一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统及方法与流程

1.本发明涉及笼养鸡的养殖监控技术领域，尤其涉及一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统。


背景技术：

2.随着世界人口的增加和生活质量的提高，人类对肉类、蛋类等蛋白质产品的需求一直在稳步增长。相关数据显示，2018年全球饲养的鸡超过680亿只，占全球肉类产量的三分之一，此外还有供人类消费的1.38万亿枚鸡蛋，鸡养殖业为人类提供了大量蛋白质产品。随着鸡养殖业规模化和机械化的持续发展与进步、促生长剂及抗生素等逐渐被禁用，养殖过程中疾病传播和爆发的风险大大增加。消化系统是鸡与体外环境进行交流的主要通道，接触病原体概率大、发病几率高、传播速度快。因此如果能够在鸡只感染疾病早期对其健康状态做出判断，可阻止疾病的进一步传播、提升养殖福利并大大降低养殖损失。
3.专利文献cn105574899b公开了一种笼养鸡的粪便检测方法及系统，将鸡笼放置在传送带上方，鸡笼中鸡粪便落在传送带上沿传送带传送，通过ccd相机依次采集传送带上鸡粪便的图像，经图像处理获得传送带上粪便的颜色和稀稠程度，获得监测数据，根据粪便的颜色和稀稠程度与已知的粪便-疾病关系进行对比得到粪便的种类，对各个鸡笼内鸡群健康进行监测。该发明可以准确判定家禽的健康状态，但是该发明不能锁定出现异常的家禽所在区域，无法实施针对性的解决措施。
4.专利文献cn113223035a公开了一种笼养鸡智能巡检系统，包括包括边缘数据采集装置、服务器、可视化分析平台，具体为：边缘数据采集装置用于获取笼养鸡图像数据和笼内环境信息，并传输至服务器；所述笼养鸡图像数据包括rgb图像和热红外图像，所述笼内环境信息包括温湿度信息和拥挤度信息；服务器对图像数据进行分析获得鸡头异常评分和笼养鸡个体的温度，基于笼养鸡个体的温度和笼内环境信息获得笼养鸡反演温度，基于鸡头异常评分和笼养鸡反演温度获取笼养鸡健康综合评价并发布给可视化分析平台；可视化分析平台进行信息展示。该发明的rgb图像和热红外图像容易受外界环境影响，使得最终的评价结果可靠性不高。


技术实现要素：

5.为了解决上述问题，本发明提供了一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统，该系统操作简单，通过识别异常粪便达到对笼养鸡的疾病早期预警。
6.一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统，包括用于获取笼养鸡异常粪便和解剖图像信息的客户端与用于处理分析异常粪便和解剖图像信息的服务端，管理系统以及配套使用的人机界面；
7.所述客户端包括：
8.异常粪便监测单元，用于采集清粪带上的粪便图像信息；
9.异常鸡笼定位单元，用于记录出现异常粪便所在鸡笼的分布位置，其中；
10.解剖图像分析单元，用于采集异常粪便所在鸡笼中鸡的消化系统解剖图像信息；
11.所述服务端包括：
12.深度学习算法模型，用于分析识别由客户端发来的粪便图像信息与消化系统解剖图像信息，并输出结果；
13.样本数据库，为深度学习算法模型的分析识别提供样本图像信息；
14.web服务模块，通过远程人工的方式对粪便图像信息和消化系统解剖图像信息进行识别分析，输出分析报告。
15.优选的，所述异常粪便监测单元安装在清粪带出粪口处上端，包括横跨清粪带的支架，安装在支架上的高分辨率工业相机以及光照装置，所述高分辨率工业相机的成像范围覆盖整个出粪口区域。
16.优选的，所述异常鸡笼定位单元包括rfid标签与用于接收标签信息的rfid阅读器：
17.rfid标签，安装在清粪带背面，用于标记该组粪便位置；
18.rfid阅读器，与异常粪便监测单元一同安装在清粪带出粪口处上端，用于记录每个rfid标签经过时的时间差t，并发送至管理系统。
19.优选的，所述样本图像信息包括：各类别传染性疾病对应的异常粪便图像信息与消化系统解剖图信息，以及正常粪便图像信息与消化系统解剖图信息。
20.本发明还提供了一种基于疾病早期预警系统的使用方法，该发明通过结合异常粪便图像与病鸡消化系统图识别判定疾病的类别，便于后续诊断与治疗方法的选择。
21.一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统的使用方法，包括：
22.s1通过人机界面为管理系统设定预警阈值；
23.s2清粪带运行时通过异常粪便监测单元进行视频录制，对视频进行分帧提取，提取出待识别的粪便图像；
24.s3服务端的深度学习算法模块接收粪便图像，对粪便图像进行分析识别，输出分析结果；
25.s4选取s3的分析结果中概率值最大的样本图像信息，作为结果反馈到客户端；
26.s5客户端的异常鸡笼定位单元基于s4中的结果，分析获得所述粪便图像信息所对应鸡笼的分布情况；
27.s6当异常粪便图像对应鸡笼的分布面积大于预警阈值时，发出警报提示工作人员进行检查；
28.s7将异常粪便图像对应鸡笼中的病鸡解剖，通过解剖图像分析单元提取出待识别的消化系统解剖图；
29.s8服务端的深度学习算法模块接收消化系统解剖图，对消化系统解剖图进行分析识别，并输出分析结果；
30.s9基于s3的分析结果与s8的分析结果，计算获得用于判断疾病类别的综合评估值，并反馈最终结果至客户端。
31.优选的，所述s5中分析获得所述粪便图像信息所对应鸡笼的分布情况，是基于所述管理系统中存储有每笼鸡笼粪便传至清粪带出粪口的时间tn，与rfid阅读器记录的时间
差t进行比对，来判定该rfid标签所代表的粪便图像信息对应的鸡笼分布位置：当|t-tn|≤δt时，则该粪便图像对应的是n号鸡笼的位置，δt为管理系统中预设的时间阈值；其中清粪带每隔12小时转动一轮，同时粪便图像信息也隔12小时更新一次。
32.管理系统中还存储有每个鸡笼的鸡只个数、鸡只日龄、光照程序、饲喂程序、患病历史以及疫苗接种情况。
33.在工作人员对异常粪便所在的鸡笼检查时，根据对应的鸡笼位置调出该鸡笼内各个鸡的信息数据，进行初步判断问题的来源；更近一步的，远程专家医生也可以通过web模块调取上述信息，为疾病诊断与治疗方案设计提供理论依据。
34.优选的，所述预警阈值基于所在鸡舍的鸡笼个数来设定：当鸡笼数越多，则预警阈值越大，反之则越小。
35.优选的，所述s3中分析结果包括各类别粪便图像的概率值p；所述s8中分析结果包括各类别消化系统图像的概率值q。
36.优选的，所述s9中是基于各类别粪便图像的概率值p与各类别消化系统图像的概率值q，进行加权求和，将各类别粪便图像的概率值p权重设置为0.4，各类别消化系统图像的概率值q权重设置为0.6，获得各类别粪便图像与对应的消化系统图像的综合评估值。
37.与现有技术相比，本发明的有益效果为：
38.(1)相较于传统的预警系统，本发明采用识别粪便图像与消化系统图像，来识别判定疾病的类别；
39.(2)更进一步的，通过web模块在线上就能获得专家医生的建议方案，减少等待专家医生上门或者外出所需要的时间，能及时将鸡笼中的病情控制住。
附图说明
40.图1为本发明提供的一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统的系统结构图；
41.图2为本发明实施例中粪便图像检测模型的建立流程图；
42.图3为本发明实施例中解剖图像分类模型的建立流程图。
具体实施方式
43.如图1所示，一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统，包括用于获取笼养鸡异常粪便和解剖图像信息的客户端与用于处理分析异常粪便和解剖图像信息的服务端，管理系统以及配套使用的人机界面。
44.客户端包括：
45.异常粪便监测单元，用于采集清粪带上的粪便图像信息；
46.异常鸡笼定位单元，用于记录出现异常粪便所在鸡笼的分布位置，其中包括rfid标签与用于接收标签信息的rfid阅读器：
47.rfid标签，安装在清粪带背面，用于标记该组粪便位置；
48.rfid阅读器，与异常粪便监测单元一同安装在清粪带出粪口处上端，用于记录每个rfid标签经过时的时间差t，并发送至管理系统；
49.解剖图像分析单元，用于采集异常粪便所在鸡笼中鸡的消化系统解剖图像信息。
50.服务端包括：
51.深度学习算法模型，用于分析识别由客户端发来的粪便图像信息与消化系统解剖图像信息，并输出结果；
52.样本数据库，为深度学习算法模型的分析识别提供样本图像信息；
53.web服务模块，通过远程人工的方式对粪便图像信息和消化系统解剖图像信息进行识别分析，输出分析报告。
54.其中异常粪便监测单元安装在清粪带出粪口处上端，包括横跨清粪带的支架，安装在支架上的高分辨率工业相机以及光照装置，高分辨率工业相机的成像范围覆盖整个出粪口区域。
55.样本数据库的建立：
56.s1在实验室或其他环境参数可控的条件下对鸡只进行笼养，待其熟悉环境后分为健康组和患病组，各组别之间相互无干扰，患病组采用人工主动感染的方式使鸡患上各类传染性疾病，包括禽流感、新城疫、鸡伤寒、鸡大肠杆菌病、禽霍乱、组织滴虫病、鸡白痢、传染性法氏囊、小肠球虫病、盲肠球虫病、坏死性肠炎、腐烂鱼粉中毒、霉菌毒素中毒等多中传染性疾病；
57.s2染病后每12小时，在不同的光环境条件下分别采集健康组和患病组的新鲜粪便图像，每24小时采集对应组别的消化系统解剖图像，消化系统解剖图像包括腺胃、肌胃、肝脏、小肠、盲肠及直肠6个部位的图像，其中采用自然光、led灯以及荧光灯来模拟不同光环境条件；
58.s3分别按照6:2:2的比例将粪便图像与对应的消化系统解剖图像分为训练集、验证集以及测试集，其中1张粪便图像为一个样本，6张对应的消化系统解剖图像为一个样本；
59.s4由于一张粪便图像中有多个粪便块，则设定粪便图像分析为目标检测任务，采用labelimg将图像中的每个粪便块标注为健康或者感染某种疾病外加患病天数，例如禽流感-0.5，或者新城疫-1等即标记为n*n 1种类别，每张图像标注后会生成对应的xml文件；同样的方式将消化系统解剖图像标注生成对应的xml文件，其中n为疾病类别的名称，n为患病天数；
60.s5将s4中的粪便图像与消化系统解剖图像，以及对应的xml文件保存在样本数据中。
61.如图2、3所示，对深度学习算法模型建立，包括粪便图像检测模型与解剖图像分类模型：
62.1.对粪便图像检测模型的建立：
63.s1采用yolov5网络结构；
64.s2模型环境配置；
65.s3将网络结构中的目标类别参数与样本数据库的类别对应；
66.s4原网络参数采用在imagenet等公开数据集上训练得到的参数，新增参数采用kaiming初始化；
67.s5加载训练集进行迭代训练，并保存每个迭代下的模型；
68.s6加载验证集对上述每个迭代下的模型进行迭代验证，当模型收敛或达到最大迭代次数时停止，保存验证效果前10的模型进行测试，模型效果采用map指标进行评价，map为
各类别precion-recall曲线与坐标轴所围成面积的均值，其值越大代表模型效果越佳：
[0069][0070][0071]
precision：查准率，为模型预测的所有目标中，预测正确的比例；
[0072]
recall：查全率，为所有真实目标中，模型预测正确的比例；
[0073]
tp：true positive，被判定为正样本，事实上也是正样本；
[0074]
tn：true negative，被判定为负样本，事实上也是负样本；
[0075]
fp：false positive，被判定为正样本，但事实上是负样本；
[0076]
fn：false negative，被判定为负样本，但事实上是正样本；
[0077]
s7加载测试集对上述10个模型进行迭代测试，当模型收敛或达到最大迭代次数时停止，将测试效果最优即map值最大的模型作为最终的粪便图像检测模型。
[0078]
2.对解剖图像分类模型的建立：
[0079]
s1采用coatnet-7网络结构；
[0080]
s2模型环境配置；
[0081]
s3将网络结构中的目标类别参数与样本数据库的类别对应：基于6张解剖图像为一个样本，为解剖图像分类模型搭建起6个coatnet-7网络并联而成的网络结构；
[0082]
s4原网络参数采用在imagenet等公开数据集上训练得到的参数，新增参数采用kaiming初始化；
[0083]
s5加载训练集进行迭代训练，并保存每个迭代下的模型；
[0084]
s6加载验证集对上述每个迭代下的模型进行迭代验证，当模型收敛或达到最大迭代次数时停止，保存验证效果前10的模型进行测试，采用macro-f1 score进行评价：
[0085][0086][0087]
macro-f1 score为各类别f1 score的均值；
[0088]
f1 score，为precision与recall的调和平均值。
[0089]
一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统的使用方法，包括：
[0090]
s1通过人机界面为管理系统设定预警阈值；
[0091]
s2清粪带运行时通过异常粪便监测单元进行视频录制，对视频进行分帧提取，提取出待识别的粪便图像；
[0092]
s3服务端的深度学习算法模块接收粪便图像，通过粪便图像检测模型对粪便图像进行分析识别，并输出各类别粪便图像的概率值p；
[0093]
s4选取s3的分析结果中概率值最大的样本图像信息，作为结果反馈到客户端；
[0094]
s5客户端的异常鸡笼定位单元基于s4中的结果，是基于所述管理系统中存储有每笼鸡笼粪便传至清粪带出粪口的时间tn，与rfid阅读器记录的时间差t进行比对，来判定该rfid标签所代表的粪便图像信息对应的鸡笼分布位置：当|t-tn|≤δt时，则该粪便图像对应的是n号鸡笼的位置，δt为管理系统中预设的时间阈值；其中清粪带每隔12小时转动一
轮，同时粪便图像信息也隔12小时更新一次；
[0095]
s6当异常粪便图像对应鸡笼的分布面积大于预警阈值时，发出警报提示工作人员进行检查，工作人员对异常粪便所在的鸡笼进行检查时，通过调取存储在管理系统中对应鸡笼内各个鸡的信息数据，包括每个鸡笼的鸡只个数、鸡只日龄、光照程序、饲喂程序、患病历史以及疫苗接种情况，进行初步判断问题的来源；
[0096]
s7将异常粪便图像对应鸡笼中的病鸡解剖，通过解剖图像分析单元提取出待识别的消化系统解剖图，包括腺胃、肌胃、肝脏、小肠、盲肠及直肠6个部位的图像；
[0097]
s8服务端的深度学习算法模块接收消化系统解剖图，通过解剖图像分类模型对消化系统解剖图进行分析识别，并输出各类别消化系统图像的概率值q；
[0098]
s9基于各类别粪便图像的概率值p与各类别消化系统图像的概率值q，进行加权求和，将各类别粪便图像的概率值p权重设置为0.4，各类别消化系统图像的概率值q权重设置为0.6，获得各类别粪便图像与对应的消化系统图像的综合评估值，并反馈最终结果至客户端。
[0099]
最终结果包括系统通过综合评估值识别评判出来的疾病类别，以及基于识别出来的疾病类别通过web模块远程获得专家医生提供的治疗建议。
[0100]
同时专家医生通过web模块访问客户端的管理系统中，根据对应鸡笼的信息数据，为用户提供更加准确的诊断结果以及适配性更高的治疗方案。