首页 > 分享 > 用于预测宠物行为的方法及装置、家电设备与流程

用于预测宠物行为的方法及装置、家电设备与流程

萌宠菠菠乐园
2024-09-30 13:15

1.本技术涉及智能家电技术领域，例如涉及一种用于预测宠物行为的方法及装置、家电设备。

背景技术：

2.目前，随着人们生活水平的提高，各种可爱的宠物进入了人们的家庭生活之中。然而，在目前的生活中，还没有一项可以成功预测并分析宠物行为的产品与技术。
3.现有技术中存在一种机器人逗宠控制方法，包括：采集宠物的状态信息；结合宠物的状态信息预测宠物当前的行为状态；根据宠物当前的行为状态获取宠物当前的运动特征；基于宠物当前的运动特征，控制激光束对宠物当前行为施加光斑引导，以改善宠物行为。实现对宠物的有效训导，节省了宠物主人的时间和精力。
4.在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
5.现有技术仅仅是根据宠物的当前运动特征，控制激光束对宠物的行为进行引导以改善宠物的行为，并未真正实现对宠物行为的预测，容易对宠物进行错误交互，影响宠物的身心健康。

技术实现要素：

6.为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
7.本公开实施例提供了一种用于预测宠物行为的方法及装置、家电设备，以真正实现对宠物的行为的预测，找到与宠物交互的正确方式，保证宠物身心的健康。
8.在一些实施例中，所述方法包括：根据宠物的行为数据，构建宠物行为信息数据库，数据库中包含若干与设定的每种宠物行为对应的行为图片集合；通过卷积神经网络和时序神经网络对行为图片集合内的图片进行编码，并在编码中存储时序关系；根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为。
9.在一些实施例中，所述装置包括：处理器和存储有程序指令的存储器，上述处理器被配置为在执行上述程序指令时，执行上述的用于预测宠物行为的方法。
10.在一些实施例中，所述家电设备包括：上述的用于预测宠物行为的装置。
11.本公开实施例提供的用于预测宠物行为的方法及装置、家电设备，可以实现以下技术效果：
12.本公开实施例通过卷积神经网络和时序神经网络对行为图片集合内的图片进行编码，并在编码中存储时序关系。根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为。使用深度学习技术中的卷积神经网络与时序神经网络识别宠物的时序行为，并对行为产生的结果进行分析构建知识图谱。通过
知识图谱训练深度学习模型，提高了模型预测的准确度，以真正实现对宠物的行为的预测，找到与宠物交互的正确方式，保证宠物身心的健康。
13.以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本技术。
附图说明
14.一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
15.图1是本公开实施例提供的一个用于预测宠物行为的方法的示意图；
16.图2是本公开实施例提供的另一个用于预测宠物行为的方法的示意图；
17.图3是本公开实施例提供的另一个用于预测宠物行为的方法的示意图；
18.图4是本公开实施例提供的另一个用于预测宠物行为的方法的示意图；
19.图5是本公开实施例提供的另一个用于预测宠物行为的方法的示意图；
20.图6是本公开实施例提供的一个用于预测宠物行为的装置的示意图。
具体实施方式
21.为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
22.本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
23.除非另有说明，术语“多个”表示两个或两个以上。
24.本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
25.术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
26.术语“对应”可以指的是一种关联关系或绑定关系，a与b相对应指的是a与b之间是一种关联关系或绑定关系。
27.本公开实施例中，智能家电设备是指将微处理器、传感器技术、网络通信技术引入家电设备后形成的家电产品，具有智能控制、智能感知及智能应用的特征，智能家电设备的运作过程往往依赖于物联网、互联网以及电子芯片等现代技术的应用和处理，例如智能家电设备可以通过连接电子设备，实现用户对智能家电设备的远程控制和管理。
28.公开实施例中，终端设备是指具有无线连接功能的电子设备，终端设备可以通过连接互联网，与如上的智能家电设备进行通信连接，也可以直接通过蓝牙、wifi等方式与如上的智能家电设备进行通信连接。在一些实施例中，终端设备例如为移动设备、电脑、或悬浮车中内置的车载设备等，或其任意组合。移动设备例如可以包括手机、智能家居设备、可
穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。
29.结合图1所示，本公开实施例提供一种用于预测宠物行为的方法，包括：
30.s01，家电设备根据宠物的行为数据，构建宠物行为信息数据库，数据库中包含若干与设定的每种宠物行为对应的行为图片集合。
31.s02，家电设备通过卷积神经网络和时序神经网络对行为图片集合内的图片进行编码，并在编码中存储时序关系。
32.s03，家电设备根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为。
33.其中，使用neo4j图形数据库存储宠物的行为数据。
34.采用本公开实施例提供的用于预测宠物行为的方法，根据宠物的行为数据，构建宠物行为信息数据库。通过卷积神经网络和时序神经网络对数据库内的行为图片集合内的图片进行编码，并在编码中存储时序关系。根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为。使用深度学习技术中的卷积神经网络与时序神经网络识别宠物的时序行为，并对行为产生的结果进行分析构建知识图谱。通过知识图谱训练深度学习模型，提高了模型预测的准确度，以真正实现对宠物的行为的预测，找到与宠物交互的正确方式，保证宠物身心的健康。
35.结合图2所示，本公开实施例提供一种用于预测宠物行为的方法，包括：
36.s01，家电设备根据宠物的行为数据，构建宠物行为信息数据库，数据库中包含若干与设定的每种宠物行为对应的行为图片集合。
37.s21，家电设备通过卷积神经网络对行为图片集合内的图片进行编码，并获取每张图片对应的第一编码。
38.s22，家电设备通过时序神经网络对第一编码进行再编码，以获取每张图片对应的存储有时序关系的第二编码。
39.s03，家电设备根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为。
40.采用本公开实施例提供的用于预测宠物行为的方法，家电设备通过卷积神经网络对行为图片集合内的图片进行编码，并获取每张图片对应的第一编码。这样，通过卷积神经网络处理宠物的行为图片能够识别出每个行为图片集合内的宠物行为之间的关联关系。家电设备通过时序神经网络对第一编码进行再编码，以获取每张图片对应的存储有时序关系的第二编码。这样，通过时序神经网络处理宠物的行为图片能够识别出每个行为图片集合内的宠物行为之间的时序关系。通过识别宠物行为的关联关系和时序关系，能够提高模型对宠物行为预测的准确性。
41.可选地，家电设备根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为，包括：家电设备根据若干编码后的行为图片集合构建知识图谱，知识图谱存储有第二编码；家电设备根据第二编码和宠物行为的结果，对深度学习模型进行训练获得目标模型；家电设备根据目标模型预测宠物的行为。
42.这样，家电设备根据若干编码后的行为图片集合构建知识图谱，则构建好的知识图谱存储有第二编码。由于第二编码是在第一编码的基础上进行再编码得到的，因此知识
图谱存储有宠物行为之间的关联关系和时序关系。家电设备根据第二编码和宠物行为的结果对深度学习模型进行训练获得目标模型，并根据目标模型预测宠物的行为。通过识别宠物行为的关联关系和时序关系，能够提高模型对宠物行为预测的准确性。
43.可选地，家电设备根据第二编码和宠物行为的结果，对深度学习模型进行训练获得目标模型，包括：家电设备以第二编码为特征，宠物行为的结果为标签，对深度学习模型进行训练，并将训练后的模型作为目标模型。
44.这样，家电设备以与存储有时序关系的第二遍为特征，宠物行为的结果为标签，对对深度学习模型进行训练，能够得到考虑了宠物行为之间关联性与宠物行为之间的时序关系的目标模型。通过目标模型对宠物行为进行预测，能够提高预测的精确性。
45.可选地，家电设备根据目标模型预测宠物的行为，包括：家电设备获取宠物行为的时序图片，根据时序图片和目标模型，预测宠物的行为。
46.这样，家电设备获取宠物行为的时序图片，即带有时序信息的时序图片，并根据时序图片和目标模型预测宠物的行为。具体的，可以在宠物活动区域内部署摄像设备，随机采集带有时序信息的宠物行为图片。目标模型中存在宠物行为的关联关系以及时序关系，通过输入时序图片，能够使目标模型对宠物行为的预测结果更为准确。
47.可选地，结合图3所示，家电设备根据时序图片和目标模型，预测宠物的行为，包括：
48.s31，家电设备通过目标模型的卷积神经网络对时序图片进行编码得到第三编码。
49.s32，家电设备根据知识图谱和第三编码，预测宠物的行为。
50.这样，家电设备通过目标模型的卷积神经网络对时序图片进行编码得到第三编码，能够获取时序图片所代表的宠物行为的关联性关系。接着根据存储有时序关系的知识图谱和带有关联性关系的第三编码预测宠物的行为，从关联关系和时序关系两个维度对宠物的行为进行预测，能够使目标模型对宠物行为的预测结果更为准确。
51.可选地，结合图4所示，家电设备根据知识图谱和第三编码，预测宠物的行为，包括：
52.s41，家电设备在知识图谱中使用广度优先遍历查询与第三编码相关的编码。
53.s42，家电设备根据时序关系从相关的编码中筛选出目标编码，以确定与目标编码对应的目标行为图片，将目标行为图片的行为作为预测宠物行为的结果。
54.这样，家电设备在知识图谱中使用广度优先遍历查询与第三编码相关的编码。先通过知识图谱对宠物行为的关联关系进行判定，能够识别出时序图片所代表的宠物行为的关联关系。接着家电设备根据时序关系从相关的编码中筛选出目标编码，以确定与目标编码对应的目标行为图片，将目标行为图片的行为作为预测宠物行为的结果。根据存储有时序关系的知识图谱和带有关联性关系的第三编码预测宠物的行为，从关联关系和时序关系两个维度对宠物的行为进行预测，能够使目标模型对宠物行为的预测结果更为准确。
55.结合图5所示，本公开实施例提供一种用于预测宠物行为的方法，包括：
56.s51，家电设备获取设定时间内的宠物的行为图片，并从中筛选出与设定的每种宠物行为对应的若干行为图片，获得若干行为图片集合。
57.s52，家电设备将若干行为图片集合共同作为宠物行为信息数据库。
58.s02，家电设备通过卷积神经网络和时序神经网络对行为图片集合内的图片进行
编码，并在编码中存储时序关系。
59.s03，家电设备根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为。
60.采用本公开实施例提供的用于预测宠物行为的方法，家电设备获取设定时间内的宠物的行为图片，并从中筛选出与设定的每种宠物行为对应的若干行为图片，获得若干行为图片集合，这些行为图片集合就共同构成了宠物行为信息数据库。例如，可以家电设备能够根据日常的宠物行为图片，筛选出现频率较高的每种宠物行为作为设定种类的宠物行为，并筛选出与设定种类的宠物行为对应的一组图片，作为上述的行为图片集合，并将若干行为图片集合共同作为宠物行为信息数据库。
61.结合图6所示，本公开实施例提供一种用于预测宠物行为的装置，包括处理器(processor)100和存储器(memory)101。可选地，该装置还可以包括通信接口(communication interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行上述实施例的用于预测宠物行为的方法。
62.此外，上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
63.存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于预测宠物行为的方法。
64.存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101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。
65.本公开实施例提供了一种家电设备，包含上述的用于预测宠物行为的装置。
66.本公开实施例提供了一种存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于预测宠物行为的方法。
67.上述的存储介质可以是暂态存储介质，也可以是非暂态存储介质。
68.本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
69.以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本技术中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)
旨在同样包括复数形式。类似地，如在本技术中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本技术中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
70.本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
71.本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
72.附图中的流程图和框图显示了根据本公开实施例的系统、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，所述模块、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。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，两个连续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，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤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，这可以依所涉及的功能而定。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动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。

技术特征：
1.一种用于预测宠物行为的方法，其特征在于，包括：根据宠物的行为数据，构建宠物行为信息数据库，所述数据库中包含若干与设定的每种宠物行为对应的行为图片集合；通过卷积神经网络和时序神经网络对所述行为图片集合内的图片进行编码，并在编码中存储时序关系；根据若干编码后的行为图片集合构建知识图谱，并通过所述知识图谱对深度学习模型进行训练以预测宠物的行为。2.根据权利要求1所述的方法，其特征在于，所述通过卷积神经网络和时序神经网络对所述图片集合内的图片进行编码，并在编码中存储时序关系，包括：通过卷积神经网络对所述行为图片集合内的图片进行编码，并获取每张图片对应的第一编码；通过时序神经网络对所述第一编码进行再编码，以获取每张图片对应的存储有时序关系的第二编码。3.根据权利要求2所述的方法，其特征在于，所述根据若干编码后的行为图片集合构建知识图谱，并通过所述知识图谱对深度学习模型进行训练以预测宠物的行为，包括：根据若干编码后的行为图片集合构建知识图谱，所述知识图谱存储有所述第二编码；根据所述第二编码和宠物行为的结果，对深度学习模型进行训练获得目标模型；根据所述目标模型预测宠物的行为。4.根据权利要求3所述的方法，其特征在于，所述根据所述第二编码和宠物行为的结果，对深度学习模型进行训练获得目标模型，包括：以所述第二编码为特征，所述宠物行为的结果为标签，对所述深度学习模型进行训练，并将训练后的模型作为所述目标模型。5.根据权利要求3所述的方法，其特征在于，所述根据所述目标模型预测宠物的行为，包括：获取宠物行为的时序图片，根据所述时序图片和所述目标模型，预测宠物的行为。6.根据权利要求5所述的方法，其特征在于，所述根据所述时序图片和所述目标模型，预测宠物的行为，包括：通过所述目标模型的卷积神经网络对所述时序图片进行编码得到第三编码；根据所述知识图谱和所述第三编码，预测宠物的行为。7.根据权利要求6所述的方法，其特征在于，所述根据所述知识图谱和所述第三编码，预测宠物的行为，包括：在所述知识图谱中使用广度优先遍历查询与所述第三编码相关的编码；根据所述时序关系从所述相关的编码中筛选出目标编码，以确定与所述目标编码对应的目标行为图片，将所述目标行为图片的行为作为预测宠物行为的结果。8.根据权利要求1至7任一项所述的方法，其特征在于，所述根据宠物的行为数据，构建宠物行为信息数据库，包括：获取设定时间内的宠物的行为图片，并从中筛选出与设定的每种宠物行为对应的若干行为图片，获得若干所述行为图片集合；将若干所述行为图片集合共同作为所述宠物行为信息数据库。
9.一种用于预测宠物行为的装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至8任一项所述的用于预测宠物行为的方法。10.一种家电设备，其特征在于，包括如权利要求9所述的用于预测宠物行为的装置。

技术总结
本申请涉及智能家电技术领域，公开一种用于预测宠物行为的方法，包括：根据宠物的行为数据，构建宠物行为信息数据库；通过卷积神经网络和时序神经网络对行为图片集合内的图片进行编码，并在编码中存储时序关系；根据若干编码后的行为图片集合构建知识图谱，并通过知识图谱对深度学习模型进行训练以预测宠物的行为。使用深度学习技术中的卷积神经网络与时序神经网络识别宠物的时序行为，并对行为产生的结果进行分析构建知识图谱。通过知识图谱训练深度学习模型，提高了模型预测的准确度，以真正实现对宠物的行为的预测，找到与宠物交互的正确方式，保证宠物身心的健康。本申请还公开一种用于预测宠物行为的装置及家电设备。开一种用于预测宠物行为的装置及家电设备。开一种用于预测宠物行为的装置及家电设备。

技术研发人员：王滨后劳春峰袁珊娜吴丽琴
受保护的技术使用者：海尔智家股份有限公司
技术研发日：2022.01.05
技术公布日：2022/5/5