一种禽蛋监测方法及装置与流程
本申请涉及禽蛋孵化技术领域，尤其涉及一种禽蛋监测方法及装置。
背景技术：
为了满足人们对禽蛋的需求，目前生产供应商大都是采用人工孵化的方法来获得禽蛋。而这些人工孵化的禽蛋的质和量主要依赖于孵化过程控制系统对温度、湿度的控制。为了较好地获得孵化禽蛋的质和量，有必要对孵化过程控制系统中的温度、湿度变量进行辨识，以供后续更精确的控制。
发明人发现：现有小鸡孵化相关算法通常用来预测孵化箱内的温度、湿度等，不能依据当前温度、湿度等预测出雏时间。
针对相关技术中存在的诸多技术问题，目前尚未提供有效的解决方案。
技术实现要素：
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种禽蛋监测方法及装置。
第一方面，本申请实施例提供了一种禽蛋监测方法，包括：
获取孵化设备的环境信息；
采用禽蛋分析模型分析所述环境信息，得到第一禽蛋发育信息；
根据所述第一禽蛋发育信息生成禽蛋管控指令。
进一步的，如前述的禽蛋监测方法，包括：
所述环境信息包括至少两项环境参数；
所述禽蛋分析模型包括每项所述环境参数对应的子分析模型；
所述采用禽蛋分析模型分析所述环境信息，得到所述第一禽蛋发育信息，包括：
将所述至少两项环境参数分别输入对应的所述子分析模型，得到每项所述环境参数对应的第二禽蛋发育信息；
根据所述第二禽蛋发育信息生成所述第一禽蛋发育信息。
进一步的，如前述的禽蛋监测方法：
所述第一禽蛋发育信息包括禽蛋发育时间；
所述方法还包括：
确定环境参数峰值；
将所述环境参数峰值输入所述禽蛋分析模型计算得到禽蛋通风时间；
计算所述禽蛋发育时间与禽蛋通风时间的第一时间间隔。
进一步的，如前述的禽蛋监测方法，所述方法还包括：
根据所述第一时间间隔计算距离出雏的第二时间间隔。
进一步的，如前述的禽蛋监测方法，
根据所述第一禽蛋发育信息生成禽蛋管控指令，包括：
根据所述第一时间间隔生成通风指令；
或，
根据所述第二时间间隔生成出雏指令。
进一步的，如前述的禽蛋监测方法，所述方法还包括：
将所述通风指令或出雏指令发送到所述孵化设备。
进一步的，如前述的禽蛋监测方法，所述禽蛋分析模型的训练方法包括：
获取多个训练信息；其中，所述训练数据包括相互对应的环境训练数据和发育信息；
输入所述环境训练数据至待训练禽蛋分析模型得到第三禽蛋发育信息点；
获取所述第三禽蛋发育信息与所述环境训练数据对应的发育信息之间的误差；
判断所述误差是否小于预设误差阈值；
当所述误差小于预设误差阈值时，将所述待训练禽蛋分析模型作为禽蛋分析模型。
第二方面，本申请实施例提供了一种禽蛋分析模型生成方法，包括：
获取多个训练数据；
获取所述训练数据对应的第一禽蛋发育信息；
将所述训练数据及第一禽蛋发育信息输入预设神经网络进行训练，学习环境参数与禽蛋发育信息的对应关系，得到禽蛋分析模型。
进一步的，如前述的禽蛋分析模型生成方法，将所述训练数据及第一禽蛋发育信息输入预设神经网络进行训练，学习环境参数与禽蛋发育信息的对应关系，得到所述禽蛋分析模型，包括：
将所述训练数据输入所述禽蛋分析模型，得到第二禽蛋发育信息；
获取所述第一禽蛋发育信息与所述第二禽蛋发育信息之间的误差；
当所述误差小于预设阈值时，确定所述禽蛋分析模型训练结束。
进一步的，如前述的禽蛋分析模型生成方法，
所述获取多个训练数据，包括：
获取多个湿度训练数据；
获取多个二氧化碳训练数据；
所述获取所述训练数据对应的第一禽蛋发育信息，包括：
获取所述湿度训练数据对应的第一时间点；以及
获取所述二氧化碳训练数据对应的第二时间点；
所述将所述训练数据输入所述禽蛋分析模型，得到第二禽蛋发育信息，包括：
将所述湿度训练数据输入第一湿度分析模型，得到第一湿度分析时间点；以及
将所述二氧化碳训练数据输入第一二氧化碳分析模型，得到第一二氧化碳分析时间点；
所述获取所述第一禽蛋发育信息与所述第二禽蛋发育信息之间的误差，包括：
获取所述第一湿度分析时间点与所述第一时间点之间的第一均方误差；以及
获取所述第一二氧化碳分析时间点与所述第二时间点之间的第二均方误差；
所述当所述误差小于预设阈值时，确定所述禽蛋分析模型训练结束，包括：
当所述第一均方误差小于第一预设误差阈值时，将所述第一湿度分析模型作为第一时间点预测模型；
当所述第二均方误差小于第二预设误差阈值时，将所述第一二氧化碳分析模型作为第二时间点预测模型；
根据所述第一时间点预测模型和第二时间点预测模型得到时间点预测模型。
进一步的，如前述的禽蛋分析模型生成方法，还包括：
当所述第一均方误差大于或等于所述第一预设误差阈值时，更新所述第一湿度分析模型中的第一网络参数，得到第二湿度分析模型；以及
当所述第二均方误差大于或等于所述第二预设误差阈值时，更新所述第一二氧化碳分析模型中的第二网络参数，得到第二二氧化碳分析模型；
输入各个所述湿度信息至所述第二湿度分析模型中，直至当得到的第一均方误差小于第一预设误差阈值时，将所述第二湿度分析模型作为第一时间点预测模型；以及
输入各个所述二氧化碳浓度信息至所述第二二氧化碳分析模型中，直至当得到的第二均方误差小于第二预设误差阈值时，将所述第二二氧化碳分析模型作为第二时间点预测模型。
进一步的，如前述的禽蛋分析模型生成方法，还包括：
确定湿度峰值以及二氧化碳浓度峰值；
将所述湿度峰值输入所述时间点预测模型中的第一时间点预测模型得到第一通风时间；以及
将所述二氧化碳浓度峰值输入所述时间点预测模型中的第二时间点预测模型得到第二通风时间；
根据所述第一通风时间以及第二通风时间得到目标通风时间。
进一步的，如前述的禽蛋分析模型生成方法，所述第一湿度分析模型和第一二氧化碳分析模型分别包括：
相互连接的输入层、至少两个全连接层和输出层，且前一全连接层输出的参数通过第一激活函数处理后输入至后一全连接层中；其中，所述第一激活函数采用relu＝max(0，x)，所述输出层中的第二激活函数采用
第三方面，本申请实施例提供了一种禽蛋监测装置，其特征在于，包括：
环境信息获取模块，用于获取孵化设备的环境信息；
分析模块，用于采用禽蛋分析模型分析所述环境信息，得到第一禽蛋发育信息；
指令生成模块，用于根据所述第一禽蛋发育信息生成禽蛋管控指令。
第四方面，本申请实施例提供了一种禽蛋分析模型生成装置，其特征在于，包括：
训练数据获取模块，用于获取多个训练数据；
发育信息获取模块，用于获取所述训练数据对应的第一禽蛋发育信息；
模型生产模块，用于将所述训练数据及第一禽蛋发育信息输入预设神经网络进行训练，学习环境参数与禽蛋发育信息的对应关系，得到禽蛋分析模型。
第五方面，本申请实施例提供了一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述计算机程序时，实现第一方面和第二方面中任一项所述的方法。
第六方面，本申请实施例提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面和第二方面中任一项所述的方法。
本申请实施例提供了一种禽蛋监测方法及装置，包括：获取孵化设备的环境信息；采用禽蛋分析模型分析所述环境信息，得到第一禽蛋发育信息；根据所述第一禽蛋发育信息生成禽蛋管控指令。本申请实施例提供的上述技术方案与现有技术相比具有如下优点：能够通过检测得到的环境信息获得对应的禽蛋发育信息，根据禽蛋发育信息判断其当前处于什么发育阶段，并生成对应的禽蛋管控指令，进而可以通过禽蛋管控指令对禽蛋孵化设备进行诸如通风出雏等孵化过程进行准确管控，可以有效提高出雏率和健雏率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，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为本申请实施例提供的一种禽蛋监测方法的流程示意图；
图2为本申请实施例提供的又一种禽蛋监测方法的流程示意图；
图3为本申请实施例提供的一种禽蛋分析模型生成方法的流程示意图；
图4为本申请实施例提供的又一种禽蛋分析模型生成方法的流程示意图；
图5为本申请实施例提供的一种禽蛋监测装置的功能模块结构示意图；
图6为本申请实施例提供的一种禽蛋分析模型生成装置的功能模块结构示意图；
图7为本申请实施例提供的一种网络结构的示意图；
图8为根据本申请实施例中的方法通过湿度数据预测当前时间点的结果示意图；
图9为根据本申请实施例中的方法通过co2浓度数据的预测当前时间点的结果示意图；
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种禽蛋监测方法，包括如下所述步骤s11至s13：
s11.获取孵化设备的环境信息；
具体的，孵化设备为用于进行禽蛋孵化的设备，其中的环境信息为设备内部环境所对应的信息，且环境信息可以包括但不限于：温度、湿度、二氧化碳浓度、氧气浓度等等；且环境信息可以通过设于孵化设备内部的传感器进行检测，然后传输至用于执行本申请实施例方法的设备中；
s12.采用禽蛋分析模型分析环境信息，得到第一禽蛋发育信息；
具体的，所述禽蛋分析模型为训练好的能够进行发育信息预测的神经网络模型，可选的，所述禽蛋分析模型可以采用cnn神经网络模型训练得到；且上述的第一禽蛋发育信息可以是禽蛋发育阶段(例如，当发育阶段包括前、中、后期时，所述第一禽蛋发育信息可以是其中的一个时期)，禽蛋孵化时间点(例如：已孵化1天、已孵化36个小时等等)；
s13.根据第一禽蛋发育信息生成禽蛋管控指令；
具体的，由于禽蛋在不同的发育阶段所需的处理方案是不一样的，例如，需要在特定时间进行通风，或者在孵化到一定阶段之后需要进行出雏等等；因此，通过本申请实施例中的方法可以生成用于进行诸如通风或出雏等禽蛋管控指令，提高出雏率。
在一些实施例中，如前述的禽蛋监测方法，包括：
环境信息包括至少两项环境参数；
也就是说，环境信息包括的参数至少包括两种类型的环境参数，因而可以避免因为单种环境参数进行预测时，由于环境参数异常导致的预测偏差大的情况；而根据多种因素可以有效将个别异常因素造成的差异缩小，或者排除，进而得到更为可靠的预测结果，
禽蛋分析模型包括每项环境参数对应的子分析模型；
所述步骤s12采用禽蛋分析模型分析环境信息，得到第一禽蛋发育信息，包括如下所述步骤t1和t2：
t1.将至少两项环境参数分别输入对应的子分析模型，得到每项环境参数对应的第二禽蛋发育信息；
具体的，子分析模型的数量与环境参数的种类的数量一致，且禽蛋分析模型是由多个子分析模型构成的；对本实施例的一种可选的应用方式为：上述子分析模型为基于神经网络的分析模型，并且通过神经网络可以拟合禽蛋发育箱内各个环境参数所对应的非线性函数，并据此得到禽蛋当前处于哪一个发育阶段或时间点(即所述第二禽蛋发育信息)；
t2.根据第二禽蛋发育信息生成第一禽蛋发育信息；
在可选的应用方案中，其中一种方法可以给各个第二禽蛋发育信息分配不同的权重，然后据此推测未来的最优开始通风时间和出雏时间；另一种方法中，当存在三种或以上环境参数时，可以先确定出差异度最大的禽蛋发育信息，并在差异度是否超过预设阈值时，将差异度最大的禽蛋发育信息排除后再计算第一禽蛋发育信息，进而实现对禽蛋孵化过程的精准控制，有效提高了出雏率和健雏率。
在一些实施例中，如前述的禽蛋监测方法：
第一禽蛋发育信息包括禽蛋发育时间；
具体的，禽蛋发育时间为禽蛋开始孵化后的时长，进一步的，可以通过时间点进行表示，例如：以1天表示禽蛋已孵化1天；
如图2所示，方法还包括如下所述步骤s14至s16：
s14.确定环境参数峰值；
在可选的技术方案中，所述环境参数峰值可以根据历史经验数据或用于进行环境参数峰值预测的神经网络模型预测得到；此外，在诸如湿度或二氧化碳浓度等某些环境参数达到峰值时，即需要进行通风，以对禽蛋发育设备内的空气进行调节，否则会湿度或二氧化碳浓度过高会不利于禽蛋的发育；
s15.将环境参数峰值输入禽蛋分析模型计算得到禽蛋通风时间；
也就是说，禽蛋通风时间是将环境参数峰值输入禽蛋分析模型后得到的，且所述禽蛋通风时间表征的是进入孵化阶段多久之后进行通风；
s16.计算禽蛋发育时间与禽蛋通风时间的第一时间间隔；
在可选技术方案中，可以将禽蛋通风时间减去所述禽蛋发育时间得到第一时间间隔，也就是说，第一时间间隔用于表征多久之后进行通风处理。
如图2所示，在一些实施例中，如前述的禽蛋监测方法，方法还包括如下所述步骤s17：
s17.根据第一时间间隔计算距离出雏的第二时间间隔。
具体的，可以根据生产经验或用于进行出雏预测的神经网络模型预测得到，一般的，在通风后5～7小时为最佳出雏时间，且上述第二时间间隔为距离出雏的时长。
在一些实施例中，如前述的禽蛋监测方法，
根据第一禽蛋发育信息生成禽蛋管控指令，包括：
根据第一时间间隔生成通风指令；
具体的，其中一种可选方案可以为，确定获取环境信息的时间点，然后根据所述获取环境信息的时间点以及第一时间间隔得到通风时间点；所述通风指令在包括所述通风时间点的同时，还可以包括用于管控接收该通风指令的终端的管控信息(例如开门指令等)；
根据第二时间间隔生成出雏指令；
具体的，其中一种可选方案可以为，确定获取环境信息的时间点，然后根据所述获取环境信息的时间点以及第二时间间隔得到出雏时间点；所述通风指令在包括所述出雏时间点的同时，还可以包括用于管控接收该出雏指令的终端的管控信息(例如开仓指令等信息)。
在一些实施例中，如前述的禽蛋监测方法，方法还包括：
将通风指令或出雏指令发送到指定终端；
具体的，所述指定终端可以是前述的孵化设备，也可以是对孵化设备进行管理的本地化信息设备，用于使孵化设备自动按照所述通风指令或出雏指令进行对应时间的通风或出雏，或者告知工作人员在指定时间进行通风或出雏。
在一些实施例中，如前述的禽蛋监测方法，禽蛋分析模型的训练方法包括如下所述步骤y1至y5：
y1.获取多个训练信息；其中，训练数据包括相互对应的环境训练数据和发育信息；
具体的，所述训练信息可以使用传感器采集孵化设备内环境信息得到。其中一种可选方案可以每分钟采集一次数据，因此每天可以分别采集到1440组环境信息，以环境训练数据包括的种类为湿度数据和二氧化碳浓度数据为例：记录这些数据及其对应的时间点(即发育信息)，一般的，湿度和co2浓度数据以三天为一个周期，这是因为实际生产中每三天会开箱取一次鸡蛋，并放入新鸡蛋，导致湿度参数和二氧化碳浓度骤变，之后开始一个新的孵化周期。
y2.输入环境训练数据至待训练禽蛋分析模型得到第三禽蛋发育信息点；
具体的，所述待训练禽蛋分析模型为cnn神经网络模型，每次输入一个环境训练数据，并得到处理后输出的第三禽蛋发育信息；此处的第三禽蛋发育信息为待训练禽蛋分析模型根据环境训练信息分析得到的，因此并不能表征准确的发育时间点；
y3.获取第三禽蛋发育信息与环境训练数据对应的发育信息之间的误差；
具体的，此处误差为待训练禽蛋分析模型分析得到的第三禽蛋发育信息与真实的发育信息之间的误差，在其中一些可选方案中，误差可以是发育阶段的误差也可以是发育时间点的误差；
y4.判断误差是否小于预设误差阈值；
具体的，预设误差阈值可以根据实际预测精度进行调整，在此不做具体限定；
y5.当误差小于预设误差阈值时，将待训练禽蛋分析模型作为禽蛋分析模型；
判断误差是否小于预设误差阈值，是用于判断待训练禽蛋分析模型是否收敛，若收敛，则可在实际中用于判断禽蛋发育时间点。
图3为本申请另一方面的实施例提供的一种禽蛋分析模型生成方法，包括如下所述步骤s21至s23：
s21.获取多个环境训练数据；
s22.获取环境训练数据对应的第一禽蛋发育信息；
所述环境训练数据可以使用传感器采集孵化设备内环境信息得到；一般的，采用固定频率进行环境训练参数的采集；其中一种可选方案可以每分钟采集一次数据，因此每天可以分别采集到1440组环境信息；
s23.将训练数据及第一禽蛋发育信息输入预设神经网络进行训练，学习环境参数与禽蛋发育信息的对应关系，得到禽蛋分析模型；
具体的，所述预设神经网络可以为cnn网络，具体的网络结构如图7所示，且学习环境参数与禽蛋发育信息的对应关系，可以通过线性函数进行表征，
如图4所示，在一些实施例中，如前述的禽蛋分析模型生成方法，所述步骤s23中的将环境训练数据及第一禽蛋发育信息输入预设神经网络进行训练，包括如下所述步骤s231至s233：
s231.将环境训练数据输入禽蛋分析模型，得到第二禽蛋发育信息；
s232.获取第一禽蛋发育信息与第二禽蛋发育信息之间的误差；
s233.当误差小于预设阈值时，确定禽蛋分析模型训练结束。
具体的，所述待训练禽蛋分析模型为cnn神经网络模型，每次输入一个环境训练数据，并得到处理后输出的第三禽蛋发育信息；此处的第三禽蛋发育信息为待训练禽蛋分析模型根据环境训练信息分析得到的，因此并不能表征准确的发育时间点；
具体的，此处误差为待训练禽蛋分析模型分析得到的第三禽蛋发育信息与真实的发育信息之间的误差，在其中一些可选方案中，误差可以是发育阶段的误差也可以是发育时间点的误差；
具体的，预设误差阈值可以根据实际预测精度进行调整，在此不做具体限定；
判断误差是否小于预设误差阈值，是用于判断待训练禽蛋分析模型是否收敛，若收敛，则可在实际中用于判断禽蛋发育时间点。
在一些实施例中，如前述的禽蛋分析模型生成方法，
步骤s21获取多个环境训练数据，包括：
获取多个湿度训练数据；
获取多个二氧化碳训练数据；
具体的，本实施例中采用湿度传感器和二氧化碳检测传感器获取所述湿度训练数据和二氧化碳训练数据；即所述环境训练数据包括的数据种类为湿度训练数据和二氧化碳训练数据；其中一种可选方案可以每分钟采集一次数据，因此每天可以分别采集到1440个湿度训练数据和二氧化碳训练数据，在采集的同时记录这些数据及其对应的时间点(即发育信息)，一般的，湿度和co2浓度数据以三天为一个周期，这是因为实际生产中每三天会开箱取一次鸡蛋，并放入新鸡蛋，导致湿度参数和二氧化碳浓度骤变，之后开始一个新的孵化周期；
步骤s22获取训练数据对应的第一禽蛋发育信息，包括：
获取湿度训练数据对应的第一时间点；
获取二氧化碳训练数据对应的第二时间点；
也就是说，获取各个湿度训练数据及其对应的时间点；以及各个二氧化碳训练数据及其对应的时间点；且本实施例中所述第一时间点和第二时间点为禽蛋的孵化时间点；
步骤s231将训练数据输入禽蛋分析模型，得到第二禽蛋发育信息，包括：
将湿度训练数据输入第一湿度分析模型，得到第一湿度分析时间点；以及
将二氧化碳训练数据输入第一二氧化碳分析模型，得到第一二氧化碳分析时间点；
具体的，所述第一湿度分析时间点为将湿度训练数据输入第一湿度分析模型后得到的预测的孵化时间点；所述第一二氧化碳分析时间点为将二氧化碳训练数据输入第一二氧化碳分析模型后得到的预测的孵化时间点；
步骤s232获取第一禽蛋发育信息与第二禽蛋发育信息之间的误差，包括：
获取第一湿度分析时间点与第一时间点之间的第一均方误差；
获取第一二氧化碳分析时间点与第二时间点之间的第二均方误差；
其中一种可选方式，可以通过公式
步骤s233当误差小于预设阈值时，确定禽蛋分析模型训练结束，包括：
当第一均方误差小于第一预设误差阈值时，将第一湿度分析模型作为第一时间点预测模型；
当第二均方误差小于第二预设误差阈值时，将第一二氧化碳分析模型作为第二时间点预测模型；
具体的，所述第一预设误差阈值和第二预设误差阈值一般采用相同设置，且其大小可以根据实际的精度要求进行选择；
根据第一时间点预测模型和第二时间点预测模型得到时间点预测模型；
其中一种可选的应用中，将所述第一时间点预测模型fhum(xhum)和第二时间点预测模型fco2(xco2)赋权重后，组合得到所述时间点预测模型f(xhum，xco2)，即f(xhum，xco2)＝mfhum(xhum)+nfco2(xco2)。
在一些实施例中，如前述的禽蛋分析模型生成方法，还包括如下所述步骤y：
当第一均方误差大于或等于第一预设误差阈值时，更新第一湿度分析模型中的第一网络参数，得到第二湿度分析模型；
具体的，当第一均方误差大于或等于第一预设误差阈值时，即表征所述第一湿度分析模型为达到预期的收敛标准，因此对第一湿度分析模型中的第一网络参数进行调整，得到第二湿度分析模型；
当第二均方误差大于或等于第二预设误差阈值时，更新第一二氧化碳分析模型中的第二网络参数，得到第二二氧化碳分析模型；
具体的，当第二均方误差大于或等于第二预设误差阈值时，即表征所述第一二氧化碳分析模型为达到预期的收敛标准，因此对第一二氧化碳分析模型中的第二网络参数进行调整，得到第二二氧化碳分析模型；
输入各个湿度信息至第二湿度分析模型中，直至当得到的第一均方误差小于第一预设误差阈值时，将第二湿度分析模型作为第一时间点预测模型；以及
输入各个二氧化碳浓度信息至第二二氧化碳分析模型中，直至当得到的第二均方误差小于第二预设误差阈值时，将第二二氧化碳分析模型作为第二时间点预测模型；
也就是说，对第二湿度分析模型以及第二二氧化碳分析模型持续进行训练，直至第一均方误差或第二均方误差满足预设要求为止。
在一些实施例中，如前述的禽蛋分析模型生成方法，第一湿度分析模型和第一二氧化碳分析模型分别包括：
相互连接的输入层、至少两个全连接层和输出层，且前一全连接层输出的参数通过第一激活函数处理后输入至后一全连接层中；其中，第一激活函数采用relu＝max(0，x)(1)，输出层中的第二激活函数采用
本申请一种应用为：
在通过本申请方法进行两个神经网络的训练时，分别预测给定的湿度和co2浓度数据对应的孵化时间点。使用孵化设备内连续一个月的湿度训练数据和co2浓度数据作为训练数据，各个数据对应的时间点作为标签，将各项指标数据和标签分别输入模型训练，得到预测模型。本发明使用的网络结构如图7所示，网络输入层节点数为1，各全连接层节点数分别10，20，20，1(各全连接层的节点数可以随机调整)，输出层节点数为1。输出层使用tanh函数做为激活函数，其他各层激活函数均为relu函数。使用均方误差
在一些实施例中，如前述的禽蛋分析模型生成方法，还包括：
确定湿度峰值以及二氧化碳浓度峰值；
将湿度峰值输入时间点预测模型中的第一时间点预测模型得到第一通风时间；以及
将二氧化碳浓度峰值输入时间点预测模型中的第二时间点预测模型得到第二通风时间；
根据第一通风时间以及第二通风时间得到目标通风时间。
因而本申请方法可以克服现有技术中只能用于预测温度、湿度等，不能预测通风、出雏等时间信息的问题。
本申请的一种应用例为：
由于湿度峰值x’hum和co2浓度峰值x’co2对应通风时间点，可选的，可根据公式t2＝0.5*fhum(x’hum)+0.5*fco2(x’co2)计算通风时间点，实际测试中，生产环境中湿度的取值范围为0-80，co2浓度的取值范围为0-5000，本发明将62和3200分别作为湿度峰值和co2浓度峰值；进一步，根据公式t1＝t2-t1计算当前距离最佳通风还有多长时间，其中t1表示通过时间点预测模型以及当前湿度数据和co2浓度数据预测的当前时间点；
可选的，实际生产中，通风后6个小时为出雏时间，因而可根据公式t2＝t1+6计算当前距离最佳出雏还有多长时间；
其中，通过湿度数据预测当前时间点结果如图8所示，其中，虚线a2表示采集到的真实值，连续实线a1表示预测值，图中纵坐标表示输入第一时间点预测模型的湿度数据，横坐标表示预测的时间点；横坐标和纵坐标数值均进行了归一化。其中，通过co2浓度数据的预测当前时间点结果如图9所示，其中，虚线b2表示采集到的真实值，连续的实线b1表示预测值，图中纵坐标表示输入第二时间点预测模型的co2浓度数据，横坐标表示预测的时间点；同样的，横坐标和纵坐标数值均进行了归一化。
根据本申请的另一方面，本申请实施例提供了一种禽蛋监测装置，如图5所示，包括：
环境信息获取模块11，用于获取孵化设备的环境信息；
分析模块12，用于采用禽蛋分析模型分析环境信息，得到第一禽蛋发育信息；
指令生成模块13，用于根据第一禽蛋发育信息生成禽蛋管控指令。
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请的另一方面，本申请实施例提供了一种禽蛋分析模型生成装置，如图6所示，包括：
训练数据获取模块21，用于获取多个训练数据；
发育信息获取模块22，用于获取训练数据对应的第一禽蛋发育信息；
模型生产模块23，用于将训练数据及第一禽蛋发育信息输入预设神经网络进行训练，学习环境参数与禽蛋发育信息的对应关系，得到禽蛋分析模型。
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请的另一个实施例，还提供一种电子设备，包括：如图10所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的程序时，实现上述方法实施例的步骤。
上述电子设备提到的总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述方法实施例的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！