用于控制环控单元的方法及其相关产品与流程

1.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。


背景技术：

2.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。


技术实现要素：

3.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。
4.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。
5.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。
6.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。
7.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。
8.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。
9.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。
10.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。
11.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。
12.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。
13.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。
14.通过如上所提供的发明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
15.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：
16.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；
17.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；
18.图3示出了本披露实施例的获取识别模型的方法流程图；
19.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；
20.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
21.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
22.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。
23.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。
24.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“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
25.如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0026]
下面结合附图来详细描述本披露的具体实施方式。
[0027]
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。如图1中所示，方法100包括：在步骤s102处，获取猪只运输车中包含猪只装载区域的待识别图像，其中猪只运输车可以是物流运输企业用于运输猪只养殖场中猪只的车辆，并且猪只运输车内部具有猪只装载区域，以用于承载运输过程中的猪只。在一些实施例中，待识别图像可以是通过图像采集装置获取的包含猪只运输车的猪只装载区域的各类图像。需要理解的是，需要对采集的待识别图像的质量有最基本的要求，即拍摄效果尽量还原现场真实情况，避免使用美颜、去噪等功能，并且需要避免出现空车场景下大范围水雾或模糊的情况。在一个具体实施中，可以通过猪只运输车上的车载摄像头获取包含猪只装载区域的待识别图像，并且通过车载摄像头即可满足对待识别图像质量的基本要求。
[0028]
在一些实施例中，采集待识别图像的图像采集装置可以设置在猪只运输车中猪只装载区域的首端和/或末端，以便可以最大程度地获取猪只装载区域全部的图像画面。在另一个实施例中，猪只装载区域可以按照与图像采集装置的远近分为三段区域，并且可以将邻近图像采集装置的其中两段区域作为待识别图像中的猪只装载区域。在另一些实施例中，猪只装载区域可以装载有猪只，则待识别图像可以是包含有猪只整体或猪只局部的图像。在另一个实施例中，猪只装载区域可以未装载猪只，则待识别图像可以是未包含猪只的图像。
[0029]
接着，在步骤s104处，可以将待识别图像输入基于深度神经网络的识别模型，以用于确定猪只运输车的装载状态，其中装载状态包括有猪或无猪。可以理解的是，深度神经网络是机器学习中的一项技术，并且可以用于进行语音识别和图像识别。因此，可以将待识别
图像输入基于深度神经网络的识别模型，以用于对待识别图像进行图像识别，进而可以确定猪只运输车的装载状态。在一个实施例中，在将待识别图像输入基于深度神经网络的识别模型之前，还可以对待识别图像进行前处理，以获取满足输入识别模型要求的待识别图像。
[0030]
在一个实施例中，对待识别图像进行前处理可以包括对待识别图像进行去噪处理。在一些实施例中，去噪处理可以包括滤波器法、构建模型法或学习法，其中滤波器法是通过利用人工设计低通滤波器来去除图像噪声，构建模型法试图对自然图像或噪声的分布进行建模，以便利用分布模型获得清晰的图像与优化算法，而学习法是侧重学习有噪声图像到干净图像的潜在映射，进而可以确定一种简单有效的去噪卷积神经网络。在一个具体实施例中，可以利用opencv(跨平台计算机视觉和机器学习软件库)的均值滤波器对待识别图像进行去噪处理，其中滤波器的大小可以选择例如3*3，过大容易使图像变得模糊。在另一个实施例中，对待识别图像进行前处理还可以包括对待识别图像进行缩放处理，其中对待识别图像进行缩放处理可以是任何能够实现缩放处理的算法或模型。在一个具体实施例中，可以使用opencv将待识别图像缩放成满足输入识别模型大小要求的图像。例如，待识别图像可以缩放成1000*1000大小的图像。
[0031]
进一步，可以理解的是，在定义猪只运输车的装载状态(有猪、无猪)时，可以根据猪只运输车内是否存在猪只来作为划分依据。因此，当猪只装载区域内的猪只装载数量密集，会使得图像采集装置采集到的待识别图像仅包含猪只的局部，而这并不影响识别模型对待识别图像的识别结果。另外，关于猪只运输车中光线不稳定(例如，过亮、过暗或者明灭变换)的情况，本披露通过采用深度学习算法可以很好的适配这些场景，并对每种特殊场景均有较高准确率的输出。
[0032]
在一些实施例中，猪只运输车的装载状态可以根据概率值进行确定。具体地，在利用基于深度神经网络的识别模型对输入的待识别图像进行识别分析的过程中，会将输入的待识别图像与识别模型中预先存在的装载状态为有猪和无猪的两类图像进行对比分析。在进行对比分析之后，识别模型会分别输出待识别图像属于这两个类别图像的概率值，并将与概率值最大对应的类别图像的作为待识别图像的输出，进而可以根据输出的结果确定猪只运输车的装载状态。在一个实施例中，与概率值最大对应的类别图像可以是有猪图像，则猪只运输车的装载状态可以确定为有猪。在另一个实施例中，与概率值最大对应的类别图像可以是无猪图像，则猪只运输车的装载状态可以确定为无猪。
[0033]
在一个实施例中，将待识别图像输入基于深度神经网络的识别模型，以用于确定猪只运输车的装载状态可以根据连续多帧待识别图像中每帧待识别图像的装载状态，以确定猪只运输车的装载状态。在一个实施例中，可以根据例如连续5帧待识别图像中每帧待识别图像的装载状态确定猪只运输车的装载状态。此处选择5帧作为切换的条件是综合考虑猪群健康需求和控制准确率的要求后所设置的一个值。可以理解的是，帧数选择的越多，其最终的识别结果越可靠，但确定装载状态的时间就更慢。因此，按照现场计算卡的算力(即处理一帧图片需用时1-2秒)，可以选择连续5帧待识别图像来确定装载状态的时间，进而可以得到确定装载状态的时间为5-10秒，且不会对猪群的健康造成影响。需要理解的是，在现场计算卡的算力足够的情况下，可以适当调整参与确定装载状态的待识别图像的帧数，即待识别图像的帧数是示例性的，并不是限制性的。
[0034]
在一些实施例中，连续5帧待识别图像中每帧待识别图像的所确定的装载状态相同，且每帧待识别图像的装载状态均为有猪时，则当前猪只运输车的装载状态可以确定为有猪。在另一个实施例中，连续5帧待识别图像中有1帧待识别图像的装载状态与其余4帧的待识别图像的装载状态不同，则当前猪只运输车的装载状态保持与前5帧的待识别图像的装载状态相同。
[0035]
在一个具体实施例中，可以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一段时间间隔内猪只运输车的内的装载状态是否改变。在操作中，可以首先对当前装载状态进行初始化，其中初始化后的状态可以是无猪。进一步，可以维护一个包含连续5帧的具有确定装载状态结果的状态图像，并且当且仅当状态图像中连续5帧的装载状态结果全部转化与当前装载状态不同的状态时，则确定当前装载状态发生了变更，进而可以调整当前装载状态。然而，若状态图像中连续5帧的装载状态结果并不全部转化与当前装载状态不同的状态时，则确定当前装载状态未发生变更，进而保持当前装载状态不变。通过利用多帧待识别图像中每帧待识别图像的装载状态确定猪只运输车的装载状态，可以减小由于模型精度限制和现场场景的变化导致的误差。
[0036]
返回到流程中，在步骤s106处，可以根据装载状态对环控单元进行启停控制，以便环控单元对猪只运输车内的环境进行控制，其中环控单元可以布置于猪只运输车上，以用于对猪只运输车内的环境进行控制。在一些实施例中，装载状态可以存储在具有存储功能的设备中，并且该设备可以与环控单元连接，以便可以将装载状态的结果发送至环控单元。在一个具体实施例中，具有存储功能的设备可以是车载部标机，其中车载部标机是卫星定位汽车行驶记录仪，俗称gps或北斗汽车行驶记录仪，是对车辆行驶速度、时间、里程以及有关车辆行驶的其他状态信息进行记录、存储并可通过接口实现数据输出的数字式电子记录装置。在一个实施例中，车载部标机可以与环控单元连接，以便可以通过车载部标机将装载状态的结果发送至环控单元。在另一个实施例中，车载部标机可以通过808或809部标协议将装载状态的结果发送至环控单元，以便根据装载状态的结果对环控单元进行启停控制。在一个实施例中，车载部标机还可以与车辆监控平台连接，以便根据装载状态的结果实时地对猪只运输中的装载状态进行监控。
[0037]
可以理解的是，环控单元可以包括温度调节设备、喷淋控制设备、风机控制设备等设备，并且可以通过环控单元中的温度调节设备对猪只运输车中的温度设备进行控制，以进行温度的调节。可以通过环控单元中的喷淋控制设备对猪只运输车中的喷淋设备进行控制，以进行湿度的调节。可以通过环控单元中的风机控制设备对猪只运输车中的风机设备进行控制，以进行猪只运输车内的通风进行调节。另外，环控单元中的温度调节设备、喷淋控制设备、风机控制设备等设备可以集中布置在猪只运输车的同一位置。
[0038]
在一个实施例中，装载状态可以是有猪，则可以根据装载状态控制环控单元启动。具体地，当识别模型确定的装载状态为有猪且确定环控单元处于关闭状态时，则可以向环控单元下发启动指令以控制环控单元启动，进而可以通过环控单元对猪只运输车内的温度、湿度、通风等环境进行调节。在一个实施例中，装载状态可以是无猪，进而可以根据装载状态控制环控单元关闭。具体地，当识别模型确定的装载状态为无猪且确定环控单元处于开启状态时，则可以向环控单元下发关闭指令以控制环控单元关闭。
[0039]
需要理解的是，根据装载状态对环控单元进行启停控制的控制逻辑是是示例性的
并不是限制性的。例如，在另一个实施例中，可以联合猪只运输车内多个传感器的参数与识别模型确定的装载状态来控制环控单元。具体地，当猪只运输车内部的温度、氧气浓度等参数发生异常，并且识别模型确定的装载状态为有猪时，则可以向环控单元下发启动指令。
[0040]
结合上述描述可知，本披露通过利用基于深度神经网络的识别模型对输入的包含猪只装载区域的待识别进行识别，可以自动识别猪只运输车中的装载状态，进而可以根据装载状态控制用于调节猪只运输车内环境的环控单元的启停。因此，可以实现猪只装载(上车)即启动车辆环控单元、猪只卸载(下车)即关闭车辆环控单元，达到无人化控制环控单元的开启与关闭的效果，进而可以避免因人工操作失误而导致的运输过程中环控单元忘记开启引发全密闭车厢的缺氧导致猪只窒息死亡的事故。另外，还可以在猪只运输完毕完成卸载、在进行车辆清洗消毒以及烘干消毒时及时关闭环控单元以免不必要的电能损耗和部件损耗。
[0041]
上述结合图1对的本披露的方案进行了简单描述，为进一步理解本披露的方案，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。通过下面的描述可知，图2中所示的方法200可以是前文中结合图1所描述的方法100中获取猪只运输车中的待识别图像的一个具体化表现形式，因此前文中关于方法100的描述也可以适用于下面对方法200的描述中。
[0042]
如图2所示，方法200可以包括：在步骤s202处，可以利用视频采集装置获取猪只运输车中包含猪只装载区域的视频流。在一个实施例中，视频采集装置可以设置在猪只运输车的首端或末端，以用于最大程度获取猪只装载区域的全部视频画面。在一个实施例中，视频采集装置可以是常见的可见光视频流采集设备。在一个具体实施中，可以通过猪只运输车上的车载摄像头获取包含猪只装载区域的视频流。接着，在步骤s204处，可以对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，并将帧级别图像作为待识别图像。在一些实施例中，可以通过多种软件或算法对对视频流进行读取并进行分帧。在一个具体实施例中，可以通过opencv读取车载摄像头存储的包含猪只装载区域的视频流，并对读取的视频流进行分帧，以获得视频流的帧级别图像，进而可以将获得的帧级别图像作为待识别图像。在一些实施例中，可以分别对每帧图像进行识别。
[0043]
上述结合图2对获取待识别图像的方法进行了详细描述，并且通过方法200可以获得本披露中的待识别图像，进而可以将获得待识别图像输入识别模型进行识别。需要理解的是，在将待识别图像输入基于深度神经网络的识别模型之前，可以对深度神经网络进行模型训练，以获取用于识别待检测模型的识别模型。如图3中所示，图3示出了本披露实施例的获取识别模型的方法流程图。通过下面的描述可知，图3中所示的方法300可以是前文中结合图1所描述的方法100中将待识别图像输入基于深度神经网络的识别模型之前的一个具体化表现形式，因此前文中关于方法100的描述也可以适用于下面对方法300的描述中。
[0044]
如图3所示，方法300可以包括：在步骤s302处，可以获取包含猪只装载区域的样本图像，并且可以对获取的样本图像进行装载状态标注。在一些实施例中，进行装载状态标注可以是对获取得的样本图像进行有猪或无猪状态标注。在一些实施例中，样本图像可以包括有猪图像和无猪图像，其中有猪图像可以通过对在猪只装载区域中装载有猪只的图像进行装载状态标注获得，无猪图像可以通过对在猪只装载区域中未装载猪只的图像进行装载状态标注获得。在另一个实施例中，样本图像可以根据视频采集装置获得的视频流进行确
定，并且可以通过对获取的视频流进行分帧处理以获得样本图像。例如，可以通过车载摄像头获得视频流。在又一些实施例中，获取的样本图像可以包括一个或多个样本图像。在一个实施例中，还可以对样本图像进行扩增处理，通过对样本图像进行扩增处理可以获得包含不同场景的样本图像，进而使得利用扩增后的样本图像所训练出的识别模型能够稳定识别待识别图像中不同环境、不同远近、不同大小的猪只，进而提高了识别模型的精度。
[0045]
接着，在步骤s304处，可以使用带装载状态标注的样本图像训练深度神经网络，以得到识别模型。在一些实施例中，作为训练的深度神经网络模型(简称训练模型)可以是开源项目中在内的任意一种构建分类模型。在实际应用中，可以综合考虑到计算卡算力的限制和对结果准确性的要求，进而选择轻量化的模型来作为训练模型，以实现对输入的待识别图像的精准识别。在一些实施例中，构建分类模型可以包括但不限于resnet(“residual neural network”，残差网络)、efficientnet(加权双向特征网络)等深度神经网络结构。在一个具体实施例中，根据计算卡算力的限制和对结果准确性的要求，可以选择深度神经网络中的mobilenetv2(轻量化的卷积神经网络)模型进行模型训练，并且可以根据装载状态包括有猪和无猪来调整全连接层为2个类别，以便mobilenetv2可以进行迁移学习。
[0046]
在另一个实施例中，还可以使用目标检测模型作为训练模型，以实现对输入的待识别图像的识别。例如yolo(“you only look once”，基于深度神经网络的对象识别和定位算法)系列模型、fastrcnn模型等。在又一个实施例中，还可以使用语义分割模型作为训练模型，以实现对输入的待识别图像的识别。例如u-net模型。由上述可知，选择的训练模型是示例性的，并不是限制性的，并且可以根据计算卡算力来选择合适的训练模型。
[0047]
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还可以使用无监督方法对所述深度神经网络进行预训练，以得到预训练模型，以便使用带装载状态标注的样本图像对预训练模型进行训练。由于猪只运输车中猪只装载区域场景的多样性，因此难以获取包括所有的场景的样本图像。为进一步提高基于深度神经网络的识别模型的泛化能力，可以通过无监督方法对深度神经网络进行预训练，其中无监督方法是机器学习中的一种训练方式/学习方式，并且可以通过探索数据内部潜在的结构和规律来进行学习，且不需要对数据进行标签标注，进而通过无监督方法来训练深度神经网络可以解决不能获取猪只装载区域中全部场景的问题。在一些实施例中，使用无监督方法进行预训练的预训练数据可以采用不带装载状态标注的样本图像。
[0048]
上述结合图3对获取识别模型的方法进行了描述。为进一步理解获取识别模型的方法，下文将结合图4对样本图像进行扩增处理的方法进行描述。通过下面的描述可知，图4中所示的方法400可以是前文中结合图3所描述的方法300中的一个具体化表现形式，因此前文中关于方法300的描述也可以适用于下面对方法400的描述中。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。
[0049]
如图4所示，方法400可以包括：在步骤s402处，可以利用实例分割算法对样本图像进行抠图处理以获得猪只样本图像，其中抠图处理可以是指将需要的图片或影像从原始图片或影像中提取出来成为单独的图层。在一些实施例中，可以通过实例分割算法将猪只整体或局部从样本图像中提取出来，进而可以获得多个猪只样本图像。需要理解的是，上述进行抠图处理的方法是示例性的并不是限制性的。
[0050]
接着，在步骤s404处，可以将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。在一个实施例中，可以通过opencv对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。可以理解的是，一幅图片可以包括前景图像、中景图像和后景图像，则通过对猪只样本图像进行缩放操作、旋转操作或平移操作后，可以将进行上述操作后的猪只样本图像作为样本图像中的前景图像，而将作为前景图像的猪只样本图像作为样本前景图像。
[0051]
之后，在步骤s406处，可以将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。在一些实施例中，可以通过算法随机生成一张或多张光照图像，并且多张光照可以是具有不同光照的图像。在一些实施例中，可以通过算法随机生成具有逆光、高亮、红外光等不同光照的多张光照图像。在一个具体实施例中，可以通过gan(“generative adversarial network”，生成对抗网络)生成具有逆光、高亮、红外光等不同光照的多张光照图像。
[0052]
上述结合图4对本披露实施例中用于对样本图像进行扩增处理的方法进行了详细描述。下文将结合图5对深度神经网络进行预训练的方法进行详细描述。通过下面的描述可知，图5中所示的方法500可以是前文中结合图3所描述的方法300中的一个具体化表现形式，因此前文中关于方法300的描述也可以适用于下面对方法500的描述中。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。
[0053]
如图5所示，方法500可以包括：在步骤s502处，可以获取多张预训练图像。在一个实施例中，可以通过爬虫爬取一段时间内所有上传数据，并且可以认为该数据已经覆盖了所有场景，其中该数据可以是利用车载摄像头获取的猪只运输车中猪只装载区域的视频流，并且通过对视频流进行处理可以获得多张预训练图像。接着，在步骤s504处，可以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。可以理解的是，在机器学习问题中，通常将特征表示为向量的形式，进而在分析两个特征向量之间的相似性时，可以使用余弦相似度来表示。
[0054]
在一些实施例中，获取余弦相似度可以包括对获取多张预训练图像进行灰度处理，以获得多张预训练图像的灰度图，并且还可以对获得的灰度图进行高斯去噪。进一步，灰度处理后的每两张预训练图像的余弦相似度可以通过如下所示的公式一来计算。
[0055]
其中，cos(x,y)代表余弦相似度；x代表灰度处理后的每两张预训练图像中的一幅图片；y代表灰度处理后的每两张预训练图像中的另一幅图片；n代表预训练图片中像素的总数；xi代表灰度处理后的每两张预训练图像中的一幅图片第i个像素的值；yi代表灰度处理后的每两张预训练图像另一幅图片第i个像素的值，其中第i个像素的值可以利用代表图像特征(例如，亮度)的向量来进行计算。由此可知，可以通过计算预训练图像中n个像素的值得到每两张预训练图像的余弦相似度，以便实现对每两张预训练图像之间相似度的确定。
[0056]
之后，在步骤s506处，可以根据相似度对多张预训练图像进行筛选，以使用筛选后的预训练图像对深度神经网络进行预训练。可以理解的是，余弦相似度的取值范围是[-1,1]，并且余弦相似度的数值越接近1代表两个向量越相似，越接近-1代表连个向量越不相似，进而可以通过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。在一个实施例中，可以将获得的余弦相似度与预设值进行比较，进而可以根据相似度对多张预训练图像进行筛选。在一个实施例中，预设值可以设置为0.1，以便可以最大程度地不遗漏一个相似的预训练图像。
[0057]
在一个实施例中，获得的余弦相似度可以大于或等于0.1，则确定该两张预训练图像相似，进而可以删除其中一张的预训练图像，以实现对画面静止的数据的过滤。在另一个实施例中，获得的余弦相似度可以小于0.1，则确定该两个预训练图像不相似，并不进行删除操作。在一个实施例中，可以通过无监督学习中自编码或对比学习方法使用筛选后的预训练图像来对深度神经网络进行预训练。在一个具体实施例中，可以通过自编码或对比学习方法对mobilenetv2进行预训练，进而可以获得预训练模型，以便可以利用带装载状态标注的样本图像对预训练模型进行模型训练，以获得识别模型。
[0058]
以上结合图1-图5对本披露实施例提供的用于控制环控单元的方法进行了示例性的描述。可以理解的是，可以利用基于深度神经网络的识别模型对猪只装载区域的状态进行识别，通过利用识别模型可以实时识别判定猪只运输环节，以便可以精确把控猪只装载与猪只卸载的时间点，实现了无人化控制环控单元的开启与关闭的效果。进一步，通过联合多帧待识别图像的识别结果，还可以极大地降低识别模型对单张待识别图像的识别误差，以保证识别结果的准确性。另外，还可以将用于控制环控单元的程序指令通过算法远程下载的形式植入至猪只运输车本地的车载部标机，实现了硬件与算法的契合，使得在不新增硬件设备的基础上实现对环控单元的自动控制，节约了运输成本。
[0059]
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。系统600可以包括本披露实施例的用于控制环控单元的设备601以及其外围设备和外部网络，以实现前述结合图1-图5所描述的本披露实施例的用于控制环控单元的方法。
[0060]
如图6中所示，用于控制环控单元的设备601可以包括cpu 6011，其可以是通用cpu、专用cpu或者其他信息处理以及程序运行的执行单元。进一步，用于控制环控单元的设备601还可以包括大容量存储器6012和只读存储器rom 6013，其中大容量存储器6012可以配置用于存储各类数据。在本披露中，包括待识别图像、识别模型确定的装载状态或者本披露使用到的各种模型的相关数据等。另外，rom 6013可以配置成存储对于用于控制环控单元的设备601的中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
[0061]
进一步，系统600还包括其他的硬件平台或组件，例如示出的张量处理单元(tpu)6014、图像处理单元(gpu)6015、现场可编程门阵列(fpga)6016和机器学习单元(mlu)6017。可以理解的是，尽管在系统600中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件，例如，用于控制环控单元的设备601可以仅包括cpu作为公知硬件平台和另一硬件平台作为本披露的控制环控单元的硬件平台。例如，另一硬件平台可以是车辆监控平台。
[0062]
本披露的用于控制环控单元的设备601还包括通信接口6018，从而可以通过该通信接口6018连接到局域网/无线局域网(lan/wlan)605，进而可以通过lan/wlan605连接到本地服务器606或连接到因特网(“internet”)。替代地或附加地，本披露的用于控制环控单元的设备601还可以通过通信接口6018基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第三代(“3g”)、第四代(“4g”)或第5代(“5g”)的无线通信技术。在一些应用场景
中，本披露的用于控制环控单元的设备601还可以根据需要访问外部网络的服务器608以及可能的数据库609，以便获得各种已知的可以例如本披露的深度神经网络模型，并且可以远程地存储各种数据。例如，获取的样本图像、余弦相似度等用于训练深度神经网络模型的数据。
[0063]
用于控制环控单元的设备601的外围设备可以包括显示装置602、输入装置603以及数据传输接口604。在一个实施例中，显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本披露设备的检测过程或者最终结果进行语音提示和/或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机，或其他输入按钮或控件，其配置用于接收测试数据的输入或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口(“usb”)、小型计算机系统接口(“scsi”)、串行ata、火线(“firewire”)、pci express和高清多媒体接口(“hdmi”)等，其配置用于与其他设备或系统的数据传输和交互。根据本披露的方案，该数据传输接口604可以接收经过车载部标机采集的包含猪只装载区域的视频流。
[0064]
本披露的用于控制环控单元的设备601中的cpu 6011、大容量存储器6012、只读存储器rom 6013、tpu 6014、gpu 6015、fpga 6016、mlu 6017和通信接口6018可以通过总线6019相互连接，并且可以通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线6019，cpu 6011可以控制用于控制环控单元的设备601中的其他硬件组件及其外围设备。
[0065]
还应当理解，本披露示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。
[0066]
本披露还公开了一种计算机可读存储介质，其中存储有程序指令，程序指令适于由处理器加载并执行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。基于此，当本披露的方案以软件产品(计算机可读存储介质)的形式体现时，该软件产品可以存储在存储器中，其可以包括若干指令用以使得计算机设备(例如个人计算机、服务器或者网络设备等)执行本披露实施例所述方法的部分或全部步骤。前述的存储器可以包括但不限于u盘、闪存盘、只读存储器rom、随机存取存储器(“random access memory”，简写为ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0067]
虽然本文已经示出和描述了本披露的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中，可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。