一种基于行为识别的宠物智能喂食控制方法与系统与流程
本发明涉及宠物喂食控制,特别是涉及一种基于行为识别的宠物智能喂食控制方法与系统。
背景技术:
1、现有技术通常采用基于时间触发或基于物理交互触发的控制策略,按照预设时间点执行喂食操作,或响应宠物的按压、扒动等物理行为释放食物。还尝试通过图像采集和行为时序分析识别宠物的进食相关行为,并基于行为识别结果执行喂食控制。
2、然而,现有技术在进行喂食决策时,仅根据宠物是否出现在食盆附近、是否做出扒盆或靠近动作等瞬时行为或简单动作特征进行判断,未将宠物在进食区域内持续停留的时长这一反映行为意图强度的特征纳入决策依据,也未将当前时刻与宠物最后一次实际进食时刻之间的时间间隔作为独立特征参与需求推断。由于宠物短暂的好奇性靠近与真实的饥饿性蹲守在行为表现上存在相似性但需求本质不同,单纯依赖瞬时行为无法区分这两种情况,导致行为观测与真实进食需求之间的映射关系存在信息缺失。同时,现有技术的决策输出为离散的二元状态标签,即直接判定饥饿或不饥饿,无法量化当前行为证据对需求状态的支撑程度,当宠物的行为特征处于饥饿与非饥饿的边界状态时,二元决策无法表达这种需求程度的不确定性。
3、此外,现有技术在判定需要喂食后,其投食品种和投食量均为固定预设值,未根据当前行为数据所反映的需求强度进行动态调整,例如无法区分轻微饥饿与高度饥饿以投放不同品种或不同量的食物。
技术实现思路
1、本发明的实施例提供了一种基于行为识别的宠物智能喂食控制方法与系统,旨在解决现有技术无法根据行为观测数据准确估计宠物真实进食需求状态包括是否需要进食、进食品种和进食量的问题。
2、为了实现上述目的,第一方面,本发明提供了基于行为识别的宠物智能喂食控制方法,包括以下步骤:
3、通过设置采集步长采集目标宠物时间序列的行为数据;所述行为数据包括宠物在预定进食区域的停留时间、距离宠物上次进食的时间间隔、宠物运动幅度和/或宠物叫唤特征;
4、将时间序列的行为数据输入预先训练的机器学习模型,输出目标宠物真实需要进食的概率值;
5、当所述概率值超过预设阈值时,将所述概率值和所述行为数据输入预先训练的投食映射模型,输出对应的投食参数;所述投食参数包括投食品种和投食量;
6、根据所述投食参数触发预置的投食装置执行投食动作。
7、进一步地,所述机器学习模型为贝叶斯网络模型;
8、所述贝叶斯网络模型包括:一个表示宠物真实进食需求状态的隐节点,以及若干个分别对应于所述行为数据中各特征维度的观测节点;
9、其中,各观测节点作为所述隐节点的父节点,所述隐节点的状态空间为二值状态,包括真实需要进食状态和非真实需要进食状态;各观测节点的状态空间根据对应特征维度的取值范围离散化为若干个区间。
10、进一步地,所述贝叶斯网络模型通过以下步骤预先训练:
11、采集目标宠物在历史时间段内的行为数据作为训练样本,并通过食盆重量传感器采集每个训练样本对应的实际进食结果;
12、若实际进食量大于预设的有效进食阈值,则将该训练样本标记为正样本,对应的隐节点状态标记为真实需要进食状态;否则标记为负样本,对应的隐节点状态标记为非真实需要进食状态;
13、将每个训练样本中行为数据的各特征维度离散化为对应的观测值;
14、统计每个观测节点在各个取值区间下隐节点状态的出现频次,计算每个观测节点取值与隐节点状态之间的条件概率;
15、将计算得到的条件概率以及隐节点的先验概率存入模型,完成训练。
16、进一步地,所述输出目标宠物真实需要进食的概率值的计算方式为:
17、将当前时间序列的行为数据中各特征值离散化为对应的观测值;
18、将各观测值输入所述贝叶斯网络模型,根据已存储的条件概率和隐节点的先验概率,利用朴素贝叶斯推理计算在当前观测值组合下隐节点处于真实需要进食状态的后验概率;
19、该后验概率即为所述目标宠物真实需要进食的概率值。
20、进一步地,所述预先训练的投食映射模型通过以下方式构建:
21、收集目标宠物历史数据中的多次喂食记录,每条记录包括喂食前的输入向量以及喂食后通过重量传感器检测到的实际进食量,所述输入向量包括所述概率值及所述行为数据;
22、以所述输入向量为自变量,以所述实际进食量为因变量,训练随机森林模型;
23、训练完成后,将当前输入向量输入所述随机森林模型,输出的预测值即为所述投食量;
24、所述投食品种根据所述概率值确定,包括:当概率值大于第一品种阈值时投喂主粮,当概率值小于或等于第一品种阈值且大于第二品种阈值时投喂零食,当概率值小于或等于第二品种阈值时不投喂。
25、进一步地,还包括反馈更新步骤,包括:
26、在执行投食动作后的预设监测时间窗口内,连续采集食盆底部的重量传感器数据;
27、根据重量数据的下降斜率变化,识别宠物开始进食的时刻和停止进食的时刻,计算两者之间的重量差值作为实际进食量;
28、将实际进食量与预设的有效进食阈值进行比较;
29、若实际进食量大于或等于有效进食阈值,则将该次投食前的概率值和行为数据标记为正样本;若实际进食量小于有效进食阈值,则标记为负样本;
30、当正样本或负样本的累计数量达到预设批次大小时,触发所述投食映射模型的增量训练,以历史数据库中积累的样本重新训练或更新所述投食映射模型。
31、进一步地,还包括多宠物识别与处理步骤,包括:
32、通过设置于喂食机上方的摄像头采集预定进食区域的图像,利用预训练的目标检测模型识别图像中的宠物并框出宠物区域;
33、对框出的宠物区域,利用面部关键点检测或身上的电子标签识别当前宠物的身份标识;
34、为每只宠物建立独立的模型参数库,包括该宠物的机器学习模型参数、投食映射模型参数、预设阈值、有效进食阈值以及历史行为数据和进食记录;
35、当识别到当前进入进食区域的宠物身份标识后,加载该身份标识对应的模型参数,执行概率计算、阈值比较和投食参数映射步骤;
36、当识别到多只宠物同时进入进食区域时,触发防冲突模式:优先识别距离食盆最近或停留时间最长的宠物作为当前目标宠物,或暂停自动喂食并向用户终端推送通知等待用户远程确认。
37、进一步地,所述宠物在预定进食区域的停留时间为宠物连续位于预定进食区域内的时间长度;所述距离宠物上次进食的时间间隔为当前时刻与最后一次进食行为之间的时间差值;所述运动幅度为宠物躯干位移量或加速度模值;所述叫唤特征包括叫唤频率、时长和/或音调。
38、第二方面,本发明提供了一种基于行为识别的宠物智能喂食控制系统,应用于如上所述的基于行为识别的宠物智能喂食控制方法,其特征在于,包括通信连接的行为数据采集模块、概率计算模块、投食映射模块和投食执行模块,其中:
39、所述行为数据采集模块,用于通过设置采集步长采集目标宠物时间序列的行为数据;
40、所述概率计算模块,部署有预先训练的机器学习模型,用于将所述行为数据输入所述机器学习模型,输出目标宠物真实需要进食的概率值;
41、所述投食映射模块,部署有预先训练的投食映射模型,用于当所述概率值超过预设阈值时,将所述概率值和所述行为数据输入所述投食映射模型,输出对应的投食参数,所述投食参数包括投食品种和投食量;
42、所述投食执行模块,用于根据所述投食参数触发预置的投食装置执行投食动作。
43、上述技术方案具有如下技术效果:
44、通过设置采集步长采集目标宠物时间序列的行为数据,并将宠物在预定进食区域的停留时间和距离宠物上次进食的时间间隔纳入行为数据,使系统能够区分宠物是短暂路过还是真正在食盆前持续蹲守,同时结合距离上一餐的时间长短判断当前的生理饥饿程度,有效减少了因宠物好奇或习惯性扒盆导致的误触发。通过将时间序列的行为数据输入预先训练的机器学习模型,输出目标宠物真实需要进食的概率值,将离散的行为观测转换为连续的概率输出,该概率值量化了当前行为证据对进食需求状态的支撑强度,为后续决策提供了比离散的饥饿或不饥饿更精细的信息。当概率值超过预设阈值时,将概率值和行为数据共同输入预先训练的投食映射模型,输出包括投食品种和投食量的投食参数,使投食品种和投食量能够根据当前行为数据所反映的需求强度进行动态调整,实现了分级式精细化投食。最后根据投食参数触发投食装置执行投食动作。本发明解决了现有技术无法根据行为观测数据准确估计宠物真实进食需求状态包括是否需要进食、进食品种和进食量的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com