用于控制环控单元的方法及其相关产品技术

本披露公开了一种用于控制环控单元的方法及其相关产品，其中所述环控单元布置于猪只运输车上，并用于对所述猪只运输车内的环境进行控制，该方法包括：获取所述猪只运输车中包含猪只装载区域的待识别图像；将所述待识别图像输入基于深度神经网络的识别模型，以用于确定所述猪只运输车的装载状态，其中所述装载状态包括有猪或无猪；以及根据所述装载状态对所述环控单元进行启停控制，以便所述环控单元对所述猪只运输车内的环境进行控制。利用本披露的方案可以对猪只运输车中的猪只装载区域进行有无猪只的识别，并且可以根据识别结果实现对环控单元的自动控制。对环控单元的自动控制。对环控单元的自动控制。

【技术实现步骤摘要】
用于控制环控单元的方法及其相关产品


[0001]本披露一般涉及自动控制领域。更具体地，本披露涉及一种用于控制环控单元的方法、设备和计算机可读存储介质。

技术介绍

[0002]随着全球智能化水平的飞速发展，越来越多的智能科技运用到传统的农牧运输行业。例如，在利用猪只运输车对猪只进行运输的过程中，对于温度、风机、喷淋等相关环境的控制逐渐由自动化/半自动化设备完成。这在一定程度上不仅提高了猪只在运输过程中的舒适度，而且减轻了驾驶员管理猪只的压力。在现有技术中，对于自动化/半自动化设备的开启或关闭的控制仍需要人工参与。然而，由于人工判断的差异性，会导致猪只运输车中环控单元(自动化设备)的开启或关闭不及时，进而增加了猪只的运输风险以及猪只运输车中电能和部件寿命的消耗。例如，可能会因为工作人员的主观意识，在进行猪只运输过程中忘记开启环控单元，进而导致猪只因缺氧而窒息死亡的事故。鉴于此，亟需提供一种能够解决上述技术问题的方法。

技术实现思路

[0003]为了至少解决如上所提到的一个或多个技术问题，本披露提出了一种用于控制环控单元的方法、设备和计算机可读存储介质。通过本披露的方案，可以实现对猪只运输车中的猪只进行识别，并且可以根据识别结果控制环控和单元的启停，进而实现了对环控单元的自动控制。为此，本披露在如下多个方面中提供解决方案。
[0004]在第一方面中，本披露提供一种用于控制环控单元的方法，其中所述环控单元布置于猪只运输车上，并用于对所述猪只运输车内的环境进行控制，其特征在于，所述方法包括：获取所述猪只运输车中包含猪只装载区域的待识别图像；将所述待识别图像输入基于深度神经网络的识别模型，以用于确定所述猪只运输车的装载状态，其中所述装载状态包括有猪或无猪；以及根据所述装载状态对所述环控单元进行启停控制，以便所述环控单元对所述猪只运输车内的环境进行控制。
[0005]在一个实施例中，获取所述猪只运输车中的待识别图像包括：利用视频采集装置获取所述猪只运输车中包含猪只装载区域的视频流；以及对所述视频流进行分帧处理，以获取包含猪只装载区域的帧级别图像，并将所述帧级别图像作为所述待识别图像。
[0006]在又一个实施例中，在将所述待识别图像输入基于深度神经网络的识别模型之前，所述方法还包括：对所述待识别图像进行以下前处理中的至少一种，以获取满足输入所述识别模型要求的待识别图像：对所述待识别图像进行去噪处理；以及对所述待识别图像进行缩放处理。
[0007]在一个实施例中，在将所述待识别图像输入基于深度神经网络的识别模型之前，所述方法还包括：获取包含猪只装载区域的样本图像，并且对所述样本图像进行装载状态标注；以及使用带所述装载状态标注的所述样本图像训练深度神经网络，以得到所述识别
模型。
[0008]在又一个实施例中，所述方法还包括：对所述样本图像进行扩增处理，并使用扩增处理后的样本图像进行所述训练，其中所述扩增处理包括：利用实例分割算法对所述样本图像进行抠图处理，以获得猪只样本图像；将所述猪只样本图像进行缩放操作、旋转操作和平移操作中的至少一种，以得到样本前景图像；以及将所述样本前景图像覆盖至随机生成的一张或多张光照图像中，以生成一张或多张扩增处理后的样本图像。
[0009]在一个实施例中，在使用带装载状态标注的样本图像训练深度神经网络之前，所述方法还包括：使用无监督方法对所述深度神经网络进行预训练，得到预训练模型，以便使用带装载状态标注的样本图像对所述预训练模型进行训练。
[0010]在又一个实施例中，其中使用无监督方法对深度神经网络进行预训练包括：获取多张预训练图像；根据多张预训练图像中每两张预训练图像之间的余弦相似度，确定每两张预训练图像之间的相似度；以及根据所述相似度对所述多张预训练图像进行筛选，以使用筛选后的预训练图像对所述深度神经网络进行预训练。
[0011]在一个实施例中，将所述待识别图像输入基于深度神经网络的识别模型，以用于确定所述猪只运输车的装载状态包括：根据连续多帧待识别图像中每帧待识别图像的装载状态，确定所述猪只运输车的装载状态。
[0012]在第二方面中，本披露提供一种用于控制环控单元的设备，其特征在于，包括：处理器；存储器，其存储有用于控制环控单元的程序指令，当所述程序指令由所述处理器执行时，实现上述任意一项所述的方法步骤。
[0013]在第三方面中，本披露提供一种计算机可读存储介质，其特征在于，存储有用于控制环控单元的程序指令，当所述程序指令由处理器执行时，实现上述任意一项所述的方法步骤。
[0014]通过如上所提供的专利技术及其多个实施例中所描述的方法，本披露的方案可以利用基于深度神经网络的识别模型对猪只运输车中的猪只装载区域进行识别，以确定猪只运输车中的装载状态，进而可以根据确定的装载状态结果自动控制环控单元的开启或关闭。进一步，在一些实施例中，还可以对训练深度神经网络的样本图像进行扩增处理，以获得更多包含不同场景和不同猪只形态的样本图像，进而可以提高基于样本图像进行训练所得到的识别模型的模型精度。更进一步地，在又一些实施例中，还可以利用无监督方法对深度神经网络进行预训练，以进一步提高识别模型的泛化能力。
附图说明
[0015]通过参考附图阅读下文的详细描述，本披露示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本披露的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
[0016]图1示出了本披露实施例的用于控制环控单元的方法流程图；
[0017]图2示出了本披露实施例的用于获取待识别图像的方法流程图；
[0018]图3示出了本披露实施例的获取识别模型的方法流程图；
[0019]图4示出了本披露实施例的用于对样本图像进行扩增处理的方法流程图；
[0020]图5示出了本披露实施例的用于对深度神经网络进行预训练的方法流程图；以及
[0021]图6示出了本披露实施例的用于控制环控单元的设备示意框图。
具体实施方式
[0022]下面将结合本披露实施例中的附图，对本披露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披露一部分实施例，而不是全部的实施例。基于本披露中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本披露保护的范围。
[0023]应当理解，本披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0024]还应当理解，在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本披露说明书和权利要求书中使用的术语“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于控制环控单元的方法，其中所述环控单元布置于猪只运输车上，并用于对所述猪只运输车内的环境进行控制，其特征在于，所述方法包括：获取所述猪只运输车中包含猪只装载区域的待识别图像；将所述待识别图像输入基于深度神经网络的识别模型，以用于确定所述猪只运输车的装载状态，其中所述装载状态包括有猪或无猪；以及根据所述装载状态对所述环控单元进行启停控制，以便所述环控单元对所述猪只运输车内的环境进行控制。2.根据权利要求1所述的方法，其特征在于，获取所述猪只运输车中的待识别图像包括：利用视频采集装置获取所述猪只运输车中包含猪只装载区域的视频流；以及对所述视频流进行分帧处理，以获取包含猪只装载区域的帧级别图像，并将所述帧级别图像作为所述待识别图像。3.根据权利要求1所述的方法，其特征在于，在将所述待识别图像输入基于深度神经网络的识别模型之前，所述方法还包括：对所述待识别图像进行以下前处理中的至少一种，以获取满足输入所述识别模型要求的待识别图像：对所述待识别图像进行去噪处理；以及对所述待识别图像进行缩放处理。4.根据权利要求1所述的方法，其特征在于，在将所述待识别图像输入基于深度神经网络的识别模型之前，所述方法还包括：获取包含猪只装载区域的样本图像，并且对所述样本图像进行装载状态标注；以及使用带所述装载状态标注的所述样本图像训练深度神经网络，以得到所述识别模型。5.根据权利要求4所述的方法，其特征在于，还包括：对所述样本图像进行扩增处理，并使用扩增处理后的样本图像进行所述训练，其中所述扩增处理包括：利用实例分割算法对所述样本图像进行抠图处理，以获得猪只样本...

【专利技术属性】
技术研发人员：杨宗伟，司瑞欣，黄晓晖，胡旋烨，孙文豪，宋智，
申请(专利权)人：河南牧原物流有限公司，
类型：发明
国别省市：