牲畜存亡状态判别方法、装置、存储介质及终端设备与流程

1.本技术涉及电子通信技术领域，尤其涉及一种牲畜存亡状态判别技术领域，特别涉及一种牲畜存亡状态判别方法、装置、存储介质及终端设备。


背景技术：

2.近年来，我国牲畜养殖业的整体发展趋势是，牲畜养殖户数减少，生产规模逐渐扩大，传统的人工饲养模式已经不能满足现有的生产规模，将牲畜养殖信息化已经迫在眉睫。
3.当前，我国主要采用传统的人工观察方法对猪的健康状态进行观察判断，不仅费时费力、效率不高，而且由于人的时间精力限制很容易忽视养殖过程中的一些异常行为表现，从而造成严重的经济损失。另外牲畜供应量逐年增加，加上牲畜容易生病导致死亡率在增长，因此，如何有效对牲畜进行监管，从而防止因乱丢病死牲畜引发大规模流行病或不合格肉类流入市场的现象发生，是当前监管部门面临的一个难题。


技术实现要素：

4.本技术实施例提供一种牲畜存亡状态判别方法、装置、存储介质及终端设备，能够减少人工成本的同时，提升对牲畜存亡状态监管的时效性和准确性。
5.本技术实施例一方面提供了一种牲畜存亡状态判别方法，包括：
6.获取待测目标在预设时间段内的多个文本数据；
7.将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；
8.根据所述存亡状态判断是否发出提醒信息。
9.在本技术实施例所述的牲畜存亡状态判别方法中，在所述将所述多个目标数据通过预先训练好的状态判别模型进行状态判别操作之前，所述方法还包括：
10.获取待训练的状态判别模型的训练样本，所述训练样本包括设置有标签的文本数据组，所述文本数据组包括相同标识的多个文本数据，所述标签用于指示所述文本数据组的存亡状态；
11.通过所述待训练的状态判别模型对所述训练样本中同一组文本数据的多个文本数据进行特征提取，得到与多个所述文本数据对应的第一文本特征向量；
12.通过所述待训练的状态判别模型，基于所述第一文本特征向量判断所述训练样本中的文本数据组的存亡状态，得到所述文本数据组的第一识别结果；
13.基于所述第一识别结果及所述文本数据组的标签，调整所述待训练的状态判别模型的参数，得到所述预训练的状态判别模型。
14.在本技术实施例所述的牲畜存亡状态判别方法中，在所述得到所述预训练的状态判别模型之后，所述方法还包括：
15.将同一组所述文本数据组中多个文本数据对应的文本特征向量分别通过预训练的特征评估模型进行特征评估操作，得到各个所述文本特征向量的综合分值；
16.将所述综合分值低于预设阈值的文本特征向量对应的干扰文本数据从所述训练样本中滤除；
17.基于滤除所述干扰文本数据的训练样本，迭代训练所述待训练的状态判别模型。
18.在本技术实施例所述的牲畜存亡状态判别方法中，所述将同一组所述文本数据组中多个文本数据对应的文本特征向量分别通过预训练的特征评估模型进行特征评估操作，得到各个所述文本特征向量的综合分值，包括：
19.将同一组所述文本数据组中多个文本数据对应的文本特征向量分别输入至随机森林模型，分别计算每个所述文本特征向量的基尼指数评分，得到每个所述文本特征向量的综合分值。
20.在本技术实施例所述的牲畜存亡状态判别方法中，所述将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态，包括：
21.通过所述预训练的状态判别模型对所述多个文本数据进行特征提取，得到与多个文本数据对应的第二文本特征向量；
22.通过所述预训练的状态判别模型，基于所述第二文本特征向量判断所述多个文本数据的存亡状态，得到所述多个文本数据的第二识别结果。
23.在本技术实施例所述的牲畜存亡状态判别方法中，所述获取待测目标在预设时间段内的多个文本数据，包括：
24.定时获取所述待测目标在预设时间段内的原始数据；
25.根据所述原始数据进行数据处理得到所述多个文本数据。
26.在本技术实施例所述的牲畜存亡状态判别方法中，所述定时获取所述待测目标在预设时间段内的原始数据，包括：
27.侦测所述原始数据在预设时间段内是否存在缺失值；
28.若预设时间段内存在缺失值，则选取预设时间段所有原始数据的中位数写入所述缺失值对应的位置。
29.相应的，本技术实施例另一方面还提供了一种牲畜存亡状态判别装置，包括：
30.获取模块，用于获取待测目标在预设时间段内的多个文本数据；
31.判别模块，用于将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；
32.判断模块，用于根据所述存亡状态判断是否发出提醒信息。
33.相应的，本技术实施例另一方面还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如上所述的牲畜存亡状态判别方法。
34.相应的，本技术实施例另一方面还提供了一种终端设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器加载所述指令以执行如上所述的牲畜存亡状态判别方法。
35.本技术实施例提供了一种牲畜存亡状态判别方法、装置、存储介质及终端设备，该方法通过获取待测目标在预设时间段内的多个文本数据；将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；根据所述存亡状态判断是否发出提醒信息。本技术实施例能够减少人工成本的同时，提升对牲畜存亡状态监管的时效性和准确性。
附图说明
36.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，对于本领域技术人员来讲，在不付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。
37.图1为本技术实施例提供的牲畜存亡状态判别方法的流程示意图。
38.图2为本技术实施例提供的牲畜存亡状态判别装置的结构示意图。
39.图3为本技术实施例提供的牲畜存亡状态判别装置的另一种结构示意图。
40.图4为本技术实施例提供的终端设备的结构示意图。
具体实施方式
41.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本技术的保护范围。
42.本技术实施例提供一种牲畜存亡状态判别方法，所述牲畜存亡状态判别方法可以应用于终端设备中。所述终端设备可以是电视机、智能手机、平板电脑等设备。
43.为了得知牲畜的健康状态，目前大多采用传统的人工观察方法进行观察判断，不仅费时费力、效率不高，而且由于人的时间精力限制很容易忽视养殖过程中的一些异常行为表现，从而造成严重的经济损失。另外牲畜供应量逐年增加，加上牲畜容易生病导致死亡率在增长，因此，如何有效对牲畜进行监管，从而防止因乱丢病死牲畜引发大规模流行病或不合格肉类流入市场的现象发生，是当前监管部门面临的一个难题。为了解决上述技术问题，本技术实施例提供一种牲畜存亡状态判别方法。利用本技术实施例提供的牲畜存亡状态判别方法，能够减少人工成本的同时，提升对牲畜存亡状态监管的时效性和准确性。
44.请参阅图1，图1为本技术实施例提供的牲畜存亡状态判别方法的流程示意图。所述牲畜存亡状态判别方法，应用于终端设备中，所述方法可以包括以下步骤：
45.步骤101，获取待测目标在预设时间段内的多个文本数据。
46.在本实施例中，待测目标指的是牲畜，动物的存亡状态可以从其生命体征来体现，例如体温和运动量。为了能够更加科学合理地通过生命体征来识别待测目标的存亡状态，通过定时(例如1分钟)获取待测目标在预设时间段(例如2小时)内的原始数据，即上述生命体征，原始数据的获取方式可以在待测目标身上安装数据采集器。在本方案中，生命体征具体指待测目标的体温及运动量。在获取到待测目标在预设时间段内的原始数据后，根据原始数据进行数据处理得到多个能够与待测目标存亡状态关联性较强的文本数据，例如将预设时间段内的原始数据经过求均值、占比、变化趋势和特征之间的组合得到表1中列举的33个文本数据。
47.需要解释的是，均值即该段时间内所有数值的平均值；
48.占比则为该时间段内满足条件的数据个数和所有数据个数之间的比值；
49.特征之间的组合为两个特征之间的运算；
50.变化趋势的计算方式如下：
51.对于时间段内的数值，构造样本；
52.((ti,xi)，i＝1,2,3,...,m，其中，ti＝i，xi表示在第i个时刻的值；
53.采用直线拟合函数h
θ
(x)＝θ0+θ1x；
54.对目标函数
55.使用最小二乘法使j(θ0,θ1)最小，此时的θ1就是变化趋势大小。
56.57.[0058][0059]
表1
[0060]
具体地，通过定时(例如1分钟)获取待测目标在预设时间段内的原始数据，根据原始数据进行数据处理得到多个文本数据。
[0061]
在一些实施例中，由于输入状态判别模型中的文本特征向量数量需要严格按照要求执行，但是由于原始数据在进行数据传输的过程中容易出现数据丢失，导致后续输入状态判别模型中的文本特征向量不完整，因此，在本实施例中，通过侦测原始数据在预设时间段内是否存在缺失值；若预设时间段内存在缺失值，则选取预设时间段所有原始数据的中位数写入缺失值对应的位置。
[0062]
步骤102，将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态。
[0063]
在本实施例中，通过预训练的状态判别模型能够根据多个目标数据，判别出与多个目标数据对应的待测目标的存亡状态，即生存或死亡。
[0064]
需要说明的是，状态判别模型可以基于决策树、梯度提升树、svm、朴素贝叶斯和逻辑回归等模型训练得到，经过比较模型的训练结果，随机森林模型具有最佳的表现，因此在本实施例中优选随机森林模型进行进一步训练得到状态判别模型。
[0065]
状态判别模型的训练过程包括：
[0066]
获取待训练的状态判别模型的训练样本，所述训练样本包括设置有标签的文本数据组，所述文本数据组包括相同标识的多个文本数据，所述标签用于指示所述文本数据组的存亡状态，将标注好的数据，进行分层抽样，80％作为训练集，20％作为测试集，用训练集进行模型训练。在模型训练前，对样本进行标准化，以消除不同数据量纲带来的影响。常用的数据标准化方法有min-max标准化、z-score标准化和非线性标准化等等；
[0067]
通过所述待训练的状态判别模型对所述训练样本中同一组文本数据的多个文本数据进行特征提取，得到与多个所述文本数据对应的第一文本特征向量；
[0068]
通过所述待训练的状态判别模型，基于所述第一文本特征向量判断所述训练样本中的文本数据组的存亡状态，得到所述文本数据组的第一识别结果；
[0069]
基于所述第一识别结果及所述文本数据组的标签，调整所述待训练的状态判别模型的参数，得到所述预训练的状态判别模型。
[0070]
在一些实施例中，由于并非所有文本数据都能够用作提升状态判别模型判别精准度的训练样本，可能存在一些相较于其他文本数据重要性较弱的文本数据，因此，为了能够进一步提升状态判别模型的判别准确性，同时减少模型训练的复杂度，在本实施例中，通过对预先构建的多个文本数据进行筛选，得出更具代表性的文本数据。
[0071]
具体地，通过将同一组文本数据组中多个文本数据对应的文本特征向量分别通过预训练的特征评估模型进行特征评估操作，得到各个文本特征向量的综合分值；将综合分值低于预设阈值的文本特征向量对应的干扰文本数据从训练样本中滤除；基于滤除干扰文本数据的训练样本，迭代训练待训练的状态判别模型。
[0072]
所述特征评估模型可以基于树模型训练得到，在其他实施例中，还可以采用比如方差选择法、相关系数法等，通过特征评估模型对文本数据进行特征重要性评估，排除一些重要性明显低于其他文本数据的文本数据，降低模型的复杂度，最终选择19个特征，然后进行调参和训练。
[0073]
以树模型为例，对上述文本数据筛选过程做进一步解释说明：
[0074]
将综合分值采用基尼指数评分vim
gini
，vim(variable importance measures)表示变量重要性评分，gini表示基尼指数(gi)，假设有m个文本特征向量：x1,x2,x3,..,xc，现要计算出每个文本特征向量xj的基尼指数评分vim
gini
，即第j个特征在随机森林所有决策树种节点分裂不纯度的平均该变量。
[0075]
gini指数的计算公式为：
[0076][0077]
其中，k表示有k个类别，p
mk
表示节点m中类别k所占的比例。
[0078]
直观的说，就是随便从节点m中抽取两个样本，其类别标记不一致的概率。
[0079]
特征xj在节点m的重要性，即节点m分枝前后的gini指数变化量为：
[0080]
vim
jmgini
＝gi
m-gi
l-gir[0081]
其中，gi
l
和gir分别表示分枝后两个新节点的gini指数。
[0082]
如果特征xj在决策树i中出现的节点为集合m，那么xj在第i棵树的重要性为:
[0083]
vim
tjgini
＝∑
m∈m
vim
jmgini
[0084]
假设随机森林中共有n棵树，那么:
[0085][0086]
最后，把所求得的基尼指数评分做一个归一化处理即可
[0087]
[0088]
在得到预训练的状态判别模型后，通过待训练的状态判别模型对多个文本数据进行特征提取，得到与多个文本数据对应的第二文本特征向量；通过待训练的状态判别模型，基于第二文本特征向量判断多个文本数据的存亡状态，得到多个文本数据的第二识别结果(存活或死亡)。
[0089]
步骤103，根据所述存亡状态判断是否发出提醒信息。
[0090]
在本实施例中，根据状态判别模型得出的识别结果确定待测目标的存亡状态，若出现死亡的待测目标则及时通知工作人员前往查看。
[0091]
为了避免由于状态判别模型存在误判导致增加工作人员的工作量，因此，在一些实施例中，当待测目标的首次识别结果为死亡状态时，标定为待处理状态，暂时不发出提醒信息，10分钟后再次获取该待测目标的文本数据，再次通过状态判别模型进行识别，若识别结果同样为死亡，则判定该待测目标为死亡状态，及时发出提醒信息，否则判定为误判，即存活状态。
[0092]
上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0093]
具体实施时，本技术不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
[0094]
由上可知，本技术实施例提供的牲畜存亡状态判别方法通过获取待测目标在预设时间段内的多个文本数据；将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；根据所述存亡状态判断是否发出提醒信息。本技术实施例能够减少人工成本的同时，提升对牲畜存亡状态监管的时效性和准确性。
[0095]
本技术实施例还提供一种牲畜存亡状态判别装置，所述牲畜存亡状态判别装置可以集成在终端设备中。所述终端设备可以是电视机、智能手机、平板电脑等设备。
[0096]
请参阅图2，图2为本技术实施例提供的牲畜存亡状态判别装置的结构示意图。牲畜存亡状态判别装置30可以包括：
[0097]
获取模块31，用于获取待测目标在预设时间段内的多个文本数据；
[0098]
判别模块32，用于将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；
[0099]
判断模块33，用于根据所述存亡状态判断是否发出提醒信息。
[0100]
在一些实施例中，所述装置还包括训练模块，用于获取待训练的状态判别模型的训练样本，所述训练样本包括设置有标签的文本数据组，所述文本数据组包括相同标识的多个文本数据，所述标签用于指示所述文本数据组的存亡状态；通过所述待训练的状态判别模型对所述训练样本中同一组文本数据的多个文本数据进行特征提取，得到与多个所述文本数据对应的第一文本特征向量；通过所述待训练的状态判别模型，基于所述第一文本特征向量判断所述训练样本中的文本数据组的存亡状态，得到所述文本数据组的第一识别结果；基于所述第一识别结果及所述文本数据组的标签，调整所述待训练的状态判别模型的参数，得到所述预训练的状态判别模型。
[0101]
在一些实施例中，所述装置还包括计算模块，用于将同一组所述文本数据组中多个文本数据对应的文本特征向量分别通过预训练的特征评估模型进行特征评估操作，得到各个所述文本特征向量的综合分值；将所述综合分值低于预设阈值的文本特征向量对应的
干扰文本数据从所述训练样本中滤除；基于滤除所述干扰文本数据的训练样本，迭代训练所述状态判别模型。
[0102]
在一些实施例中，所述计算模块，用于将同一组所述文本数据组中多个文本数据对应的文本特征向量分别输入至随机森林模型，分别计算每个所述文本特征向量的基尼指数评分，得到每个所述文本特征向量的综合分值。
[0103]
在一些实施例中，所述判别模块，用于通过所述待训练的状态判别模型对所述多个文本数据进行特征提取，得到与多个文本数据对应的第二文本特征向量；通过所述待训练的状态判别模型，基于所述第二文本特征向量判断所述多个文本数据的存亡状态，得到所述多个文本数据的第二识别结果。
[0104]
在一些实施例中，所述获取模块，用于定时获取所述待测目标在预设时间段内的原始数据；根据所述原始数据进行数据处理得到所述多个文本数据。
[0105]
在一些实施例中，所述获取模块，用于侦测所述原始数据在预设时间段内是否存在缺失值；若预设时间段内存在缺失值，则选取预设时间段所有原始数据的中位数写入所述缺失值对应的位置。
[0106]
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现。
[0107]
由上可知，本技术实施例提供的牲畜存亡状态判别装置30，通过获取模块31获取待测目标在预设时间段内的多个文本数据；判别模块32将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；判断模块33根据所述存亡状态判断是否发出提醒信息。
[0108]
请参阅图3，图3为本技术实施例提供的牲畜存亡状态判别装置的另一结构示意图，牲畜存亡状态判别装置30包括存储器120、一个或多个处理器180、以及一个或多个应用程序，其中该一个或多个应用程序被存储于该存储器120中，并配置为由该处理器180执行；该处理器180可以包括获取模块31、判别模块32，以及判断模块33。例如，以上各个部件的结构和连接关系可以如下：
[0109]
存储器120可用于存储应用程序和数据。存储器120存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器180通过运行存储在存储器120的应用程序，从而执行各种功能应用以及数据处理。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器120还可以包括存储器控制器，以提供处理器180对存储器120的访问。
[0110]
处理器180是装置的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器120内的应用程序，以及调用存储在存储器120内的数据，执行装置的各种功能和处理数据，从而对装置进行整体监控。可选的，处理器180可包括一个或多个处理核心；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等。
[0111]
具体在本实施例中，处理器180会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器120中，并由处理器180来运行存储在存储器120中的应用程序，从而实现各种功能：
[0112]
获取模块31，用于获取待测目标在预设时间段内的多个文本数据；
[0113]
判别模块32，用于将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；
[0114]
判断模块33，用于根据所述存亡状态判断是否发出提醒信息。
[0115]
在一些实施例中，所述装置还包括训练模块，用于获取待训练的状态判别模型的训练样本，所述训练样本包括设置有标签的文本数据组，所述文本数据组包括相同标识的多个文本数据，所述标签用于指示所述文本数据组的存亡状态；通过所述待训练的状态判别模型对所述训练样本中同一组文本数据的多个文本数据进行特征提取，得到与多个所述文本数据对应的第一文本特征向量；通过所述待训练的状态判别模型，基于所述第一文本特征向量判断所述训练样本中的文本数据组的存亡状态，得到所述文本数据组的第一识别结果；基于所述第一识别结果及所述文本数据组的标签，调整所述待训练的状态判别模型的参数，得到所述预训练的状态判别模型。
[0116]
在一些实施例中，所述装置还包括计算模块，用于将同一组所述文本数据组中多个文本数据对应的文本特征向量分别通过预训练的特征评估模型进行特征评估操作，得到各个所述文本特征向量的综合分值；将所述综合分值低于预设阈值的文本特征向量对应的干扰文本数据从所述训练样本中滤除；基于滤除所述干扰文本数据的训练样本，迭代训练所述状态判别模型。
[0117]
在一些实施例中，所述计算模块，用于将同一组所述文本数据组中多个文本数据对应的文本特征向量分别输入至随机森林模型，分别计算每个所述文本特征向量的基尼指数评分，得到每个所述文本特征向量的综合分值。
[0118]
在一些实施例中，所述判别模块，用于通过所述待训练的状态判别模型对所述多个文本数据进行特征提取，得到与多个文本数据对应的第二文本特征向量；通过所述待训练的状态判别模型，基于所述第二文本特征向量判断所述多个文本数据的存亡状态，得到所述多个文本数据的第二识别结果。
[0119]
在一些实施例中，所述获取模块，用于定时获取所述待测目标在预设时间段内的原始数据；根据所述原始数据进行数据处理得到所述多个文本数据。
[0120]
在一些实施例中，所述获取模块，用于侦测所述原始数据在预设时间段内是否存在缺失值；若预设时间段内存在缺失值，则选取预设时间段所有原始数据的中位数写入所述缺失值对应的位置。
[0121]
本技术实施例还提供一种终端设备。所述终端设备可以是智能手机、电脑、平板电脑等设备。
[0122]
请参阅图4，图4示出了本技术实施例提供的终端设备的结构示意图，该终端设备可以用于实施上述实施例中提供的牲畜存亡状态判别方法。该终端设备1200可以为电视机或智能手机或平板电脑。
[0123]
如图4所示，终端设备1200可以包括rf(radio frequency，射频)电路110、包括有一个或一个以上(图中仅示出一个)计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、传输模块170、包括有一个或者一个以上(图中仅示出一个)处理核心的处理器180以及电源190等部件。本领域技术人员可以理解，图4中示出的终端设备1200结构并不构成对终端设备1200的限定，可以包括比图示更多或更少的部件，或
者组合某些部件，或者不同的部件布置。其中：
[0124]
rf电路110用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。rf电路110可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(sim)卡、存储器等等。rf电路110可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。
[0125]
存储器120可用于存储软件程序以及模块，如上述实施例中牲畜存亡状态判别方法对应的程序指令/模块，处理器180通过运行存储在存储器120内的软件程序以及模块，从而执行各种功能应用以及数据处理，可以根据终端设备所处的当前场景来自动选择振动提醒模式来进行牲畜存亡状态判别，既能够保证会议等场景不被打扰，又能保证用户可以感知来电，提升了终端设备的智能性。存储器120可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器120可进一步包括相对于处理器180远程设置的存储器，这些远程存储器可以通过网络连接至终端设备1200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0126]
输入单元130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元130可包括触敏表面131以及其他输入设备132。触敏表面131，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
[0127]
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端设备1200的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141，可选的，可以采用lcd(liquid crystal display，液晶显示器)、oled(organic light-emitting diode,有机发光二极管)等形式来配置显示面板141。进一步的，触敏表面131可覆盖显示面板141，当触敏表面131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图4中，触敏表面131与显示面板141是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面131与显示面板141集成而实现输入和输出功能。
[0128]
终端设备1200还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端设备1200移动到耳边时，
关闭显示面板141和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端设备1200还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
[0129]
音频电路160、扬声器161，传声器162可提供用户与终端设备1200之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经rf电路110以发送给比如另一终端，或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔，以提供外设耳机与终端设备1200的通信。
[0130]
终端设备1200通过传输模块170(例如wi-fi模块)可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图4示出了传输模块170，但是可以理解的是，其并不属于终端设备1200的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
[0131]
处理器180是终端设备1200的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端设备1200的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理核心；在一些实施例中，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。
[0132]
终端设备1200还包括给各个部件供电的电源190，在一些实施例中，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
[0133]
尽管未示出，终端设备1200还可以包括摄像头(如前置摄像头、后置摄像头)、蓝牙模块等，在此不再赘述。具体在本实施例中，终端设备1200的显示单元140是触摸屏显示器，终端设备1200还包括有存储器120，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器120中，且经配置以由一个或者一个以上处理器180执行一个或者一个以上程序包含用于进行以下操作的指令：
[0134]
获取指令，用于获取待测目标在预设时间段内的多个文本数据；
[0135]
判别指令，用于将所述多个目标数据通过预训练的状态判别模型进行状态判别操作，得到所述待测目标的存亡状态；
[0136]
判断指令，用于根据所述存亡状态判断是否发出提醒信息。
[0137]
在一些实施例中，所述程序还包括训练指令，用于获取待训练的状态判别模型的训练样本，所述训练样本包括设置有标签的文本数据组，所述文本数据组包括相同标识的多个文本数据，所述标签用于指示所述文本数据组的存亡状态；通过所述待训练的状态判别模型对所述训练样本中同一组文本数据的多个文本数据进行特征提取，得到与多个所述
文本数据对应的第一文本特征向量；通过所述待训练的状态判别模型，基于所述第一文本特征向量判断所述训练样本中的文本数据组的存亡状态，得到所述文本数据组的第一识别结果；基于所述第一识别结果及所述文本数据组的标签，调整所述待训练的状态判别模型的参数，得到所述预训练的状态判别模型。
[0138]
在一些实施例中，所述程序还包括计算指令，用于将同一组所述文本数据组中多个文本数据对应的文本特征向量分别通过预训练的特征评估模型进行特征评估操作，得到各个所述文本特征向量的综合分值；将所述综合分值低于预设阈值的文本特征向量对应的干扰文本数据从所述训练样本中滤除；基于滤除所述干扰文本数据的训练样本，迭代训练所述状态判别模型。
[0139]
在一些实施例中，所述计算指令，用于将同一组所述文本数据组中多个文本数据对应的文本特征向量分别输入至随机森林模型，分别计算每个所述文本特征向量的基尼指数评分，得到每个所述文本特征向量的综合分值。
[0140]
在一些实施例中，所述判别指令，用于通过所述待训练的状态判别模型对所述多个文本数据进行特征提取，得到与多个文本数据对应的第二文本特征向量；通过所述待训练的状态判别模型，基于所述第二文本特征向量判断所述多个文本数据的存亡状态，得到所述多个文本数据的第二识别结果。
[0141]
在一些实施例中，所述获取指令，用于定时获取所述待测目标在预设时间段内的原始数据；根据所述原始数据进行数据处理得到所述多个文本数据。
[0142]
在一些实施例中，所述获取指令，用于侦测所述原始数据在预设时间段内是否存在缺失值；若预设时间段内存在缺失值，则选取预设时间段所有原始数据的中位数写入所述缺失值对应的位置。
[0143]
本技术实施例还提供一种终端设备。所述终端设备可以是电视机、智能手机、平板电脑等设备。
[0144]
由上可知，本技术实施例提供了一种终端设备1200，所述终端设备1200执行以下步骤：
[0145]
本技术实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的牲畜存亡状态判别方法。
[0146]
需要说明的是，对本技术所述牲畜存亡状态判别方法而言，本领域普通测试人员可以理解实现本技术实施例所述牲畜存亡状态判别方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读存储介质中，如存储在终端设备的存储器中，并被该终端设备内的至少一个处理器执行，在执行过程中可包括如所述牲畜存亡状态判别方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)等。
[0147]
对本技术实施例的所述牲畜存亡状态判别装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也
可以存储在一个计算机可读存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。
[0148]
以上对本技术实施例所提供的牲畜存亡状态判别方法、装置、存储介质及终端设备进行了详细介绍。本文中应用了具体个例对本技术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技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，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技术的限制。