本申请公开了一种生长性能测定模型的训练方法、测定方法及装置，通过获取牲畜系谱表以及牲畜个体的第一个体特征，并根据牲畜系谱表，建立第一邻接矩阵；对第一邻接矩阵和第一个体特征进行拼接，得到第一拼接特征，以将牲畜个体的个体特征与遗传关系进行结合，从而结合牲畜个体的当前自身状况和遗传因素对生长性能的影响；最后基于第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型，从而利用神经网络模型实现牲畜生长性能的测定，解决依赖人工而导致测定结果不准确的问题，同时无需对牲畜进行驱赶，避免牲畜出现应激反应。避免牲畜出现应激反应。避免牲畜出现应激反应。
【技术实现步骤摘要】
生长性能测定模型的训练方法、测定方法及装置
[0001]本申请涉及动物养殖领域，尤其涉及一种生长性能测定模型的训练方法、测定方法及装置。
技术介绍
[0002]牲畜生长性能的测定对育种和育肥具有重要的意义,其可以为牲畜个体的遗传评估、群体经济性状的遗传评估、牲畜群体的生产水平评估、制定育种规划和牲畜养殖场经营管理等提供数据依据。
[0003]目前，牲畜生长性能的测定都是采用人工+设备的方式，依赖于人工借助采集设备近距离对牲畜进行测定，必要时还需要对牲畜进行驱赶。但是人工方式容易因人工经验不同和测量标准不统一，导致数据不准确，并且通过驱赶牲畜可能导致牲畜出现应激反应，影响牲畜正常生长发育。因此，当前对牲畜生长性能的测定方式很难实际反映牲畜的生长速度、饲料的利用率等重要的性能指标,更无法对牲畜的生长状况做出有效的监控。
技术实现思路
[0004]本申请提供了一种生长性能测定模型的训练方法、测定方法及装置，以解决当前牲畜生长性能的测定方式准确度差的技术问题。
[0005]为了解决上述技术问题，第一方面，本申请实施例提供了一种生长性能测定模型的训练方法，包括：获取牲畜系谱表以及牲畜个体的第一个体特征；根据牲畜系谱表，建立第一邻接矩阵；对第一邻接矩阵和第一个体特征进行拼接，得到第一拼接特征；基于第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型，生长性能测定模型用于测定牲畜的生长性能。
[0006]本实施例通过获取牲畜系谱表以及牲畜个体的第一个体特征，并根据牲畜系谱表，建立第一邻接矩阵，以提取牲畜之间的遗传关系，从而考虑遗传因素对牲畜个体生长性能的影响；以及对第一邻接矩阵和第一个体特征进行拼接，得到第一拼接特征，以将牲畜个体的个体特征与遗传关系进行结合，从而结合牲畜个体的当前自身状况和遗传因素对生长性能的影响；最后基于第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型，生长性能测定模型用于测定牲畜的生长性能，从而利用神经网络模型实现牲畜生长性能的测定，解决依赖人工而导致测定结果不准确的问题，同时无需对牲畜进行驱赶，避免牲畜出现应激反应。
[0007]在一实施例中，根据牲畜系谱表，建立第一邻接矩阵，包括：根据牲畜系谱表的多个实体节点以及节点关系，将牲畜系谱表转换为有向图；
根据有向图的多个实体节点，建立第一邻接矩阵。
[0008]本实施例通过将牲畜系谱表转换有向图，以便于建立第一邻接矩阵，从而能够后续与图神经网络模型配合实现模型训练和模型推理。
[0009]在一实施例中，基于第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型，包括：对于每个训练节点，利用图神经网络模型，根据训练节点的K层邻居节点对应的第一拼接特征，预测训练节点的第一生长性能参数，训练节点和邻居节点均为实体节点；根据第一生长性能参数，计算图神经网络模型的第一损失值；若第一损失值不小于预设阈值，更新图神经网络模型的模型参数；利用更新后的图神经网络模型，预测训练节点的第二生长性能参数，并根据第二生长性能参数，计算更新后的图神经网络模型的第二损失值，直至第二损失值小于预设阈值，停止训练，得到生长性能测定模型。
[0010]本实施例通过训练节点的K层邻居节点的第一拼接特征，对图神经网络模型进行训练，以使学习到训练节点的有效遗传特征，避免模型过于泛化或者过拟合。
[0011]在一实施例中，对于每个训练节点，利用图神经网络模型，根据训练节点的K层邻居节点对应的第一拼接特征，预测训练节点的第一生长性能参数，包括：对于每个训练节点，利用图神经网络模型的注意力头数，分配K个邻居节点的权重值；根据权重值和第一拼接特征，预测训练节点的第一生长性能参数。
[0012]本实施例通过注意力头数分配邻居节点的权重值，以从多个维度分析和提取特征，提高模型性能。
[0013]在一实施例中，基于第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型之后，还包括：获取测试集，测试集包括多个待测试牲畜个体以及每个待测试牲畜个体的实测性能参数；利用生长性能测定模型，预测测试集中每个待测试牲畜个体的预测性能参数；若预测性能参数与实测性能参数之间的误差小于预设误差值，则确定生长性能测定模型测试完成。
[0014]本实施例通过对训练后的生长性能测定模型进行测试，以保证生长性能测定模型在实际推理过程的模型性能，提高模型可靠性。
[0015]第二方面，本申请实施例提供一种牲畜生长性能的测定方法，包括：获取牲畜系谱表以及待测定牲畜个体的第二个体特征；根据待测定牲畜个体在牲畜系谱表中的K层邻居节点，建立第二邻接矩阵；对第二邻接矩阵和第二个体特征进行拼接，得到第二拼接特征；利用生长性能测定模型，根据第二拼接特征，测定待测定牲畜个体的第三生长性能参数，生长性能测定模型基于上述第一方面的训练方法训练得到。
[0016]第三方面，本申请实施例提供一种生长性能测定模型的训练装置，包括：
第一获取模块，用于获取牲畜系谱表以及牲畜个体的第一个体特征；第一建立模块，用于根据牲畜系谱表，建立第一邻接矩阵；第一拼接模块，用于对第一邻接矩阵和第一个体特征进行拼接，得到第一拼接特征；训练模块，用于基于第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型，生长性能测定模型用于测定牲畜的生长性能。
[0017]第四方面，本申请实施例提供一种牲畜生长性能的测定装置，包括：第二获取模块，用于获取牲畜系谱表以及待测定牲畜个体的第二个体特征；第二建立模块，用于根据待测定牲畜个体在牲畜系谱表中的K层邻居节点，建立第二邻接矩阵；第二拼接模块，用于对第二邻接矩阵和第二个体特征进行拼接，得到第二拼接特征；测定模块，用于利用生长性能测定模型，根据第二拼接特征，测定待测定牲畜个体的第三生长性能参数，生长性能测定模型基于上述第一方面的训练方法训练得到。
[0018]第五方面，本申请实施例提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的训练方法的步骤。
[0019]第六方面，本申请实施例提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第二方面所述的测定方法的步骤。
[0020]需要说明的是，上述第二方面至第六方面的有益效果参见第一方面的相关描述，在此不再赘述。
附图说明
[0021]图1为本申请实施例提供的生长性能测定模型的训练方法的流程示意图；图2为本申请实施例提供的牲畜生长性能的测定方法的流程示意图；图3为本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种生长性能测定模型的训练方法，其特征在于，包括：获取牲畜系谱表以及牲畜个体的第一个体特征；根据所述牲畜系谱表，建立第一邻接矩阵；对所述第一邻接矩阵和所述第一个体特征进行拼接，得到第一拼接特征；基于所述第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至所述图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型，所述生长性能测定模型用于测定牲畜的生长性能。2.如权利要求1所述的生长性能测定模型的训练方法，其特征在于，所述根据所述牲畜系谱表，建立第一邻接矩阵，包括：根据所述牲畜系谱表的多个实体节点以及节点关系，将牲畜系谱表转换为有向图；根据所述有向图的多个所述实体节点，建立所述第一邻接矩阵。3.如权利要求1所述的生长性能测定模型的训练方法，其特征在于，所述基于所述第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至所述图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型，包括：对于每个训练节点，利用所述图神经网络模型，根据所述训练节点的K层邻居节点对应的第一拼接特征，预测所述训练节点的第一生长性能参数，所述训练节点和所述邻居节点均为实体节点；根据所述第一生长性能参数，计算所述图神经网络模型的第一损失值；若所述第一损失值不小于预设阈值，更新所述图神经网络模型的模型参数；利用更新后的所述图神经网络模型，预测所述训练节点的第二生长性能参数，并根据所述第二生长性能参数，计算更新后的所述图神经网络模型的第二损失值，直至所述第二损失值小于所述预设阈值，停止训练，得到所述生长性能测定模型。4.如权利要求3所述的生长性能测定模型的训练方法，其特征在于，所述对于每个训练节点，利用所述图神经网络模型，根据所述训练节点的K层邻居节点对应的第一拼接特征，预测所述训练节点的第一生长性能参数，包括：对于每个所述训练节点，利用所述图神经网络模型的注意力头数，分配K个所述邻居节点的权重值；根据所述权重值和所述第一拼接特征，预测所述训练节点的所述第一生长性能参数。5.如权利要求1所述的生长性能测定模型的训练方法，其特征在于，所述基于所述第一拼接特征作为模型输入，对预设的图神经网络模型进行迭代训练，直至所述图神经网络模型达到预设收敛条件，停止迭代，得到生长性能测定模型之后，还...
【专利技术属性】
技术研发人员：刘旭，杨帆，马文彦，
申请(专利权)人：四川新希望动物营养科技有限公司新希望六和股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。