。例如，系统可以包括一个或更多个被配置成捕获与动物相关的图像或视频数据的传感器。一个或更多个处理器可以被配置成接收所捕获的与动物相关的图像或视频数据；识别图像数据中描绘的与动物相关的至少两个部分；将图像数据中描绘的与动物相关的至少两个部分输入到机器学习模型中；以及经由一个或更多个机器学习模型确定动物的重量、IBW、BCS和BFI。

附图说明

本公开内容将根据详细描述和附图得到更充分地理解，其中：

图1是具有复数个模块的系统的框图，所述复数个模块被配置成收集并分析数据以确定动物的身体属性，如本文所述；

图2示出了的使用机器学习模型来确定动物的身体属性的框图，如本文所述。

图3示出了动物的示例图像，其中可以使用机器学习来确定动物的身体属性，如本文所述。

图4示出了动物的示例图像，其中裁剪的图像包括动物的放大视图，如本文所述。

图5示出了动物的示例图像，其中可以划分动物和动物周围的对象，如本文所述。

图6描述了用于确定动物的身体属性的示例方法，如本文所述的。

具体实施方式

以下对优选实施方案的描述本质上仅是示例性的，并且决不旨在限制一个或多个发明。说明性实施方案的描述旨在结合附图来阅读，附图应被认为是整个书面描述的一部分。在本文中公开的示例性实施方案的描述中，对方向或取向的任何提及仅旨在方便描述，且不旨在以任何方式限制本发明的范围。相对术语例如“下部”、“上部”、“水平”、“垂直”、“上方”、“下方”、“上”、“下”、“左”、“右”、“顶”、“底”、“前”和“后”以及其派生词(例如，“水平地”、“向下地”、“向上地”等)应被解释为指的是如随后所描述的或者如所讨论的附图中所示的取向。除非明确指明如此，否则这些相对性术语仅是为了方便描述，并且不要求特定的取向。除非另有明确描述，否则诸如“附接”、“附着”、“连接”、“联接”、“相互连接”、“固定”的术语以及其他类似术语是指其中结构直接地或通过中间结构间接地固定或附接至彼此的关系，以及两者可移动或固定不动的附接或关系。

本文中的讨论描述并例示了可以单独存在或以特征的其他组合存在的特征的一些可能的非限制性组合。此外，如本文中所使用的，术语“或”应被解释为每当其操作数中的一个或更多个为真时得到真的逻辑运算符。此外，如本文中所使用的，短语“基于”应被解释为意指“至少部分基于”，并且因此不限于“完全基于”的解释。

如通篇所使用的，范围用作用于描述该范围内的各个值和每个值的简写。范围内的任何值可以选择为该范围的端点。此外，本文中引用的所有参考文献在此通过引用整体并入。在本公开内容中的定义与所引用的参考文献的定义相冲突的情况下，以本公开内容为准。

本发明的特征可以在软件、硬件、固件或其组合中实现。本文中描述的计算机程序不限于任何特定实施方案，并且可以在操作系统、应用程序、前台或后台进程、驱动器或其任何组合中实现。计算机程序可以在单个计算机或服务器处理器或者多个计算机或服务器处理器上执行。

本文中描述的处理器可以为被配置成用于执行计算机程序指令(例如，代码)的任何中央处理单元(CPU)、微处理器、微控制器、图形处理单元(GPU)、计算或可编程装置或电路。各种处理器可以在任何合适类型的计算机和/或服务器硬件(例如，台式机、膝上型计算机、笔记本电脑、平板电脑、智能手机、边缘计算设备、嵌入式设备等)中实现，并且可以包括形成功能数据处理设备所需的所有常用辅助组件，包括但不限于软件和数据存储装置，例如易失性和非易失性存储器、输入/输出设备、图形用户界面(GUI)、可移动数据存储装置以及包括Wi-Fi、蓝牙(例如经典蓝牙、低功耗蓝牙)、LAN等的有线和/或无线通信接口设备。

本文中描述的计算机可执行指令或程序(例如，软件或代码)和数据可以编程至非暂时性计算机可读介质中，并且有形地在非暂时性计算机可读介质中体现，所述非暂时性计算机可读介质可由如本文中所述的各个处理器访问和检索，所述处理器通过执行介质中编码的指令来配置和引导处理器执行期望的功能和过程。包含被配置成这样的非暂时性计算机可执行指令或程序的可编程处理器的设备可以被称为“可编程设备”或“设备”，并且相互通信的多个可编程设备可以被称为“可编程系统”。应注意，如本文所述的非暂时性“计算机可读介质”可以包括但不限于可以被写入到可操作地连接至介质的处理器和/或通过可操作地连接至介质的处理器读取的任何合适的易失性或非易失性存储器，包括随机存取存储器(RAM)及其各种类型、只读存储器(ROM)及其各种类型、USB闪存、以及磁或光数据存储装置(例如，内部/外部硬盘、软盘、磁带CD-ROM、DVD-ROM、光盘、ZIP^TM驱动器、蓝光(Blu-ray)盘等)。

在某些实施方案中，实例可以以计算机实现的过程和设备，例如基于处理器的数据处理和通信系统或用于实施那些过程的计算机系统的形式体现。本发明还可以以体现在非暂时性计算机可读存储介质中的软件或计算机程序代码的形式体现，其在下载到数据处理和通信系统或计算机系统并通过数据处理和通信系统或计算机系统执行时，计算机程序代码片段将处理器配置成产生被配置成实现所述过程的特定的逻辑电路。

许多动物(例如宠物，如狗和猫)超重和/或肥胖。与人类类似，宠物超重和肥胖会具有严重的健康影响。超重宠物患合并症的风险更大，例如心脏病、糖尿病、关节疾病(关节炎)、高血压、呼吸系统问题、癌症和手术/麻醉并发症。此外，超重宠物可能比健康宠物寿命短。在人类医学中，诸如理想体重(IBW)或身体质量指数(BMI)的量度用于解释人的当前重量并确定是否存在超重和/或肥胖及其程度(例如，将当前重量呈现为IBW的百分比，或使用当前重量来计算人的BMI。可以将IBW百分比和BMI二者与阈值进行比较用于解释)。类似地，诸如理想体重(IBW)、身体状况评分(BCS)和体脂指数(BFI)的度量用于解释宠物的当前重量并确定是否存在超重和肥胖及其程度(例如，将当前重量呈现为IBW的百分比，或者将宠物的体型与BCS视觉标度进行比较)。

BFI是对猫或狗的体重中体脂的百分比以及与该体脂程度相关的健康风险进行定量的方法。然而，由于多种原因(包括获得所需的物理测量或评价(例如测量动物的解剖结构、给动物称重、触诊动物以评估骨骼、脂肪、肌肉等)的障碍)，诸如重量、IBW、BCS和BFI的工具可能难以准确评价。由于宠物的特征，包括不同年龄、遗传背景等猫和狗身上表现出的宽范围的不同身体类型、不同的身体部位的大小或形状、不同的毛发类型等，重量、IBW、BCS和BFI也可能难以准确评价或解释。

尽管宠物的身体类型、形状等多种多样，但是可以使用所述系统来评价宠物的BCS。可以使用两种BCS标度，一种范围为1至5，并且另一种范围为1至9。一些兽医可能更喜欢1至9标度，其具有更大的自由度来表征身体状况评分的微妙变化。另一些兽医可能更喜欢1至5标度，其由于类别较少而更容易评分和解释。此外，给定分数的解释将根据所使用的BCS标度而变化。对于1至5标度，1/5可以低于理想身体组成或体重不足；2/5可以低于理想身体组成或低于理想重量；3/5可以为理想身体组成或理想重量；4/5可以高于理想身体组成或高于理想重量；并且5/5可以远高于理想身体组成或超重。对于1至9标度，1/9、2/9和3/9可以低于理想身体组成或低于理想重量，4/5和5/5可以是理想身体组成或理想体重，以及6/9、7/9、8/9和9/9可以高于理想身体成分或高于理想重量。例如，BCS为5的狗在5分标度上将被归类为高于理想身体组成或超重(5/5)，而在9分标度上将被归类为理想身体组成或理想体重(5/9)。BCS为3的猫在5分标度上将被归类为理想身体组成或理想重量(3/5)，而在9分标度上被归类为低于理想身体组成或低于理想重量(3/9)。

准确地分配评分可能需要训练，并且如果由目视检查、称重、测量和触诊宠物的兽医进行，则可能是最准确的。由于准确地进行重量、IBW、BCS或BFI评价所需的知识，并非所有宠物都接受定期兽医护理的事实，以及猫和狗超重和肥胖的普遍增加，因此许多宠物家长并不认为他们的宠物超重或肥胖。此外，即使宠物家长注意到他们的宠物有些超重，宠物父母可能也不知道宠物超重或肥胖的程度或者这样的重量会在多大程度上影响宠物的健康。此外，除了影响宠物的健康之外，超重还会对宠物的总体幸福感和整体生活品质产生负面影响。

虽然重量增加可能是通常由过多营养摄入和/或缺乏运动引起的体脂增加的结果，但可能存在导致重量增加的其他促成因素。这样的因素可以包括宠物的年龄、宠物的品种、宠物的新陈代谢、宠物的医学病症等。例如，与更活跃的年幼宠物相比，年长的宠物可能不太活跃，并且基于活动水平可能需要更少的卡路里。一些猫和狗品种更容易增加重量。健康史或生命阶段的变化可能会导致新陈代谢的改变，这可能会导致这样的宠物需要更少的卡路里。此外，医学病症可能需要特定治疗，这可能偶尔与体重增加相关。此外，提供给宠物和被宠物消耗的食物的类型和量可能影响宠物的整体健康和幸福感。适当的营养在治疗超重宠物方面起着重要作用。尽管兽医可能能够推荐重量管理食物来帮助宠物减重并保持健康和积极的生活方式，但必须首先将宠物确定为目前超重或肥胖，或者具有发展为超重和/或肥胖的倾向。

尽管诸如宠物的重量、IBW、BCS和BFI的指标可以提供宠物是否超重或肥胖的指示，但是这样的指标可能由于各种原因而无法确定。例如，宠物的重量、IBW、BCS和BFI可能无法确定，因为宠物家长可能不会带宠物去看兽医检查。在另一些实例中，可能不包括宠物的重量状况作为宠物接受的兽医评估的一部分，或者如果包括重量状况作为兽医评估的一部分，则可能无法准确地表征超重或肥胖的程度。在另一些实例中，可以评价并准确地表征宠物的重量状况，但可能不包括在与宠物家长的讨论中。

为了避免常规宠物重量管理系统的缺点，如本文所述，提供了允许自动和/或客观地确定宠物的重量因素的系统、方法和/或装置。这样的系统、方法和/或装置在其使用中可能需要很少或者不需要训练，并且由宠物家长(例如，在宠物家长的家中)由兽医和/或兽医保健团队的其他成员进行。在实例中，这样的系统、方法和/或装置可以驻留在用户的移动装置、外部服务器(例如，云服务器)等和/或与其通信。

图1示出了用于确定动物的身体属性例如重量、IBW、BCS或BFI的示例系统100。示例动物可以包括宠物(例如，猫、狗、兔、豚鼠、鸟)、农场动物(例如，马、牛、鸡)、动物园动物(例如，狮子、熊)、野外动物等。系统100可以包括一个或更多个电子装置101。电子装置101可以包括一个或更多个传感器102、处理器110、测量装置104、通信装置120和/或存储装置112。电子装置101可以是可植入装置，如本文所述。系统的一个或更多个装置可以与电子装置101内的一个或更多个装置和/或电子装置101外部的一个或更多个装置(例如外部装置116)通信。

传感器102可以被配置成检测和/或传送动物和/或动物周围环境的信息。例如，传感器102可以被配置成检测和/或传送动物和/或动物周围环境的图像信息(例如，静止图像信息或运动图像信息)；动物和/或动物周围环境的音频信息；动物和/或动物周围环境的温度等。传感器102可以为多种形式的因素中的一者或更多者，包括摄影相机(例如，深度感测相机、热像仪)、摄像机、便携式摄像机、音频传感器、及其组合。在实例中，传感器102可以包括温度计、麦克风等中的一者或更多者。

传感器102可以是以下中的一者或更多者：光学传感器，光学反射传感器，LED/光电二极管对光学传感器，LED/光电晶体管对光学传感器，激光二极管/光电二极管对光学传感器，激光二极管/光电晶体管对光学传感器，光耦合器，光纤耦合的光学传感器，磁传感器，超声波传感器，重量传感器，力传感器，位移传感器，压力传感器，各种接近传感器例如电感式接近传感器、磁性接近传感器、电容式接近传感器和/或其组合。传感器102可以包括通信电路，例如蓝牙(例如，经典蓝牙和/或低功耗蓝牙)、RFID、Wi-Fi和其他无线技术。

系统100可以包括一个或更多个测量装置104。测量装置104可以被配置成测量与动物相关的特征。测量装置104可以为与传感器102相同的装置，或者测量装置104可以为与传感器102不同的装置。例如，传感器102可以为用于测量宠物的视觉外观的传感器(例如，相机)或结构(例如，3D相机)。测量装置104可以为用于直接测量物理特性(例如重量、力等)的传感器。示例测量装置104可以以各种形式的因素中的一者或更多者来实现，所述各种形式的因素包括但不限于体重秤、重量传送器、力传送器、位移传送器、压力传送器、重量传感器、力传感器、位移传感器、压力传感器、实时时钟、定时器、计数器和/或其组合。测量装置104可以包括通信电路，例如蓝牙(例如，经典蓝牙和/或低功耗蓝牙)、RFID、Wi-Fi、医疗植入通信系统(Medical Implant Communication System，MICS)(例如，这些技术的混合，例如MICS/蓝牙)、和其他无线技术、以及其他无线技术。

系统100可以包括一个或更多个存储装置112。存储装置112可以被配置成存储提供给系统100和/或由系统100提供的数据。数据可以包括由传感器102提供的数据(例如，图像数据、音频数据)、由测量装置104提供的数据(例如，重量数据)、位置数据等。数据可以包括算法数据，例如用于确定动物的BCS和BFI的机器学习算法。示例存储装置112可以为存储器装置、数据存储装置及其组合，例如存储芯片，半导体存储器，集成电路(IC)，非易失性存储器或存储装置例如闪存、只读存储器(ROM)、可擦除只读存储器(EROM)、电可擦除只读存储器(EEROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、电可擦除可编程只读存储器(EEPRO)，易失性存储器例如随机存取存储器(RAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)，单倍数据速率存储器(SDR)，双倍数据速率存储器(DDR)，四倍数据速率存储器(QDR)，微处理器寄存器，微控制器寄存器，CPU寄存器，控制器寄存器，磁存储装置例如磁盘、磁性硬盘、磁带，光学存储装置例如光盘、光碟(CD)、数字多功能光盘(DVD)、蓝光光盘、磁光盘(MO盘)和/或其组合。存储器112可以为外部存储装置，例如USB闪存、外部硬盘驱动器等。

例如，系统100可以包括一个或更多个被配置成计算和/或处理提供给系统100的数据的处理器110。示例处理器可以为电子电路、系统、模块、子系统、子模块、装置及其组合，例如中央处理单元(CPU)、图形处理单元(GPU)、微处理器、微控制器、处理单元、控制单元、用于记录的有形介质和/或其组合。存储装置112可以被配置成存储从处理器110导出的数据。处理器110可以包括通信电路，例如蓝牙(例如，经典蓝牙和/或低功耗蓝牙)、RFID、Wi-Fi和其他无线技术。

系统100可以包括外部装置116，例如移动电话、膝上型电脑(统称为移动装置)和/或服务器。移动装置可以包括一个或更多个其他装置，例如平板电脑、手表等。电子装置101可以与一个或更多个其他装置例如外部装置116无线连接。例如，电子装置101可以经由通信装置120与外部装置116通信。

传感器102、测量装置104、处理器110和/或存储装置112可以以多种配置组装，包括作为单个装置、在独立设备中或其组合。在另一些实例中，处理器110和/或存储器112可以被配置为远程装置，例如远程服务器(例如，云存储装置)。虽然图1示出了处理器110与传感器102、测量装置104和存储器112中的每一者之间的连接，但实例不应限于此。在实例中，装置中的一者或更多者可以与其余装置中的一者或更多者(包括任一者或没有)通信。例如，传感器装置102可以与处理器110和存储装置112通信，传感器装置102可以不与存储装置112通信，等等。可以添加一个或更多个装置和/或从系统100移除一个或更多个装置。例如，可以向系统100添加另外的传感器装置102和/或可以从系统100移除存储装置112。

可以处理和/或记录与动物相关的数据(例如，图像数据、音频数据、温度数据、重量数据)用于确定动物的IBW、BCS、BFI和/或重量。与动物相关的数据可以被记录(例如，经由视频记录、图片和/或音频记录)和/或可以经由处理器110进行处理。一个或更多个处理器110可以执行数据计算，例如以确定动物的IBW、BCS、BFI和/或重量。一个或更多个处理器可以安装在一个或更多个外部装置116上。传感器102、测量装置104和/或外部装置116可以被配置成将数据传送给用户和/或一个或更多个其他群组(例如，兽医、家庭成员等)。

如本文所述，可以使用机器学习以确定动物的IBW、BCS、BFI和/或重量。例如，传感器102(例如，相机、便携式摄像机)可以捕获宠物存在、曾存在或将存在的一个或更多个位置内的图像。可以将图像呈现至机器学习模型。机器学习模型可以为标准机器学习模型和/或机器学习的子集(例如深入学习模型)，但是应当理解，可以使用一个或更多个其他机器学习模型。

如本领域技术人员已知的，机器学习可以与手动设计特征和相对简单的可训练分类器一起工作。在典型的机器学习的情况下，特征工程/提取对于模型的训练和推理可能是耗时的。深入学习是基于具有代表性学习的人工神经网络的机器学习的一部分。深入学习具有内置的自动多阶段特征学习过程，其学习丰富的层次表示(例如特征)。在典型的深入学习模型的情况下，模型训练可能是耗时的并且需要高计算能力。预测可以非常快，并且不一定需要高计算能力。可以在边缘计算装置、智能手机、嵌入式装置等上进行预测。

图2示出了用于使用机器学习(例如深入学习)来确定动物的IBW、BCS、BFI和/或重量的示例过程200。例如，单个模型(例如，机器学习模型)可以确定动物的IBW、BCS、BFI和/或重量中的一者或更多者。如图2所示，使用某个位置内所捕获的对象的图像来训练机器学习模型。这些对象包括动物并且可以包括动物佩戴的衣服或其他物品(例如，项圈)、家具、门、窗等。可以在所述位置内捕获已知尺寸的对象，使得可以确定尺寸的基线。例如，动物可以佩戴已知尺寸的项圈，可以在动物旁边提供已知尺寸的对象作为参考点，等等。动物的部分(或整个动物)的大小和尺寸可以基于动物与已知尺寸的对象的比较来确定。

如本文所述，训练的模型可用于根据模型训练期间未使用的图像来预测和/或确定动物的IBW、BCS、BFI和/或重量。此外，虽然本文描述了IBW、BCS、BFI和/或重量，但是应当理解，这样的实例仅用于说明目的。可以确定动物的其他属性，例如可以在实例中确定整个动物或动物的部分的高度、宽度、长度、深度、直径、半径、周长等。

数据可以被识别和/或接收。如图3所示，数据可以包括描绘一个或更多个动物、对象、位置等的图像300。例如，可以提供示出房间内的狗302的图像。房间可以包括一个或更多个对象，例如门304、窗308、垫子310。狗302可以佩戴物品，例如项圈303。预定尺寸和结构的对象306可以呈现在图像中。尽管图像300可以呈现具有已知尺寸的植物保持物的形式因素的对象306，但是对象306可以是具有预定尺寸和结构的一种或更多种其他形式因素的一个或更多个其他对象，例如动物佩戴的项圈、挂在墙上的画、食物盘、水盘、喂食器、宠物床、玩具等。当系统100已知对象306的尺寸时，系统100可以基于对象306的大小确定狗302的一个或更多个部分的大小，例如狗302的眼睛、头、躯干、耳朵、脚等的大小。

在图2中，在202处，图像中的每一者可以标记有与图像中的动物相关的属性的指示。例如，图像300可以是用于训练模型的许多图像中的一者。在图像300为训练图像的实例中，可以提供狗302的IBW、BCS、BFI和重量的值，和/或与狗302的IBW、BCS、BFI和重量相关的度量并用于训练模型。可以使用多个步骤从用于训练模型的度量导出感兴趣的度量。用于训练模型的输入数据可以采用其中提供了按时间顺序的多个图像的视频的形式。除了图像/视频之外，用于训练模型的另外输入数据可以采用其他传感器数据的形式，例如来自深度传感器的3D/体积数据、先验信息例如品种等。

图像和与图像中的动物相关的属性的相关指示可以存储在数据库中，可以经由无线和/或无线方法等提供至训练模型。

在204处，可以将描绘动物的图像(其可以包括另外的数据源和/或先验信息)以及与动物相关的属性的相关指示提供至机器学习模型(例如，深入学习模型)用于训练。如图4所示，图像(例如，原始图像)可以被裁剪、调整大小和/或放大。放大过程可以包括对低分辨率图像进行上采样以改善图像品质。由于图像300的放大，可以更好地可视化和/或确定动物的部分。例如，图4聚焦于狗302而不是图像300中所示的对象。因此，可以看到狗302的部分例如耳朵402、眼睛420、脚404的更好的图。另外地或替代地，可以通过放大图像来更好地观察对象，例如图4所示的项圈303。提供至用于训练的模型的图像(例如，数据)可以被增强，使得更多变化的数据可以被提供至训练模型。在实例中，图像300可以以其他方式增强，例如旋转、翻转、放大、擦除像素或对图像的其他修改或修改的组合，以向训练模型提供更多变化的图像数据。这样的增强技术旨在仅作为实例。可以使用用于增强图像或另外数据源的一种或更多种其他技术。模型(例如，机器学习模型)可以安装在装置100和/或一个或更多个其他装置例如外部服务器、移动装置等上。

动物的图像内的对象或另外数据源可以被划分。例如，如图5所示，图像内的动物(例如，狗302)可以被划分成动物部分502和另一(例如，背景)550部分。在其中图像中示出多于一只动物的实例中，单个动物可以被单独划分，分组为一个或更多个动物片段等。划分的图像可以有助于机器学习模型的训练(例如深入学习)，因为训练将基于与动物相关的相关信息，而不是环境中的背景伪影。例如，BCS基于狗302的部分，而不是基于狗302所在的房间内的背景信息。在另一些实例中，可以对动物的一个或更个部分进行划分，使得仅将那些部分呈现至机器学习模型。

在训练阶段，模型学习最相关的特征，并指示IBW、BCS、BFI和重量的不同值。模型可以用图像进行训练，并提供监督形式以根据IBW、BCS、BFI和重量的已知值学习预测是否正确。单个机器学习模型可以执行多项任务，例如预测IBW、BCS、BFI和重量。模型验证可以通过基于对训练期间未使用的数据的预测的性能评估来进行。模型验证可以确定何时停止训练阶段。

在206处，动物的一个或更多个图像或另外数据源可以被呈现至训练模型用于确定动物的IBW、BCS、BFI和/或重量。图像可以包括动物和动物所在的对象的图像300(图3)、动物的裁剪和/或分解图像400(图4)、和/或动物的划分图像500(图5)。图像可以包括动物的一个或更多个轮廓，例如动物的前部轮廓、动物的侧面轮廓、动物的顶部轮廓、动物的后部轮廓、或其组合。在模型确定动物的IBW、BCS、BFI和/或重量之前，可以确定图像的品质，或通过对分辨率进行上采样来改善图像的品质。尽管以上实例描述了图像，但这仅用于说明目的并且是非限制性的。实例可以包括图像(例如，静止图像、视频)、热图像、深度确定图像等。

在208处，可以将图像或另外数据源呈现至模型(例如，经训练或学习的模型)。模型可以驻留在装置100上或者可以驻留在装置100的外部。在210处，模型可以确定(例如，预测)图像内呈现的一个或更多个动物的身体属性(例如，重量、IBW、BCS、BFI)。身体属性可以与图像内呈现的单个动物、图像内的两个或更多个动物的组等相关。在实例中，模型可以被指示为应该为图像内的多少动物(以及哪些动物)确定身体属性、要确定的身体属性的类型等。在210处，模型可以预测动物的身体属性。可以对不是训练数据集的一部分的数据进行预测。例如，经训练的模型可以用于预测新数据(例如，未被训练数据集评估的数据)的端点。

如本文所述，图像可以在被提供至机器学习模型之前被增强和/或划分。图4示出了经历放大处理以对分辨率进行上采样的裁剪图像400，从而放大了动物的特性，以及图5示出了动物和图像内描绘的背景的示例划分图像500。用于训练模型(例如，深入学习模型)的动物的图像可以被增强和/或划分，并且可以经由经训练的模型(例如，深入学习模型)来预测动物的身体属性的动物的图像可以被划分。图像上示出的一个或更多个动物和/或对象可以被增强和/或划分。可以提供经增强和/或划分的图像用于对机器学习(例如，深入学习)模型进行训练。

可以在将图像呈现至机器学习模型之前对图像进行图像处理。图像处理可以包括确定图像的品质是否被核准(例如，足够的品质)用于被输入到深入学习模型中用于预测动物的身体属性。例如，图像的焦点是否高于预定阈值。可以应用增强处理以对低分辨率图像进行上采样以改善图像品质。此外，或替代地，可以进行图像处理，其可以包括对动物的一个或更多个部分(例如动物的头、动物的躯干、动物的脚等)进行上采样或放大。可以进行预处理，其可以导致对动物的可以指示动物的身体属性的部分进行放大。

图6描述了用于使用装置100来确定动物的身体属性(例如IBW、BCS、BFI、重量等)的示例过程600。在602处，可以捕获与动物相关的数据(例如，图像数据)。数据可以经由相机、便携式摄像机、麦克风、体重秤等来捕获。数据可以涉及特定位置(例如喂养区域、睡眠区域、动物玩耍和/或锻炼的区域、医疗设施等)处的动物。数据可以涉及一个或更多个动物。可以在单个时间点或多个时间点捕获数据。数据可以包括测量值或由测量值导出的度量，例如范围、平均值、标准差或数据的概率分布的其他特征，这可以改善模型性能和预测准确性。

可以定期地(例如一天中的某一时间(例如，早上、晚上、上午8点)、一周/一个月中的某一天等)捕获数据。可以基于运动(例如，进入该位置的动物)来捕获数据。可以基于数据的帧中特定动物的存在来捕获数据。可以基于动物或动物的一部分的属性(包括形状、颜色、测量值或其他特征)来捕获数据。可以基于与动物及其存在或与环境和环境中的对象/动物的相互作用直接/间接相关的环境内部/外部的事件来捕获数据。数据可以保存在存储器112中，传输到一个或多个装置(例如，外部装置)等。在604处，可以例如经由处理器和/或外部装置来接收所捕获的数据。

在606处，可以识别和/或确定图像内描绘的动物的相关区段(例如，部分)。例如，可以识别和/或确定整个动物(例如，头、颈、躯干和附肢)。可以经由一者或更多者来识别和/确定整个动物。如果图像具有不可接受的品质(例如，未聚焦)，则可以丢弃图像；并且如果图像具有可接受的品质或者可以经由放大过程以对图像进行上采样来改善，则可以保留图像。

通过识别动物的至少两个部分(包括动物的整体)，可以整体地表现动物的身体属性。确定动物的身体属性的整体方法可以比简单地识别动物的单个部分并基于所述动物的单个部分确定动物的身体属性提供益处。动物的部分(例如，至少两个部分)可以根据动物的一个或更多个轮廓(例如前部轮廓、侧面轮廓、顶部/底部轮廓、后部轮廓等)来识别和/或确定。在实例中，动物的一个或更多个部分可以根据动物的轮廓的一者或更多者(例如，组合)来识别。例如，动物的身体部分可以根据动物的前部轮廓和动物的侧面部分来确定。

如本文所述，可以识别、确定和/或区分动物的部分。可以在预处理期间(例如，在数据被输入到机器学习模型中之前)、在数据被机器学习模型处理期间、和/或在后处理期间(例如，在数据被输入到机器学习模型中之后)区分所述部分。可以经由一种或更多种方法来识别、确定和/或区分动物的部分。识别动物的部分可以帮助和/或允许确定动物的形状(例如动物的大小、形状、长度或宽度)，这可以导致机器学习模型执行更准确的动物身体属性的确定。

例如，作为身体评分过程的一部分，宠物主人可以将宠物的皮毛评价为无、薄、中等、厚、非常厚等。基于身体评分，可以确定毛发和/或皮毛对动物的大小可能影响的程度，如图所示。例如，具有厚皮毛的动物可能比动物所传达的图像小。这样的信息可以与机器学习技术结合使用来确定动物的身体属性。在另一个实例中，可以将图像中动物的外形与动物的一个或更多个模型、库存图像和/或标准(例如，与与动物数据相关的动物相同或相似大小和/或品种的动物)进行比较。动物的模型、库存图像和/或标准可以与动物的图像一起使用以确定动物的实际大小和/或形状。来自标准的信息(例如品种标准、在动物上收集的历史信息，在其他动物上收集的典型重量、大小、比例等，主人报告的信息或来自动物环境(包括其他动物)的信息)可以与动物的图像一起使用以确定动物的实际大小和/或形状。

系统可以确定和/或考虑光和/或缺乏光可以如何影响动物的外观的变化。通过皮毛的光的变化可以用于指示动物身体的存在。例如，皮毛颜色、特性或透明度可以基于距身体的距离而变化。系统可以确定从动物的皮毛反射的光可以如何指示动物身体的曲线、形状和/或大小。可以基于与动物所在环境中的预定大小和结构的另一对象(例如，对象306)的比较来确定动物的大小和/或形状，如本文所述。具有特定功能的相机可以用于确定动物的形状、大小等。例如，深度感测相机可以用于估计距离和/或确定大小(例如动物的一个或更多个部分的大小、或整个动物的大小)。信号(例如，音频信号)可以用于估计距离和/或确定大小(例如，动物的大小)。热感测可以用于确定从动物身体散发的热云。从动物的身体散发的头部云可以依照身体的形状和/或与动物的热质量成比例。

动物的部分的预期大小与图像内示出的动物的该部分的实际大小(包括动物的特征，例如眼睛、耳朵、鼻子等，或动物或图像的特征例如眼睛、耳朵、鼻子等之间或跨越其的距离)之间的比率可以用于估计距离和/或计算动物(例如，动物的部分)的大小。尽管本公开内容描述了动物的眼睛(因为眼睛大小/位置可以在动物中具有相对低的可变性并且通常在照片中可见)，但这样的描述仅用于说明目的。作为另一个实例，图像中牙齿的预期大小与实际大小之间的比率可以用于估计距离和/或计算动物的大小，因为牙齿可以在动物中具有相对低的可变性。

动物的尾巴、耳朵、鼻子、爪子、腹部或其他部分可以用于估计动物是否具有蓬松的皮毛或光滑的皮毛。可以在动物的身体上使用深度估计。在另一个实例中，动物的面部皮毛可以用于估计毛皮深度，因为动物的鼻子、嘴唇和/或眼睛可能几乎没有皮毛深度至没有皮毛深度，而头顶部、耳朵和/或肩部可能具有完整的皮毛深度。动物的身体和动物的头之间可能存在深度渐变。动物的比例可以用于估计皮毛深度，例如以识别动物的腿/腿部分与动物的背部长度之间的一致关系，以确定动物的腿/腿部分以及动物腿至腹部的高度等。所确定的比例的不一致可以用于估计动物的皮毛深度。

对于佩戴项圈的动物，动物的皮毛深度可以通过佩戴的项圈在皮毛中的定位/深度以及项圈上示出的皮毛量来确定。项圈的大小可以在图像中提供固定大小。例如，如果项圈的宽度或项圈的大小已知，则可以使用比较来确定动物的大小。与可穿戴装置的大小(例如，具有已知大小的可穿戴装置)相关的动物的大小可以提供固定点以估计动物的大小。在另一些实例中，动物的步态(例如，动物每步行进的距离、或在固定时间段内动物行进的距离)可以用于估计距离和/或提供由其可以确定动物的高度、身体长度或身体深度的点。

可以去除或增强动物的一个或更多个部分用于确定动物的身体属性(例如，经由机器学习技术确定)。例如，动物的一个或更多个肢体可能与动物的身体属性的确定不相关。作为一个实例，系统可以识别动物的舌头(由于舌头在向下方向上悬垂)。在确定动物的身体属性期间可以忽略动物的舌头。可以由于身体的部分的颜色来确定(例如，忽略或增强)身体的部分。例如，动物的舌头的颜色可能是粉色的。因此，在确定动物的身体属性时，可以忽略动物的为粉色的部分。

动物的测量可以用于确定动物的身体属性。例如，可以确定动物从胸部到动物后部的长度。动物从胸部到动物后部的长度可以使用动物的身体(从胸部)与前爪的垂直角以及动物尾巴下方与后爪的垂直角来确定。在实例中，肢体测量可以用于确定动物的大小。例如，动物的爪子或耳朵可以用于确定动物具有大或小的肢体。图像可以由于动物的大小(例如针对动物的小、中或大肢体)进行调整。可以确定动物的耳朵(或鼻子或爪子)与动物的身体宽度之间的比率。可以确定该比率在健康重量的动物的情况下是否一致。例如，可以确定该比例是否表明超重动物。可以在将图像输入到机器学习模型中之前使用这样的信息(例如，用于图像的预处理)和/或可以将信息输入到机器学习模型中(例如，以补充机器学习模型)。

在图6中，在608处，可以将图像数据中捕获的动物的相关部分提供至机器学习模型。例如，可以将动物的图像(例如，动物的部分)输入至机器学习模型中。如本文所述，可以将动物的整个图像输入至机器学习模型中，和/或可以将动物的两个或更多个部分输入至机器学习模型中。输入到机器学习模型中的图像可以与动物的单个轮廓或动物的多个轮廓相关。输入到模型中的图像可以由预处理产生，如本文所述。例如，从动物散发的热量(经由热像仪)可以被输入至相机等中。机器学习模型可以执行技术(例如，深入学习技术)来确定动物的身体状况，如本文中所述。

机器学习技术可以为监督机器学习技术、半监督机器学习技术和/或无监督机器学习技术。机器学习技术可以包括深入学习技术。当机器学习模型在训练阶段和/或再训练/调整/细化阶段期间分析与任务相关的更多数据时，机器学习模型可以提高其执行任务的能力。这些阶段可以包括来自用户的以描述IBW、BCS、BFI或重量或者与这些相关的相关属性的标签形式的输入。如本文所述，任务可以是确定(例如，预测)动物的身体属性(例如，IBW、BCS、BFI、重量等)。模型可以基于例如经由图像数据的增强等接收动物的多条信息的模型来提供对身体属性的更准确的确定。可以使用一组训练实例来训练机器学习模型。每个训练实例可以包括与动物相关的数据(例如，图像数据)以及与动物的身体属性相关的值。通过处理包括动物数据(例如，动物图像数据)和与身体属性相关的值的一组训练实例，模型可以确定(例如，学习)与动物的特定身体属性相关的动物数据的属性或特征。然后，可以使用该学习以预测动物的身体属性或预测其他身体属性的分类。

在610处，可以经由机器学习技术确定(例如，预测)图像中描绘的动物的身体属性(例如，身体状况评分(BCS)、体脂指数(BFI)或重量(例如理想体重，IBW))，如本文所述。作为一个实例，动物的身体属性可以经由对由图像中的动物身体的部分、图像中的动物的整个身体或其组合组成的数据进行机器学习处理来确定。可以确定一种身体属性或者可以确定多于一种身体属性。身体属性可以涉及单个动物或多于一个动物。

可以提供除了动物的身体属性之外或替代动物的身体属性的信息。例如，可以提供如何确定和/或预测身体属性的指示。例如，身体属性可以基于动物躯干的大小和动物脚的大小。可以基于动物的侧面轮廓来确定身体属性。系统可以提供在确定身体属性时未使用的信息(例如，动物的部分)的指示。例如，可以告知用户在确定动物的身体属性时没有使用动物的耳朵。可以告知用户，因为耳朵的图像品质具有差的品质或者因为动物的耳朵被确定为与身体属性的确定无关，所以在确定身体属性时中没有使用耳朵。

系统可以提供如何可以改善身体属性的确定的指示，例如，用于身体属性的未来确定。例如，系统可以指示为当前确定提供的图像是动物的前部轮廓，并且动物的后部轮廓可以提供对动物的身体属性的更准确的确定。基于这种信息，系统的用户可以确保与动物相关的未来数据包括动物的后部轮廓。

与身体属性相关的信息可以被提供至一个或更多个用户、人或实体。例如，动物的身体属性可以被提供至动物的宠物家长、一名或更多名兽医等。与身体属性相关的信息可以存储在装置(例如，存储装置112)上。可以追踪和/或绘制该信息用于识别动物的身体属性如何随时间变化。如果确定动物肥胖，则宠物家长可以收到补救措施。可以以一种或更多种方式将身体属性信息提供至用户、兽医等。例如，可以将身体属性信息提供至移动电话、平板电脑、膝上型电脑等。在实例中，可以经由服务器处理和/或保存身体属性。

虽然已经关于特定实例(包括执行本发明的当前优选模式)描述了本发明，但是本领域技术人员将理解，存在上述系统和技术的多种变化和置换。应理解，在不脱离本发明的范围的情况下，可以利用另一些实施方案并且可以进行结构和功能修改。因此，本发明的精神和范围应如所附权利要求中所阐述的那样被宽泛地解释。

Claims

1.一种用于确定动物的身体属性的系统，所述系统包括：

一个或更多个传感器，所述一个或更多个传感器被配置成捕获与所述动物相关的图像数据；以及

一个或更多个处理器，所述一个或更多个处理器被配置成：

接收所捕获的与所述动物相关的图像数据；

识别所述图像数据中描绘的与所述动物相关的至少两个部分；

将所述图像数据中描绘的与所述动物相关的所述至少两个部分输入到机器学习模型中；以及

经由所述机器学习模型和与所述动物相关的所述至少两个部分确定理想体重(IBW)、所述动物的身体状况评分(BCS)、所述动物的体脂指数(BFI)、或所述动物的重量。

2.根据权利要求1所述的系统，其中所述动物的轮廓包括所述动物的前部轮廓、所述动物的顶部轮廓、所述动物的底部轮廓、所述动物的侧面轮廓、所述动物的后部轮廓或成角度的轮廓。

3.根据前述权利要求中任一项所述的系统，其中与所述动物相关的所述至少两个部分包括所述动物的鼻子、耳朵、躯干或脚中的至少两者。

4.根据前述权利要求中任一项所述的系统，其中与所述动物相关的所述至少两个部分包括所述动物的鼻子、耳朵、眼睛、躯干、尾巴或脚中的至少四者。

5.根据前述权利要求中任一项所述的系统，其中与所述动物相关的所述至少两个部分包括所述动物的鼻子、耳朵、眼睛、躯干、尾巴和脚中的全部。

6.根据前述权利要求中任一项所述的系统，其中所述传感器为相机或便携式摄像机中的至少一者。

7.根据权利要求6所述的系统，其中所述相机为以下中的至少一者：被配置成基于从所述动物散发的热量确定所述动物的外形的热像仪或者被配置成确定所述图像数据中的距离或所述图像数据中的大小的深度感测相机。

8.根据权利要求7所述的方法，其中所述动物的至少一个部分的估计大小或形状是基于依照所散发热量的身体形状来确定的。

9.根据前述权利要求中任一项所述的系统，其中所述机器学习模型经由机器学习和深入学习技术确定以下中的至少一者：所述动物的身体状况评分(BCS)、所述动物的体脂指数(BFI)、理想体重(IBW)或所述动物的重量，或者所述动物或所述动物的部分的其他属性，例如高度、宽度、长度、深度、直径、半径、周长等。

10.根据前述权利要求中任一项所述的系统，其中所述一个或更多个处理器被配置成经由将与其他动物和其他对象相关的复数个训练图像数据接收到所述机器学习模型中来训练所述机器学习模型。

11.根据前述权利要求中任一项所述的系统，其中所述一个或更多个处理器中的至少一者位于移动装置或服务器上。

12.根据前述权利要求中任一项所述的系统，其中所述一个或更多个处理器被配置成经由从接收的图像数据中裁剪所述动物来处理所接收的图像数据。

13.根据前述权利要求中任一项所述的系统，其中所述一个或更多个处理器被配置成经由将所述图像数据划分成包括所述图像数据中的所述动物的第一片段和包括所述图像数据中的除所述动物之外的所有对象的第二片段来处理所接收的图像数据。

14.根据前述权利要求中任一项所述的系统，其中所述动物的一个或更多个部分的大小基于在所述图像数据中捕获的所述动物与在所述图像数据中捕获的至少一个对象的比较来确定。

15.根据权利要求14所述的系统，其中所述图像数据中的所述至少一个对象为以下中的至少一者：门、窗、墙、桌、床、食物或水盘、自动喂食器、玩具、身高表、另一动物、或容器。

16.根据前述权利要求中任一项所述的系统，其中所述至少一个处理器获知在所述图像数据中捕获的所述至少一个对象的尺寸。

17.根据前述权利要求中任一项所述的系统，其中所述一个或更多个处理器被配置成致使显示所确定的理想体重(IBW)、所述动物的身体状况评分(BCS)、所述动物的体脂指数(BFI)、和/或所述动物的重量。

18.一种确定动物的身体属性的方法，所述方法包括：

经由一个或更多个传感器捕获与所述动物相关的图像数据；

接收所捕获的与所述动物相关的图像数据；

19.根据权利要求18所述的方法，其中所述动物的轮廓包括所述动物的前部轮廓、所述动物的顶部轮廓、所述动物的底部轮廓、所述动物的侧面轮廓、所述动物的后部轮廓或成角度的轮廓。

20.根据权利要求18或权利要求19所述的方法，其中与所述动物相关的所述至少两个部分包括所述动物的鼻子、耳朵、躯干或脚中的至少两者。