一种基于深度学习的室内养鸡场病鸡检测系统的制作方法

本发明属于养鸡场病鸡智能检测技术、涉及计算机视觉技术领域，具体地说是涉及基于深度学习的室内养鸡场病鸡检测系统。

背景技术：

我国是世界排名前三的鸡肉生产和消费国，每年鸡肉生产和消费量均高达1200万吨以上，全国蛋鸡总存栏量也达14亿只以上，而据调查，我国5万羽存栏以下的养殖户占比高，大量小养殖户是我国禽业主力军，规模化程度不高。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，因此，快速、准确地对鸡只健康状态做出检测，具有重大应用意义。

文献号为cn104111649a的现有技术提供了一种养鸡场环境监测及疾病预报系统，其主要解决养鸡场自动化控制低和缺少疾病预报功能的问题，由控制主机、人机界面、短信发送器、短信接收终端、温湿度传感变送器、氨气浓度传感变送器、通风机、水帘机、消氨机和供暖锅炉组成，温湿度传感变送器和氨气浓度传感变送器的信号输出端与控制主机输入端相连接，控制主机通过通讯电缆与人机界面和短信发送器相连接，短信发送器与短信接收终端相连接，控制主机的输出端还与通风机、水帘机、消氨机和供暖锅炉的控制器相连接以控制通风机、水帘机、消氨机和供暖锅炉的工作。

文献号为cn109255549a的现有技术提供了一种养鸡场管理系统，包括鸡场计划管理模块、市场营销管理系统模块、饲料配方制作及饲料生产管理模块、鸡病的诊断与鉴别诊断模块；其有益效果是：经营者既能掌握自己当年养鸡的经营状况；又可与经营者年初制定的年生产计划相比较,为研究今后如何改进自己的经济和饲养技术提供方便,为管理人员进行蛋鸡生产动态管理及科学决策提供依据，提高管理水平与生产效率。该现有技术中，针对鸡病的诊断与鉴别诊断模块的描述仅为：建立分布式数据采集与控制网络，以鸡舍为单元建立监视、监听、监测和自动控制，并没有给具体的技术措施和手段。

可看出，目前，现有技术中没有通过物联网、计算机视觉、深度学习等人工智能技术来实现对室内养鸡场病鸡进行检测或监测。

技术实现要素：

本发明要解决的技术问题为：

本发明的目的在于提供一种基于深度学习的室内养鸡场病鸡检测系统，以提高室内养鸡场病鸡检测的智能化程度，在出现禽流感等养殖鸡疫情时能够迅速准确检测，为避免大规模传染争取时间，为养殖户减少损失。

本发明的目的是这样实现的：

一种基于深度学习的室内养鸡场病鸡检测系统，所述检测系统包括巡航机器人、服务器和用户端；

巡航机器人包括巡视机器人主体(巡视机器人主体是整个机器人的主体部分，即机械模块)以及设置在巡视机器人主体上的信息采集模块、动力模块、通信控制模块，信息采集模块包括至少与鸡笼层数相同的一组图像采集器；动力模块驱动巡航机器人沿室内养鸡场地面上的导轨进行巡视(动力模块为巡视机器人运动提供动力能源，充电电池为首选)；图像采集器能移动并自动伸缩，与所要采集数据的对应层鸡笼保持持平；信息采集模块用于实时采集鸡笼视频图像数据；通信控制模块利用网络(wifi/4/5g)将巡视机器人获取的鸡笼视频图像数据进行预处理之后发送至服务器，所述预处理是通过通信控制模块的预处理模块实现的，通信控制模块还接收相关远程指令，控制巡视机器人的运行与操作；

服务器包括后台处理程序和数据库，所述数据库用于存储经预处理后的鸡笼视频图像数据信息；后台处理程序包括深度网络训练模块和实时监测模块；深度网络训练模块：针对巡航机器人图像采集器(摄像头)采集的鸡笼中养殖鸡的历史数据，采用densenet(稠密连接网络)结构来提高网络特征提取的能力，再经过训练，得到训练好的网络模型；

实时监测模块根据训练好的网络模型，将巡航机器人信息采集模块实时采集鸡笼视频图像作为输入，监测出鸡笼内是否存在病鸡，并通过用户端(手机移动端或pc端)进行显示，并给出相应提示或报警。

进一步地，所述预处理模块，用于对采集的视频图像数据进行数据增强与扩增，采用分通道补偿法进行数据增强，并通过几何变换和彩色调整相结合的方式进行数据扩增。

进一步地，所述预处理模块中，分通道补偿法增强图像信息的步骤是：

(a)对于摄像头采集的鸡笼图像数据irgb，分离三个通道的图像分量，分别得到红色、绿色和蓝色通道图像分量ir、ig和ib；

(b)计算红、绿、蓝三个通道图像分量的均值αr_aver、αg_aver、αb_aver；

(c)对三个通道图像分量采用引导滤波进行平滑处理，得到ir_gui、ig_gui和ib_gui；

(d)计算三个通道图像分量的对数补偿系数，

βr＝log(θr)/log(αr_aver)；

βg＝log(θg)/log(αg_aver)；

βb＝log(θb)/log(αb_aver)，其中θr，θg和θb为经验参数，根据室内养鸡场光照情况调整；

(e)计算各个通道图像分量的补偿图像分量其中k＝r、g、b为红、绿、蓝三个通道标识符；

(f)融合三个通道补偿图像分量，得到补偿后的增强图像数据。

进一步地，所述预处理模块中，数据扩增采用扩增字典法(augmentationdictionary)，构建扩增字典库，扩增字典库由几何变换和彩色调整构成，由于鸡笼内的养殖鸡本身在运动，巡航机器人也在运动过程中，再加上室内养鸡场照明环境相对较弱，因此会对鸡只目标的边缘信息造成干扰，同时鸡只的互相遮挡，也使鸡只个体缺乏鲜明、稳健的轮廓信息，针对这些问题，对采集到的鸡笼视频图像数据采用翻转、平移、旋转和缩放的图像几何扩充方法来实现不同鸡只目标形态的扩充，同时，采用调整图像的亮度、对比度以及饱和度来实现增强数据扩增的目的，并可以随时向扩增字典库中加入新的方法以增加数据扩增多样性。

进一步地，所述深度网络训练模块，针对鸡笼内鸡只检测实时性要求高，鸡只互相遮挡后小目标检测需要高精度的特点，采用densenet(稠密连接网络)作为特征提取网络，并设计4个denseblock，如图5所示，特征提取网络结构如下表：

为了防止过拟合，denseblock内部以联级的方式进行连接，每两个denseblock通过连接层进行通道降维，并且还能更加有效地传递梯度和特征信息；

为了增强特征提取，采用如下公式进行感受野的扩大：

其中，u为特征图包围盒的个数，v∈[1,u]，smin和smax分别为包围盒尺度参数的最小值和最大值，损失函数采用交叉熵损失函数，其定义为：

其中，θ为模型参数，n为样本批量大小，h为交叉熵，y⁽ⁱ⁾为样本i类别标签概率分布，为样本i类别的预测概率分布。

进一步地，所述信息采集模块还包括声音传感器、温度传感器和/或气体传感器。

进一步地，所述信息采集模块主要以图像信息采集为主，声音及其他相关禽类生物特征信息采集为辅，通过该模块实时获取相关信息，并通过该巡视机器人通信控制模块进行预处理并发送至服务器进行处理获得识别结果，识别过程主要以图像信息为主，声音及其他相关生物特征信息作为辅助备用信息。

本发明具有以下有益技术效果：

室内养鸡场巡航机器人通过物联网、计算机视觉、深度学习等人工智能技术，巡航机器人在现代大型养鸡场内以巡视方式进行工作，采用巡航机器人所携摄像头采集鸡笼中鸡只的图像数据，方便快捷，针对养鸡场室内照明环境相对较弱的特点，采用分通道补偿法进行图像数据的增强，突出鸡只目标对比度，并通过扩增字典法，以几何变换和彩色调整相结合的方式进行数据扩增，增加数据多样性；采用densenet(稠密连接网络)，扩大感受野，提高网络特征提取的能力，提高了目标检测的精度，根据训练好的网络实时监测出鸡笼内是否存在病鸡，并通过手机移动端或pc端显示，及时让养殖户掌握室内养鸡场内鸡只健康情况，尽早发现病鸡。

本发明与现有技术相比的优势在于：针对室内养鸡场鸡只数量大，气味难闻，人工监管又有感染禽流感的风险，采用巡航机器人利用导轨模式，以巡航方式在室内养鸡场按照一定路线巡视所有鸡笼，并采集鸡只图像和其他生物特征信息作为辅助备用信息；采用分通道补偿法进行养鸡场室内图像增强，根据室内养鸡场光照情况调整对数补偿系数，改善因为照明环境不同导致的图像质量差异，同时，为了增加训练数据多样性，采用扩增字典法，，以几何变换和彩色调整相结合的方式进行数据扩增并可以随时向扩增字典库中加入新的方法；针对鸡笼内鸡只检测实时性要求高，鸡只互相遮挡后小目标检测需要高精度的特点，采用densenet(稠密连接网络)作为特征提取网络，通过扩增感受野的方式提高检测精度，采用交叉熵损失函数，完成整个深度学习网络设计，根据训练好的网络，监测出鸡笼内是否存在病鸡，并通过手机移动端或pc端显示，及时让养殖户掌握室内养鸡场内鸡只健康情况，尽早发现病鸡，降低损失。

基于深度学习的室内养鸡场病鸡检测系统，就是通过物联网、计算机视觉、深度学习等人工智能技术，采用巡航机器人采集室内养鸡场的鸡笼中鸡只的图像数据，并对病鸡进行特征标注，从而得到有效的病鸡特征，进一步对海量鸡的图片数据进行识别，搭建一套完整的基于人工智能的物联网病鸡检测识别系统。系统可以24小时不间断工作，不仅将大大加速以禽流感为主的病鸡的检测过程，同时在一定程度上解放人力，方便养殖户远程实时掌握鸡笼情况，极大的增加了鸡场的自动化和智能化。本发明与实际应用中采用人工检查、以及背景技术中方法相比，便捷快速，在出现禽流感等养殖鸡疫情时能够迅速检测，为避免大规模传染争取时间，为养殖户减少损失，同时可以避免养殖户在养殖室内工作，忍受难闻的气味。本发明适用于大型室内养鸡场病鸡检测及预警。

附图说明

图1是本发明的系统整体设计架构图；

图2是本发明的室内巡航机器人工作示意图；

图3是本发明的巡视机器人组成模块示意图；

图4是本发明的鸡笼数据采集示意图；

图5是本发明的特征提取网络的原理示意图；

图6是本发明的识别算法流程框图。

具体实施方式

下面结合附图1至6举例对本发明做更详细地描述：

本实施方式所述的基于深度学习的室内养鸡场病鸡检测系统包括巡航机器人、服务器和用户端；

室内养鸡场巡航机器人，包括信息采集模块、动力模块、通信控制模块、子模块以及机械模块等，采用导轨模式，机器人摄像头数目与鸡笼层数相同，作为信息采集终端；数据采集，通过巡航机器人摄像头，采集鸡笼视频图像数据；预处理模块，对采集的视频图像数据，采用分通道补偿法进行数据增强，并通过几何变换和彩色调整相结合的方式进行数据扩增；深度网络训练模块，针对机器人摄像头采集的鸡笼中养殖鸡的数据，采用一种稠密连接网络，提高网络特征提取的能力，提高了目标检测的精度，保证了检测的实时性；实时监测模块，根据训练好的网络，监测出鸡笼内是否存在病鸡，并通过手机移动端或pc端显示。

巡航机器人在现代大型养鸡场内以巡视方式进行工作，室内巡航机器人工作示意图如图2所示，在整个系统中起到一个信息采集的作用，包括信息采集模块、动力模块、通信控制模块以及机械模块等，巡航机器人组成模块示意图如图3所示。数据采集过程中，应考虑鸡舍的鸡笼层数，该巡视机器人的摄像头的载体具有自动伸缩功能，与所要采集数据的那一层鸡笼保持持平，示意图如图4。所述预处理模块和深度网络训练模块共同构成所述检测系统的识别算法部分，其流程如图6所示。

结合附图，本发明基于深度学习的室内养鸡场病鸡检测系统的具体实现如下：

第一步是构建硬件系统，主要是室内养鸡场机器人巡航模块，机器人巡航模块中，巡航机器人在现代大型养鸡场内以巡视方式进行工作，室内巡航机器人工作示意图如图2所示，在整个系统中起到一个信息采集的作用，包括信息采集模块、动力模块、通信模块、控制模块以及机械模块等，巡航机器人组成模块示意图如图3所示，其中：

1)信息采集模块主要以图像信息采集为主，声音及其他相关禽类生物特征信息采集为辅，通过该模块实时获取相关信息，并通过该巡视机器人通信控制模块进行预处理并发送至服务器进行处理获得识别结果，识别过程主要以图像信息为主，声音及其他相关生物特征信息作为辅助备用信息。

2)动力模块为巡视机器人运动提供动力能源，充电电池为首选。

3)通信控制模块通过wifi/4/5g网络将巡视机器人获取的信息进行预处理之后发送到服务器，并接收相关远程指令，控制巡视机器人的运行与操作。

4)机械模块即为巡视机器人主体，是整个机器人的主体部分。

5)系统硬件所需主要部件可由以下方案组成：

1.运动底盘及机器人主体外壳1套：轮式底盘或履带式底盘；

2.驱动电机与电池；

3.大功率充电器；

4.机载计算机；

5.通信平台：wifi/4/5g，实现wifi短程通讯以及4/5g的外部远程通讯；

6.传感器扩展板；

7.多自由度云台；

8.摄像头与声音采集器。

第二步，数据采集过程中，应考虑鸡舍的鸡笼层数，该巡视机器人的摄像头的载体具有自动伸缩功能，与所要采集数据的那一层鸡笼保持持平，示意图如图4；

第三步，采用分通道补偿法进行图像数据增强，步骤是：

(a)对于摄像头采集的鸡笼图像数据irgb，分离三个通道的图像分量，分别得到红色、绿色和蓝色通道图像分量ir、ig和ib；

(b)计算红、绿、蓝三个通道图像分量的均值αr_aver、αg_aver、αb_aver；

(c)对三个通道图像分量采用引导滤波进行平滑处理，得到ir_gui、ig_gui和ib_gui；

(d)计算三个通道图像分量的对数补偿系数，

βr＝log(θr)/log(αr_aver)；

βg＝log(θg)/log(αg_aver)；

βb＝log(θb)/log(αb_aver)，其中θr，θg和θb为经验参数，根据室内养鸡场光照情况调整；

(e)计算各个通道图像分量的补偿图像分量其中k＝r、g、b为红、绿、蓝三个通道标识符。

(f)融合三个通道补偿图像分量，得到补偿后的增强图像数据。

第四步，数据扩增。采用扩增字典法(augmentationdictionary)，构建扩增字典库，扩增字典库由几何变换和彩色调整构成，由于鸡笼内的养殖鸡本身在运动，巡航机器人也在运动过程中，再加上室内养鸡场照明环境相对较弱，因此会对鸡只目标的边缘信息造成干扰，同时鸡只的互相遮挡，也使鸡只个体缺乏鲜明、稳健的轮廓信息，针对这些问题，对采集到的鸡笼视频图像数据采用翻转、平移、旋转和缩放的图像几何扩充方法来实现不同鸡只目标形态的扩充，同时，采用调整图像的亮度、对比度以及饱和度来实现增强数据扩增的目的，并可以随时向扩增字典库中加入新的方法以增加数据扩增多样性。

第五步，设计深度训练网络，针对鸡笼内鸡只检测实时性要求高，鸡只互相遮挡后小目标检测需要高精度的特点，采用densenet(稠密连接网络)作为特征提取网络，并设计4个denseblock，如图5所示，其结构如下表：

特征提取网络结构

为了防止过拟合，denseblock内部以联级的方式进行连接，每两个denseblock通过连接层进行通道降维，并且还能更加有效地传递梯度和特征信息。

为了增强特征提取，采用如下公式进行感受野的扩大：

其中，u为特征图包围盒的个数，v∈[1,u]，smin和smax分别为包围盒尺度参数的最小值和最大值，损失函数采用交叉熵损失函数，其定义为：

其中，θ为模型参数，n为样本批量大小，h为交叉熵，y⁽ⁱ⁾为样本i类别标签概率分布，为样本i类别的预测概率分布。

第六步，实时监测，根据训练好的网络，监测出鸡笼内是否存在病鸡，并通过手机移动端或pc端显示。