[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116738185B - 一种用于智慧养殖的ai算法构建方法 - Google Patents

一种用于智慧养殖的ai算法构建方法 Download PDF

Info

Publication number
CN116738185B
CN116738185B CN202310881962.1A CN202310881962A CN116738185B CN 116738185 B CN116738185 B CN 116738185B CN 202310881962 A CN202310881962 A CN 202310881962A CN 116738185 B CN116738185 B CN 116738185B
Authority
CN
China
Prior art keywords
culture
algorithm
preset
cultivation
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310881962.1A
Other languages
English (en)
Other versions
CN116738185A (zh
Inventor
陈丽园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huiliantong Industrial Supply Chain Digital Technology Xiamen Co ltd
Original Assignee
Huiliantong Industrial Supply Chain Digital Technology Xiamen Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huiliantong Industrial Supply Chain Digital Technology Xiamen Co ltd filed Critical Huiliantong Industrial Supply Chain Digital Technology Xiamen Co ltd
Priority to CN202310881962.1A priority Critical patent/CN116738185B/zh
Publication of CN116738185A publication Critical patent/CN116738185A/zh
Application granted granted Critical
Publication of CN116738185B publication Critical patent/CN116738185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种用于智慧养殖的AI算法构建方法，包括：确定第一养殖参数和所述第一养殖参数对应的第一AI算法；确定第二养殖参数和所述第二养殖参数对应的第二AI算法；确定第三养殖参数和所述第三养殖参数对应的第三AI算法；所述第三AI算法用于基于所述第一养殖参数和/或所述第二养殖参数确定所述第三养殖参数，所述第三养殖参数为基于所述环境维度和/或所述人工维度的养殖参数；基于所述第一AI算法、所述第二AI算法、所述第三AI算法、目标养殖品种和目标参数关系，构建目标AI算法。其能够提高AI算法与智慧养殖的适配度，以及提高AI算法的准确性和应用性。

Description

一种用于智慧养殖的AI算法构建方法
技术领域
本申请是关于智慧养殖技术领域，特别是关于一种用于智慧养殖的AI算法构建方法。
背景技术
随着智慧养殖的发展，越来越来多的养殖行业融入了智慧养殖。在养殖行业中，智慧养殖可以通过AI（Artificial Intelligence，人工智能）算法，对养殖数据进行分析；或者预测养殖数据；或者预测养殖参数等，以节省大量的人工成本。
目前，在涉及到AI算法的智能养殖技术中，通常针对一项养殖品种；或者特定的养殖环境制定特殊的AI算法；也就是，一个AI算法针对一个养殖场景，该AI算法为从提供的大量AI算法中选择的算法。这种方式，AI算法与智慧养殖的场景的适配度并不是很高，进而该AI算法的准确性和应用性较差。
发明内容
本申请的目的在于提供一种用于智慧养殖的AI算法构建方法，其能够提高AI算法与智慧养殖的适配度，以及提高AI算法的准确性和应用性。
为实现上述目的，本申请的实施例提供了一种用于智慧养殖的AI算法构建方法，包括：确定第一养殖参数和所述第一养殖参数对应的第一AI算法；所述第一AI算法用于基于目标养殖数据确定所述第一养殖参数，所述第一养殖参数为环境维度的养殖参数；确定第二养殖参数和所述第二养殖参数对应的第二AI算法；所述第二AI算法用于基于所述目标养殖数据确定所述第二养殖参数，所述第二养殖参数为人工维度的养殖参数；确定第三养殖参数和所述第三养殖参数对应的第三AI算法；所述第三AI算法用于基于所述第一养殖参数和/或所述第二养殖参数确定所述第三养殖参数，所述第三养殖参数为基于所述环境维度和/或所述人工维度的养殖参数；基于所述第一AI算法、所述第二AI算法、所述第三AI算法、目标养殖品种和目标参数关系，构建目标AI算法；所述目标AI算法用于确定所述目标养殖品种的养殖参数，所述目标参数关系表示为：;其中，/>代表所述第一养殖参数，/>代表所述第二养殖参数，/>代表所述第三养殖参数，/>代表第一权重，/>代表第二权重，代表第一影响值，/>代表第二影响值，/>代表第三影响值，/>代表预设影响值。
在一种可能的实施方式中，所述确定第一养殖参数和所述第一养殖参数对应的第一AI算法，包括：获取多个第一预设养殖参数；所述多个第一预设养殖参数均为环境维度的养殖参数；确定所述多个第一预设养殖参数对所述目标养殖品种的直接影响值；确定所述多个第一预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第一预设养殖参数对所述目标养殖品种的第一关联养殖品种的直接影响值确定；所述第一关联养殖品种的养殖环境与所述目标养殖品种的养殖环境之间的相似度大于第一预设相似度；基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第一预设养殖参数的整合影响值；基于所述整合影响值，从所述多个第一预设养殖参数中，确定出所述第一养殖参数。
在一种可能的实施方式中，所述确定第一养殖参数和所述第一养殖参数对应的第一AI算法，包括：获取多个第一预设AI算法；所述多个第一预设AI算法分别对应不同的养殖品种；从所述多个第一预设AI算法中确定出所述第一AI算法；其中，所述第一AI算法在所述多个第一预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的养殖环境符合预设养殖环境条件。
在一种可能的实施方式中，所述确定第二养殖参数和所述第二养殖参数对应的第二AI算法，包括：获取多个第二预设养殖参数；所述多个第二预设养殖参数均为人工维度的养殖参数；确定所述多个第二预设养殖参数对所述目标养殖品种的直接影响值；确定所述多个第二预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第二预设养殖参数对所述目标养殖品种的第二关联养殖品种的直接影响值确定；所述第二关联养殖品种的人工养殖条件与所述目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第二预设养殖参数的整合影响值；基于所述整合影响值，从所述多个第二预设养殖参数中，确定出所述第二养殖参数。
在一种可能的实施方式中，所述确定第二养殖参数和所述第二养殖参数对应的第二AI算法，包括：获取多个第二预设AI算法；所述多个第二预设AI算法分别对应不同的养殖品种；从所述多个第二预设AI算法中确定出所述第二AI算法；其中，所述第二AI算法在所述多个第二预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
在一种可能的实施方式中，所述确定第三养殖参数和所述第三养殖参数对应的第三AI算法，包括：获取多个第三预设养殖参数；所述多个第三预设养殖参数为基于所述第一预设养殖参数和/或所述第二预设养殖参数确定的养殖参数；确定所述多个第三预设养殖参数对所述目标养殖品种的直接影响值；确定所述多个第三预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第一预设养殖参数对所述目标养殖品种的第三关联养殖品种的直接影响值确定；所述第三关联养殖品种的养殖环境与所述目标养殖品种的养殖环境之间的相似度大于第一预设相似度，和/或所述第三关联品种的人工养殖条件与所述目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第三预设养殖参数的整合影响值；基于所述整合影响值，从所述多个第三预设养殖参数中，确定出所述第三养殖参数。
在一种可能的实施方式中，所述确定第三养殖参数和所述第三养殖参数对应的第三AI算法，包括：获取多个第三预设AI算法；所述多个第三预设AI算法分别对应不同的养殖品种；从所述多个第三预设AI算法中确定出所述第三AI算法；其中，所述第三AI算法在所述多个第三预设AI算法中，所对应的养殖品种的数量最高，所对应的养殖品种的养殖环境符合预设养殖环境条件，和/或所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
在一种可能的实施方式中，所述基于所述第一AI算法、所述第二AI算法、所述第三AI算法、目标养殖品种和目标参数关系，构建目标AI算法，包括：基于所述目标参数关系，确定所述第一AI算法、所述第二AI算法和所述第三AI算法的连接关系；该连接关系用于指示各个AI算法的输入和输出之间的关系；基于所述连接关系，对所述第一AI算法、所述第二AI算法和所述第三AI算法进行连接，构建初始的目标AI算法；基于所述目标养殖品种对应的预设AI算法和所述初始的目标AI算法，确定所述目标AI算法。
在一种可能的实施方式中，所述基于所述目标养殖品种对应的预设AI算法和所述初始的目标AI算法，确定所述目标AI算法，包括：确定所述预设AI算法对应的输入参数和输出参数中是否包括所述第一养殖参数、所述第二养殖参数和所述第三养殖参数中的至少一项养殖参数；若是，判断所述预设AI算法是否与所述第一AI算法、所述第二AI算法和所述第三AI算法中的至少一项AI算法之间具有关联关系；若是，基于所述初始的目标AI算法确定所述目标AI算法；若否，基于所述预设AI算法对所述初始的目标AI算法进行调整，基于调整的AI算法确定所述目标AI算法。
在一种可能的实施方式中，所述用于智慧养殖的AI算法构建方法还包括：获取样本养殖数据；基于所述样本养殖数据和所述目标AI算法，确定第一样本养殖参数；基于所述样本养殖数据和预设的智慧养殖模型，确定第二样本养殖参数；所述预设的智慧养殖模型对应的模型算法与所述目标AI算法不同；基于所述第一样本养殖参数、所述第二样本养殖参数和所述样本养殖参数对应的真实养殖参数，对所述目标AI算法和所述预设的智慧养殖模型进行优化。
与现有技术相比，本申请实施例提供的用于智慧养殖的AI算法构建方法，一方面，针对不同类型的养殖参数，分别确定对应的AI算法，可以提高AI算法的多样性，在AI算法的多样性更高的基础上，无论是AI算法的准确性，还是与智慧场景的适配度，均相应提高。另一方面，基于多个AI算法，结合各个AI算法对应的输入对象之间的关系，整合构建目标AI算法，使得构建的目标AI算法与目标养殖品种的适配度提高。进而，在适配度和准确性提高的基础上，AI算法的应用性也相应提高。因此，该用于智慧养殖的AI算法构建方法，能够提高AI算法与智慧养殖的适配度，以及提高AI算法的准确性和应用性。
附图说明
图1是根据本申请一实施方式的用于智慧养殖的AI算法构建方法的流程图；
图2是根据本申请一实施方式的AI算法连接关系示意图；
图3是根据本申请一实施方式的用于智慧养殖的AI算法构建装置的结构示意图；
图4是根据本申请一实施方式的终端设备的结构示意图。
具体实施方式
下面结合附图，对本申请的具体实施方式进行详细描述，但应当理解本申请的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
本申请实施例提供的技术方案可以应用于智慧养殖场景中，在这些智慧养殖场景中，通过AI（Artificial Intelligence，人工智能）算法，对养殖数据进行分析；或者预测养殖数据；或者预测养殖参数等，以节省大量的人工成本。
以及，在不同的智慧养殖场景中，针对养殖环境、养殖品种等的区别，所涉及的智慧养殖项可能对应变化。从而，针对不同的智慧养殖场景，可以设计不同的AI算法，以使这些AI算法可以适用到这些场景中。
目前，针对这些智慧养殖场景中，已经产生了大量的AI算法，这些AI算法，通常针对一项养殖品种；或者特定的养殖环境制定特殊的AI算法；也就是，一个AI算法针对一个养殖场景。
从而，导致这些大量的AI算法不能得到有效的应用，使得AI算法与智慧养殖的场景的适配度并不是很高，进而该AI算法的准确性和应用性较差。
基于此，本申请的实施例提供一种用于智慧养殖的AI算法构建方法，一方面，针对不同类型的养殖参数，分别确定对应的AI算法，可以提高AI算法的多样性，在AI算法的多样性更高的基础上，无论是AI算法的准确性，还是与智慧场景的适配度，均相应提高。另一方面，基于多个AI算法，结合各个AI算法对应的输入对象之间的关系，整合构建目标AI算法，使得构建的目标AI算法与目标养殖品种的适配度提高。
接下来请参照图1，为本申请的实施例提供的用于智慧养殖的AI算法构建方法的流程图，该构建方法包括：
步骤101，确定第一养殖参数和第一养殖参数对应的第一AI算法。其中，第一AI算法用于基于目标养殖数据确定第一养殖参数，第一养殖参数为环境维度的养殖参数。
在一些实施例中，目标养殖数据可以视为第一AI算法的输入数据，而第一养殖参数的具体数值可以视为第一AI算法的输出数据，从而，第一AI算法可以基于目标养殖数据确定第一养殖参数的值。
在一些实施例中，第一养殖参数为环境维度的养殖参数，环境维度可以理解为环境因素影响。例如：养殖温度、养殖湿度等均可以视为环境维度的养殖参数。
在一些实施例中，目标养殖数据可以是预期的目标养殖品种的养殖数据，例如：养殖数量、养殖周期等。
作为一种可选的实施方式，步骤101包括：获取多个第一预设养殖参数；多个第一预设养殖参数均为环境维度的养殖参数；确定多个第一预设养殖参数对目标养殖品种的直接影响值；确定多个第一预设养殖参数对目标养殖品种的间接影响值；间接影响值基于多个第一预设养殖参数对目标养殖品种的第一关联养殖品种的直接影响值确定；第一关联养殖品种的养殖环境与目标养殖品种的养殖环境之间的相似度大于第一预设相似度；基于对目标养殖品种的直接影响值和对目标养殖品种的间接影响值，确定多个第一预设养殖参数的整合影响值；基于整合影响值，从多个第一预设养殖参数中，确定出第一养殖参数。
在一些实施例中，确定第一养殖参数，可以理解为从多个可选的环境维度下的养殖参数项中，确定出与目标养殖品种对应的养殖参数项。
在一些实施例中，多个第一预设养殖参数可以为预设的环境维度下的多个养殖参数，这多个养殖参数与目标养殖品种可能具有关系，也可能不具有关系，所以需要进一步确定是否可以应用于目标养殖品种。
在一些实施例中，多个第一预设养殖参数对目标养殖品种的直接影响值，可以根据目标养殖品种对应的历史养殖参数确定。若目标养殖品种对应的历史养殖参数中包括某个第一预设养殖参数，则该第一预设养殖参数对目标养殖品种可对应有一个影响值（例如90，最高为100）。若目标养殖品种对应的历史养殖参数中包括某个第一预设养殖参数的相关养殖参数，则该第一预设养殖参数对目标养殖品种可对应有一个影响值（例如70，最高为100）。若均不属于上述的情况，则对应的影响值可以为0-50之间，最高同样为100。
在一些实施例中，第一关联养殖品种的养殖环境与目标养殖品种的养殖环境之间的相似度大于第一预设相似度；其中，第一预设相似度可以根据不同的应用场景进行设置，例如可以是百分之九十。例如：鱼塘养殖环境与淡水养殖环境的相似度可以达到百分之八十。
在一些实施例中，养殖环境之间的相似度，可以根据养殖环境的湿度、温度、主要物质等这些数据进行确定。
在一些实施例中，基于对目标养殖品种的直接影响值和间接影响值，可以按照预设的权重值，进行加权整合，所确定的影响值为整合影响值。
进一步地，基于整合影响值，可以将整合影响值大于预设影响值的第一预设养殖参数，确定为第一养殖参数。其中，预设影响值可以根据不同的应用场景设定，例如可以为85，最高为100。
作为一种可选的实施方式，步骤101还包括：获取多个第一预设AI算法；多个第一预设AI算法分别对应不同的养殖品种；从多个第一预设AI算法中确定出第一AI算法；其中，第一AI算法在多个第一预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的养殖环境符合预设养殖环境条件。
在一些实施例中，多个第一预设AI算法可以理解为对应不同的养殖品种，且能够适用于第一养殖参数的确定的算法，为预先已经配置好的算法。
在一些实施例中，每个第一预设AI算法可以对应一个养殖品种，也可以对应多个养殖品种，在此不作限定。
进一步地，从多个第一预设AI算法中，确定出第一AI算法。在一些实施例中，可以先从中确定出所对应的养殖品种的数量最高的AI算法，再从这些AI算法中确定出养殖品种的养殖环境符合预设养殖环境条件的AI算法。
可以理解，预设养殖环境条件，可以是目标养殖品种对应的养殖环境条件，该条件中可以限定目标养殖品种所需的最低要求的养殖环境的相关数据。
步骤102，确定第二养殖参数和第二养殖参数对应的第二AI算法。其中，第二AI算法用于基于目标养殖数据确定第二养殖参数，第二养殖参数为人工维度的养殖参数。
在一些实施例中，目标养殖数据可以视为第二AI算法的输入数据，而第二养殖参数的具体数值可以视为第二AI算法的输出数据，从而，第二AI算法可以基于目标养殖数据确定第一养殖参数的值。
在一些实施例中，第二养殖参数为人工维度的养殖参数，人工维度可以理解为人工因素影响。例如：人工喂养时间、人工捕捞次数、人工捕捞数量等均可以视为人工维度的养殖参数。
作为一种可选的实施方式，步骤102包括：获取多个第二预设养殖参数；多个第二预设养殖参数均为人工维度的养殖参数；确定多个第二预设养殖参数对目标养殖品种的直接影响值；确定多个第二预设养殖参数对目标养殖品种的间接影响值；间接影响值基于多个第二预设养殖参数对目标养殖品种的第二关联养殖品种的直接影响值确定；第二关联养殖品种的人工养殖条件与目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；基于对目标养殖品种的直接影响值和对目标养殖品种的间接影响值，确定多个第二预设养殖参数的整合影响值；基于整合影响值，从多个第二预设养殖参数中，确定出第二养殖参数。
在一些实施例中，确定第二养殖参数，可以理解为从多个可选的人工维度下的养殖参数项中，确定出与目标养殖品种对应的养殖参数项。
在一些实施例中，多个第二预设养殖参数可以为预设的人工维度下的多个养殖参数，这多个养殖参数与目标养殖品种可能具有关系，也可能不具有关系，所以需要进一步确定是否可以应用于目标养殖品种。
在一些实施例中，多个第二预设养殖参数对目标养殖品种的直接影响值，可以根据目标养殖品种对应的历史养殖参数确定。若目标养殖品种对应的历史养殖参数中包括某个第二预设养殖参数，则该第二预设养殖参数对目标养殖品种可对应有一个影响值（例如90，最高为100）。若目标养殖品种对应的历史养殖参数中包括某个第二预设养殖参数的相关养殖参数，则该第二预设养殖参数对目标养殖品种可对应有一个影响值（例如70，最高为100）。若均不属于上述的情况，则对应的影响值可以为0-50之间，最高同样为100。
在一些实施例中，第二关联养殖品种的人工养殖条件与目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；其中，第二预设相似度可以根据不同的应用场景进行设置，例如可以是百分之九十。
在一些实施例中，人工养殖条件之间的相似度，可以根据人工养殖条件中所涉及的各项数据进行确定。
在一些实施例中，基于对目标养殖品种的直接影响值和间接影响值，可以按照预设的权重值，进行加权整合，所确定的影响值为整合影响值。
进一步地，基于整合影响值，可以将整合影响值大于预设影响值的第二预设养殖参数，确定为第二养殖参数。其中，预设影响值可以根据不同的应用场景设定，例如可以为85，最高为100。
作为一种可选的实施方式，步骤还包括：获取多个第二预设AI算法；多个第二预设AI算法分别对应不同的养殖品种；从多个第二预设AI算法中确定出第二AI算法；其中，第二AI算法在多个第二预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
在一些实施例中，多个第二预设AI算法可以理解为对应不同的养殖品种，且能够适用于第二养殖参数的确定的算法，为预先已经配置好的算法。
在一些实施例中，每个第二预设AI算法可以对应一个养殖品种，也可以对应多个养殖品种，在此不作限定。
进一步地，从多个第二预设AI算法中，确定出第二AI算法。在一些实施例中，可以先从中确定出所对应的养殖品种的数量最高的AI算法，再从这些AI算法中确定出养殖品种的人工养殖条件符合预设人工养殖条件的AI算法。
可以理解，预设人工养殖条件，可以是目标养殖品种对应的人工养殖条件，该条件中可以限定目标养殖品种所需的最低要求的人工养殖条件的相关数据。
步骤103，确定第三养殖参数和第三养殖参数对应的第三AI算法。其中，第三AI算法用于基于第一养殖参数和/或第二养殖参数确定第三养殖参数，第三养殖参数为基于环境维度和/或人工维度的养殖参数。
在一些实施例中，第一养殖参数和/或第二养殖参数可以视为第三AI算法的输入数据，而第三养殖参数的具体数值可以视为第三AI算法的输出数据，从而，第三AI算法可以基于第二养殖参数和/或第二养殖参数确定第三养殖参数的值。
在一些实施例中，第三养殖参数为基于环境维度和/或人工维度的养殖参数，基于环境维度和/或人工维度，可以理解为受两种维度影响；或者仅受其中一种维度影响。例如：养殖周期，为基于环境维度和人工维度的养殖参数。
进而，针对第三养殖参数来说，可能需要利用第一养殖参数和第二养殖参数确定。
作为一种可选的实施方式，步骤103包括：获取多个第三预设养殖参数；多个第三预设养殖参数为基于第一预设养殖参数和/或第二预设养殖参数确定的养殖参数；确定多个第三预设养殖参数对目标养殖品种的直接影响值；确定多个第三预设养殖参数对目标养殖品种的间接影响值；间接影响值基于多个第一预设养殖参数对目标养殖品种的第三关联养殖品种的直接影响值确定；第三关联养殖品种的养殖环境与目标养殖品种的养殖环境之间的相似度大于第一预设相似度，和/或第三关联品种的人工养殖条件与目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；基于对目标养殖品种的直接影响值和对目标养殖品种的间接影响值，确定多个第三预设养殖参数的整合影响值；基于整合影响值，从多个第三预设养殖参数中，确定出第三养殖参数。
在一些实施例中，确定第三养殖参数，可以理解为从多个可选的基于环境维度和/或人工维度的养殖参数项中，确定出与目标养殖品种对应的养殖参数项。
在一些实施例中，多个第三预设养殖参数基于第一预设养殖参数和/或第二预设养殖参数确定的养殖参数；可以根据第一预设养殖参数对应的环境维度与第二预设养殖参数对应的人工维度之间的维度关联性，确定出多个第三预设养殖参数。
在一些实施例中，多个第三预设养殖参数对目标养殖品种的直接影响值，可以根据目标养殖品种对应的历史养殖参数确定。若目标养殖品种对应的历史养殖参数中包括某个第三预设养殖参数，则该第三预设养殖参数对目标养殖品种可对应有一个影响值（例如90，最高为100）。若目标养殖品种对应的历史养殖参数中包括某个第三预设养殖参数的相关养殖参数，则该第三预设养殖参数对目标养殖品种可对应有一个影响值（例如70，最高为100）。若均不属于上述的情况，则对应的影响值可以为0-50之间，最高同样为100。
在一些实施例中，第三关联养殖品种的养殖环境与目标养殖品种的养殖环境之间的相似度大于第一预设相似度，和/或第三关联品种的人工养殖条件与目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；其中，第一预设相似度和第二预设相似度可以参照前述的实施例介绍。
在一些实施例中，基于对目标养殖品种的直接影响值和间接影响值，可以按照预设的权重值，进行加权整合，所确定的影响值为整合影响值。
进一步地，基于整合影响值，可以将整合影响值大于预设影响值的第三预设养殖参数，确定为第三养殖参数。其中，预设影响值可以根据不同的应用场景设定，例如可以为85，最高为100。
作为一种可选的实施方式，步骤103还包括：获取多个第三预设AI算法；多个第三预设AI算法分别对应不同的养殖品种；从多个第三预设AI算法中确定出第三AI算法；其中，第三AI算法在多个第三预设AI算法中，所对应的养殖品种的数量最高，所对应的养殖品种的养殖环境符合预设养殖环境条件，和/或所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
在一些实施例中，多个第三预设AI算法可以理解为对应不同的养殖品种，且能够适用于第三养殖参数的确定的算法，为预先已经配置好的算法。
在一些实施例中，每个第三预设AI算法可以对应一个养殖品种，也可以对应多个养殖品种，在此不作限定。
进一步地，从多个第三预设AI算法中，确定出第三AI算法。在一些实施例中，可以先从中确定出所对应的养殖品种的数量最高的AI算法，再从这些AI算法中确定出养殖品种的人工养殖条件符合预设人工养殖条件的AI算法，最后再从这些AI算法出确定出养殖品种的养殖环境符合预设养殖环境条件的AI算法。
在本申请的实施例中，第一预设AI算法、第二预设AI算法和第三预设AI算法，可以是从本领域的成熟算法中选择的算法；也可以是根据具体的应用场景，所设计的人工智能算法。
例如，对于第一预设AI算法，可以针对多个养殖品种，分别进行AI算法的训练、调参、优化等，得到符合条件的第一预设AI算法。也就是说，上述的三种算法，其形式、获取方式，在本申请实施例不作限定。
步骤104，基于第一AI算法、第二AI算法、第三AI算法、目标养殖品种和目标参数关系，构建目标AI算法。其中，目标参数关系为第一养殖参数、第二养殖参数和第三养殖参数之间的关系，目标AI算法用于确定目标养殖品种的养殖参数。
在一些实施例中，目标参数关系表示为：;其中，/>代表第一养殖参数，/>代表第二养殖参数，/>代表第三养殖参数，/>代表第一权重，/>代表第二权重，/>代表第一影响值，/>代表第二影响值，/>代表第三影响值，/>代表预设影响值。
在一些实施例中，第一权重、第二权重，可以结合不同的应用场景进行配置，代表着第一养殖参数和第二养殖参数，分别与第三养殖参数之间的关联性，关联性越强，对应的权重值越高。
在一些实施例中，第一影响值、第二影响值和第三影响值，分别代表着各个养殖参数对于目标养殖品种的影响力，影响力越高，响应的影响值越大，该影响值可结合历史数据进行确定，在此不作限定。
在一些实施例中，预设影响值可以结合不同的应用场景进行配置，代表着对于目标养殖品种的影响力较大的影响值。
从而，基于三种养殖参数之间的关系，可确定相应的连接关系。举例来说，若第三养殖参数基于第一养殖参数和第二养殖参数确定，则第三AI算法与第一AI算法和第二AI算法之间均具有连接关系；并且，在输入和输出之间，还加上相应的权重值限定。
若第三养殖参数基于基于第一养殖参数或第二养殖参数确定，则，第三AI算法与第一AI算法或第二AI算法具有连接关系；并且，在输入和输出之间，还加上相应的权重值限定。
从而，作为一种可选的实施方式，步骤104包括：基于目标参数关系，确定第一AI算法、第二AI算法和第三AI算法的连接关系；该连接关系用于指示各个AI算法的输入和输出之间的关系；基于连接关系，对第一AI算法、第二AI算法和第三AI算法进行连接，构建初始的目标AI算法；基于目标养殖品种对应的预设AI算法和初始的目标AI算法，确定目标AI算法。
如图2所示，为本申请的实施例提供的一种算法连接关系，在该连接关系中，第一AI算法和第二AI算法的输入数据相同，第一AI算法和第二AI算法的输出均连接到第三AI算法的输入。
可以理解，在不同的应用场景中，基于不同的目标参数关系，还可以是其他算法连接关系，在此不作限定。
从而，基于该连接关系将三种AI算法进行连接，可构建初始的目标AI算法。
进一步地，基于目标养殖品种对应的预设AI算法和初始的目标AI算法，确定目标AI算法，包括：确定预设AI算法对应的输入参数和输出参数中是否包括所述第一养殖参数、第二养殖参数和第三养殖参数中的至少一项养殖参数；若是，判断预设AI算法是否与第一AI算法、第二AI算法和第三AI算法中的至少一项AI算法之间具有关联关系；若是，基于初始的目标AI算法确定目标AI算法；若否，基于预设AI算法对初始的目标AI算法进行调整，基于调整的AI算法确定目标AI算法。
在一些实施例中，算法之间具有关联关系可以是，AI算法的复杂度相近、AI算法的类型相同或者相近等。
在一些实施例中，基于初始的目标AI算法确定目标AI算法，包括：完善初始的目标AI算法，例如加入一些基础的数据预处理算法等，完善之后的算法确定为目标AI算法。
在一些实施例中，预设AI算法可以是预设的与目标养殖品种匹配的一项AI算法。
在一些实施例中，基于预设AI算法对初始的目标AI算法进行调整，包括：在初始的目标AI算法中加入预设AI算法，并且，预设AI算法与其他的AI算法为并列关系。从而，最终的目标AI算法中，预设AI算法与第三AI算法的输出结果整合之后，可输出最终的算法结果。
在一些实施例中，该构建方法还包括：获取样本养殖数据；基于样本养殖数据和目标AI算法，确定第一样本养殖参数；基于样本养殖数据和预设的智慧养殖模型，确定第二样本养殖参数；预设的智慧养殖模型对应的模型算法与目标AI算法不同；基于第一样本养殖参数、第二样本养殖参数和样本养殖参数对应的真实养殖参数，对目标AI算法和所述预设的智慧养殖模型进行优化。
在一些实施例中，将样本养殖数据输入到目标AI算法中，目标AI算法输出第一样本养殖参数。以及，将样本养殖数据输入到智慧养殖模型中，输出第二样本养殖参数。
其中，智慧养殖模型可以为预先通过模型训练等方式所得到的人工智能模型，其可以是神经网络模型、随机森林模型等。
进一步地，样本养殖参数可对应一个真实养殖参数，也即，样本养殖数据为已经实施，并得到相应的养殖参数的数据。
在一些实施例中，将第一样本养殖参数与真实养殖参数进行比较，如果匹配度较高，例如：参数值相近；则无需优化目标AI算法。
如果匹配度较低，例如：参数值相差较远，则需要优化目标AI算法，优化的方式包括：优化其中的函数、参数、算法循环方式等。
在一些实施例中，将第二样本养殖参数与真实养殖参数进行比较，如果匹配度较高，例如：参数值相近；则无需优化智慧养殖模型。
如果匹配度较低，例如：参数值相差较远，则需要优化智慧养殖模型，优化的方式包括：利用新的训练数据集再次训练等。
通过本申请的实施例的介绍可以看出，一方面，针对不同类型的养殖参数，分别确定对应的AI算法，可以提高AI算法的多样性，在AI算法的多样性更高的基础上，无论是AI算法的准确性，还是与智慧场景的适配度，均相应提高。另一方面，基于多个AI算法，结合各个AI算法对应的输入对象之间的关系，整合构建目标AI算法，使得构建的目标AI算法与目标养殖品种的适配度提高。进而，在适配度和准确性提高的基础上，AI算法的应用性也相应提高。因此，该用于智慧养殖的AI算法构建方法，能够提高AI算法与智慧养殖的适配度，以及提高AI算法的准确性和应用性。
请参照图3，为本申请实施例提供的用于智慧养殖的AI算法构建装置的结构示意图，包括：
确定单元301，用于确定第一养殖参数和所述第一养殖参数对应的第一AI算法；所述第一AI算法用于基于目标养殖数据确定所述第一养殖参数，所述第一养殖参数为环境维度的养殖参数；确定第二养殖参数和所述第二养殖参数对应的第二AI算法；所述第二AI算法用于基于所述目标养殖数据确定所述第二养殖参数，所述第二养殖参数为人工维度的养殖参数；确定第三养殖参数和所述第三养殖参数对应的第三AI算法；所述第三AI算法用于基于所述第一养殖参数和/或所述第二养殖参数确定所述第三养殖参数，所述第三养殖参数为基于所述环境维度和/或所述人工维度的养殖参数；构建单元302，用于基于所述第一AI算法、所述第二AI算法、所述第三AI算法、目标养殖品种和目标参数关系，构建目标AI算法；所述目标AI算法用于确定所述目标养殖品种的养殖参数，所述目标参数关系表示为：;其中，/>代表所述第一养殖参数，/>代表所述第二养殖参数，/>代表所述第三养殖参数，/>代表第一权重，/>代表第二权重，代表第一影响值，/>代表第二影响值，/>代表第三影响值，/>代表预设影响值。
在一些实施例中，确定单元301进一步用于：获取多个第一预设养殖参数；所述多个第一预设养殖参数均为环境维度的养殖参数；确定所述多个第一预设养殖参数对所述目标养殖品种的直接影响值；确定所述多个第一预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第一预设养殖参数对所述目标养殖品种的第一关联养殖品种的直接影响值确定；所述第一关联养殖品种的养殖环境与所述目标养殖品种的养殖环境之间的相似度大于第一预设相似度；基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第一预设养殖参数的整合影响值；基于所述整合影响值，从所述多个第一预设养殖参数中，确定出所述第一养殖参数。
在一些实施例中，确定单元301进一步用于：获取多个第一预设AI算法；所述多个第一预设AI算法分别对应不同的养殖品种；从所述多个第一预设AI算法中确定出所述第一AI算法；其中，所述第一AI算法在所述多个第一预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的养殖环境符合预设养殖环境条件。
在一些实施例中，确定单元301进一步用于：获取多个第二预设养殖参数；所述多个第二预设养殖参数均为人工维度的养殖参数；确定所述多个第二预设养殖参数对所述目标养殖品种的直接影响值；确定所述多个第二预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第二预设养殖参数对所述目标养殖品种的第二关联养殖品种的直接影响值确定；所述第二关联养殖品种的人工养殖条件与所述目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第二预设养殖参数的整合影响值；基于所述整合影响值，从所述多个第二预设养殖参数中，确定出所述第二养殖参数。
在一些实施例中，确定单元301进一步用于：获取多个第二预设AI算法；所述多个第二预设AI算法分别对应不同的养殖品种；从所述多个第二预设AI算法中确定出所述第二AI算法；其中，所述第二AI算法在所述多个第二预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
在一些实施例中，确定单元301进一步用于：获取多个第三预设养殖参数；所述多个第三预设养殖参数为基于所述第一预设养殖参数和/或所述第二预设养殖参数确定的养殖参数；确定所述多个第三预设养殖参数对所述目标养殖品种的直接影响值；确定所述多个第三预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第一预设养殖参数对所述目标养殖品种的第三关联养殖品种的直接影响值确定；所述第三关联养殖品种的养殖环境与所述目标养殖品种的养殖环境之间的相似度大于第一预设相似度，和/或所述第三关联品种的人工养殖条件与所述目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第三预设养殖参数的整合影响值；基于所述整合影响值，从所述多个第三预设养殖参数中，确定出所述第三养殖参数。
在一些实施例中，确定单元301进一步用于：获取多个第三预设AI算法；所述多个第三预设AI算法分别对应不同的养殖品种；从所述多个第三预设AI算法中确定出所述第三AI算法；其中，所述第三AI算法在所述多个第三预设AI算法中，所对应的养殖品种的数量最高，所对应的养殖品种的养殖环境符合预设养殖环境条件，和/或所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
在一些实施例中，构建单元302进一步用于：基于所述目标参数关系，确定所述第一AI算法、所述第二AI算法和所述第三AI算法的连接关系；该连接关系用于指示各个AI算法的输入和输出之间的关系；基于所述连接关系，对所述第一AI算法、所述第二AI算法和所述第三AI算法进行连接，构建初始的目标AI算法；基于所述目标养殖品种对应的预设AI算法和所述初始的目标AI算法，确定所述目标AI算法。
在一些实施例中，构建单元302还用于：确定所述预设AI算法对应的输入参数和输出参数中是否包括所述第一养殖参数、所述第二养殖参数和所述第三养殖参数中的至少一项养殖参数；若是，判断所述预设AI算法是否与所述第一AI算法、所述第二AI算法和所述第三AI算法中的至少一项AI算法之间具有关联关系；若是，基于所述初始的目标AI算法确定所述目标AI算法；若否，基于所述预设AI算法对所述初始的目标AI算法进行调整，基于调整的AI算法确定所述目标AI算法。
如图4所示，本申请实施例还提供一种终端设备，包括处理器401和存储器402，处理器401和存储器402通信连接，该终端设备可作为前述的用于智慧养殖的AI算法构建方法的执行主体。
处理器401、存储器402之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。前述的用于智慧养殖的AI算法构建方法分别包括至少一个可以以软件或固件（firmware）的形式存储于存储器402中的软件功能模块。
处理器401可以是一种集成电路芯片，具有信号处理能力。处理器401可以是通用处理器，包括CPU (Central Processing Unit，中央处理器)、NP (Network Processor，网络处理器)等；还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以存储各种软件程序以及模块，如本发明实施例提供的图像处理方法及装置对应的程序指令/模块。处理器401通过运行存储在存储器402中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的方法。
存储器402可以包括但不限于RAM（Random Access Memory，随机存取存储器），ROM（Read Only Memory，只读存储器），PROM（Programmable Read-Only Memory，可编程只读存储器），EPROM（Erasable Programmable Read-Only Memory，可擦除只读存储器），EEPROM（Electric Erasable Programmable Read-Only Memory，电可擦除只读存储器）等。
可以理解，图4所示的结构仅为示意，终端设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
前述对本申请的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本申请限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本申请的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本申请的各种不同的示例性实施方案以及各种不同的选择和改变。本申请的范围意在由权利要求书及其等同形式所限定。

Claims (8)

1.一种用于智慧养殖的AI算法构建方法，其特征在于，包括：
确定第一养殖参数和所述第一养殖参数对应的第一AI算法；所述第一AI算法用于基于目标养殖数据确定所述第一养殖参数，所述第一养殖参数为环境维度的养殖参数；
确定第二养殖参数和所述第二养殖参数对应的第二AI算法；所述第二AI算法用于基于所述目标养殖数据确定所述第二养殖参数，所述第二养殖参数为人工维度的养殖参数；
确定第三养殖参数和所述第三养殖参数对应的第三AI算法；所述第三AI算法用于基于所述第一养殖参数和/或所述第二养殖参数确定所述第三养殖参数，所述第三养殖参数为基于所述环境维度和/或所述人工维度的养殖参数；
基于所述第一AI算法、所述第二AI算法、所述第三AI算法、目标养殖品种和目标参数关系，构建目标AI算法；所述目标AI算法用于确定所述目标养殖品种的养殖参数，所述目标参数关系表示为：;其中，/>代表所述第一养殖参数/>代表所述第二养殖参数，/>代表所述第三养殖参数，/>代表第一权重，/>代表第二权重，/>代表第一影响值，/>代表第二影响值，/>代表第三影响值，/>代表预设影响值；
其中，所述确定第一养殖参数和所述第一养殖参数对应的第一AI算法，包括：获取多个第一预设养殖参数；所述多个第一预设养殖参数均为环境维度的养殖参数；确定所述多个第一预设养殖参数对所述目标养殖品种的直接影响值；确定所述多个第一预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第一预设养殖参数对所述目标养殖品种的第一关联养殖品种的直接影响值确定；所述第一关联养殖品种的养殖环境与所述目标养殖品种的养殖环境之间的相似度大于第一预设相似度；基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第一预设养殖参数的整合影响值；基于所述整合影响值，从所述多个第一预设养殖参数中，确定出所述第一养殖参数；
获取多个第一预设AI算法；所述多个第一预设AI算法分别对应不同的养殖品种；从所述多个第一预设AI算法中确定出所述第一AI算法；其中，所述第一AI算法在所述多个第一预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的养殖环境符合预设养殖环境条件。
2.根据权利要求1所述的用于智慧养殖的AI算法构建方法，其特征在于，所述确定第二养殖参数和所述第二养殖参数对应的第二AI算法，包括：
获取多个第二预设养殖参数；所述多个第二预设养殖参数均为人工维度的养殖参数；
确定所述多个第二预设养殖参数对所述目标养殖品种的直接影响值；
确定所述多个第二预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述多个第二预设养殖参数对所述目标养殖品种的第二关联养殖品种的直接影响值确定；所述第二关联养殖品种的人工养殖条件与所述目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；
基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第二预设养殖参数的整合影响值；
基于所述整合影响值，从所述多个第二预设养殖参数中，确定出所述第二养殖参数。
3.根据权利要求1所述的用于智慧养殖的AI算法构建方法，其特征在于，所述确定第二养殖参数和所述第二养殖参数对应的第二AI算法，包括：
获取多个第二预设AI算法；所述多个第二预设AI算法分别对应不同的养殖品种；
从所述多个第二预设AI算法中确定出所述第二AI算法；其中，所述第二AI算法在所述多个第二预设AI算法中，所对应的养殖品种的数量最高，且所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
4.根据权利要求1所述的用于智慧养殖的AI算法构建方法，其特征在于，所述确定第三养殖参数和所述第三养殖参数对应的第三AI算法，包括：
获取多个第三预设养殖参数；所述多个第三预设养殖参数为基于第一预设养殖参数和/或第二预设养殖参数确定的养殖参数；
确定所述多个第三预设养殖参数对所述目标养殖品种的直接影响值；
确定所述多个第三预设养殖参数对所述目标养殖品种的间接影响值；所述间接影响值基于所述第一预设养殖参数对所述目标养殖品种的第三关联养殖品种的直接影响值确定；所述第三关联养殖品种的养殖环境与所述目标养殖品种的养殖环境之间的相似度大于第一预设相似度，和/或所述第三关联养殖品种的人工养殖条件与所述目标养殖品种的人工养殖条件之间的相似度大于第二预设相似度；
基于对所述目标养殖品种的直接影响值和对所述目标养殖品种的间接影响值，确定所述多个第三预设养殖参数的整合影响值；
基于所述整合影响值，从所述多个第三预设养殖参数中，确定出所述第三养殖参数。
5.根据权利要求1所述的用于智慧养殖的AI算法构建方法，其特征在于，所述确定第三养殖参数和所述第三养殖参数对应的第三AI算法，包括：
获取多个第三预设AI算法；所述多个第三预设AI算法分别对应不同的养殖品种；
从所述多个第三预设AI算法中确定出所述第三AI算法；其中，所述第三AI算法在所述多个第三预设AI算法中，所对应的养殖品种的数量最高，所对应的养殖品种的养殖环境符合预设养殖环境条件，和/或所对应的养殖品种的人工养殖条件符合预设人工养殖条件。
6.根据权利要求1所述的用于智慧养殖的AI算法构建方法，其特征在于，所述基于所述第一AI算法、所述第二AI算法、所述第三AI算法、目标养殖品种和目标参数关系，构建目标AI算法，包括：
基于所述目标参数关系，确定所述第一AI算法、所述第二AI算法和所述第三AI算法的连接关系；该连接关系用于指示各个AI算法的输入和输出之间的关系；
基于所述连接关系，对所述第一AI算法、所述第二AI算法和所述第三AI算法进行连接，构建初始的目标AI算法；
基于所述目标养殖品种对应的预设AI算法和所述初始的目标AI算法，确定所述目标AI算法。
7.根据权利要求6所述的用于智慧养殖的AI算法构建方法，其特征在于，所述基于所述目标养殖品种对应的预设AI算法和所述初始的目标AI算法，确定所述目标AI算法，包括：
确定所述预设AI算法对应的输入参数和输出参数中是否包括所述第一养殖参数、所述第二养殖参数和所述第三养殖参数中的至少一项养殖参数；
若是，判断所述预设AI算法是否与所述第一AI算法、所述第二AI算法和所述第三AI算法中的至少一项AI算法之间具有关联关系；
若是，基于所述初始的目标AI算法确定所述目标AI算法；
若否，基于所述预设AI算法对所述初始的目标AI算法进行调整，基于调整的AI算法确定所述目标AI算法。
8.根据权利要求1所述的用于智慧养殖的AI算法构建方法，其特征在于，所述用于智慧养殖的AI算法构建方法还包括：
获取样本养殖数据；
基于所述样本养殖数据和所述目标AI算法，确定第一样本养殖参数；
基于所述样本养殖数据和预设的智慧养殖模型，确定第二样本养殖参数；所述预设的智慧养殖模型对应的模型算法与所述目标AI算法不同；
基于所述第一样本养殖参数、所述第二样本养殖参数和所述样本养殖参数对应的真实养殖参数，对所述目标AI算法和所述预设的智慧养殖模型进行优化。
CN202310881962.1A 2023-07-18 2023-07-18 一种用于智慧养殖的ai算法构建方法 Active CN116738185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310881962.1A CN116738185B (zh) 2023-07-18 2023-07-18 一种用于智慧养殖的ai算法构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310881962.1A CN116738185B (zh) 2023-07-18 2023-07-18 一种用于智慧养殖的ai算法构建方法

Publications (2)

Publication Number Publication Date
CN116738185A CN116738185A (zh) 2023-09-12
CN116738185B true CN116738185B (zh) 2024-03-19

Family

ID=87915172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310881962.1A Active CN116738185B (zh) 2023-07-18 2023-07-18 一种用于智慧养殖的ai算法构建方法

Country Status (1)

Country Link
CN (1) CN116738185B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107942020A (zh) * 2017-11-01 2018-04-20 梅州兴中智能科技有限公司 一种养殖水质监控系统
WO2021246409A1 (ja) * 2020-06-02 2021-12-09 株式会社Eco‐Pork 畜産制御システム、畜産制御サーバ、畜産制御方法、及び畜産制御プログラム
CN113782125A (zh) * 2021-09-17 2021-12-10 平安国际智慧城市科技股份有限公司 基于人工智能的诊所评分方法、装置、电子设备及介质
CN114398241A (zh) * 2022-01-28 2022-04-26 常熟市阳澄湖特种水产有限公司 智慧养殖环境数据的监测方法及系统
CN114581152A (zh) * 2022-03-16 2022-06-03 杭州龙骞科技有限公司 一种基于智慧乡村的数据管理方法及系统
CN114662790A (zh) * 2022-04-21 2022-06-24 大连大学 一种基于多维数据的海参养殖水温预测方法
CN114862062A (zh) * 2022-06-30 2022-08-05 深圳市信润富联数字科技有限公司 环境承载力的预警方法、装置、电子设备和可读存储介质
CN114924520A (zh) * 2022-02-17 2022-08-19 中用科技有限公司 一种智慧养殖物联网系统
CN115272034A (zh) * 2022-07-29 2022-11-01 四川至亲久久大数据科技有限责任公司 一种用于智慧养老的交互方法及系统
CN115362950A (zh) * 2022-07-20 2022-11-22 慧之安信息技术股份有限公司 一种基于物联网平台的智慧养殖管控系统
CN115453887A (zh) * 2022-10-10 2022-12-09 山东华邦农牧机械股份有限公司 监测数据与环境结合的自动化智慧养殖系统
CN115606537A (zh) * 2022-10-25 2023-01-17 吴千文 一种模拟原生态的室内牡蛎智能养殖装置及方法
CN115633654A (zh) * 2022-07-15 2023-01-24 海煜(福州)生物科技有限公司 一种养殖环境的智能调节方法及装置
CN115731068A (zh) * 2022-12-28 2023-03-03 广西参皇养殖集团有限公司 一种三黄鸡产业数字化养殖工艺方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107942020A (zh) * 2017-11-01 2018-04-20 梅州兴中智能科技有限公司 一种养殖水质监控系统
WO2021246409A1 (ja) * 2020-06-02 2021-12-09 株式会社Eco‐Pork 畜産制御システム、畜産制御サーバ、畜産制御方法、及び畜産制御プログラム
CN113782125A (zh) * 2021-09-17 2021-12-10 平安国际智慧城市科技股份有限公司 基于人工智能的诊所评分方法、装置、电子设备及介质
CN114398241A (zh) * 2022-01-28 2022-04-26 常熟市阳澄湖特种水产有限公司 智慧养殖环境数据的监测方法及系统
CN114924520A (zh) * 2022-02-17 2022-08-19 中用科技有限公司 一种智慧养殖物联网系统
CN114581152A (zh) * 2022-03-16 2022-06-03 杭州龙骞科技有限公司 一种基于智慧乡村的数据管理方法及系统
CN114662790A (zh) * 2022-04-21 2022-06-24 大连大学 一种基于多维数据的海参养殖水温预测方法
CN114862062A (zh) * 2022-06-30 2022-08-05 深圳市信润富联数字科技有限公司 环境承载力的预警方法、装置、电子设备和可读存储介质
CN115633654A (zh) * 2022-07-15 2023-01-24 海煜(福州)生物科技有限公司 一种养殖环境的智能调节方法及装置
CN115362950A (zh) * 2022-07-20 2022-11-22 慧之安信息技术股份有限公司 一种基于物联网平台的智慧养殖管控系统
CN115272034A (zh) * 2022-07-29 2022-11-01 四川至亲久久大数据科技有限责任公司 一种用于智慧养老的交互方法及系统
CN115453887A (zh) * 2022-10-10 2022-12-09 山东华邦农牧机械股份有限公司 监测数据与环境结合的自动化智慧养殖系统
CN115606537A (zh) * 2022-10-25 2023-01-17 吴千文 一种模拟原生态的室内牡蛎智能养殖装置及方法
CN115731068A (zh) * 2022-12-28 2023-03-03 广西参皇养殖集团有限公司 一种三黄鸡产业数字化养殖工艺方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Smart breeding approaches in post-genomics era for developing climate-resilient food crops;Rubab Zahra Naqvi 等;《Frontiers in Plant Science》;20220916;1-19 *
基于三维重建的奶牛体尺检测与体重预估研究;初梦苑;《中国优秀硕士学位论文全文数据库 农业科技辑》;20210615;D050-43 *
基于卷积神经网络的细粒度图像识别关键技术分析与研究;魏花;《中国博士论文全文数据库 信息科技辑》;20220315;I138-50 *
智慧养殖在羊养殖产业中的应用效果;刘立安 等;《农业工程技术》;20221215;68-70 *

Also Published As

Publication number Publication date
CN116738185A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN108681751B (zh) 确定事件影响因素的方法及终端设备
CN109978261A (zh) 确定负荷预测模型的方法、装置、可读介质及电子设备
CN117787511B (zh) 一种工厂化高密度水产养殖监测预警方法及其系统
CN111222553B (zh) 机器学习模型的训练数据处理方法、装置和计算机设备
CN110991222A (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
CN113902187A (zh) 分时电价预测方法、装置及终端设备
CN115511398A (zh) 一种基于时间敏感网络的焊接质量智能检测方法及系统
CN108229536A (zh) 分类预测模型的优化方法、装置及终端设备
CN116738185B (zh) 一种用于智慧养殖的ai算法构建方法
CN115409153A (zh) 一种基于注意力lstm的畜牧指标预测方法及预测系统
CN109978262A (zh) 用于光伏功率预测的相似日的选择方法及装置
CN111753907B (zh) 一种电量数据的处理方法、装置、设备和存储介质
CN109359624B (zh) 基于神经网络的蛋鸡采食行为的预测方法及预测装置
CN111666991A (zh) 基于卷积神经网络的模式识别方法、装置和计算机设备
CN111524023A (zh) 温室调节方法及系统
CN111091140A (zh) 目标分类方法、装置及可读存储介质
CN115482419A (zh) 一种海洋渔业产品的数据采集分析方法及系统
CN110955286B (zh) 一种禽蛋监测方法及装置
CN113139563B (zh) 一种图像分类模型的优化方法及装置
CN115565115A (zh) 一种舾装件智能识别方法、计算机设备
CN113762403A (zh) 图像处理模型量化方法、装置、电子设备及存储介质
CN118171784B (zh) 猪料肉比预测方法和装置
CN113190068A (zh) 一种饲料生产用原料的温湿度检测控制方法及系统
CN111160453B (zh) 一种信息处理方法、设备及计算机可读存储介质
CN111626573B (zh) 一种目标数据的确定方法、装置、可读介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 413-26, No. 942 Tonglong Second Road, Torch High tech Zone (Xiang'an) Industrial Zone, Xiamen City, Fujian Province, 361000

Patentee after: Huiliantong Industrial Supply Chain Digital Technology (Xiamen) Co.,Ltd.

Country or region after: China

Address before: 413-26, No. 942 Tonglong Second Road, Industrial Zone, Xiang'an District, Xiamen City, Fujian Province, 361101

Patentee before: Huiliantong Industrial Supply Chain Digital Technology (Xiamen) Co.,Ltd.

Country or region before: China