ГЕНДЕРНАЯ ИДЕНТИФИКАЦИЯ ЦЫПЛЯТ С ИСПОЛЬЗОВАНИЕМ ЦИФРОВОГО АНАЛИЗА ИЗОБРАЖЕНИЙ

ГЕНДЕРНАЯ ИДЕНТИФИКАЦИЯ ЦЫПЛЯТ С ИСПОЛЬЗОВАНИЕМ ЦИФРОВОГО АНАЛИЗА ИЗОБРАЖЕНИЙ

Выданный патент: RU2872943C2 Дата публикации: 2026-10-29 Заявитель / патентообладатель: ТАРГАН, ИНК. (US) Классификация: G06V40/10 G06T7/70 G06V10/82 G06V40/103 G06T7/70 G06V10/82

Реферат [118] Изобретение относится к области информационных технологий. Техническим результатом является повышение точности идентификации пола цыпленка. Способ включает: получение набора изображений цыпленка за дискретный период времени при его прохождении по заданному пути с раздражителем, провоцирующим открытую позицию с частичным вытягиванием крыла; для каждого изображения определяют соответствующую позу цыпленка и выбирают подмножество изображений, где позы удовлетворяют критерию вытянутости крыла; вводят подмножество в обученную нейронную сеть, характеризующую гендерные признаки; определяют с её помощью относительную длину первичных и кроющих перьев; на основе этих признаков определяют пол цыпленка и вызывают соответствующее действие. 3 н. и 18 з.п. ф-лы, 22 ил.

Описание [1] ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ЗАЯВКИ [2] [0001] Настоящая заявка испрашивает приоритет по предварительной заявке США № 63/379,956, озаглавленной «Гендерная идентификация цыплят с использованием цифрового анализа изображений», поданной 18 октября 2022 года, которая полностью включена в настоящий документ путем ссылки. [3] ОБЛАСТЬ ТЕХНИКИ [4] [0002] Настоящее изобретение в целом относится к установлению пола птицы и, более конкретно, к установлению пола по перьям с использованием цифрового анализа изображений. [5] УРОВЕНЬ ТЕХНИКИ [6] [0003] Установление пола птицы представляет собой способ идентификации пола птицы или других птенцов, например, для отделения самок цыплят или «молодняка» от самцов или «петушков». Установление пола по перьям представляет собой форму установления пола птицы, основанную на скорости роста перьев крыла цыпленка. В частности, если первичные перья цыпленка длиннее, чем его кроющие перья, то цыпленок идентифицируется как самка; и если кроющие и первичные перья имеют одинаковую длину, или если первичные перья короче, чем кроющие перья, то цыпленок идентифицируется как самец. Обычное установление пола по перьям требует, чтобы обученный персонал вручную расправил крыло цыпленка, что может нанести вред его крылу. [7] РАСКРЫТИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ [8] [0004] Варианты осуществления настоящего изобретения относятся к системам, способам и машиночитаемому носителю с инструкциями для идентификации пола птицы. Способ включает побуждение цыпленка к проходу по пути, который связан с раздражителем для провоцирования открытой позиции цыпленка. Способ также включает получение одного или более изображения цыпленка в открытой позиции, определение одного или более гендерного признака цыпленка на основании по меньшей мере частично указанных одного или более изображений и определение пола цыпленка на основании по меньшей мере частично указанных одного или более гендерных признаков. Один или более этапов способа могут включать любые различные методы машинного обучения, такие как машинное обучение с учителем и/или машинное обучение без учителя. Например, подход машинного обучения с учителем может быть использован для обучения нейронной сети для идентификации позы цыпленка, идентификации гендерных признаков, связанных с крылом цыпленка, и/или оценки гендерных признаков для определения пола. [9] КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ [10] [0005] На всех сопроводительных чертежах ссылочные позиции могут быть повторно использованы для указания соответствия между ссылочными элементами. Чертежи представлены для иллюстрации вариантов осуществления настоящего раскрытия и не ограничивают его объем. [11] [0006] На фиг. 1А приведена схема, иллюстрирующая пример обучения модели машинного обучения в связи с настоящим раскрытием. [12] [0007] На фиг. 1B приведена схема, иллюстрирующая пример применения обученной модели машинного обучения для нового наблюдения, связанного с идентификацией пола цыпленка. [13] [0008] На фиг. 2A показана система установления пола птицы для точной идентификации пола цыпленка в соответствии с некоторыми вариантами осуществления концепции настоящего изобретения. [14] [0009] На фиг. 2B-2F показаны приведенные для примера сравнения перьев крыла самцов и самок цыплят. [15] [0010] На фиг. 3 изображена блок-схема приведенной для примера процедуры для определения пола цыпленка в соответствии с приведенными для примера вариантами осуществления. [16] [0011] На фиг. 4A-4F показано множество приведенных для примера постобработанных изображений цыпленка, проходящего по приведенному для примера пути. [17] [0012] На фиг. 5A-5F показано множество приведенных для примера постобработанных изображений цыпленка, проходящего по приведенному для примера пути. [18] [0013] На фиг. 6 представлена гистограмма, иллюстрирующая приведенные для примера соотношения между возрастом цыпленка и точностью установления пола. [19] ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ [20] [0014] В настоящем описании термин «цыпленок» в широком смысле относится к любой породе куриц. В некоторых случаях термин «цыпленок» обычно относится к птенцу курицы, которому менее одного дня (24 часов). В других случаях термин «цыпленок» относится к цыпленку в возрасте менее двух дней (48 часов), менее одной недели или менее четырех недель. Хотя изобретение в целом относится к идентификации пола цыпленка, понятно, что аналогичные методы гендерной идентификации могут быть реализованы на курице любого возраста, любой птице или любом другом животном с характеристиками, связанными с полом, которые могут привести к идентифицируемым характеристикам фенотипа, которые обозначают пол. [21] [0015] Для целей настоящего раскрытия термин «поза», используемый в настоящем документе, является широким термином, охватывающим его простые и обычные значения, и может относиться, без ограничения, к положению, ориентации, комбинации положения и ориентации или к любой другой подходящей информации о расположении. В качестве неограничивающего примера, поза цыпленка может относиться к положению и/или ориентации цыпленка и/или положению и/или ориентации одного или более признака цыпленка, такого как крыло цыпленка. [22] [0016] Может быть желательно разделить самцов и самок цыплят в инкубаторе, чтобы за ними можно было осуществлять контроль в соответствии с их различными требованиями. Установление пола по перьям представляет собой способ определения пола вновь вылупившегося цыпленка на основе скорости роста его перьев крыла. Используя этот способ, если первичные перья цыпленка (также называемые «первичными») длиннее, чем его кроющие перья (также называемые «кроющими»), то цыпленок идентифицируется как самка; и если кроющие и первичные перья одинаковой длины или первичные перья короче, чем кроющие перья, то цыпленок идентифицируется как самец. [23] [0017] Цыплята часто отдыхают со сложенными и крепко прижатыми к бокам своего тела крыльями (в настоящем документе это обычно называется «закрытой позицией»). Таким образом, обычное установление пола по перьям в целом требует, чтобы обученный персонал вручную расправил крыло цыпленка, чтобы облегчить осмотр кроющих и первичных перьев. Расправление крыльев вручную может физически повредить крылья цыпленка. Кроме того, такие ориентированные на человека способы установления пола по перьям часто ненадежны (например, из-за зрительной усталости) и могут быть проблематичными в применениях большого масштаба, в которых количество цыплят для установления пола может составлять сотни или тысячи. [24] [0018] Для решения этих или других задач система установления цыпленка в соответствии с некоторыми вариантами осуществления настоящего изобретения может автоматически и точно идентифицировать пол цыпленка путем получения и обработки одного или более изображения цыпленка. В частности, система установления пола птицы получает множество изображений цыпленка и обрабатывает изображения для идентификации изображений, на которых поза цыпленка является подходящей для определения пола (например, изображение показывает цыпленка с вытянутым крылом). Кроме того, система установления пола птицы может использовать методы машинного обучения для идентификации гендерных признаков на крыле цыпленка и для определения пола. Кроме того, в некоторых вариантах осуществления система установления пола птицы может автоматически сортировать цыплят согласно их гендерным обозначениям. [25] [0019] Как упоминалось выше, цыплята часто находятся в закрытой позиции, что может сделать затруднительным получение изображения, пригодного для использования для гендерной идентификации. Для решения этих или других задач система установления пола птицы может стратегически стимулировать рефлексивное поведение цыпленка, чтобы заставить цыпленка расправить или вытянуть одно или оба крыла. Например, система установления пола птицы может включать в себя заранее заданный путь, который связан с одним или более раздражителем (например, падениями, подъемами, изменениями скорости, выбросами воздуха, шумами и т.д.), которые предназначены для вызова рефлексивного движения в открытую позицию. Для целей настоящего изобретения термин «перепад» или «перепады» широко используется для обозначения изменения высоты или ускорения, или и того, и другого, которое может привести к тому, что цыпленок по меньшей мере временно сойдет с заранее заданного пути. Кроме того, для целей настоящего раскрытия «открытая позиция» используется в широком смысле для обозначения любой позы цыпленка, отличной от закрытой позиции. Термин «открытая позиция» может в целом относиться к позе, в которой одно или оба крыла полностью вытянуты. Дополнительно или в качестве альтернативы, термин «открытая позиция» может в целом относиться к позе, в которой одно или оба крыла частично вытянуты. В качестве неограничивающего примера открытая позиция может относиться к позе, в которой по меньшей мере одно из крыльев цыпленка вытянуто по меньшей мере на X% от полностью вытянутого крыла (например, на 30%, 50%, 75%, 90%). Система установления пола птицы может получать множество последовательных изображений, которые показывают цыпленка, когда он проходит по пути и реагирует на раздражители. Таким образом, система установления пола птицы может увеличить вероятность получения одного или более изображения, которое показывает цыпленка в подходящей позе для определения его пола. [26] [0020] Следует понимать, что варианты осуществления, раскрытые в настоящем документе, могут существенно улучшить пропускную способность, точность и безопасность, связанные с установлением пола птицы. В частности, варианты осуществления, раскрытые в настоящем документе, позволяют системе установления пола птицы эффективно и точно идентифицировать пол сотен или тысяч цыплят, что может контрастировать с ручными методами, которые часто могут быть ненадежными в больших масштабах, например, из-за зрительной усталости и других проблем, связанных с человеческой ошибкой, или нежелательными, например, из-за проблем, связанных с обучением и контролем сотрудника. Кроме того, стратегически стимулируя рефлексивное поведение цыпленка, чтобы побудить цыпленка принять открытую позицию, система установления пола птицы выгодно снижает вероятность причинения вреда цыпленку. Способность стимулировать рефлексивное поведение цыпленка для по меньшей мере частичного вытягивания его крыла, автоматически захватывать изображения цыпленка с вытянутым крылом и автоматически обрабатывать изображения для идентификации пола цыпленка позволяет основным системам более эффективно и безопасно выполнять установление пола по перьям за счет: увеличения скорости/эффективности процесса, при котором определяется пол; снижения вероятности травмы цыпленка, позволяя цыпленку самому вытягивать свои крылья, а не вручную человеком; повышения точности установления пола по перьям за счет уменьшения ошибки, связанной с участием человека, и т.д. [27] [0021] Таким образом, раскрытые в настоящем документе варианты осуществления представляют собой усовершенствования по меньшей мере в области получения видеоизображения и анализа цифровых изображений. Кроме того, раскрытые в настоящем документе варианты осуществления рассматривают технические задачи, присущие данной отрасли. Эти технические задачи решаются различными техническими решениями, описанными в настоящем документе, включая побуждение цыпленка к вытягиванию своих крыльев без контакта с человеком, захват изображений расправленного крыла, выбор изображений, которые включают подходящую позу цыпленка, анализ изображений для идентификации гендерных признаков, определение пола цыпленка и/или автоматическую сортировку цыпленка согласно его гендерному обозначению. Таким образом, настоящая заявка представляет собой существенное улучшение существующих систем в целом. [28] [0022] На фиг. 1А приведена схема, иллюстрирующая пример обучения модели 100 машинного обучения в связи с настоящим раскрытием. Обучение модели машинного обучения, описанное в настоящем документе, может быть выполнено с использованием системы машинного обучения. Система машинного обучения может включать компьютерное устройство, сервер, облачную вычислительную среду и т.п., такую как система 200 установления пола птицы, описанная более подробно в настоящем документе, или может быть включена в них. [29] [0023] Как показано ссылочной позицией 105, модель машинного обучения может быть обучена с использованием набора наблюдений. Набор наблюдений может быть получен и/или введен из данных за прошлые периоды времени, таких как данные, собранные в течение одного или более процесса, описанного в настоящем документе. Например, набор наблюдений может включать данные, собранные из системы 200 установления пола птицы, как описано в других абзацах настоящего документа. В некоторых вариантах осуществления система машинного обучения может принимать набор наблюдений (например, в качестве входных данных) из системы 200 установления пола птицы или из устройства для хранения. [30] [0024] Как показано ссылочной позицией 110, из набора наблюдений может быть получен набор признаков. Набор признаков может включать набор переменных. Переменная может называться признаком. Конкретное наблюдение может включать набор значений переменных, соответствующий набору переменных. Набор значений переменных может быть специфичным для наблюдения. В некоторых случаях различные наблюдения могут быть связаны с различными наборами значений переменных, иногда называемыми значениями признаков. [31] [0025] В некоторых вариантах осуществления система машинного обучения может определять переменные для набора наблюдений и/или значения переменных для конкретного наблюдения на основе входных данных, принятых из системы 200 установления пола птицы. Например, система машинного обучения может идентифицировать набор признаков (например, один или более признаков и/или соответствующих значений признака) из структурированных данных, введенных в систему машинного обучения, например, путем выделения данных из конкретного столбца таблицы, выделения данных из конкретного поля формы и/или сообщения и/или выделения данных, принятых в формате структурированных данных. Дополнительно или в качестве альтернативы система машинного обучения может принимать входные данные от оператора для определения признаков и/или значений признаков. [32] [0026] В некоторых вариантах осуществления система машинного обучения может выполнять обработку естественного языка и/или другой метод идентификации признака для выделения признаков (например, переменных) и/или значений признаков (например, значений переменных) из текста (например, неструктурированных данных), введенного в систему машинного обучения, например, путем идентификации ключевых слов и/или значений, связанных с этими ключевыми словами, из текста. [33] [0027] В качестве примера, набор признаков для набора наблюдений может включать первый признак наличия крыла, второй признак видимого оперения, третий признак рисунка оперения и т.д. Как показано для первого наблюдения, первый признак может иметь значение «да», второй признак может иметь значение «нет», третий признак может иметь значение «первичные < кроющих» и так далее. Эти признаки и значения признаков приведены в качестве примеров и могут отличаться в других примерах. Например, набор признаков может включать один или более из следующих признаков: поза птицы, поза крыла, длина кроющих перьев, длина первичных перьев, относительная длина кроющих к первичным и т.д. В некоторых вариантах осуществления система машинного обучения может заранее обрабатывать и/или выполнять снижение размерности для уменьшения набора признаков и/или для объединения признаков из набора признаков до минимального набора признаков. Модель машинного обучения может быть обучена на минимальном наборе признаков, что экономит ресурсы системы машинного обучения (например, ресурсы обработки и/или ресурсы памяти), используемой для обучения модели машинного обучения. [34] [0028] Набор наблюдений может быть связан с целевой переменной 115. Целевая переменная 115 может, среди других примеров, представлять переменную, имеющую числовое значение (например, целочисленное значение или значение с плавающей запятой), может представлять переменную, имеющую числовое значение, которое попадает в диапазон значений или имеет некоторые дискретные возможные значения, может представлять переменную, которая выбирается из одного из нескольких вариантов (например, один из множества классов, классификаций или меток), или может представлять переменную, имеющую булево значение (например, 0 или 1, «истина» или «ложь», «да» или «нет», «самец» или «самка»). Целевая переменная может быть связана со значением целевой переменной, а значение целевой переменной может быть специфичным для наблюдения. В некоторых случаях различные наблюдения могут быть связаны с различными значениям целевой переменной. В примере 100 целевая переменная 115 представляет собой пол птицы, который имеет значение «самец» для первого наблюдения. [35] [0029] Набор признаков и целевая переменная, описанные выше, приведены в качестве примеров, и другие примеры могут отличаться от вышеописанных. Например, для целевой переменной «пол» набор признаков может включать одно или более из длины кроющего пера, длины первичного пера и т.д. [36] [0030] Целевая переменная может представлять значение, на котором модель машинного обучения обучается прогнозу, а набор признаков может представлять переменные, которые вводятся в обученную модель машинного обучения для прогнозирования значения для целевой переменной. Набор наблюдений может включать значения целевой переменной, чтобы модель машинного обучения могла быть обучена для распознавания комбинаций в наборе признаков, которые приводят к значению целевой переменной. Модель машинного обучения, которая обучается прогнозировать значение целевой переменной, может называться моделью, обучаемой с учителем, или прогностической моделью. Когда целевая переменная связана с непрерывными значениями целевой переменной (например, с диапазоном чисел), модель машинного обучения может использовать метод регрессии. Когда целевая переменная связана с категориальными значениями целевой переменной (например, с классами или метками), модель машинного обучения может использовать метод классификации. [37] [0031] В некоторых вариантах осуществления модель машинного обучения может быть обучена на наборе наблюдений, которые не включают целевую переменную (или которые включают целевую переменную, но модель машинного обучения не используется для прогнозирования целевой переменной). Это можно назвать моделью, обучаемой без учителя, моделью автоматизированного анализа данных или моделью автоматизированного выделения сигнала. В этом случае модель машинного обучения может изучать комбинации из набора наблюдений без использования меток или без учителя и может предоставлять выходные данные, которые указывают такие комбинации, например, путем использования кластеризации и/или ассоциации для идентификации связанных групп элементов в наборе наблюдений. [38] [0032] Как дополнительно показано, система машинного обучения может разбивать набор наблюдений на обучающий набор 120, который включает первый поднабор наблюдений набора наблюдений, и испытательный набор 125, который включает второй поднабор наблюдений набора наблюдений. Обучающий набор 120 может быть использован для обучения (например, подгонки или настройки) модели машинного обучения, тогда как испытательный набор 125 может быть использован для оценки модели машинного обучения, которая обучена с использованием обучающего набора 120. Например, для обучения с учителем испытательный набор 125 может быть использован для начального обучения модели с использованием первого поднабора наблюдений, и испытательный набор 125 может быть использован для испытания обученной модели на предмет точного прогнозирования целевых переменных во втором поднаборе наблюдений. В некоторых вариантах осуществления система машинного обучения может разбивать набор наблюдений на обучающий набор 120 и испытательный набор 125 путем включения первой части или первой процентной доли набора наблюдений в обучающий набор 120 (например, 75%, 80% или 85% среди прочих примеров) и включения второй части или второй процентной доли набора наблюдений в испытательный набор 125 (например, 25%, 20% или 15% среди прочих примеров). В некоторых вариантах осуществления система машинного обучения может случайным образом выбирать наблюдения для включения в обучающий набор 120 и/или испытательный набор 125. [39] [0033] Как показано ссылочной позицией 130, система машинного обучения может обучать модель машинного обучения с использованием обучающего набора 120. Это обучение может включать исполнение системой машинного обучения алгоритма машинного обучения для определения набора параметров модели на основе обучающего набора 120. В некоторых вариантах осуществления алгоритм машинного обучения может включать алгоритм регрессии (например, линейной регрессии или логистической регрессии), который может включать регуляризованный алгоритм регрессии (например, лассо-регрессию (LASSO, Least Absolute Shrinkage and Selection Operator), гребневую регрессию (ридж-регрессию) или регрессию эластичной сети (Elastic-Net)). Дополнительно или в качестве альтернативы алгоритм машинного обучения может включать алгоритм дерева принятия решения, который может включать алгоритм ансамбля деревьев (например, формируемый с использованием бэггинга и/или бустинга), алгоритм случайного леса или алгоритм бустированных деревьев. Параметр модели может включать атрибут модели машинного обучения, который изучается на основе данных, введенных в модель (например, обучающего набора 120). Например, для алгоритма регрессии параметр модели может включать коэффициент регрессии (например, вес). Для алгоритма дерева принятия решения параметр модели может включать, например, местоположение расщепления дерева принятия решения. [40] [0034] Как показано ссылочной позицией 135, система машинного обучения может использовать один или более наборов 140 гиперпараметров для настройки модели машинного обучения. Гиперпараметр может включать структурный параметр, который управляет исполнением алгоритма машинного обучения системой машинного обучения, например, ограничение, накладываемое на алгоритм машинного обучения. В отличие от параметра модели гиперпараметр не изучается на основе данных, введенных в модель. В число примеров гиперпараметра для алгоритма регуляризованной регрессии входит строгость (например, вес) штрафа, накладываемого на коэффициент регрессии, чтобы смягчить переподгонку модели машинного обучения под обучающий набор 120. Штраф может налагаться на основе размера значения коэффициента (например, для лассо-регрессии таким образом, чтобы штрафовать большие значения коэффициента), может налагаться на основе возведенного в квадрат размера значения коэффициента (например, для ридж-регрессии таким образом, чтобы штрафовать большие квадраты значений коэффициента), может налагаться на основе отношения размера и возведенного в квадрат размера (например, для регрессии эластичной сети) и/или может налагаться путем установки на нуль одного или более значения признака (например, для автоматического выбора признака). В число примеров гиперпараметров для алгоритма дерева принятия решения входят применяемый метод ансамблирования деревьев (например, бэггинг, бустинг, алгоритм случайного леса и/или алгоритм бустированных деревьев), количество оцениваемых признаков, количество используемых наблюдений, максимальная глубина каждого дерева принятия решения для включения в алгоритм случайного леса. [41] [0035] Для обучения модели машинного обучения система машинного обучения может идентифицировать набор алгоритмов машинного обучения, подлежащих обучению (например, на основе ввода оператора, который идентифицирует один или более алгоритмов машинного обучения, и/или на основе случайного выбора набора алгоритмов машинного обучения), и может обучить набор алгоритмов машинного обучения (например, независимо для каждого алгоритма машинного обучения в наборе) с использованием обучающего набора 120. Система машинного обучения может настраивать каждый алгоритм машинного обучения с использованием одного или более набора 140 гиперпараметров (например, на основе ввода оператора, который идентифицирует наборы 140 гиперпараметров, подлежащих использованию, и/или на основе случайного генерирования значений гиперпараметров). Система машинного обучения может обучить конкретную модель машинного обучения с использованием конкретного алгоритма машинного обучения и соответствующего набора 140 гиперпараметров. В некоторых вариантах осуществления система машинного обучения может обучать несколько моделей машинного обучения, чтобы сформировать набор параметров модели для каждой модели машинного обучения, причем каждая модель машинного обучения соответствует различной комбинации алгоритма машинного обучения и набора 140 гиперпараметров для этого алгоритма машинного обучения. [42] [0036] В некоторых вариантах осуществления во время обучения модели машинного обучения система машинного обучения может выполнять перекрестную проверку. Перекрестная проверка может быть использована для получения надежной оценки эффективности модели машинного обучения с использованием только обучающего набора 120 и без использования испытательного набора 125, например, путем разбиения обучающего набора 120 на ряд групп (например, на основе ввода оператора, который идентифицирует ряд групп, и/или на основе случайного выбора ряда групп) и путем использования этих групп для оценки эффективности модели. Например, используя k-кратную перекрестную проверку наблюдения в обучающем наборе 120 могут быть разбиты на k групп (например, по порядку или случайным образом). Для процедуры обучения одна группа может быть помечена как группа удержания, а остальные группы могут быть помечены как обучающие группы. Для процедуры обучения система машинного обучения может обучать модель машинного обучения на обучающих группах, а затем испытывать модель машинного обучения на группе удержания, чтобы сформировать оценку перекрестной проверки. Система машинного обучения может повторять эту процедуру обучения с использованием различных групп удержания и различных обучающих групп, чтобы сформировать оценку перекрестной проверки для каждой процедуры обучения. В некоторых вариантах осуществления система машинного обучения может независимо обучать модель машинного обучения k раз, причем каждая отдельная группа используется как группа удержания после того, как она k-1 раз использовалась в качестве обучающей группы. Система машинного обучения может объединять оценки перекрестной проверки для каждой процедуры обучения, чтобы сформировать общую оценку перекрестной проверки для модели машинного обучения. Общая оценка перекрестной проверки может включать, например, среднюю оценку перекрестной проверки (например, по всем процедурам обучения), стандартное отклонение оценок перекрестной проверки или стандартную ошибку оценок перекрестной проверки. [43] [0037] В некоторых вариантах осуществления во время обучения модели машинного обучения система машинного обучения может выполнять перекрестную проверку путем разбиения обучающего набора на ряд групп (например, на основе ввода оператора, который идентифицирует ряд групп, и/или на основе случайного выбора ряда групп). Система машинного обучения может выполнять несколько процедур обучения и может формировать оценку перекрестной проверки для каждой процедуры обучения. Система машинного обучения может формировать общую оценку перекрестной проверки для каждого набора 140 гиперпараметров, связанного с конкретным алгоритмом машинного обучения. Система машинного обучения может сравнивать общие оценки перекрестной проверки для различных наборов 140 гиперпараметров, связанных с конкретным алгоритмом машинного обучения, и может выбирать набор 140 гиперпараметров с лучшей (например, с самой высокой точностью, с наименьшей ошибкой или самой близкой к требуемому пороговому значению) общей оценкой перекрестной проверки для обучения модели машинного обучения. Система машинного обучения может затем обучать модель машинного обучения с использованием выбранного набора 140 гиперпараметров без перекрестной проверки (например, с использованием всех данных в обучающем наборе 120 без каких-либо групп удержания), чтобы сформировать одну модель машинного обучения для конкретного алгоритма машинного обучения. Система машинного обучения может затем испытать эту модель машинного обучения с использованием испытательного набора 125, чтобы сформировать оценку эффективности, например, среднеквадратичную ошибку (например, для регрессии), среднюю абсолютную ошибку (например, для регрессии) или площадь под кривой рабочей характеристики приемника (например, для классификации). Если модель машинного обучения выполняется адекватно (например, с оценкой эффективности, которая удовлетворяет пороговому значению), то система машинного обучения может сохранить эту модель машинного обучения в качестве обученной модели 145 машинного обучения, которая будет использована для анализа новых наблюдений, как описано ниже со ссылкой на фиг. 1B. [44] [0038] В некоторых вариантах осуществления система машинного обучения может выполнять перекрестную проверку, как описано выше, для нескольких алгоритмов машинного обучения (например, независимо), таких как регуляризованный алгоритм регрессии, регуляризованные алгоритмы регрессии различных типов, алгоритм дерева принятия решения или алгоритмы дерева принятия решения различных типов. На основе выполнения перекрестной проверки для нескольких алгоритмов машинного обучения система машинного обучения может сформировать несколько моделей машинного обучения, где каждая модель машинного обучения имеет лучшую общую оценку перекрестной проверки для соответствующего алгоритма машинного обучения. Система машинного обучения может затем обучать каждую модель машинного обучения с использованием всего обучающего набора 120 (например, без перекрестной оценки), и может испытывать каждую модель машинного обучения с использованием испытательного набора 125, чтобы сформировать соответствующую оценку эффективности для каждой модели машинного обучения. Модель машинного обучения может сравнивать оценки эффективности для каждой модели машинного обучения и может выбирать модель машинного обучения с наилучшей (например, с самой высокой точностью, с самой низкой ошибкой или самой близкой к требуемому пороговому значению) оценкой эффективности в качестве обученной модели 145 машинного обучения. [45] [0039] Как указано выше, на фиг. 1А приведен пример. Другие примеры могут отличаться от описанного со ссылкой на фиг. 1А. Например, модель машинного обучения может быть обучена с использованием процесса, который отличается от описанного со ссылкой на фиг. 1A. Дополнительно или в качестве альтернативы модель машинного обучения может использовать алгоритм машинного обучения, который отличается от описанного со ссылкой на фиг. 1А, например, алгоритм байесовской оценки, алгоритм k-ближайших соседей, априорный алгоритм, алгоритм k-средних, алгоритм метода опорных векторов, алгоритм нейронной сети (например, алгоритм сверточной нейронной сети) и/или алгоритм глубокого обучения. [46] [0040] На фиг. 1B приведена схема, иллюстрирующая пример применения обученной модели машинного обучения для нового наблюдения, связанного с идентификацией пола цыпленка. Новое наблюдение может быть введено в систему машинного обучения, которая хранит обученную модель 145 машинного обучения, например, обученную модель 145 машинного обучения, описанную выше со ссылкой на фиг. 1А. Система машинного обучения может включать компьютерное устройство, сервер или облачную вычислительную среду, такую как система 200 установления пола птицы на фиг. 2, или может быть включена в них. [47] [0041] Как показано ссылочной позицией 160, система машинного обучения может принимать новое наблюдение (или набор новых наблюдений) и может вводить новое наблюдение в модель машинного обучения. Как показано, новое наблюдение может включать первый признак «наличия крыла», второй признак «видимости оперения», третий признак «рисунка оперения» и т.д., в качестве примера. Система машинного обучения может применять обученную модель 145 машинного обучения к новому наблюдению для формирования выходных данных 170 (например, результата). Тип выходных данных может зависеть от типа модели машинного обучения и/или типа выполняемой задачи машинного обучения. Например, выходные данные 170 могут включать прогнозируемое (например, оценочное) значение целевой переменной (например, значение в пределах непрерывного диапазона значений, дискретное значение, метку, класс или классификацию), например, когда используют обучение с учителем. Дополнительно или в качестве альтернативы выходные данные 170 могут включать информацию, которая идентифицирует кластер, к которому принадлежит новое наблюдение, и/или информацию, которая указывает степень схожести между новым наблюдением и одним или более предыдущим наблюдением (например, которые ранее могли быть новыми наблюдениями, введенными в модель машинного обучения, и/или наблюдениями, использованными для обучения модели машинного обучения), например, когда используют обучение без учителя. [48] [0042] В некоторых вариантах осуществления обученная модель 145 машинного обучения может предсказывать значение «самка" для целевой переменной пола для нового наблюдения, как показано ссылочной позицией 180. На основе этого предсказания (например, на основе значения, имеющего конкретную метку или классификацию, или на основе значения, удовлетворяющего или неудовлетворяющего пороговому значению) система машинного обучения может предоставить рекомендацию и/или выходные данные для определения рекомендации, например, предоставить указание, что цыпленок является самкой. Дополнительно или в качестве альтернативы система машинного обучения может выполнить автоматизированное действие и/или может вызвать выполнение автоматизированного действия (например, путем инструктирования другого устройства для выполнения автоматизированного действия), например, автоматически отсортировать цыпленка в лоток для самок. В качестве другого примера, если система машинного обучения должна была предсказать значение «неизвестно» или аналогичное для целевой переменной пола, то система машинного обучения может предоставить другую рекомендацию (например, «вручную проверить пол») и/или может выполнить или вызвать выполнение другого автоматизированного действия (например, автоматическую сортировку цыпленка в лоток «неизвестно»). В некоторых вариантах осуществления рекомендация и/или автоматизированное действие может быть основано на значении целевой переменной, имеющем конкретную метку (например, классификацию или категоризацию), и/или может быть основано на том, удовлетворяет ли значение целевой переменной одному или более пороговым значениям (например, является ли значение целевой переменной большим, чем пороговое значение, меньшим, чем пороговое значения, равно ли пороговому значению или попадает ли оно в диапазон пороговых значений). [49] [0043] Таким образом, система машинного обучения может применять тщательный и автоматизированный процесс для определения пола цыпленка. Система машинного обучения позволяет распознавать и/или идентифицировать десятки, сотни, тысячи и миллионы признаков и/или значения признаков для десятков, сотен, тысяч и миллионов наблюдений, тем самым повышая точность и согласованность и снижая задержку, связанную с установлением пола цыпленка, по сравнению с тем, если бы требуемые ресурсы (вычислительные или для выполняемых вручную действий) были выделены десяткам, сотням и тысячам операторов для ручного определения пола с использованием признаков или значений признаков. [50] [0044] Как указано выше, фиг. 1B приведена в качестве примера. Другие примеры могут отличаться от описанного со ссылкой на фиг. 1B. [51] [0045] На фиг. 2A показана система 200 установления пола птицы для точной идентификации пола цыпленка в соответствии с некоторыми вариантами осуществления настоящей концепции изобретения. Система 200 установления пола птицы включает в себя систему 210 направления, систему 220 формирования изображения, систему 230 управления позой, устройство 240 гендерного обозначения и систему 250 сортировки. Чтобы упростить обсуждение, а не ограничить настоящее раскрытие, фиг. 2A иллюстрирует только одну систему 210 направления, систему 220 формирования изображения, систему 230 управления позой, устройство 240 гендерного обозначения и систему 250 сортировки, хотя их может использоваться несколько. Кроме того, любая из этих систем/элементов может быть объединена или также отделена в пределах объема настоящего изобретения. [52] [0046] Любое из вышеупомянутых устройств, компонентов или систем системы 200 установления пола птицы может осуществлять связь через сеть (не показана). Например, сеть может включать любой тип сети связи, такой как одна или более из глобальной сети (WAN), локальной сети (LAN), сотовой сети (например, LTE, HSPA, 3G и других технологий сотовой связи), специальной сети, спутниковой сети, проводной сети, беспроводной сети и так далее. В некоторых вариантах осуществления сеть может включать интернет. Кроме того, следует понимать, что любые два или более из системы 210 направления, системы 220 формирования изображения, системы 230 управления позой, устройства 240 гендерного обозначения и системы 250 сортировки могут быть объединены друг с другом или могут быть отделены от системы 200 установления пола птицы. [53] [0047] Система 210 направления облегчает направление, расположение и/или ориентацию цыплят как часть процесса идентификации пола, выполняемого системой 200 установления пола птицы. Система 210 направления может определять путь, по которому могут проходить один или более цыплят. Путь может включать любую физическую конструкцию, определяющую в целом заранее запланированный маршрут или дорожку. Например, путь может включать в себя статическую конструкцию (например, наклонный лоток) с наклонной поверхностью, по которой цыпленок может перемещаться или скользить для прохода по пути. В качестве другого примера, путь может включать в себя динамическую конструкцию (например, конвейерную ленту), которая транспортирует цыпленка по пути. В качестве другого примера путь может включать в себя любой маршрут или дорожку для направления или сортировки цыпленка в требуемое место. [54] [0048] Путь может включать в себя один или более раздражителей, которые побуждают или вызывают переход цыпленка в открытую позицию. Например, комбинация одной или более из скорости прохода по пути, наклона пути и/или ощущения падения, возникающего в результате прохода по пути, может привести к тому, что цыпленок расправит свои крылья, по меньшей мере временно. В случаях, в которых путь включает в себя наклонный лоток, наклонный лоток может включать в себя один или более перепадов по высоте или секций увеличения/уменьшения ускорения, которые увеличивают вероятность того, что цыпленок будет рефлекторно расправлять свои крылья. Аналогично, в случаях, в которых путь содержит конвейерную ленту, маршрут конвейерной ленты может включать один или более перепадов высоты, вибрацию ленты или части увеличения/уменьшения скорости, которые увеличивают вероятность того, что цыпленок будет рефлекторно расправлять свои крылья. В качестве еще одного примера система 210 направления может включать в себя по меньшей мере одно устройство для стимуляции на пути для побуждения цыпленка рефлекторно расправлять свои крылья. Устройство для стимуляции может включать в себя, но не ограничиваясь этим, распылитель текучей среды (например, для ударного распыления воздуха или воды) или шумовую машину. В некоторых случаях устройство для стимуляции преимущественно побуждает цыпленка к расправлению или вытягиванию по меньшей мере одного из его крыльев, например, путем осторожного раздражения цыпленка. [55] [0049] Как описано, раздражитель может увеличить вероятность того, что цыпленок будет вытягивать по меньшей мере одно из своих крыльев; однако в некоторых ситуациях раздражитель может фактически не вызывать у цыпленка вытягивания по меньшей мере одного из его крыльев. Таким образом, для дальнейшего увеличения вероятности того, что цыпленок будет вытягивать по меньшей мере одно из своих крыльев по меньшей мере один раз во время своего прохода по пути, система 210 направления может включать в себя множество раздражителей и/или постоянный раздражитель (например, большой перепад высоты). В некоторых вариантах осуществления по меньшей мере два из раздражителей представляют собой различные типы раздражителей (например, перепад высоты, подъем, увеличение скорости, уменьшение скорости, ударное воздействие жидкости и т.д.), чтобы увеличить вероятность того, что цыпленок перейдет в открытую позицию по меньшей мере один раз во время прохода по пути. [56] [0050] Аналогично, один или более раздражителей могут побуждать цыпленка к расположению и/или ориентации в подходящую позу. Как описано, поза цыпленка может влиять на то, можно ли использовать изображение цыпленка для надежного определения пола. Таким образом, для системы 210 направления может быть предпочтительно использовать подходящую позу. Как более подробно описано ниже, подходящая поза может включать любую позу, из которой может быть определено надежное гендерное обозначение (например, с точностью X%). Например, подходящая поза может включать, но не ограничиваясь этим, цыпленка, расположенного в конкретном направлении (например, к камере, от камеры и т.д.), пороговую часть (например, более 50%, 35% и т.д.) цыпленка, показываемого на изображении, цыпленок не согнут или не сгорблен, или крыло цыпленка, расположенное в конкретном направлении (например, к камере, от камеры и т.д.). [57] [0051] Система 220 формирования изображения может получать одно или более изображений (или видеопотоков) одного или более цыплят. Например, система 220 формирования изображения может включать в себя одну или более камер, выполненных с возможностью захвата одного или более изображений, и/или может содержать процессор, выполненный с возможностью получения одного или более изображений, например, из локального или удаленного хранилища. В некоторых случаях система 220 формирования изображения получает множество изображений цыпленка, соответствующих дискретному периоду времени, за который цыпленок проходит по пути, определенному системой 210 направления. В некоторых вариантах осуществления система 220 формирования изображения может захватывать изображение сцены, которая включает цыпленка, при заранее заданных интервалах времени, таких как каждые X миллисекунд, X секунд и т.д. Например, множество изображений может представлять собой временную последовательность изображений, соответствующих скорости передачи кадров, составляющей X кадров в секунду. В дополнение или в качестве альтернативы, множество изображений может соответствовать моментам времени, в которые цыпленок, вероятно, находится в подходящей позе, таким как момент, связанный с раздражителями, предназначенными для побуждения или вызова у цыпленка расправления или вытягивания по меньшей мере одного из его крыльев. Путем получения множества изображений, соответствующих дискретному периоду времени, в котором цыпленок проходит по пути, система 220 формирования изображения преимущественно увеличивает вероятность получения изображений, из которых может быть определено точное гендерное обозначение (например, с точностью X%). [58] [0052] Система 220 формирования изображения может захватывать изображения. Например, система 220 формирования изображения может включать в себя одно или более устройств для захвата изображения, которые могут включать один или несколько типов камер и/или осветительных приборов, в том числе, но не ограничиваясь этим, традиционные системы формирования изображения, использующие RGB-камеры и/или черно-белые камеры с широким спектром (например, белое) освещения. В качестве еще одного примера, одно или более устройств для захвата изображения могут включать специализированное аппаратное обеспечение (например, для усиления контраста перьев). В некоторых случаях система 220 формирования изображения может быть реализована в виде камеры компании Imaging Development Systems (IDS). Например, камера IDS может быть высокопроизводительной, простой в обращении USB-, GigE- и 3D-камерой с большим диапазоном датчиков и вариантов, и/или камера IDS может быть камерой особого типа, которая адаптирована для работы в суровых условиях (например, при высоких температурах, давлении и вибрации). В качестве еще одного примера система 220 формирования изображения может быть реализована в виде камеры ОАК. Например, камера OAK может включать в себя программное обеспечение OAK API и один или более различных типов аппаратных средств (например, OAK-1 и OAK-D). Камера OAK может быть крошечной камерой с искусственным интеллектом (AI) и компьютерным зрением (CV), при этом OAK-D обеспечивает пространственный AI, используя глубину стерео в дополнение к камере 4K/30 12MP, которую используют обе модели. [59] [0053] Система 220 формирования изображения может хранить все захваченные изображения. В альтернативном варианте осуществления система 220 формирования изображения может хранить только некоторые выбранные захваченные изображения. Например, система 220 формирования изображения может обрабатывать или заранее обрабатывать изображения в реальном времени или почти в реальном времени, чтобы идентифицировать, какие изображения, если таковые имеются, показывают цыпленка, имеющего подходящую позу. Система 220 формирования изображения может захватывать изображения цыпленка во время его прохода по пути. Множество изображений может быть передано системе 230 управления позой и/или устройству 240 гендерного обозначения для обработки изображения (например, с использованием алгоритма машинного обучения) и/или отображения. Множество изображений может включать последовательность изображений, снятых за заранее заданный период времени, такой как период времени, за который цыпленок проходит по пути, определенному системой 210 направления (например, +/- смещение). [60] [0054] Система 230 управления позой может получать изображения от системы 220 формирования изображения и может обрабатывать изображения (например, в реальном времени или почти в реальном времени) для определения того, содержит ли изображение цыпленка и/или удовлетворяет ли поза цыпленка критериям позы. Таким образом, система 230 управления позой может оценивать изображение для определения того, может ли изображение быть пригодным для использования для точного определения пола цыпленка. Система 230 управления позой может оценивать изображение для определения того, является ли изображение подходящим или неподходящим. В некоторых вариантах осуществления система 230 управления позой определяет, что изображение является подходящим, по меньшей мере частично на основе определения, что изображение, вероятно, может быть пригодным для использования для точного определения пола цыпленка, или на основе определения, что цыпленок на изображении удовлетворяет критериям позы. Как следствие, система 230 управления позой может определить, что изображение является неподходящим, основываясь по меньшей мере частично на определении того, что изображение вряд ли будет пригодным для использования для точного определения пола цыпленка, или на определении того, что цыпленок на изображении не удовлетворяет критериям позы. В некоторых случаях система 230 управления позой определяет, что изображение является подходящим, если птица находится в определенном месте в системе 210 направления (например, примерно на 1/3 пути вниз по наклонному лотку и примерно на 2 дюйма (5 см) дальше конца наклонного лотка) или в определенном поле обзора камеры. [61] [0055] Система 230 управления позой может использовать различные критерии, которые могут быть упомянуты как «критерии позы», для определения того, является ли изображение подходящим или неподходящим. Например, если поза цыпленка удовлетворяет критериям позы, система 230 управления позой может определить, что изображение является подходящим. Как следствие, если поза цыпленка не удовлетворяет критериям позы, система 230 управления позой может определить, что изображение является неподходящим. Критерии позы могут включать, но не ограничиваясь этим, одно или более из пороговых значений позы тела, пороговых значений ориентации тела, пороговых значений положения тела, пороговых значений позы крыла, пороговых значений ориентации крыла, пороговых значений положения крыла, пороговых значений наличия тела и т.д. Критерии позы могут динамически определять, является ли изображение подходящим на основе любой одной или любой комбинации: позы тела, позы крыла, видимости кроющих и/или первичных перьев и так далее. [62] [0056] В качестве примера критерии позы могут включать пороговое значение позы тела. Пороговое значение позы тела может соответствовать позе тела цыпленка, что облегчает определение пола. Например, система 230 управления позой может определить, что пороговое значение позы тела удовлетворено по меньшей мере частично на основании определения того, что цыпленок полностью или существенно присутствует на изображении. В качестве другого примера, система 230 управления позой может определить, что пороговое значение позы тела удовлетворено по меньшей мере частично на основе определения того, что цыпленок стоит (например, в отличие от согнутого или сгорбленного цыпленка). В качестве другого примера, система 230 управления позой может определить, что пороговое значение позы тела удовлетворено по меньшей мере частично на основании определения того, что цыпленок расположен в конкретном направлении, например, к камере, в сторону от камеры, так что крыло расположено к камере и т.д. Как следствие, система 230 управления позой может определить, что пороговое значение позы тела не удовлетворено по меньшей мере частично на основании определения того, что цыпленок частично присутствует на изображении, цыпленок согнут или сгорблен, или цыпленок расположен в конкретном направлении, например, в сторону от камеры, так что крыло не расположено к камере и т.д. [63] [0057] В качестве еще одного примера критерии позы могут включать пороговое значение ориентации тела. Например, система 230 управления позой может определить, что пороговое значение ориентации тела удовлетворено по меньшей мере частично на основании определения того, что ориентация цыпленка на изображении способствует точному определению пола. В качестве еще одного примера критерии позы могут включать пороговое значение положения тела. Например, система 230 управления позой может определить, что пороговое значение положения тела удовлетворено по меньшей мере частично на основании определения того, что положение цыпленка на изображении способствует точному определению пола. [64] [0058] В качестве еще одного примера, критерии позы могут включать пороговое значение позы крыла, пороговое значение ориентации крыла или пороговое значение положения крыла. Например, система 230 управления позой может определять, что пороговое значение позы крыла, пороговое значение ориентации крыла или пороговое значение положения крыла удовлетворено по меньшей мере частично на основании определения того, что поза (например, положение и/или ориентация) по меньшей мере одного крыла цыпленка на изображении способствует точному определению пола. Например, пороговое значение позы крыла может быть определено как удовлетворительное по меньшей мере частично на основании наличия вытянутого (или частично вытянутого) крыла. В качестве другого примера, пороговое значение позы крыла может быть определено как удовлетворительное по меньшей мере частично на основании наличия или доступности для идентификации кроющих и/или первичных перьев на крыле. Как следствие, пороговое значение позы крыла может быть определено как неудовлетворительное по меньшей мере частично на основании отсутствия вытянутого (или частично вытянутого) крыла или отсутствия или неспособности для идентификации кроющих и/или первичных перьев на крыле. Система 230 управления позой может включать в себя модуль 232 обнаружения крыла (например, модель/алгоритм машинного обучения), который облегчает определение наличия вытянутого крыла цыпленка, поскольку крылья, удерживаемые близко к телу, не приемлемы для обнаружения или идентификации перьев. [65] [0059] В случае, если система 230 управления позой определяет, что изображение является неподходящим (например, по меньшей мере частично на основании критериев позы), система 230 управления позой может принимать одно или более решений. Например, система 230 управления позой может определить, что изображение не следует оценивать для определения пола цыпленка. Таким образом, система 230 управления позой может определить, следует ли отбрасывать, игнорировать или не выбирать изображение или данные, связанные с изображением. В качестве еще одного примера система 230 управления позой может определить, что определение пола, связанное с изображением, должно иметь более низкое значение взвешивания или более низкий параметр достоверности, чем определения пола, связанные с подходящими изображениями. [66] [0060] В случае, если система 230 управления позой определяет, что изображение является подходящим (например, по меньшей мере частично на основании критериев позы), система 230 управления позой может принимать одно или более решений. Например, система 230 управления позой может определить, что изображение должно быть оценено для определения пола цыпленка. Таким образом, система 230 управления позой может принимать решение об использовании или выборе изображения или данных, связанных с изображением. В качестве еще одного примера система 230 управления позой может определить, что определение пола, связанное с изображением, должно иметь более высокое значение взвешивания или более высокий параметр достоверности, чем определения пола, связанные с неподходящими изображениями. [67] [0061] Как описано в настоящем документе, система 230 управления позой может принимать одно или множество изображений (например, видеопоток). Система 230 управления позой может выбирать по меньшей мере одно изображение из множества изображений. В некоторых случаях система 230 управления позой может выбирать изображение в соответствии с политикой выбора изображения. Например, политика выбора изображения может указывать выбор «лучшего» изображения, где лучшее изображение может быть определено как изображение, из которого может быть определено наиболее точное или наиболее достоверное предсказание пола. В качестве еще одного примера политика выбора изображения может указывать выбор изображения, которое удовлетворяет критериям позы, как описано в настоящем документе. Кроме того, в качестве еще одного примера, политика выбора изображения может указывать выбор изображения, которое соответствует конкретному времени или конкретной позе (например, наличие вытянутого крыла). Политика выбора изображения может указывать не выбирать какое-либо изображение, если ни одно из изображений, например, если ни одно из множества изображений не удовлетворяет критериям позы. [68] [0062] Устройство 240 гендерного обозначения может определять пол цыпленка и/или параметр достоверности, связанный с определением пола. В некоторых случаях устройство 240 гендерного обозначения может определять несколько гендерных обозначений для одного цыпленка. Например, как описано, система 220 формирования изображения может получать множество изображений цыпленка, проходящего по пути системы 210 направления. В некоторых таких случаях устройство 240 гендерного обозначения может формировать определение пола для одного, некоторых или каждого из множества изображений. Кроме того, в некоторых случаях устройство 240 гендерного обозначения может формировать определение пола для одного или обоих крыльев цыпленка. В качестве неограничивающего примера, в некоторых случаях правое крыло цыпленка может указывать, что цыпленок является самцом с достоверностью 75%, тогда как левое крыло цыпленка может указывать, что цыпленок является самцом с достоверностью 82%. [69] [0063] Устройство 240 гендерного обозначения может определять пол цыпленка с использованием любого из множества методов. Например, в некоторых случаях устройство 240 гендерного обозначения реализует методы обнаружения перьев для определения наличия или отсутствия кроющих и первичных перьев на крыле. Кроме того, устройство 240 гендерного обозначения может оценивать один или более гендерных признаков кроющих и первичных перьев, чтобы определить, является ли цыпленок самцом или самкой. Гендерные признаки могут включать, но не ограничиваясь этим, длину одного или более из первичных перьев, длину одного или более из кроющих перьев или соотношение между одним или более первичными перьями и одним или более кроющими перьями. Соотношение может включать сравнение относительного размера или длины, например, какое из первичных или кроющих перьев длиннее. Например, как описано в настоящем документе, если первичные перья длиннее, чем кроющие перья, то цыпленок является самкой, и если первичные перья и кроющие перья имеют одинаковую длину, или первичные перья короче, чем кроющие перья, то цыпленок является самцом. [70] [0064] В некоторых вариантах осуществления одна или более частей определения пола могут включать любой один или более из различных методов машинного обучения, таких как машинное обучение с учителем (например, деревья принятия решений, ближайший сосед, методы опорных векторов, нейронные сети, наивный классификатор Байеса и т.д.) и/или машинное обучение без учителя (например, кластеризация, анализ главных компонент и т.д.). В качестве неограничивающего примера, подход машинного обучения с учителем может быть использован для обучения нейронной сети для идентификации и классификации кроющих и первичных перьев. В некоторых таких случаях алгоритм ML может включать один или более уровней для принятия решений на основе представляющих интерес признаков на цыплятах, видимых на изображении. Каждый уровень оценивает изображение и принимает решение, основанное на ранее обученных данных, и предоставляет это решение в основной алгоритм. Представляющие интерес признаки включают положение тела цыпленка, ориентацию тела, наличие вытянутых крыльев, наличие/идентификацию кроющих и первичных перьев на крыльях, а также характеристики кроющих и первичных перьев, которые являются индикаторами пола. Решения по этим признакам используются вместе для оценки пола цыпленка и качества/достоверности этого решения. Если несколько изображений содержат объективные данные о поле цыпленка, то алгоритм объединяет данные из нескольких изображений, чтобы принять окончательное решение о поле цыпленка. [71] [0065] Система 250 сортировки может способствовать сортировке цыпленка согласно определению пола. В некоторых случаях система 250 сортировки включает в себя автоматизированное сортировочное устройство, которое автоматически сортирует цыплят на основе определения пола. Например, сортировочное устройство может автоматически сортировать или направлять цыплят в требуемое место, такое как специфичный гендерный лоток или курятник. В дополнение или в качестве альтернативы персонал может вручную отсортировать цыпленка согласно определению пола. [72] [0066] На фиг. 2B-2F показаны приведенные для примера сравнения перьев крыла самцов и самок цыплят. В частности, фиг. 2B и 2C иллюстрируют пример крыльев самок цыплят, в которых кроющие перья 204 короче, чем первичные перья 202. Кроме того, фиг. 2D-2F иллюстрируют пример крыльев самцов цыплят, в которых кроющие перья 204 имеют такую же длину, как первичные перья 202 (см. фиг. 2D) или длиннее, чем первичные перья 202 (см. фиг. 2E и 2F). [73] [0067] Установление пола птицы представляет собой способ различения пола птицы или других детенышей, например, для отделения самок цыплят или «молодняка» от самцов или «петушков». Установление пола по перьям представляет собой способ установления пола цыпленка, основанный на скорости роста перьев крыла цыпленка. В частности, если первичные перья цыпленка длиннее, чем его кроющие перья, цыпленок идентифицируется как самка; и если кроющие и первичные перья имеют одинаковую длину, или первичные перья короче, чем кроющие перья, то цыпленок идентифицируется как самец. Как описано в настоящем документе, установление пола по перьям вручную (например, когда обученный персонал физически расправляет крыло цыпленка вручную) может отрицательно сказаться на крыле цыпленка. Кроме того, установление пола по перьям вручную часто ненадежно в больших масштабах, например, из-за зрительной усталости или других проблем, связанных с человеческой ошибкой. [74] [0068] Для решения этих или других задач система 200 установления пола птицы может автоматически и точно идентифицировать пол цыпленка путем получения и обработки одного или более изображения цыпленка для идентификации гендерных признаков из крыла цыпленка и определения пола. Кроме того, поскольку установление пола по перьям включает осмотр вытянутого крыла цыпленка, система 200 установления пола птицы может реализовывать техники, заставляющие цыпленка рефлекторно вытягивать свои крылья, тем самым выгодно снижая вероятность травмирования цыплят во время установления пола по перьям по сравнению с расправлением крыльев цыпленка вручную. Кроме того, система 200 установления пола птицы преимущественно повышает скорость/эффективность производства, при котором определяется пол, повышает точность установления пола по перьям за счет уменьшения ошибки, связанной с участием человека, и облегчает установление пола цыпленка в больших масштабах. [75] [0069] На фиг. 3 изображена блок-схема приведенной для примера процедуры 300 для определения пола цыпленка в соответствии с приведенными для примера вариантами осуществления. Следует понимать, что элементы, описанные для процедуры 300, могут быть реализованы как системой 200 установления пола птицы, так и любой одной или любой комбинацией физической конструкции, аппаратных компонентов или вычислительных устройств, которые связаны с системой 200 установления пола птицы. Таким образом, следующий иллюстративный вариант осуществления не следует понимать как ограничивающий. [76] [0070] В блоке 302 система 200 установления пола птицы заставляет цыпленка проходить по заранее заданному пути. Как описано в настоящем документе, система 200 установления пола птицы может определять путь, по которому цыплята могут проходить в процессе определения пола. В некоторых случаях путь включает физическую конструкцию, определяющую, как правило, заранее запланированный маршрут или дорожку. Например, путь может включать в себя наклонный лоток или другую отрицательно наклонную трассу, канал, туннель и т.д., по которому цыпленок может перемещаться или может быть перемещен (например, посредством тележки, конвейерной ленты и т.д.). [77] [0071] Как описано в настоящем документе, путь может быть связан с одним или более раздражителями, предназначенным для провоцирования перехода цыпленка в открытую позицию (или оставаться в ней). Реализация раздражителя может варьироваться в зависимости от вариантов осуществления. Например, в некоторых случаях раздражитель может относиться к наклону или углу на пути, скорости, положению или ориентации цыпленка при его проходе по пути, или внешним действиям или мерам (например, шумы, выбросы воздуха или воды), которые влияют на цыпленка, проходящего по пути. В некоторых таких случаях цыпленок, путешествующий по пути, связанному с раздражителем, может получать ощущение (например, похожее на ощущение падения, испытываемое людьми), которое приводит к тому, что цыпленок рефлекторно раскрывает или расправляет свои крылья (например, для поддержания равновесия). Таким образом, один или более раздражителей могут побуждать, провоцировать или вызывать переход цыпленка в открытую позицию или оставаться в ней. Следует понимать, что раздражитель может быть пассивно связан с путем (например, кривой, наклоном или переходом пути). В дополнение или в качестве альтернативы, раздражитель может применяться или управляться системой 200 установления пола птицы (например, скорость, с которой цыпленок проходит по пути, вибрация конвейерной ленты, наличие/отсутствие внешнего действия и т.д.). [78] [0072] В блоке 304 система 200 установления пола птицы получает данные изображения, содержащие по меньшей мере одно изображение цыпленка. В некоторых случаях по меньшей мере одно изображение включает изображение цыпленка до и/или после того, как он пройдет по пути. В некоторых случаях по меньшей мере одно изображение включает изображение цыпленка во время его прохода по пути. Например, по меньшей мере одно изображение может включать изображение цыпленка вблизи (например, у или вскоре после) раздражителя, чтобы увеличить вероятность захвата изображения цыпленка в открытой позиции. В качестве другого примера, по меньшей мере одно изображение может включать последовательность изображений (например, при X кадрах в секунду) цыпленка при его проходе по пути, что может повысить вероятность того, что по меньшей мере одно из изображений показывает цыпленка в открытой позиции. В некоторых случаях система 200 установления пола птицы получает данные изображения в режиме реального времени. Например, система 200 установления пола птицы может принимать и обрабатывать изображения по мере того, как цыпленок проходит по пути. В некоторых случаях система 200 установления пола птицы получает данные изображения из хранилища данных. Например, данные формирования изображения могут храниться в локальном или удаленном хранилище данных, а система 200 установления пола птицы может извлекать из них данные формирования изображения. [79] [0073] В блоке 306 система 200 установления пола птицы выбирает по меньшей мере одно из множества изображений на основе политики выбора изображения. Как описано в настоящем документе, в некоторых случаях изображение цыпленка может не подходить для определения пола цыпленка. Например, гендерные признаки цыпленка могут быть скрыты на изображении. Таким образом, в некоторых случаях, как часть процесса фильтрации, система 200 установления пола птицы может идентифицировать и/или выбирать одно, некоторые или все изображения из множества изображений на основе политики выбора изображения. Например, политика выбора изображения может указывать выбор «лучшего» изображения, где лучшее изображение может быть определено как изображение, из которого может быть определено наиболее точное или наиболее достоверное предсказание пола. В качестве еще одного примера политика выбора изображения может указывать выбор изображения, которое удовлетворяет определенным критериям позы, как описано в настоящем документе. Кроме того, в качестве еще одного примера, политика выбора изображения может указывать выбор изображения, которое соответствует конкретному времени или конкретной позе (например, наличие вытянутого крыла). В некоторых случаях политика выбора изображения может указывать не выбирать какое-либо изображение, если ни одно из изображений, например, если ни одно из множества изображений, не удовлетворяет критериям позы. [80] [0074] В некоторых случаях для выбора по меньшей мере одного изображения система 200 установления пола птицы обрабатывает изображения (например, в реальном времени или почти в реальном времени) для определения того, включает в себя ли изображение цыпленка и/или удовлетворяет ли поза цыпленка критериям позы. Таким образом, система 200 установления пола птицы может оценивать изображение для определения того, может ли это изображение быть пригодным для использования для точного определения пола цыпленка. Система 200 установления пола птицы может оценивать изображение, чтобы определить, является ли изображение подходящим или неподходящим. В некоторых случаях система 200 установления пола птицы определяет, что изображение является подходящим, по меньшей мере частично на основе определения, что изображение, вероятно, может быть пригодным для использования для точного определения пола цыпленка, или на основе определения, что цыпленок на изображении удовлетворяет критериям позы. Как следствие, система 200 установления пола птицы может определить, что изображение является неподходящим, основываясь по меньшей мере частично на определении того, что изображение вряд ли будет пригодным для использования для точного определения пола цыпленка, или на определении того, что цыпленок на изображении не удовлетворяет критериям позы. В некоторых случаях выбор по меньшей мере одного изображения включает выбор одного, некоторых или всех изображений, которые идентифицированы как подходящие. [81] [0075] В блоке 308 система 200 установления пола птицы идентифицирует один или более гендерных признаков цыпленка на выбранном по меньшей мере одном изображении. Гендерные признаки могут включать, но не ограничиваясь этим, длину одного или более первичных перьев, длину одного или более кроющих перьев или соотношение между одним или более первичными перьями и одним или более кроющими перьями. Соотношение может включать сравнение относительного размера или длины, например, какое из первичных или кроющих перьев длиннее. [82] [0076] В блоке 310 система 200 установления пола птицы определяет пол на основе по меньшей мере частично одного или более гендерных признаков. Как описано в настоящем документе, цыпленок определяется как самка, если первичные перья цыпленка длиннее, чем его кроющие перья, цыпленок определяется как самец, если кроющие и первичные перья имеют одинаковую длину, или если первичные перья короче, чем кроющие перья. Как описано в настоящем документе, в некоторых случаях система 200 установления пола птицы может определять гендерное обозначение, связанное с каждым крылом, которое включает видимые гендерные признаки. [83] [0077] В блоке 312 система 200 установления пола птицы определяет параметр достоверности, связанный с определением пола в блоке 310. В некоторых случаях параметр достоверности представляет собой число от 0 до 1, которое представляет вероятность того, что выходные данные модели машинного обучения являются корректными и удовлетворяют запросу пользователя. Например, выходные данные системы 200 установления пола птицы (например, определение пола) могут состоять из одного или нескольких предсказаний. В некоторых таких случаях каждому предсказанию может быть присвоена оценка достоверности, причем чем выше оценка, тем более достоверным является определение пола системой 200 установления пола птицы. В некоторых вариантах осуществления оценка достоверности более 0,7 указывает, что предсказание является вероятно очень точным, тогда как оценка ниже 0,3 может указывать, что предсказание является неопределенным. [84] [0078] В блоке 314 цыпленок сортируется согласно определению пола и/или на основе параметра достоверности. В некоторых случаях система 200 установления пола птицы включает в себя автоматизированное сортировочное устройство. Например, сортировочное устройство может автоматически сортировать или направлять цыплят в требуемое место, такое как специфичный гендерный лоток или курятник. В качестве другого примера, система 200 установления пола птицы может не включать в себя автоматического сортировочного устройства. Скорее, может быть определено определение пола и/или параметр достоверности, и система 200 установления пола птицы может выводить индикацию (например, визуальное отображение, слышимый шум и т.д.) определения. В качестве реакции персонал может вручную сортировать цыплят согласно индикации, предоставленной системой 200 установления пола птицы. В некоторых случаях, например, когда параметр достоверности указывает неубедительный пол, цыпленок может быть отсортирован в отдельный лоток, соответствующий «неизвестному» полу, и/или процедура 300 может быть повторно запущена для повторной оценки цыпленка. [85] [0079] Меньшее количество блоков, большее количество блоков или различные блоки могут быть использованы как часть процедуры 300. В некоторых случаях один или более блок может отсутствовать. В некоторых вариантах осуществления блоки процедуры 300 могут быть объединены с любым одним или любой комбинацией других блоков процедуры 300. Кроме того, процедура 300 может быть выполнена несколько раз, например, десятки, сотни или тысячи раз, для одного и того же или разных цыплят. Например, система 200 установления пола птицы может выполнять процедуру 300 для каждого цыпленка из группы в сотни или тысячи цыплят. В некоторых таких случаях процедура 300 может выполняться одновременно или последовательно. Например, в некоторых случаях система 200 установления пола птицы выполняет процедуру 300 для одного цыпленка за раз, выполняя ее для каждого цыпленка последовательно. В качестве альтернативы, система 200 установления пола птицы может выполнять процедуру 300 одновременно для двух или более цыплят. Например, система 200 установления пола птицы может включать в себя несколько заранее заданных путей, по которым одновременно проходят один или более цыплят, или система 200 установления пола птицы может включать в себя один заранее заданный путь, по которому одновременно проходят несколько цыплят. В некоторых таких случаях (например, когда изображение содержит несколько цыплят) система 200 установления пола птицы может выполнять дополнительную обработку изображения для идентификации и/или отслеживания конкретного цыпленка на изображении. [86] [0080] В некоторых случаях система 200 установления пола птицы может выполнять процедуру 300 или части процедуры 300 для каждого изображения из множества изображений цыпленка, проходящего по пути. Например, система 200 установления пола птицы может получать изображение в реальном времени или почти в реальном времени и может выполнять один или более этапов процедуры 300 на полученном изображении до или независимо от получения любых других изображений. [87] [0081] На фиг. 4A-4F показаны приведенные для примера постобработанные виды сверху цыпленка 404, проходящего по приведенному для примера пути 402. На этих приведенных для примера чертежах путь 402 включает в себя наклонный лоток, и цыпленок 404 проходит вниз по пути 402 в обратной ориентации, последовательно проходя между изображениями, показанными на фиг. 4A-4F. На фиг. 4A-4F показаны примеры выходных данных системы 200 установления пола птицы в рамках выполнения процедуры 300. В этих примерах первичные перья цыпленка длиннее, чем его кроющие перья, и, таким образом, цыпленок идентифицируется как самка. [88] [0082] На фиг. 4A показан цыпленок 404 в первый раз, когда цыпленок 404 проходит по пути 402. Для этого изображения 410 система 200 установления пола птицы определила, что ни левое крыло 406L, ни правое крыло 406R цыпленка не находились в подходящей позе для определения пола. Таким образом, система 200 установления пола птицы не сформировала определение пола для фиг. 4A. [89] [0083] На фиг. 4B показан цыпленок 404 во второй раз, когда цыпленок 404 проходит по пути 402. Для этого изображения 420 система 200 установления пола птицы определила, что как левое крыло 406L, так и правое крыло 406R цыпленка находятся в подходящей позе для определения пола. Для левого крыла 406L система 200 установления пола птицы определила, что гендерные признаки 408L указывают, что цыпленок является самкой. Таким образом, система 200 установления пола птицы выводит присвоение 410L пола «самка» на основе гендерных признаков 408L левого крыла 406L. Кроме того, система 200 установления пола птицы определила параметр 412L достоверности, связанный с присвоением 410L пола, равным 0,93. Для правого крыла 406R система 200 установления пола птицы определила, что гендерные признаки 408R указывают, что цыпленок является самкой. Таким образом, система 200 установления пола птицы выводит присвоение 410R пола «самка» на основе гендерных признаков 408R правого крыла 406R. Кроме того, система 200 установления пола птицы определила параметр 412R достоверности, связанный с присвоением 410R пола, равным 0,90. [90] [0084] На фиг. 4C показан цыпленок 404 в третий раз, когда цыпленок 404 проходить по пути 402. Для этого изображения 430 система 200 установления пола птицы определила, что ни левое крыло 406L, ни правое крыло 406R цыпленка не находились в подходящей позе для определения пола. Таким образом, система 200 установления пола птицы не сформировала определение пола для фиг. 4C. [91] [0085] На фиг. 4D показан цыпленок 404 в четвертый раз, когда цыпленок 404 проходит по пути 402. Для этого изображения 440 система 200 установления пола птицы определила, что левое крыло 406L цыпленка находится в подходящей позе для определения пола. Однако система 200 установления пола птицы определила, что правое крыло 406R не находилось в подходящей позе для определения пола. Таким образом, система 200 установления пола птицы не сформировала определение пола для правого крыла 406R. Для левого крыла 406L система 200 установления пола птицы определила, что гендерные признаки 408L указывают, что цыпленок является самкой. Таким образом, система 200 установления пола птицы выводит присвоение 410L пола «самка» на основе гендерных признаков 408L левого крыла 406L. Кроме того, система 200 установления пола птицы определила параметр 412L достоверности, связанный с присвоением 410L пола, равным 0,91. [92] [0086] На фиг. 4E показан цыпленок 404 в пятый раз, когда цыпленок 404 проходит по пути 402. Для этого изображения 450 система 200 установления пола птицы определила, что ни левое крыло 406L, ни правое крыло 406R цыпленка не находились в подходящей позе для определения пола. Таким образом, система 200 установления пола птицы не сформировала определение пола для фиг. 4E. [93] [0087] На фиг. 4F показан цыпленок 404 в шестой раз, когда цыпленок 404 проходит по пути 402. Для этого изображения 460 система 200 установления пола птицы определила, что как левое крыло 406L, так и правое крыло 406R цыпленка находятся в подходящей позе для определения пола. Для левого крыла 406L система 200 установления пола птицы определила, что гендерные признаки 408L указывают, что цыпленок является самкой. Таким образом, система 200 установления пола птицы выводит присвоение 410L пола «самка» на основе гендерных признаков 408L левого крыла 406L. Кроме того, система 200 установления пола птицы определила параметр 412L достоверности, связанный с присвоением 410L пола, равным 0,93. Для правого крыла 406R система 200 установления пола птицы определила, что гендерные признаки 408R указывают, что цыпленок является самкой. Таким образом, система 200 установления пола птицы выводит присвоение 410R пола «самка» на основе гендерных признаков 408R правого крыла 406R. Кроме того, система 200 установления пола птицы определила параметр 412R достоверности, связанный с присвоением 410R пола, равным 0,91. [94] [0088] Как описано в настоящем документе, в некоторых случаях система 200 установления пола птицы может определять пол цыпленка 404, используя только одно изображение, например, любое из изображений 420, 440, 460 на фиг. 4B, 4D и 4F, соответственно. Альтернативно, в некоторых случаях система 200 установления пола птицы может определять пол цыпленка 404 с использованием данных из комбинации двух или более изображений. Например, система 200 установления пола птицы может взвешивать два или более определений на основе связанных параметров достоверности. В этом случае, например, поскольку каждое из изображений 420, 440, 460 указывает, что цыпленок является самкой, система 200 установления пола птицы может выводить общее определение пола «самка», и цыпленок может быть отсортирован соответствующим образом. [95] [0089] На фиг. 5A-4F показаны приведенные для примера постобработанные виды сверху цыпленка 504, проходящего по приведенному для примера пути 502. На этих приведенных для примера чертежах путь 502 включает в себя наклонный лоток, и цыпленок 504 проходит вниз по пути 502 в обратной ориентации, последовательно проходя между изображениями, показанными на фиг. 5A-5F. На фиг. 5A-5F показаны примеры выходных данных системы 200 установления пола птицы в рамках выполнения процедуры 300. В этих примерах первичные перья цыпленка короче, чем его кроющие перья, и, таким образом, цыпленок идентифицируется как самец. [96] [0090] На фиг. 5A показан цыпленок 504 в первый раз, когда цыпленок 504 проходит по пути 502. Для этого изображения 510 система 200 установления пола птицы определила, что как левое крыло 506L, так и правое крыло 506R цыпленка находятся в подходящей позе для определения пола. Для левого крыла 506L система 200 установления пола птицы определила, что гендерные признаки 508L указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510L пола «самец» на основе гендерных признаков 508L левого крыла 506L. Кроме того, система 200 установления пола птицы определила параметр 512L достоверности, связанный с присвоением 510L пола, равным 0,90. Для правого крыла 506R система 200 установления пола птицы определила, что гендерные признаки 508R указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510R пола «самец» на основе гендерных признаков 508R правого крыла 506R. Кроме того, система 200 установления пола птицы определила параметр 512R достоверности, связанный с присвоением 510R пола, равным 0,73. [97] [0091] На фиг. 5B показан цыпленок 504 во второй раз, когда цыпленок 504 проходит по пути 502. Для этого изображения 520 система 200 установления пола птицы определила, что правое крыло 506R цыпленка находится в подходящей позе для определения пола. Однако система 200 установления пола птицы определила, что левое крыло 506L не находилось в подходящей позе для определения пола. Таким образом, система 200 установления пола птицы не сформировала определение пола для правого крыла 506L. Для правого крыла 506R система 200 установления пола птицы определила, что гендерные признаки 508R указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510R пола «самец» на основе гендерных признаков 508R правого крыла 506R. Кроме того, система 200 установления пола птицы определила параметр 512R достоверности, связанный с присвоением 510R пола, равным 0,87. [98] [0092] На фиг. 5C показан цыпленок 504 в третий раз, когда цыпленок 504 проходит по пути 502. Для этого изображения 530 система 200 установления пола птицы определила, что как левое крыло 506L, так и правое крыло 506R цыпленка находятся в подходящей позе для определения пола. Для левого крыла 506L система 200 установления пола птицы определила, что гендерные признаки 508L указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510L пола «самец» на основе гендерных признаков 508L левого крыла 506L. Кроме того, система 200 установления пола птицы определила параметр 512L достоверности, связанный с присвоением 510L пола, равным 0,90. Для правого крыла 506R система 200 установления пола птицы определила, что гендерные признаки 508R указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510R пола «самец» на основе гендерных признаков 508R правого крыла 506R. Кроме того, система 200 установления пола птицы определила параметр 512R достоверности, связанный с присвоением 510R пола, равным 0,92. [99] [0093] На фиг. 5D показан цыпленок 504 в четвертый раз, когда цыпленок 504 проходит по пути 502. Для этого изображения 540 система 200 установления пола птицы определила, что как левое крыло 506L, так и правое крыло 506R цыпленка находятся в подходящей позе для определения пола. Для левого крыла 506L система 200 установления пола птицы определила, что гендерные признаки 508L указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510L пола «самец» на основе гендерных признаков 508L левого крыла 506L. Кроме того, система 200 установления пола птицы определила параметр 512L достоверности, связанный с присвоением 510L пола, равным 0,88. Для правого крыла 506R система 200 установления пола птицы определила, что гендерные признаки 508R указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510R пола «самец» на основе гендерных признаков 508R правого крыла 506R. Кроме того, система 200 установления пола птицы определила параметр 512R достоверности, связанный с присвоением 510R пола, равным 0,89. [100] [0094] На фиг. 5E показан цыпленок 504 в пятый раз, когда цыпленок 504 проходит по пути 502. Для этого изображения 550 система 200 установления пола птицы определила, что как левое крыло 506L, так и правое крыло 506R цыпленка находятся в подходящей позе для определения пола. Для левого крыла 506L система 200 установления пола птицы определила, что гендерные признаки 508L указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510L пола «самец» на основе гендерных признаков 508L левого крыла 506L. Кроме того, система 200 установления пола птицы определила параметр 512L достоверности, связанный с присвоением 510L пола, равным 0,82. Для правого крыла 506R система 200 установления пола птицы определила, что гендерные признаки 508R указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510R пола «самец» на основе гендерных признаков 508R правого крыла 506R. Кроме того, система 200 установления пола птицы определила параметр 512R достоверности, связанный с присвоением 510R пола, равным 0,90. [101] [0095] На фиг. 5F показан цыпленок 504 в шестой раз, когда цыпленок 504 проходит по пути 502. Для этого изображения 560 система 200 установления пола птицы определила, что как левое крыло 506L, так и правое крыло 506R цыпленка находятся в подходящей позе для определения пола. Для левого крыла 506L система 200 установления пола птицы определила, что гендерные признаки 508L указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510L пола «самец» на основе гендерных признаков 508L левого крыла 506L. Кроме того, система 200 установления пола птицы определила параметр 512L достоверности, связанный с присвоением 510L пола, равным 0,92. Для правого крыла 506R система 200 установления пола птицы определила, что гендерные признаки 508R указывают, что цыпленок является самцом. Таким образом, система 200 установления пола птицы выводит присвоение 510R пола «самец» на основе гендерных признаков 508R правого крыла 506R. Кроме того, система 200 установления пола птицы определила параметр 512R достоверности, связанный с присвоением 510R пола, равным 0,73. [102] [0096] Как описано в настоящем документе, в некоторых случаях система 200 установления пола птицы может определять пол цыпленка 504, используя только одно изображение. Альтернативно, в некоторых случаях система 200 установления пола птицы может определять пол цыпленка 504 с использованием данных из комбинации двух или более изображений. Например, система 200 установления пола птицы может взвешивать два или более определения на основе связанных параметров достоверности. В этом случае, например, поскольку каждое из изображений указывает, что цыпленок является самцом, система 200 установления пола птицы может выводить общее определение пола «самец», и цыпленок может быть отсортирован соответствующим образом. [103] [0097] На фиг. 6 представлена гистограмма 500, иллюстрирующая приведенные для примера соотношения между возрастом цыпленка и точностью установления пола с использованием методов и/или системы, описанных в настоящем документе. По оси X категорий стадо делится на три возрастные группы: старые, зрелые и молодые. По оси Y количеств отложена точность установления пола в процентах. [104] [0098] Для возрастной группы, обозначенной как «старые», включающей птиц с возрастным диапазоном больше или равным 58 дням, гистограмма указывает точность установления пола 96,3%. Возрастная группа, обозначенная как «зрелые», в которую входят цыплята в возрасте от 35 до 58 дней, демонстрирует уровень точности 98,5%. Возрастная группа, обозначенная как «молодые», представляющая птиц в возрасте от 0 до 30 дней, демонстрирует уровень точности установления пола 98,0%. [105] [0099] Данные, представленные на фиг. 6, были получены из двух проверочных испытаний, проведенных в системе. Первое испытание включало выборку из 61 800 птиц, а второе испытание охватывало 80 000 птиц. Процент точности, представленный на фиг. 6, основан на комбинированных результатах этих двух испытаний. [106] [00100] Следует признать, что возрастные категории или диапазоны для определения групп «молодые», «зрелые» и «старые» могут варьироваться в зависимости от различных вариантов осуществления системы. Например, в различных вариантах осуществления «молодые» птицы могут представлять собой тех, чей возраст составляет менее 10, 15, 20, 25, 30, 35 или 40 дней, с потенциальным изменением в несколько дней. Аналогично, «старые» птицы могут быть определены как птицы, возраст которых составляет 30, 35, 40, 45, 50, 55, 60, 65, 70 или 75 дней или более, также с учетом запаса в несколько дней. Птицы, отнесенные к группе «зрелые», обычно попадают в возрастной диапазон, который находится между группами «молодые» и «старые». В некоторых случаях может существовать буферный период, составляющий несколько дней, служащий для различения возрастных групп, например, между «молодые» и «зрелые» или между «зрелые» и «старые». [107] [00101] Варианты осуществления настоящего изобретения относятся к системам, способам и машиночитаемому носителю с инструкциями для идентификации пола птицы. Способ включает побуждение цыпленка к проходу по пути, который связан с раздражителем для провоцирования открытой позиции цыпленка. Способ также включает получение одного или более изображений цыпленка в открытой позиции, определение одного или более гендерных признаков цыпленка на основании по меньшей мере частично одного или более изображений и определение пола цыпленка на основании по меньшей мере частично указанных одного или более гендерных признаков. Один или более этапов способа могут включать любые различные методы машинного обучения, такие как машинное обучение с учителем и/или машинное обучение без учителя. Например, подход машинного обучения с учителем может быть использован для обучения нейронной сети для идентификации позы цыпленка, идентификации гендерных признаков, связанных с крылом цыпленка, и/или оценки гендерных признаков для определения пола. [108] Терминология [109] [00102] Любые или все признаки и функции, описанные выше, могут быть объединены друг с другом, за исключением случаев, когда может быть указано иное, или в той степени, в которой любые такие варианты осуществления могут быть несовместимы в силу их функции или структуры, как будет очевидно специалистам в данной области техники. Если это не противоречит физической возможности, предполагается, что способы/этапы, описанные в настоящем документе, могут быть выполнены в любой последовательности и/или в любой комбинации, и компоненты соответствующих вариантов осуществления могут быть объединены любым образом. [110] [00103] Хотя объект изобретения описан формулировками, характерными для структурных признаков и/или действий, следует понимать, что объект изобретения, определенный в прилагаемой формуле изобретения, не обязательно ограничен конкретными признаками или действиями, описанными выше. Вместо этого, конкретные признаки и действия, описанные выше, раскрыты как примеры реализации формулы изобретения, и другие эквивалентные признаки и действия предназначены для того, чтобы быть в пределах объема формулы изобретения. [111] [00104] Условная формулировка, такая как, среди прочего, «может», если специально не указано иное или иначе не понимается в контексте используемого, обычно предназначена для передачи того, что некоторые варианты осуществления включают, в то время как другие варианты осуществления не включают, определенные признаки, элементы и/или этапы. Таким образом, такая условная формулировка, как правило, не подразумевает, что признаки, элементы и/или этапы каким-либо образом требуются для одного или более вариантов осуществления, или что один или более вариантов осуществления обязательно включают логику для принятия решения, с пользовательским вводом или подсказкой или без них, о том, включены ли эти признаки, элементы и/или этапы или должны ли они быть выполнены в любом конкретном варианте осуществления. [112] [00105] Если иное явно не требуется контекстом, везде в описании и формуле изобретения слова «содержит/включает», «содержащий/включающий» и т.п. следует понимать во включительном смысле, а не в исключительном или исчерпывающем смысле, например, в смысле «включая, но не ограничиваясь этим». В настоящем документе термины «соединенный», «связанный» или любой их вариант означают любое соединение или связь, прямую или косвенную, между двумя или более элементами; соединение или связь между элементами может быть физической, логической или их комбинацией. Кроме того, слова «в настоящем документе», «выше», «ниже» и слова аналогичного значения при использовании в настоящей заявке относятся к настоящей заявке в целом, а не к каким-либо конкретным частям настоящей заявки. Если позволяет контекст, слова, использующие единственное или множественное число, могут также включать множественное или единственное число, соответственно. Слово «или» в отношении списка из двух или более элементов охватывает все следующие толкования слова: любой из элементов в списке, все элементы в списке и любую комбинацию элементов в списке. Аналогичным образом, термин «и/или» в отношении списка из двух или более элементов охватывает все следующие толкования слова: любой из элементов в списке, все элементы в списке и любая комбинация элементов в списке. [113] [00106] Конъюнктивную формулировку, такую как фраза «по меньшей мере один из X, Y и Z», если специально не указано иное, следует понимать в контексте, используемом в целом для передачи того, что элемент, термин и т.д. могут представлять собой X, Y или Z или любую их комбинацию. Таким образом, такая конъюнктивная формулировка обычно не подразумевает, что для некоторых вариантов осуществления требуется наличие по меньшей мере одного из X, по меньшей мере одного из Y и по меньшей мере одного из Z. Кроме того, использование выражения «по меньшей мере один из X, Y или Z» в общем случае означает, что элемент, термин и т.д. могут представлять собой X, Y или Z или любую их комбинацию. [114] [00107] Формулировка степени, используемая в настоящем документе, такая как термины «приблизительно», «около», «в целом» и «по существу», как используется в настоящем документе, представляет собой значение, количество или характеристику, близкую к заявленному значению, количеству или характеристике, которая все еще выполняет желаемую функцию или достигает желаемого результата. Например, термины «приблизительно», «около», «в целом» и «по существу» могут относиться к количеству, которое находится в пределах менее 10%, менее 5%, менее 1%, менее 0,1% и менее 0,01% от указанного количества. В качестве еще одного примера, в некоторых вариантах осуществления термины «в целом параллельный» и «по существу параллельный» относятся к значению, количеству или характеристике, которое или которая отклоняется от точного параллельного менее чем или ровно на 10 градусов, 5 градусов, 3 градуса или 1 градуса. В качестве еще одного примера, в некоторых вариантах осуществления термины «в целом перпендикулярный» и «по существу перпендикулярный» относятся к значению, количеству или характеристике, которые отклоняются от точного перпендикуляра менее чем или равно на 10 градусам, 5 градусам, 3 градусам или 1 градусу. [115] [00108] Любые термины, обычно связанные с кругами, такие как «радиус» или «радиальный» или «диаметр» или «окружность» или «окруженный» или любые производные или аналогичные типы терминов, предназначены быть использованными для обозначения любой соответствующей структуры в любом типе геометрии, а не только круговых структур. Например, «радиальный», применительно к другой геометрической структуре, следует понимать как относящийся к направлению или расстоянию между местоположением, соответствующим общему геометрическому центру такой структуры, и периметром такой структуры; «диаметр», применительно к другой геометрической структуре, следует понимать как относящийся к ширине поперечного сечения такой структуры; и «окружность», применительно к другой геометрической структуре, следует понимать как относящийся к области периметра. Ничто в настоящем описании или чертежах не должно толковаться как ограничивающее эти термины только кругами или круглыми структурами. [116] [00109] Любые патенты, заявки и другие источники, упомянутые выше, включая те, которые могут быть перечислены в сопроводительных документах, включены в настоящий документ путем ссылки. Аспекты концепции изобретения могут быть модифицированы, при необходимости, для использования систем, функций и концепций различных ссылок, описанных выше, для обеспечения дополнительных реализаций концепции изобретения. Эти и другие изменения могут быть внесены в концепцию изобретения в свете приведенного выше подробного описания. Хотя вышеприведенное описание описывает определенные примеры концепции изобретения и описывает наилучший из рассматриваемых способов, вне зависимости от того, насколько подробно вышеуказанное приведено в тексте, концепция изобретения может быть реализована на практике многочисленными путями. Детали системы могут значительно отличаться в ее конкретной реализации, но все еще охватываются концепцией изобретения, раскрытой в настоящем документе. Как отмечалось выше, особая терминология, используемая при описании некоторых признаков или аспектов концепции изобретения, не подразумевает, что терминология заново определяется в настоящем документе для ограничения какими-либо специфическими характеристиками, признаками или аспектами концепции изобретения, к которым относится данная терминология. В целом, термины, используемые в нижеследующей формуле изобретения, не следует рассматривать как ограничивающие концепцию изобретения конкретными примерами, раскрытыми в описании, если только вышеприведенный раздел «Раскрытие сущности изобретения» явно не определяет такие термины. Соответственно, фактический объем концепции изобретения охватывает не только раскрытые примеры, но и все эквивалентные пути воплощения или реализации концепции изобретения в соответствии с формулой изобретения. [117] [00110] Чтобы уменьшить количество пунктов формулы изобретения, некоторые аспекты концепции изобретения представлены ниже в определенных формах пункта, но заявитель рассматривает другие аспекты концепции изобретения в любом количестве форм пункта. Любая формула изобретения, предназначенная для рассмотрения в соответствии с §112(f) раздела 35 Свода законов США, будет начинаться со слов «средство для», но использование термина «для» в любом другом контексте не предназначено для обращения к лечению в соответствии с §112(f) раздела 35 Свода законов США. Соответственно, заявитель оставляет за собой право отстаивать дополнительные пункты формулы изобретения после подачи настоящей заявки либо в настоящей заявке, либо в продолжающейся заявке.

Формула 1. Компьютерная система для идентификации пола цыпленка, содержащая: память и один или более процессор, связанный с указанной памятью и выполненный с возможностью: получения данных изображения, содержащих набор изображений цыпленка, причем набор изображений цыпленка соответствует дискретному периоду времени, в течение которого цыпленок проходит по заранее заданному пути, причем заранее заданный путь связан с раздражителем для провоцирования открытой позиции цыпленка, причем открытая позиция содержит, по меньшей мере, частичное вытягивание по меньшей мере одного крыла цыпленка; для каждого изображения из набора изображений определения соответствующей позы цыпленка; определения, удовлетворяет ли соответствующая поза критериям позы; выбора на основе политики выбора позы подмножества изображений из набора изображений, причем подмножество содержит изображения, имеющие позы, удовлетворяющие критериям позы; причем критерии позы содержат, по меньшей мере, критерий вытянутости крыла; ввода подмножества изображений в обученную нейронную сеть; определения с использованием обученной нейронной сети и подмножества изображений одного или более гендерных признаков цыпленка, причем один или более гендерных признаков содержат относительную длину набора первичных перьев и набора кроющих перьев; и определения пола цыпленка на основе указанных одного или более гендерных признаков. 2. Система по п. 1, в которой определение пола цыпленка достигается со степенью точности, равной или превышающей 96%. 3. Система по п. 1, в которой один или более процессоров также выполнены с возможностью выбора изображения из набора изображений на основе политики выбора позы, причем выбранное изображение вводится в обученную нейронную сеть. 4. Система по п. 3, в которой политика выбора позы указывает выбор изображения, в котором поза цыпленка удовлетворяет критериям позы. 5. Система по п. 4, в которой один или более процессоров также выполнены с возможностью определения того, что поза цыпленка в выбранном изображении удовлетворяет критериям позы. 6. Система по п. 3 или 4, в которой критерии позы содержат по меньшей мере одно из порогового значения положения тела, порогового значения ориентации тела, порогового значения положения крыла или порогового значения ориентации крыла. 7. Система по п. 3, в которой политика выбора позы указывает выбор изображения, которое показывает цыпленка, имеющего вытянутые крылья. 8. Система по любому из пп. 1-7, в которой один или более процессоров также выполнены с возможностью: для каждого изображения из набора изображений: определения соответствующей позы цыпленка и определения, удовлетворяет ли соответствующая поза критериям позы. 9. Система по любому из пп. 1-8, в которой набор изображений содержит множество изображений, причем каждое изображение из набора изображений соответствует разному времени указанного дискретного периода времени. 10. Система по любому из пп. 1-9, в которой один или более гендерных признаков содержат длину набора первичных перьев или длину набора кроющих перьев. 11. Система по п. 10, в которой длина набора кроющих перьев меньше длины набора первичных перьев и в которой определенный пол указывает, что цыпленок является самкой. 12. Система по п. 10, в которой длина набора кроющих перьев равна длине набора первичных перьев или больше нее и в которой определенный пол указывает, что цыпленок является самцом. 13. Система по любому из пп. 1-12, в которой заранее заданный путь представляет собой наклонный лоток, при этом раздражитель представляет собой нисходящую наклонную плоскость наклонного лотка, причем перемещение по наклонному лотку вниз вызывает переход цыпленка в открытую позицию. 14. Система по любому из пп. 1-12, в которой заранее заданный путь содержит конвейерную ленту. 15. Система по п. 14, в которой раздражитель представляет собой изменение скорости, падение или вибрацию конвейерной ленты. 16. Система по любому из пп. 1-15, в которой раздражитель содержит шум от шумовой машины или распыление текучей среды, активируемое распылителем текучей среды. 17. Система по любому из пп. 1-16, в которой раздражитель вызывает рефлексивное движение цыпленка в открытую позицию. 18. Система по любому из пп. 1-17, в которой один или более процессоров также выполнены с возможностью автоматической сортировки цыпленка согласно определенному полу. 19. Система по любому из пп. 1-18, в которой каждое изображение из набора изображений представляет собой изображение в реальном времени. 20. Некратковременный компьютерочитаемый носитель, содержащий исполняемые компьютером инструкции, которые при исполнении вычислительной системой системы приема и запроса данных вызывают выполнение вычислительной системой: получения данных изображения, содержащих набор изображений цыпленка, причем набор изображений цыпленка соответствует дискретному периоду времени, в течение которого цыпленок проходит по заранее заданному пути, причем заранее заданный путь связан с раздражителем для провоцирования открытой позиции цыпленка, причем открытая позиция содержит, по меньшей мере, частичное вытягивание по меньшей мере одного крыла цыпленка; для каждого изображения из набора изображений определения соответствующей позы цыпленка; определения, удовлетворяет ли соответствующая поза критериям позы; выбора на основе политики выбора позы подмножества изображений из набора изображений, причем подмножество содержит изображения, имеющие позы, удовлетворяющие критериям позы; причем критерии позы содержат, по меньшей мере, критерий вытянутости крыла; ввода подмножества изображений в обученную нейронную сеть; определения с использованием обученной нейронной сети и подмножества изображений одного или более гендерных признаков цыпленка, причем один или более гендерных признаков содержат относительную длину набора первичных перьев и набора кроющих перьев; и определения пола цыпленка на основе указанных одного или более гендерных признаков. 21. Способ идентификации пола цыпленка, включающий: получение набора изображений цыпленка, причем набор изображений соответствует дискретному периоду времени, в течение которого цыпленок проходит по заранее заданному пути, причем заранее заданный путь связан с раздражителем для провоцирования открытой позиции цыпленка, причем открытая позиция содержит, по меньшей мере, частичное вытягивание по меньшей мере одного крыла цыпленка; для каждого изображения из набора изображений определение соответствующей позы цыпленка; определение, удовлетворяет ли соответствующая поза критериям позы; выбор на основе политики выбора позы подмножества изображений из набора изображений, причем подмножество содержит изображения, имеющие позы, удовлетворяющие критериям позы; причем критерии позы содержат, по меньшей мере, критерий вытянутости крыла; ввод подмножества изображений цыпленка в обученную нейронную сеть, которая характеризует один или более гендерных признаков цыпленка; определение с использованием обученной нейронной сети и подмножества изображений одного или более гендерных признаков цыпленка, причем один или более гендерных признаков содержат относительную длину набора первичных перьев и набора кроющих перьев; определение пола цыпленка на основе одного или более гендерных признаков; и вызов действия, основанного, по меньшей мере, частично на определенном поле.