一种基于人工智能的死鸡病鸡检测系统及检测方法

本发明属于死鸡病鸡检测技术领域，具体涉及一种基于人工智能的死鸡病鸡检测系统及检测方法。

背景技术

如今现代化养鸡场中，饲料和清水的供应、鸡蛋和鸡粪的收集、温度和风速的控制等，都已经实现自动化，但对于死鸡和病鸡的检测，仍然采用人工定时巡视和检查，而死鸡病鸡如不及时检查和清除会造成很大的危害和缺失，一方面，根据医学知识，鸡正常死亡后两小时，肌肉和血液开始繁殖病菌，五小时后，繁殖的病菌则成倍增长，这将会产生极大的危害，而若是因感染传染病引起的非正常死亡，则可能导致鸡群之间的交叉感染，如不及时清除会使养鸡场蒙受巨大的经济损失，另一方面，鸡的疫病尤其是禽流感疫情，仍然是抑制我国禽业发展的重要因素，目前尚无有效的治疗和预防禽流感疫情的方法，一旦爆发疫情，只能通过大量宰杀防止疫情蔓延，给养殖户造成巨大损失，能否及时发现疫情，尽快做出应对措施，是降低经济损失的重要途径，死鸡病鸡的人工检查是一项琐碎而细致的工作，长时间穿梭于环境恶劣的鸡舍中对工人的身体健康会产生严重的影响，因此，开发死鸡病鸡自动探测系统对降低工人的劳动强度、提高工作效率和改善工人的劳动环境具有非常重要的意义。

鸡生病了如何及早发现，首先要对病死鸡的特征进行分析，从前的人工经验分析方法有：

1）摸体温，病鸡的大腿根上热下冷，鸡冠烫手；健康鸡大腿根上冷下热，鸡冠不烫手；

2）查肤色，病鸡的肌肉多削瘦、僵硬、而无弹性，肤色为暗红色；健康鸡肤色呈微红色，并且肌肉丰满有弹性；

3）看肛门，病鸡肛门处周围羽毛潮湿，有粪便或其他污物，另外肛门呈深红色，其粪便多为白色或黄绿色，健康鸡肛门附近的绒毛干净、也比较干燥，肛门湿润呈微红色，其粪便为半固体；

4）瞧眼睛，病鸡眼睛没有神，流泪，或眼睛周围有像乳酪状样分泌物、个别鸡眼睛也会变长；健康鸡眼睛明亮有神，且眼球灵活；

5）听声音，在凌晨3-5点钟，静静的听鸡的声音，病鸡发出“嗤嗤”的轻微叫声，甚至不出声，也会出现类似青蛙叫呼噜声、尖叫声、或怪叫声；健康鸡会发出宏亮、清脆的叫声；

6）观行为，病鸡精神萎靡，步伐不稳，食欲不振，也不愿意移动去吃料，如果鸡死了，会一动不动；健康鸡活泼好动，腿脚健壮有力，也愿意移动去吃料；

在养鸡过程中，从以上6个方面对鸡群进行特征分析，可以及早发现问病死鸡，然而，大规模的养殖鸡，鸡的数量很大也很密集，有几十万甚至上百万只鸡，如果全面通过人工检测，那将会付出巨大的人力财力，假设，在鸡笼狹小的空间，通过从以上1）-5）的检测方法，那么要获取鸡的声音、图像、温度等特征的准确信息，是相当不容易的，还存在信息噪音；随着信息处理技术、人工智能技术和物联网技术的日益成熟,对过去传统的禽畜养殖方式产生了深刻的影响，但是由于大规模鸡场，鸡生活在鸡笼狹小的空间，现在一个养殖4万鸡的养殖房间，一个鸡笼大约尺寸为60cm*60cm*50cm，需要养殖8只鸡，如图1所示。要在这么狹小的空间里，自动找出病死鸡还是有点难度，获取鸡的粪便、声音、图像等特征信息是不容易的，存在信息噪音很大的问题，最后造成识别率不高，所以只能停留在理想环境的理论研究上，要想实用会存在很大的难度，不仅如此，还要考虑实施成本的问题，因此需要研发一种死鸡病鸡检测系统及检测方法来解决现有问题。

技术实现要素：

本发明的目的在于提供一种基于人工智能的死鸡病鸡检测系统及检测方法，以解决死鸡病鸡人工检查效率低下的问题。

为实现上述目的，本发明提供如下技术方案：一种基于人工智能的死鸡病鸡检测系统及检测方法，包括：

鸡笼探测单元，用于采集鸡运行的活动轨迹数据，并通过活动轨迹数据分析识别鸡的状态数据；

前置机，用于收集鸡笼探测单元数据；

数据服务器，与前置机连接并将前置机收集的鸡笼探测单元数据进行处理；

其中，所述鸡笼探测单元包括：

脚环，佩戴于鸡身，用于采集鸡运行的活动轨迹数据；

探测终端，与脚环组成无线网络并接收脚环传送的活动轨迹数据，通过活动轨迹数据分析识别鸡的状态数据。

优选的，所述脚环包括：

传感器单元，用于获取鸡移动加速度数据；

电池单元，用于给脚环供电的电池单元；

第一微处理器单元，用于对传感器单元获取加速度数据进行位移计算，并得到最大位移和三维总方差，形成鸡运行的活动轨迹数据。

优选的，所述探测终端包括：

存储单元，用于将获取到的加速度数据进行保存；

无线传输单元，与脚环和前置机建立传输通道；

第二微处理器单元，将采集到的脚环数据通过人工智能学习方法分析鸡的状态数据；

指示灯单元，根据第二微处理器单元的状态数据显示鸡状态；

其中，所述第二微处理器单元通过无线传输单元将鸡状态数据发送给前置机。

优选的，所述检测系统还包括与数据服务器相连接用于远程检测的远程检测系统，所述远程检测系统包括WEB监测客户端和远程检测APP。

本发明另提供一种基于人工智能的死鸡病鸡检测系统的检测方法，该方法包括以下步骤：

S1、所述探测终端将脚环内采集到的加速度数据进行位移计算，得到最大位移和三维总方差；

S2、将所述步骤S1中得到最大位移和三维总方差使用机器学习分类算法进行训练，获取最佳的训练模型；

S3、将脚环内采集数据通过训练模型识别出鸡的活动行为。

优选的，所述步骤S1中最大位移的计算步骤包括：

通过加速度信号进行积分解算位移时，获得的加速度数据是一组离散值，当 n大于1 时，在离散域中,通过加速度计算n点的速度和位移公式，如公式(1)和(2)所示，

其中，公式(1)和（2）式中，a[n]为第n时刻的加速度读值，v[n]、s[n]为对应时刻的速度、位移值，采集间隔设为△t，k为一个点，根据公式(1) 、公式(2) 可以得出鸡在n时刻单方向的移动位移，计算公式(3)，

公式（3）表示n时刻单方向的移动位移。

优选的，所述步骤S1中三维总方差的计算步骤包括：

S11、通过采样加速度值，计算时间段t1到t2的位移，从t1到t2时间内总采样次数为n=(t2-t1)/△t, 实时运动位移为s[n]，计算公式见公式（4）

S12、计算在T时间内有M个时间段(t2-t1)，见公式（5）

M=T/(t2-t1) (5)

S13、计算在T时间内平均位移，见公式（6)

，其中i表示时间段，共M的时间段，

S14、计算时间段T的位移方差，方差描述偏离程度和波动，见公式（7)

表示时间段M的位移方差。

S15、计算时间段T的x,y,z轴三个方向位移方差，见公式（8-10)

其中，公式（8）表示x轴方向位移方差，公式（9）表示y轴方向位移方差，公式（10）表示z轴方向位移方差，

S16、 计算时间段T的三维位移总方差，三维总方差，见公式（11)：

公式（11）表示在T时间内的三维位移总方差。

优选的，所述步骤S2中训练模型的训练步骤包括：

S21、设定加速度采样频率，采样一次加速度，首先进行校正，校正后的三轴加速度Gx,Gy,Gz为0；

S22、设定位移时间T计算位移S，通过公式（4）计算出分钟位移，分别为Sx,Sy,Sz。并计算总位移S=Sx+Sy+Sz；

S23、计算累计M分钟三轴位移方差，通过公式(6)计算出M 分钟时平均位移，再通过公式(8）（9）（10)分别计算三轴位移方差Va,Vb,Vc；

S24、计算累计M分钟立体位移方差，通过公式（11）计算出立体总方差Vtotal；

S25、计算累计M分钟的最大位移Smax；将立体总方差Vtotal和最大位移Smax数据输入机器学习分类算法中，用于鸡异常行为识别。

优选的，所述步骤S2中训练模型的训练步骤包括：

首先进行样本集定义：样本数据：X=(x1,x2) ，x1为最大位移Smax，x2为立体总方差Vtotal，再对鸡的状态进行分类y，然后通过采集设定数量的数据进行训练。

优选的，所述机器学习分类算法包括：SVM、KNN、DT、NB或者BP中的一种。

本发明的技术效果和优点：该基于人工智能的死鸡病鸡检测系统及检测方法，通过在每只鸡上扣一个脚环，测量鸡的最大位移和三维总方差，并通过机器学习方法来识别鸡的状态，从而判别出死鸡病鸡，鸡的脚环采用6轴MPU6050传感器，高精度的计算出鸡的三维方向的位移，精度可达几厘米，探测终端通过无线与脚环自组网，显示每只鸡的活动状态，探测终端通过网络连接到系统，从而实现死鸡病鸡自动化的检测，克服现有技术上的不足，其系统合理，智能化程度高，值得推广使用。

附图说明

图1为本发明鸡笼的结构示意图；

图2为本发明单个鸡笼探测单元结构示意图；

图3为本发明检测系统架构图；

图4为本发明三轴加速度数据曲线图；

图5为本发明三轴加速度调整后的数据曲线图；

图6为本发明三轴加速X轴度波动数据曲线图；

图7为本发明实时数据的界面图；

图8为本发明脚环组成框图；

图9为本发明探测终端组成框图；

图10为本发明机器学习训练的流程图；

图11为本发明运行成本的比较直方图；

图12为本发明运行成本趋势比较曲线图；。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了如图1-图12中所示的一种基于人工智能的死鸡病鸡检测系统, 包括：

鸡笼探测单元，用于采集鸡运行的活动轨迹数据，并通过活动轨迹数据分析识别鸡的状态数据；前置机，用于收集鸡笼探测单元数据；数据服务器，与前置机连接并将前置机收集的鸡笼探测单元数据进行处理；其中，所述鸡笼探测单元包括：脚环，佩戴于鸡身，用于采集鸡运行的活动轨迹数据；

探测终端，与脚环组成无线网络并接收脚环传送的活动轨迹数据，通过活动轨迹数据分析识别鸡的状态数据，脚环包括：传感器单元，用于获取鸡移动加速度数据；

电池单元，用于给脚环供电的电池单元；

第一微处理器单元，用于对传感器单元获取加速度数据进行位移计算，并得到最大位移和三维总方差，形成鸡运行的活动轨迹数据，所述探测终端包括：存储单元，用于将获取到的加速度数据进行保存；无线传输单元，与脚环和前置机建立传输通道；第二微处理器单元，将采集到的脚环数据通过人工智能学习方法分析鸡的状态数据；指示灯单元，根据第二微处理器单元的状态数据显示鸡状态；其中，所述第二微处理器单元通过无线传输单元将鸡状态数据发送给前置机，本发明包括若干个鸡笼探测单元构成，鸡笼探测单元由8只脚环和1个探测终端组成，8个脚环和1个探测终端自动组成一个zigbee无线网，探测终端采集传感器数据，并通过指示灯显示鸡的活动状态，脚环的设计，脚环主要由传感器单元、电池单元与第一微处理器单元组成，其组成如图8所示；

本实施例中，传感器单元，采用的是集成6轴运动处理组件的传感器MPU-6050，与之前传统的多组件方案相比，MPU-6050免除了陀螺仪与加速度器之差的问题，并减少了大量的封装空间，变得小巧而又高效率，当鸡环移动时，MPU-6050产生三轴加速度并通过第一微处理器计算，得出鸡的最大位移和三维方差，探测终端接收到这些数据后指示鸡的活动强度；

电池单元，主要作用就是给鸡环整个设备供电，保证设备能够运行，在选择电池上，本发明采用的电池体积相对来说要小，保证脚环整个的体积在较小的体积量上，让鸡佩戴上较为舒适，不会让鸡去故意破环鸡环的现象出现；同时保证相对体积下的最大电量，体积在限定的基础下保证电量最大化，这样能够保证鸡环能够长时间运行，不用去频繁的更换设备，从而节省经济成本与时间成本；

第一微处理器单元，采用Texas Instruments德州仪器的ZigBee芯片CC2630，相比同为ZigBee位处理器的CC2530，CC2630的优点体现在：更加强大的单片机处理能力与更加低的功耗，CC2630含有一个32位的ARM Cotex-M3内核，相较于CC2530的8051内核，CC2630的性能更加强大，且成本同样低廉，与此同时，CC2630有着非常独特的，基于Cotex-M0的超低功耗传感器控制器，CC2630有着丰富的外设功能集，此外设计了功能集与CC2630独特的超低功耗传感器控制器相连接，这样独特的连接方式能够保证在不唤醒单片机主控制单元的情况下，实现自主的去收集模拟和数字数据，因此，在ZibgBee网络下通过电池供电实现数据采集；

探测终端主要由存储单元、电池单元、指示灯单元、无线传输单元、第二微处理器单元构成，探测终端的原理框图如图9所示；

存储单元，主要由Flash芯片构成，存储单元的主要作用为：存储采集到的脚环数据，无线发送数据，是非常消耗限量的，因此采集到的数据不可能以实时数据的方式上传至前置机的，需要存储，在规定时间一次性传送到主站；

电池单元，用于供电；

无线传输单元，主要由Wifi模块各ZigBee模块组成，Wifi模块主要实现将采集到的传感数据上传至前置机，便于主站进行分析，Wifi模块采用的是上海乐鑫的ESP32，ESP32上电后设置为终端，自动连接无线路由器，从而实现数据传输，ZigBee无线自组网是第二微处理器CC2530自带的功能；

第二微处理器单元，采用的TI的CC2530，CC2630虽然也是ZigBee网络微处理器，但是TI将CC2630定义为超低功耗下ZigBee网络终端，CC2630具有加入ZigBee网络的功能，而没有建立ZigBee网络的功能，因此第二微处理器采用CC2530芯片，CC2530通过PanId与Channel建立ZigBee网络，脚环根据这两项参数加入到相应的ZigBee网络，实现ZigBee消息的交互；通过对采集到的脚环数据进行人工智能学习后，分析出鸡的状态，并点亮相应的LED灯，直观的显示鸡的状态；与此同时，鸡的状态信息会通过Wifi模块，经由Wifi网络，发送到前置机主站，发出告警信息通知管理员进行排查；

本实施例中，探测终端的8只LED来表示鸡的活动状态；

LED灯的状态表示鸡的活动状态如表1所示，管理人员不仅可以在现场，通过鸡笼前的LED灯真观地看出鸡的状态，判断病死鸡，而且，可以远程通过系统软件或APP发现病死鸡；

表1 LED灯状态指示表

一种基于人工智能的死鸡病鸡检测系统的检测方法，该方法包括以下步骤：

S1、所述探测终端将脚环内采集到的加速度数据进行位移计算，得到最大位移和三维总方差；

S2、将所述步骤S1中得到最大位移和三维总方差使用机器学习分类算法进行训练，获取最佳的训练模型；

S3、将脚环内采集数据通过训练模型识别出鸡的活动行为。

通过加速度信号进行积分解算位移时，获得的加速度数据是一组离散值，当 n大于1 时，在离散域中,通过加速度计算n点的速度和位移公式，如公式(1)和(2)所示，

公式(1)和（2）式中，a[n]为第n时刻的加速度读值，v[n]、s[n]为对应时刻的速度、位移值。根据式(1) 、式(2) 可以得出目标物体在n时刻单方向的移动位移，计算公式(3)，

计算三维总方差

计算时间段T的单方向位移方差

通过采样加速度值，计算时间段t1到t2的位移，如采集间隔设为△t=100ms,加速度采样时间100ms采样一次，那么，从t1到t2时间内总采样次数为n=(t2-t1)/△t, 实时运动位移为s[n]，计算公式为公式（4）

计算在T时间内有M个时间段(t2-t1)，见公式（5）

M=T/(t2-t1) (5)

计算在T时间内平均位移，见公式（6)

计算时间段T的位移方差

由于方差是数据的平方，与检测值本身相差太大，人们难以直观的衡量，所以常用方差开根号换算回来这就是我们要说的标准差，方差描述偏离程度和波动，见公式（7)

计算时间段T的x,y,z轴三个方向位移方差

三个方向位移方差，见公式（8-10)：

计算时间段T的三维位移总方差

三维总方差，见公式（11)：

本实施例中，使用SensorManager类测试三轴加速度，在静止状态下，可实时测试出三轴加速度度数据曲线，由于噪声干扰，曲线会有些泡波动，数据曲线如图4所示；

三轴x、y、z加速度，由于z轴是垂直方向，静止状态下，z轴加速度在9.8m/s2左右，x和y轴加速度在0.0m/s2左右，因而调整后三轴加速度数据曲线，如图5所示；

在水平方向上，当手机有微小的移动时，甚至几厘米，x轴加速度或y轴加速度会有波动，三轴加速度中x轴加速度波动曲线如图6所示；

计算最大位移和三维总方差的方法，主要步骤分为：

1)设定加速度采样频率，设定△t=100ms，采样一次加速度，由于灵敏度不一样，首先要进行校正，校正后的三轴加速度Gx,Gy,Gz几乎为0；

2)设定位移时间T计算位移S，设定T=1分钟, 60秒钟计算一次位移，n=60/0.1=600次，通过公式（4）计算出分钟位移，分别为Sx,Sy,Sz。并计算总位移S=Sx+Sy+Sz；

3)计算累计M分钟三轴位移方差。通过公式(6)计算出M 分钟时平均位移，再通过公式(8）（9）（10)分别计算三轴位移方差Va,Vb,Vc；

4)计算累计M分钟立体位移方差。通过公式（11）计算出立体总方差Vtotal；

5)计算累计M分钟的最大位移Smax；

立体总方差Vtotal和最大位移Smax，这二个数据作为机器学习分类算法的输入；如图7所示，界面上包含的过程数据为：三轴实时加速度，三轴的实时位移，累计分钟，三轴的分钟位移，最后的计算数据为：最大的分钟位移，三维总位移总方差；

通过监督学习分类方法来进行人工智能学习，训练和学习步骤如图10所示。首先，通过加速度传感器采集脚环的数据；然后，进行位移计算，获得最大位移和三维总方差，作为（x1,x2)；通过机器学习分类算法训练数据，获取最佳的训练模型，通过训练模型识别出鸡的活动行为；

本实施例中，通过脚环传感器采集到网关的数据，来进行机器学习判断鸡活动状态，由于鸡的活动时间大致在早晨5:00到晚上8:00，那么从早晨5点开始采集数据，采集15个小时，最后采集到最大位移Smax和立体总方差Vtotal；

样本集定义：

样本数据：X=(x1,x2) ，x1为最大位移Smax，x2为立体总方差Vtotal；

分类j：0-死鸡，1-病鸡，2-活动弱鸡,3-活动强鸡；

典型样本集举例：

一个四个分类的典型样本集，如表2所示。

Tab2 典型的样本集

训练数据：本实施例中，采集2000个样本数据，进行训练测试；

机器学习算法，

通过5种分类算法SVM、KNN、DT、NB、BP用于异常行为识别的识别效果，

SVM是由Cortes和 Vapnik根据统计学习理论提出的一种新的学习方法，它的最大特点是根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习的泛化能力，较好地解决了非线性、高维数、局部极小点等问题；

KNN是一种基于实例的分类方法, 该方法就是找出与未知样本x距离最近的i个训练样本,把x归集为 i个样本中多数属于的那一类；

DT是以实例为基础的归纳学习算法，它着眼于从一组无次序 、无规则的实例中推理出以DT表示的分类规则。构造 DT的目的是找出特征值和类别间的关系，用它来预测未知样本的类别；

NB是基于独立假设的贝叶斯定理的简单概率分类，其原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类；

BP神经网络是一种按误差反向传播训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小，其突出优点就是具有很强的非线性映射能力和柔性的网络结构；

本发明识别准确率实验结果和比较分析：

本实施例中，采用4万个鸡的样本数据来测试，使用5种机器学习方法来进行比较，如表3所示，对比较的识别结果分析如下：

1）因为死鸡不活动，最大位移Smax和三维总方差Vtotal几乎为0，5种识别准确率都是100%，活动强鸡的识别准确率几乎达100%，重点是病鸡和活动弱鸡很难分辨，由于有些好鸡活动力弱，行为好象病鸡一样，所以有时难分辨，但由于活动弱鸡要吃食，最大位移会很大，所以也能分辨出来，只是识别准确率会低点；

2）通过对5种分类算法的运行，BP算法识别率最高，因此选择BP作为最终的分类算法；

3）如果将病鸡和活动弱鸡，归成一类，那么识别率更高，只不过在实际应用时，多检查一次，但不会遗漏对病鸡的检测；

Tab.3 5种算法识别准确率结果比较：

本发明使用的养殖场运行成本比较分析：

假设一个4万只鸡的养鸡大棚，人工养殖需要4个工作人员，通过系统养殖需要2个工作人员，一个工作人员一年的工资成本是10万元，1个脚环的材料成本是10元，那么,对人工和系统的总成本进行对比分析，比较结果如表4如示，从结果可以看出，运行系统2年，成本与人工相当，2年后可节省成本；

Tab.4 运行总成本比较

从表3结果，可以看出，运行系统的成本随着时间的推移，总成本会不断降低，运行4年的成本直方图比较如图11所示，根据表4的结果，还可以分析计算出，运行8年的总成本趋势，并与人工运行成本进行比较，成本趋势曲线图如图12所示，通过图12成本趋势比较曲线图，可以看出：运行2年成本可收回，运行4年成本可降低成本25%，运行8年，将会产生100万的经济效益，如果更大规模的养鸡场会产生更大的经济效益，因此，本系统运行成本相比较于人工，不仅提高识别准确率，而且创造更高的经济价值；

本发明通过在每只鸡上的扣一个脚环，来测量鸡的三维位移，并设计和计算三维总方差来表达鸡的活动强度，最后通过机器学习分类方法来识别鸡的状态，实现死鸡和病鸡的正确判断，脚环和探测终端通过zigbee自组网，低功耗电池供电，通过最大位移和三维总方差这二个特征，来表示鸡的活动状态，实验证明识别准确率达95.6%，可达到了实用效果，减少了人工，提高了工作效率。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。