技术领域
[0001] 本
发明涉及计算机领域，尤其涉及确定饲料类型的方法及装置。
背景技术
[0002] 传统养殖行业通过专家研究猪只特征，进行长期的
跟踪试验，得出更换猪只饲料的时间
节点。更换饲料是为了节约成本的同时，保证猪只快速成长。传统方法需要专家随机选出多组试验猪做大量的对比试验，通过多种育肥条件进行试验得出更换饲料的时间节点结论。
[0003]
现有技术方案主要通过专家试验判断某一类猪所用的饲料。由哺乳仔猪到断奶仔猪，由断奶仔猪到生长猪，由生长猪到育肥猪，这几个阶段饲喂何种饲料均按照专家试验得出的结论进行操作。
[0004] 采用专家指导的方式存在以下问题：1)需要经验丰富的专家通过试验获得经验数据，周期较长，而普通养猪场很难请到专家长时间驻扎进行指导。2)传统方法将多头猪作为一个试验组，对多个试验组进行对比试验，试验得出的结论通常针对某类猪，无法得出针对单个猪的个体化的结论。3)对于没有专家指导的养猪场，该养猪场的猪可能和专家试验的猪的初始情况或成长情况有所不同，如果应用专家的经验值则一般会存在10天左右的误差。4)专家的试验数据的准确度有限。
发明内容
[0005] 本
申请所要解决的技术是提供一种确定饲料类型的方法及装置，可以确定单个猪的饲料类型，从而实现个体化饲养。
[0006] 为了解决上述技术问题，本申请提供了一种确定饲料类型的方法，所述方法包括：
[0007] 在对
家畜进行饲喂之前，采集家畜的当前体重值和当前饲养时长；
[0008] 根据所述当前体重值和当前饲养时长，确定所述家畜应饲喂的饲料类型；
[0009] 其中，所述当前饲养时长为当前时间与初始饲养时间的差值。
[0010] 可选地，所述根据所述当前体重值和当前饲养时长，确定所述家畜对应的饲料类型包括：
[0011] 将所述当前体重值和当前饲养时长输入训练好的饲料
预测模型，得出所述家畜应饲喂的饲料类型。
[0012] 可选地，所述饲料预测模型为根据所述家畜所属饲养场训练得出的模型。
[0013] 可选地，所述饲料预测模型通过以下方式训练得出：
[0014] 对于所述饲养场中
选定的多个试验家畜，采集每个试验家畜从初始饲养到合格出栏过程中的体重值数据、饲喂的饲料类型信息；
[0015] 根据设定的每个试验家畜对应的每一次饲喂的奖励，训练得出所述饲养场对应的饲料预测模型；
[0016] 其中，每一次饲喂的奖励为以下三项内容的和：体重值系数、饲料价格系数的倒数、饲养时长的自然对数的倒数；
[0017] 体重值系数为家畜相邻两次采集的体重值的差值的绝对值；
[0018] 饲料价格系数为将饲喂的饲料单价归一化到[0,1]区间得出。
[0019] 可选地，所述方法还包括：
[0020] 将采集到的家畜的身份标识信息、体重值以及饲养时长保存至模型
训练数据池中；
[0021] 当模型训练数据池中的数据满足设定条件时，根据所述模型训练数据池中的数据对所述饲料预测模型进行更新。
[0022] 本申请还提供一种确定饲料类型的装置，所述装置包括：
存储器和处理器；
[0023] 所述存储器，用于保存用于确定饲料类型的程序；
[0024] 所述处理器，用于读取执行所述用于确定饲料类型的程序，执行如下操作：
[0025] 在对家畜进行饲喂之前，采集家畜的当前体重值和当前饲养时长；
[0026] 根据所述当前体重值和当前饲养时长，确定所述家畜应饲喂的饲料类型；
[0027] 其中，所述当前饲养时长为当前时间与初始饲养时间的差值。
[0028] 可选地，所述根据所述当前体重值和当前饲养时长，确定所述家畜对应的饲料类型包括：
[0029] 将所述当前体重值和当前饲养时长输入训练好的饲料预测模型，得出所述家畜应饲喂的饲料类型。
[0030] 可选地，所述饲料预测模型为根据所述家畜所属饲养场训练得出的模型。
[0031] 可选地，所述饲料预测模型通过以下方式训练得出：
[0032] 对于所述饲养场中选定的多个试验家畜，采集每个试验家畜从初始饲养到合格出栏过程中的体重值数据、饲喂的饲料类型信息；
[0033] 根据设定的每个试验家畜对应的每一次饲喂的奖励，训练得出所述饲养场对应的饲料预测模型；
[0034] 其中，每一次饲喂的奖励为以下三项内容的和：体重值系数、饲料价格系数的倒数、饲养时长的自然对数的倒数；
[0035] 体重值系数为家畜相邻两次采集的体重值的差值的绝对值；
[0036] 饲料价格系数为将饲喂的饲料单价归一化到[0,1]区间得出。
[0037] 可选地，所述处理器，用于读取执行所述用于确定饲料类型的程序，还执行如下操作：
[0038] 将采集到的家畜的身份标识信息、体重值以及饲养时长保存至模型训练数据池中；
[0039] 当模型训练数据池中的数据满足设定条件时，根据所述模型训练数据池中的数据对所述饲料预测模型进行更新。
[0040] 本申请包括：在对家畜进行饲喂之前，采集家畜的当前体重值和当前饲养时长；根据所述当前体重值和当前饲养时长，确定所述家畜应饲喂的饲料类型；其中，所述当前饲养时长为当前时间与初始饲养时间的差值。上述技术方案可以确定单个猪的饲料类型，从而实现个体化饲养。
附图说明
[0041] 附图用来提供对本申请技术方案的理解，并且构成
说明书的一部分，与本申请的
实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
[0042] 图1是本发明实施例一的确定饲料类型的方法的
流程图；
[0043] 图2是本发明实施例一的确定饲料类型的装置的结构示意图；
[0044] 图3是本发明实施例一的确定饲料类型的方法的另一流程图；
[0045] 图4是本发明实施例一的饲料预测模型的训练示意图。
具体实施方式
[0046] 本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
[0047] 本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由
权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种
修改和改变。
[0048] 此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
[0049] 实施例一
[0050] 如图1所示，本实施例提供一种确定饲料类型的方法，所述方法包括：
[0051] 步骤S101、在对家畜进行饲喂之前，采集家畜的当前体重值和当前饲养时长；
[0052] 步骤S102、根据所述当前体重值和当前饲养时长，确定所述家畜应饲喂的饲料类型；
[0053] 其中，所述当前饲养时长为当前时间与初始饲养时间的差值。
[0054] 可选地，所述根据所述当前体重值和当前饲养时长，确定所述家畜对应的饲料类型可以包括：
[0055] 将所述当前体重值和当前饲养时长输入训练好的饲料预测模型，得出所述家畜应饲喂的饲料类型。
[0056] 可选地，所述饲料预测模型可以为根据所述家畜所属饲养场训练得出的模型。
[0057] 可选地，所述饲料预测模型可以通过以下方式训练得出：
[0058] 对于所述饲养场中选定的多个试验家畜，采集每个试验家畜从初始饲养到合格出栏过程中的体重值数据、饲喂的饲料类型信息；
[0059] 根据设定的每个试验家畜对应的每一次饲喂的奖励，训练得出所述饲养场对应的饲料预测模型；
[0060] 其中，每一次饲喂的奖励为以下三项内容的和：体重值系数、饲料价格系数的倒数、饲养时长的自然对数的倒数；
[0061] 体重值系数为家畜相邻两次采集的体重值的差值的绝对值；
[0062] 饲料价格系数为将饲喂的饲料单价归一化到[0,1]区间得出。
[0063] 可选地，所述方法还可以包括：
[0064] 将采集到的家畜的身份标识信息、体重值以及饲养时长保存至模型训练数据池中；
[0065] 当模型训练数据池中的数据满足设定条件时，根据所述模型训练数据池中的数据对所述饲料预测模型进行更新。
[0066] 上述技术方案可以在无需专家介入的情况下，确定单个猪的饲料类型，从而实现个体化饲养。
[0067] 如图2所示，本实施例还提供一种确定饲料类型的装置，所述装置包括：存储器10和处理器11；
[0068] 所述存储器10，用于保存用于确定饲料类型的程序；
[0069] 所述处理器11，用于读取执行所述用于确定饲料类型的程序，执行如下操作：
[0070] 在对家畜进行饲喂之前，采集家畜的当前体重值和当前饲养时长；
[0071] 根据所述当前体重值和当前饲养时长，确定所述家畜应饲喂的饲料类型；
[0072] 其中，所述当前饲养时长为当前时间与初始饲养时间的差值。
[0073] 可选地，所述根据所述当前体重值和当前饲养时长，确定所述家畜对应的饲料类型可以包括：
[0074] 将所述当前体重值和当前饲养时长输入训练好的饲料预测模型，得出所述家畜应饲喂的饲料类型。
[0075] 可选地，所述饲料预测模型可以为根据所述家畜所属饲养场训练得出的模型。
[0076] 可选地，所述饲料预测模型可以通过以下方式训练得出：
[0077] 对于所述饲养场中选定的多个试验家畜，采集每个试验家畜从初始饲养到合格出栏过程中的体重值数据、饲喂的饲料类型信息；
[0078] 根据设定的每个试验家畜对应的每一次饲喂的奖励，训练得出所述饲养场对应的饲料预测模型；
[0079] 其中，每一次饲喂的奖励为以下三项内容的和：体重值系数、饲料价格系数的倒数、饲养时长的自然对数的倒数；
[0080] 体重值系数为家畜相邻两次采集的体重值的差值的绝对值；
[0081] 饲料价格系数为将饲喂的饲料单价归一化到[0,1]区间得出。
[0082] 可选地，所述处理器，用于读取执行所述用于确定饲料类型的程序，还可以执行如下操作：
[0083] 将采集到的家畜的身份标识信息、体重值以及饲养时长保存至模型训练数据池中；
[0084] 当模型训练数据池中的数据满足设定条件时，根据所述模型训练数据池中的数据对所述饲料预测模型进行更新。
[0085] 上述技术方案可以在无需专家介入的情况下，确定单个猪的饲料类型，从而实现个体化饲养。
[0086] 如图3所示，下面以养猪场为例进一步说明本申请的确定饲料类型的方法。
[0087] 步骤S301、训练养猪场相应的饲料预测模型；
[0088] 如图4所示，为饲料预测模型的训练示意图，在训练模型时，可以从该养猪场选取一定数量试验猪，通过
传感器采集每个试验猪从开始饲养到合格出栏的完整流程中的数据信息，数据信息包括每个试验猪的体重信息和每次饲喂的饲料类型。
[0089] 可以设定每一次饲喂的奖励为以下三项内容的和：体重值系数、饲料价格系数的倒数、饲养时长的自然对数的倒数；其中，体重值系数为家畜相邻两次采集的体重值的差值的绝对值；饲料价格系数为将饲喂的饲料单价归一化到[0,1]区间得出。通过上述设定的奖励，可以使得训练的饲料预测模型以达到出栏体重为目标时，体重的增长量越大越好，饲料
费用越少越好，饲养日期越短越好。饲料预测模型的输入是每个试验猪的体重数据和饲养时长，输出是饲料类型。
[0090] 对于每一轮训练中的每一步，状态值网络预测饲喂每种饲料类型预计获得的奖励，选取获得最大预测奖励的饲料类型，将当前状态、选取的饲料类型、获得的奖励以及下一步状态保存到回放记忆单元。从回放记忆单元中随机读取部分记录，利用目标值网络和状态值网络的残差进行梯度反向传播训练模型。每隔一定训练步数，将状态值网络的参数赋值给目标值网络进行更新。当试验猪的体重值达到出栏标准体重后，饲料预测模型结束一轮训练，并返回饲料预测模型成功奖励值。
[0091] 步骤S302、加载所述家畜所属饲养场对应的饲料预测模型；
[0092] 可以将训练好的该饲养场的饲料预测模型加载到本地的肉猪育肥换饲料预测在线服务中，使得通过该饲料预测模型对每头猪该饲喂的饲料类型进行预测。
[0093] 步骤S303、在对猪进行饲喂之前，采集猪的当前体重值以及当前饲养时长；
[0094] 步骤S304、饲料预测模型确定该头猪应饲喂的饲料类型；
[0095] 本示例中，可以由传感器采集到猪只当前体重和当前饲养时长。然后将该猪只的当前体重和当前饲养时间输入到肉猪育肥换饲料预测在线服务(肉猪育肥换饲料预测在线服务加载有饲料预测模型)中，肉猪育肥换饲料预测在线服务可以预测出针对当前猪只个体的最优饲料类型，然后再对当前猪只个体饲喂该确定的饲料类型。
[0096] 步骤S305、对每头猪饲喂确定出的对应的饲料类型。
[0097] 采用上述技术方案有以下有益技术效果：
[0098] 1)在采集试验猪的数据信息方面，本示例与传统方法的区别是，本申请是针对单个猪进行数据信息的采集，本申请利用
大数据方法，将每头猪作为一个试验单位，从而可以更高效的使用试验数据。同时，利用大数据的异常值检测方法，可以有效避免个别猪只试验数据异常问题。通过上述技术方案可以提高数据的利用率，进而节省试验所需的时间周期。
[0099] 2)每个养猪场可以训练适合自身养猪场的模型，避免了环境(
温度，湿度，经纬度，饲料等)不同带来的专家知识的偏差的问题，从而可以针对每一个猪场训练最优的模型。
[0100] 3)本示例针对每类猪的试验数据训练
强化学习模型，训练出的模型可以通过网络部署的方式远程加载到养猪场本地的系统中。从而解决了很多养猪场难以邀请专家现场驻扎指导更换猪饲料的问题。
[0101] 4)本示例的试验数据的采集过程无需专家介入。如果养殖户想要为自己的养猪场定
制模型，但是没有专家提供先验知识选取试验参数的初始值(如试验的换料的时间范围可以由专家初步选值作为初始值)，则可以由系统基于大数据积累的统计结果，给出建议初始值。因此本示例可以帮助没有专家驻守的养猪场，针对自身养猪场的猪只类型，训练相应的强化学习模型。
[0102] 5)强化学习模型在判断猪只应饲喂哪种饲料类型时，是针对每头猪只个体进行判断，利用采集到的猪只个体的特征，强化学习模型将判断的饲料类型传递给饲料饲喂系统，以使根据确定的饲料类型对猪只进行饲喂。从而实现精准饲养。
[0103] 需要说明的是，上述技术方案同样适用于其它养殖厂，例如养
牛场、养羊场等。
[0104] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模
块/单元可以被实施为
软件、
固件、
硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字
信号处理器或
微处理器执行的软件，或者被实施为硬件，或者被实施为集成
电路，如
专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机
访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且包括任何信息递送介质。
