首页分享一种基于图像识别的多宠物喂食方法及装置专利检索

一种基于图像识别的多宠物喂食方法及装置专利检索

来源：萌宠菠菠乐园时间：2025-04-12 15:04

说明书全文

一种基于图像识别的多宠物喂食方法及装置

技术领域

[0001] 本申请属于数据处理技术领域，特别涉及一种基于图像识别的多宠物喂食的方法及装置。

背景技术

[0002] 为了满足宠物主人的需求和便捷性，宠物喂食器作为一种创新的设备应运而生。宠物喂食器旨在为主人提供一种自动喂食的解决方案，有助于减轻日常喂食的工作负担。
然而，传统的宠物喂食器通常存在一些缺点，如缺乏定时、定量喂食功能，宠物主人的工作和生活节奏可能导致不规律的喂食时间表和食物量，这不利于宠物的健康；另一方面，当家中养多只宠物时，难以实现对不同宠物的定量喂食，可能导致饮食不平衡、过量喂食或宠物争夺食物等问题。这些缺点都限制了宠物喂食器在家庭中的普及和应用。
发明内容

[0003] 为了解决上述技术问题，本申请提供一种基于图像识别的多宠物喂食方法及装置，解决多宠物家庭的喂食难题。

[0004] 本申请的第一个方面，一种基于图像识别的多宠物喂食方法，主要包括：步骤S1、持续获取宠物喂食区域的图像；
步骤S2、基于预先训练好的宠物检测模型对持续输入的多幅图像进行检测，获得包含宠物的宠物图像区域；
步骤S3、基于预先训练好的宠物身份识别模型对所述宠物图像区域进行宠物身份的识别，获取宠物的个体身份；
步骤S4、确定与所述宠物的个体身份匹配的喂食参数，按照所述喂食参数投递食物。

[0005] 优选的是，步骤S1进一步包括：步骤S11、确定待喂食的各宠物的最近投喂时间；
步骤S12、在距所述最近投喂时间前设定时间，启动图像采集模块，持续获取宠物喂食区域的图像。

[0006] 优选的是，步骤S2进一步包括：步骤S21、基于所述宠物检测模型输出包含宠物的检测框坐标、置信度及宠物预测类别；
步骤S22、过滤置信度低于预设值的检测框，保留包含宠物的宠物图像区域。

[0007] 优选的是，步骤S21之前，进一步包括通过以下步骤训练所述宠物检测模型：步骤S211、获取包含不同宠物类型、不同背景、不同姿势和不同光照条件下的图像作为训练数据，并对所述训练数据进行宠物目标框及类别的标注；
步骤S212、基于待训练的宠物检测模型处理所述训练数据，获得包含宠物的检测框坐标、置信度及宠物预测类别的输出；
步骤S213、基于以下公式确定宠物检测模型的总损失Ldet：
Ldet= λcoord* Lcoord+ λconf* Lconf+ λcls* Lcls；
其中，Lcoord、Lconf、Lcls分别为坐标回归损失、置信度损失和分类损失，λcoord、λconf、λcls分别为坐标回归损失、置信度损失和分类损失的权重；
步骤S214、基于总损失Ldet更新宠物检测模型的待优化权重参数，直至所述待优化权重参数收敛，获得最终的宠物检测模型。

[0008] 优选的是，步骤S3进一步包括：步骤S31、基于宠物身份识别模型获取宠物的特征向量；
步骤S32、计算所述特征向量与数据库中各样本特征向量的距离，确定距离最小的样本特征向量，从而确定宠物的个体身份。

[0009] 优选的是，步骤S31中，使用标注了个体身份ID的宠物图像数据集进行模型训练，并使用交叉熵损失和三元组损失共同优化宠物身份识别模型，所述宠物身份识别模型的总损失Lid为：Lid= λCE* LCE+ λTriplet* LTriplet；
其中，LCE、LTriplet分别为交叉熵损失和三元组损失，λCE、λTriplet分别为交叉熵损失和三元组损失的权重系数。

[0010] 优选的是，步骤S4进一步包括：按设定速率投递与所述宠物的个体身份匹配的食物，并在未检测到该个体身份的宠物时，停止投放食物。

[0011] 本申请第二方面，一种基于图像识别的多宠物喂食装置，主要包括：宠物喂食区域图像获取模块，用于持续获取宠物喂食区域的图像；
宠物图像区域获取模块，用于基于预先训练好的宠物检测模型对持续输入的多幅图像进行检测，获得包含宠物的宠物图像区域；
宠物识别模块，用于基于预先训练好的宠物身份识别模型对所述宠物图像区域进行宠物身份的识别，获取宠物的个体身份；
投食模块，用于确定与所述宠物的个体身份匹配的喂食参数，按照所述喂食参数投递食物。

[0012] 优选的是，所述宠物喂食区域图像获取模块包括：投喂时间计时单元，用于确定待喂食的各宠物的最近投喂时间；
图像采集启动单元，用于在距所述最近投喂时间前设定时间，启动图像采集模块，持续获取宠物喂食区域的图像。

[0013] 优选的是，所述宠物图像区域获取模块进一步包括：模型输出单元，用于基于所述宠物检测模型输出包含宠物的检测框坐标、置信度及宠物预测类别；
过滤单元，用于过滤置信度低于预设值的检测框，保留包含宠物的宠物图像区域。

[0014] 优选的是，进一步包括通过以下单元训练所述宠物检测模型：训练数据标注单元，用于获取包含不同宠物类型、不同背景、不同姿势和不同光照条件下的图像作为训练数据，并对所述训练数据进行宠物目标框及类别的标注；
模型实际输出单元，用于基于待训练的宠物检测模型处理所述训练数据，获得包含宠物的检测框坐标、置信度及宠物预测类别的输出；
损失确定单元，用于基于以下公式确定宠物检测模型的总损失Ldet：
Ldet= λcoord* Lcoord+ λconf* Lconf+ λcls* Lcls；
其中，Lcoord、Lconf、Lcls分别为坐标回归损失、置信度损失和分类损失，λcoord、λconf、λcls分别为坐标回归损失、置信度损失和分类损失的权重；
循环优化单元，用于基于总损失Ldet更新宠物检测模型的待优化权重参数，直至所述待优化权重参数收敛，获得最终的宠物检测模型。

[0015] 优选的是，所述宠物识别模块包括：特征向量输出单元，用于基于宠物身份识别模型获取宠物的特征向量；
距离计算单元，用于计算所述特征向量与数据库中各样本特征向量的距离，确定距离最小的样本特征向量，从而确定宠物的个体身份。

[0016] 优选的是，使用标注了个体身份ID的宠物图像数据集进行模型训练，并使用交叉熵损失和三元组损失共同优化宠物身份识别模型，所述宠物身份识别模型的总损失Lid为：Lid= λCE* LCE+ λTriplet* LTriplet；
其中，LCE、LTriplet分别为交叉熵损失和三元组损失，λCE、λTriplet分别为交叉熵损失和三元组损失的权重系数。

[0017] 优选的是，所述投食模块包括：投食控制单元，用于按设定速率投递与所述宠物的个体身份匹配的食物，并在未检测到该个体身份的宠物时，停止投放食物。

[0018] 本申请的第三方面，一种计算机设备，包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序用于实现如上任一项所述的基于图像识别的多宠物喂食方法。

[0019] 本申请的第四方面，一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的基于图像识别的多宠物喂食方法。

[0020] 本申请实现家庭拥有多个宠物的定时、定量投喂，减轻了宠物主人的喂食负担。附图说明

[0021] 图1是本申请基于图像识别的多宠物喂食方法的一优选实施例的流程图。

[0022] 图2为适于用来实现本申请实施方式的终端或服务器的计算机设备的结构示意图。

具体实施方式

[0023] 为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。下面结合附图对本申请的实施方式进行详细说明。

[0024] 根据本申请第一方面，如图1所示，一种基于图像识别的多宠物喂食方法，主要包括：步骤S1、持续获取宠物喂食区域的图像。

[0025] 在该步骤中，通过图像采集设备持续获取宠物喂食区域的图像，例如摄像头，可以拍摄宠物喂食区域的图像或视频，以进行后续分析。宠物喂食区域可以包括多个，通过一个或多个摄像头进行覆盖式图像采集。

[0026] 在一些可选实施方式中，骤S1进一步包括：步骤S11、确定待喂食的各宠物的最近投喂时间；
步骤S12、在距所述最近投喂时间前设定时间，启动图像采集模块，持续获取宠物喂食区域的图像。

[0027] 可以理解的是，本实施例主要目的在于节约资源，通过摄像头不断采集宠物喂食区域的图像，并在后续步骤中对采集的数据进行处理将会浪费较大的计算资源，为此，本实施例设置成仅在需要的时候进行图像采集工作，即当宠物到达预设的喂食时间时，才控制摄像头进行图像采集，预设的喂食时间可以根据不同宠物进行定时设计，也可以根据各宠物上次进食时间及进食间隔确定下一次的投喂时间，由于本申请涉及多个宠物，因此，在步骤S11中，需要获取所有各宠物的上一次投喂时间，然后叠加各宠物的投食间隔，即可获得各宠物的最近投喂时间（未来某一时间点），然后在步骤S12中，在最近投喂时间前，启动图像采集设备进行图像的持续采集即可。

[0028] 步骤S2、基于预先训练好的宠物检测模型对持续输入的多幅图像进行检测，获得包含宠物的宠物图像区域。

[0029] 在步骤S2中，宠物检测模型的主要作用为：对持续获得的图像进行宠物图像提取，当提取到宠物图像后，再经过后续的宠物个体识别，即可按需投放食物。

[0030] 在一些可选实施方式中，步骤S2进一步包括：步骤S21、基于所述宠物检测模型输出包含宠物的检测框坐标、置信度及宠物预测类别；
步骤S22、过滤置信度低于预设值的检测框，保留包含宠物的宠物图像区域。

[0031] 该实施例中，通过置信度来保证输出有包含宠物的宠物图像区域，以便后续步骤对其内的图像进行识别，步骤S2为不间断对图像进行处理，可以进一步设置处理步长，即每隔设定时间段处理一张步骤S1所采集的宠物喂食区域的图像。

[0032] 在一些可选实施方式中，步骤S21之前，进一步包括通过以下步骤训练所述宠物检测模型：步骤S211、获取包含不同宠物类型、不同背景、不同姿势和不同光照条件下的图像作为训练数据，并对所述训练数据进行宠物目标框及类别的标注；
步骤S212、基于待训练的宠物检测模型处理所述训练数据，获得包含宠物的检测框坐标、置信度及宠物预测类别的输出；
步骤S213、基于以下公式确定宠物检测模型的总损失Ldet：
Ldet= λcoord* Lcoord+ λconf* Lconf+ λcls* Lcls；
其中，Lcoord、Lconf、Lcls分别为坐标回归损失、置信度损失和分类损失，λcoord、λconf、λcls分别为坐标回归损失、置信度损失和分类损失的权重；
步骤S214、基于总损失Ldet更新宠物检测模型的待优化权重参数，直至所述待优化权重参数收敛，获得最终的宠物检测模型。

[0033] 宠物检测模型可以采用YOLOv5目标检测算法，亦可以采用其他的训练模型，例如如Faster R‑CNN、YOLOv8、DETR等模型，与现有模型不同的是在步骤S213，本申请引入了三类损失模型以计算总损失，包括对训练数据中标注的宠物目标框与模型输出的检测框之间形成的坐标回归损失，训练数据中标注的宠物类别与模型输出的宠物类别之间形成的分类损失，以及用于表示有无检测目标及检测框准确度的置信度损失。训练迭代多次并更新模型的权重，以减小损失函数，确保模型的收敛步骤S3、基于预先训练好的宠物身份识别模型对所述宠物图像区域进行宠物身份的识别，获取宠物的个体身份。

[0034] 在获得宠物图像区域后，该步骤用于对目标区域进行宠物身份识别，以区分不同的宠物。使用标注了个体身份ID的宠物图像数据集进行模型训练，训练完成后，根据输出的特征向量确定最符合的宠物个体身份。

[0035] 需要说明的是，步骤S2引入的宠物类别，例如宠物狗、宠物猫、宠物鸟，其目的在于促进步骤S2中的宠物检测模型的宠物图像区域分割准确度，步骤S3引入的宠物身份识别，是针对一个具体的宠物进行区分，例如同样是两只宠物猫，步骤S3用于对其进行进一步区分。

[0036] 在一些可选实施方式中，步骤S3进一步包括：步骤S31、基于宠物身份识别模型获取宠物的特征向量；
步骤S32、计算所述特征向量与数据库中各样本特征向量的距离，确定距离最小的样本特征向量，从而确定宠物的个体身份。

[0037] 该实施例中，所述距离例如是余弦距离。

[0038] 在一些可选实施方式中，步骤S31中，使用标注了个体身份ID的宠物图像数据集进行模型训练，并使用交叉熵损失和三元组损失共同优化宠物身份识别模型，所述宠物身份识别模型的总损失Lid为：Lid= λCE* LCE+ λTriplet* LTriplet；
其中，LCE、LTriplet分别为交叉熵损失和三元组损失，λCE、λTriplet分别为交叉熵损失和三元组损失的权重系数。

[0039] 该实施例中，宠物身份识别模型可以是ResNet50模型，也可以采用其他主干网络如VGG、Inception、EfficientNet、MobileNet、ShuffleNet等模型，在该模型中，使用交叉熵损失(Cross‑Entropy Loss)和三元组损失 (Triplet Loss)共同优化模型参数，使同一身份的特征向量尽可能靠拢，使不同身份的特征向量尽可能分散。训练迭代多次并更新模型的权重，以减小损失函数，确保模型的收敛。

[0040] 步骤S4、确定与所述宠物的个体身份匹配的喂食参数，按照所述喂食参数投递食物。

[0041] 该步骤中，喂食参数包括喂食种类、餐量等，根据宠物身份ID识别结果，系统查询数据库获得该宠物的定量喂食参数，根据喂食参数实现食物的定量投喂。

[0042] 在一些可选实施方式中，步骤S4进一步包括：按设定速率投递与所述宠物的个体身份匹配的食物，并在未检测到该个体身份的宠物时，停止投放食物。

[0043] 可以理解的是，由于宠物种类较多，甚至可能存在同一种类的多个宠物，为了防止宠物之间进食串扰，基于步骤S1至步骤S3可以持续检测位于宠物喂食区域的宠物个体，在该宠物个体投食期间，通过间隔持续的投放，可以防止其他宠物抢食。

[0044] 本申请通过多宠物喂食系统可以实现家庭拥有多个宠物的定时、定量投喂，减轻了宠物主人的喂食负担。这一改进有助于促进宠物喂食器在家庭中的普及和应用。本申请也可应用畜牧业养殖，如牛群、羊群的定时、定向投喂，提高投喂效率。

[0045] 本申请第二方面，提供了一种与上述方法对应的基于图像识别的多宠物喂食装置，主要包括：宠物喂食区域图像获取模块，用于持续获取宠物喂食区域的图像；
宠物图像区域获取模块，用于基于预先训练好的宠物检测模型对持续输入的多幅图像进行检测，获得包含宠物的宠物图像区域；
宠物识别模块，用于基于预先训练好的宠物身份识别模型对所述宠物图像区域进行宠物身份的识别，获取宠物的个体身份；
投食模块，用于确定与所述宠物的个体身份匹配的喂食参数，按照所述喂食参数投递食物。

[0046] 在一些可选实施方式中，所述宠物喂食区域图像获取模块包括：投喂时间计时单元，用于确定待喂食的各宠物的最近投喂时间；
图像采集启动单元，用于在距所述最近投喂时间前设定时间，启动图像采集模块，持续获取宠物喂食区域的图像。

[0047] 在一些可选实施方式中，所述宠物图像区域获取模块进一步包括：模型输出单元，用于基于所述宠物检测模型输出包含宠物的检测框坐标、置信度及宠物预测类别；
过滤单元，用于过滤置信度低于预设值的检测框，保留包含宠物的宠物图像区域。

[0048] 在一些可选实施方式中，进一步包括通过以下单元训练所述宠物检测模型：训练数据标注单元，用于获取包含不同宠物类型、不同背景、不同姿势和不同光照条件下的图像作为训练数据，并对所述训练数据进行宠物目标框及类别的标注；
模型实际输出单元，用于基于待训练的宠物检测模型处理所述训练数据，获得包含宠物的检测框坐标、置信度及宠物预测类别的输出；
损失确定单元，用于基于以下公式确定宠物检测模型的总损失Ldet：
Ldet= λcoord* Lcoord+ λconf* Lconf+ λcls* Lcls；
其中，Lcoord、Lconf、Lcls分别为坐标回归损失、置信度损失和分类损失，λcoord、λconf、λcls分别为坐标回归损失、置信度损失和分类损失的权重；
循环优化单元，用于基于总损失Ldet更新宠物检测模型的待优化权重参数，直至所述待优化权重参数收敛，获得最终的宠物检测模型。

[0049] 在一些可选实施方式中，所述宠物识别模块包括：特征向量输出单元，用于基于宠物身份识别模型获取宠物的特征向量；
距离计算单元，用于计算所述特征向量与数据库中各样本特征向量的距离，确定距离最小的样本特征向量，从而确定宠物的个体身份。

[0050] 在一些可选实施方式中，使用标注了个体身份ID的宠物图像数据集进行模型训练，并使用交叉熵损失和三元组损失共同优化宠物身份识别模型，所述宠物身份识别模型的总损失Lid为：Lid= λCE* LCE+ λTriplet* LTriplet；
其中，LCE、LTriplet分别为交叉熵损失和三元组损失，λCE、λTriplet分别为交叉熵损失和三元组损失的权重系数。

[0051] 在一些可选实施方式中，所述投食模块包括：投食控制单元，用于按设定速率投递与所述宠物的个体身份匹配的食物，并在未检测到该个体身份的宠物时，停止投放食物。

[0052] 本申请第三方面，一种计算机设备，包括处理器、存储器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序用于实现基于图像识别的多宠物喂食方法。

[0053] 本申请第四方面，一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的基于图像识别的多宠物喂食方法。该计算机可读存储介质可以是上述实施方式中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时按上述方法对数据进行处理。

[0054] 下面参考图2，其示出了适于用来实现本申请实施方式的计算机设备400的结构示意图。图2示出的计算机设备仅仅是一个示例，不应对本申请实施方式的功能和使用范围带来任何限制。

[0055] 如图2所示，计算机设备400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有设备400操作所需的各种程序和数据。CPU401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线
404。

[0056] 以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

[0057] 特别地，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施方式包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0058] 附图中的流程图和框图，图示了按照本申请各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0059] 描述于本申请实施方式中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块或单元也可以设置在处理器中，这些模块或单元的名称在某种情况下并不构成对该模块或单元本身的限定。

[0060] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。