CN114898405B - 基于边缘计算的便携式肉鸡异常监测系统 - Google Patents

Abstract

本发明公开了一种基于边缘计算的便携式肉鸡异常监测系统，它包括：数据采集与处理模块，用于采集肉鸡的RGB图像数据、鸡舍的环境温度分布情况，并综合图像数据预处理模块返回的识别信息进行肉鸡异常分析判断；图像数据预处理模块，采用深层卷积神经网络建模，对图像中的目标快速识别与分类，快速进行鸡群打堆识别与鸡只粪便识别；客户端，用于展示数据采集与处理模块的分析判断结果。本申请基于边缘计算的便携式笼养肉鸡图像数据采集模块。为适应国内笼养鸡鸡舍狭小复杂的环境提出，轻便灵敏，运行稳定，性价比高，在笼养禽类养殖舍内可广泛适用。

Description

基于边缘计算的便携式肉鸡异常监测系统

技术领域

本发明属于肉鸡精确养殖技术领域，涉及单片机技术、深度学习技术、边缘计算技术、软件开发技术，尤其是一种基于边缘计算的便携式肉鸡异常监测系统。

背景技术

肉鸡养殖业已经成为了中国畜牧业中最重要的产业之一，对高密度养殖的笼养肉鸡异常状况的有效检测也已成为养殖过程中的关键问题。经调查，鸡群打堆是目前在肉鸡养殖中最常见的致死原因之一。鸡群打堆是十分常见的现象，尤其易出现在鸡只幼年时期，此现象可由多种原因引起，不可简单的判定为冷应激。肉鸡打堆时还会伴随其他的异常生理反应，如稀水便或血便，若发现打堆肉鸡伴有大量腹泻甚至粪便带血且其打堆位置与环境温度无关联，则考虑是鸡群患有球虫病；若鸡群粪便无异常且打堆位置与环境温度无关，则考虑是其他应急情况，如鸡舍内存在老鼠等生物。提早发现鸡群打堆并针对不同情况及时处理可以有效降低鸡群死亡率，而面对笼养肉鸡体型小、密度大、鸡场环境恶劣等问题，传统形态学识别方法易受烟尘、光源分布不均等影响，误差较大且不便于在狭小复杂的鸡舍部署。因此，根据高干扰、高复杂度的鸡舍环境，建立灵活便携的肉鸡异常监测系统，已成为目前笼养鸡养殖行业与科学研究中的关键问题。同时，高密度养殖的肉鸡一旦突发疾病就会快速传染，传统监测模式难以及时发现，易使养殖户遭受巨大损失，建立高效准确的监测系统迫在眉睫。

基于上述背景，从业者需实现一种便捷、远程、高效的笼养鸡异常监测方法，在不影响笼养鸡只正常生活的前提下，对鸡群的打堆情况进行监控同时结合其粪便与环境温度信息加以分析判断，研发从底层检测到顶层读取的笼养鸡异常状态的评估系统，建立行业标准，加快我国笼养鸡养殖的智能化及福利化进程。同时，本系统针对目前国内笼养鸡养殖环境现状及养殖模式，在满足养殖厂生产要求的前提下对养殖设施进行改良，建立符合实际的笼养鸡生理及行为信息的采集模式，力求能在全国范围内应用和推广。

为实现便捷、远程、高效的笼养鸡异常监测，人们进行多方面的研究并提出了多项专利申请。它们包括：

1.公开号为CN113221864A的中国发明专利，公开了一种病鸡视觉识别模型建构及应用方法。获取笼养鸡场景下的鸡只图片,根据鸡只图片,对鸡只的整鸡、鸡头、鸡身3个区域进行标注,以及健康鸡和病鸡两个类别标注,构建病鸡识别数据集；构建2阶段病鸡识别模型,该模型包括多区域定位模型和识别模型；利用公开数据集对多区域定位模型和识别模型进行预训练,再利用病鸡识别数据集,对模型进行微调,得到最终病鸡识别模型。该方法易受外界条件的影响，如光照、围栏遮挡等情况的干扰；同时不同类型的疾病会导致肉鸡产生不同的异常形态，难以穷尽病鸡情况，工作量大，误判率高。

2.公开号为CN113223035A的中国发明专利，公开了一种笼养鸡智能巡检系统。包括边缘数据采集装置、服务器、可视化分析平台,具体的：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。此方法中所用设备价格贵、体积大、维护成本高，难以在国内养殖场中推广普及。

3.授权公告号为CN111709333A的中国发明专利，公开了一种基于笼养鸡异常粪便的溯源预警系统及健康监测方法。实时采集笼养鸡清粪带上的粪便图片数据，由数据传输模块将图像数据传输至数据处理模块,进行数据分析处理,分析粪便状态,监测异常粪便以及实现异常粪便分类,当出现异常粪便时,由终端报警模块进行异常报警。当异常粪便识别部分发出异常粪便警报时,利用输送带输送速度,倒推计算出排泄异常粪便的异常鸡所处空间位置,实现异常粪便的空间溯源和疾病预警。此方法使用肉鸡粪便状态作为唯一识别标准，局限性大；同时随着物联网设备数量的增加，图片数据将迅速增多，给云服务器数据处理中心造成极大的压力，不适合大规模、大数据量的应用场景。

发明内容

针对背景技术中存在的问题，本申请提出了一种基于边缘计算的便携式肉鸡异常监测系统，以肉鸡笼内分布情况及鸡群粪便状态为研究对象，以建立便捷、远程、高效的笼养鸡异常监测为目标，以边缘端计算为主要技术手段，通过对采集到的目标图像数据进行标签制作、数据集制作、目标检测模型构建结合肉鸡运动特征和异常粪便特征，建立肉鸡打堆模型及异常粪便模型，并结合鸡舍环境温度分布情况对鸡群的异常打堆进行分析判断，主要针对肉鸡冷应激现象及球虫病感染等情况建立多元表征联合的笼养肉鸡异常评估并反馈给养殖者。为笼养肉鸡智能化、福利化养殖提供一种技术支撑。

技术方案：

一种基于边缘计算的便携式肉鸡异常监测系统，它包括：

-数据采集与处理模块，用于采集肉鸡的RGB图像数据、鸡舍的环境温度分布情况，并综合图像数据预处理模块返回的识别信息进行肉鸡异常分析判断；

-图像数据预处理模块，采用深层卷积神经网络建模，对图像中的目标快速识别与分类，快速进行鸡群打堆识别与鸡只粪便识别；

-客户端，用于展示数据采集与处理模块的分析判断结果。

具体的，数据采集与处理模块包括主控制器、RGB摄像头、无线网卡、外接电源、热红外摄像头，所述RGB摄像头、无线网卡、外接电源、热红外摄像头均与主控制器连接。

具体的，图像数据为直接获取的照片数据，或从视频中截取的图片数据。

优选的，采用YOLOv5算法作为鸡群打堆识别与鸡只粪便识别的识别算法。

优选的，YOLOv5算法的网络结构分为：输入端、主干网络、加强特征提取网络和预测网络，具体的：

(1)输入端：鸡只或鸡粪图像输入，进行Mosaic数据增强并计算自适应锚框，各组图像的尺寸缩放至640×640；

(2)主干网络：提取鸡只或鸡粪的图像特征，使用了CBS+CSP+SPPF模块结构； CSP结构的卷积核大小为3×3，步进值为2，特征图的尺寸变化为：640×640→320×320 →160×160→80×80→40×40→20×20，CSP模块既能使模型保持轻量化，又能获得较高的准确性；采用YOLOv5-6.0将5.0版本主干网络中的空间金字塔池化层SPP更换成了 SPPF，并且将SPPF放到了主干网络的最后；

(3)加强特征提取网络：使用PANet结构实现鸡只或鸡粪图像的特征融合，充分利用不同分辨率图像的特征信息，实现多尺度的检测；

(4)预测网络：预测网络中设计了3种不同大小的特征图来检测小、中、大的物体，分别为80×80、40×40和20×20，最后再引入非极大值抑制NMS保留置信度最高的预测框，输出预测结果。

具体的，YOLOv5模型的总损失函数定义为：

式中：λ1、λ2和λ3为平衡系数，loss_box、loss_cls和loss_obj分别表示模型在训练过程中的位置损失、分类损失和置信度损失。

优选的，采用模型尺寸大小、检测速度、精确率P、召回率R、F1-score、平均精度均值mAP指标评判算法在测试集上的性能，其中：

精确率P公式为：

召回率R公式为：

F1-score公式为：

上式中，TP表示对正样本预测正确的数量，FP表示对正样本预测错误的数量，FN表示对负样本预测错误的数量；

平均精度均值mAP为PR曲线与坐标轴围成的面积，计算步骤为：

(1)对测试样本的confidence score进行排序，然后计算P和R；

(2)计算P和R时只计算按confidence score排序后的样本；

(3)对PR曲线进行平滑处理，即对PR曲线上的每个点，P的值取该点右侧最大值，最终随着R的增大，P逐渐降低，避免了曲线的摇摆；

(4)把R当成横坐标，P当成纵坐标，用积分的方式计算平滑曲线下方的面积作为最终的AP值。

优选的，构建鸡群打堆识别模型时，识别主体为鸡只个体，针对鸡只个体形成识别框；计算识别框中心点之间的距离，当此距离小于给定阈值时用蓝线连接；最后通过连线的连接数与鸡只数目的比例来判断是否存在鸡群打堆状况。

优选的，构建鸡只粪便识别模型时，识别主体为血便、稀便和水便，记录每种粪便的出现次数，判断异常粪便所占比例。

优选的，主控制器基于鸡群打堆识别结果、鸡只粪便识别结果、鸡舍的环境温度分布情况进行肉鸡异常分析判断：

鸡群仅在相对高温区域打堆且偶尔可见稀水便无血便则判定为鸡群冷应激；

若鸡群在打堆同时伴随严重的腹泻且便中带血则为感染球虫病；

若打堆位置与环境温度分布无关且无粪便无异常则为特殊应激。

具体的：

鸡舍温度低于当前日龄鸡群正常生活的温度阈值，且该鸡群稀水便占粪便比例超过5％，血便比例低于1％则判定为冷应激鸡群；

若鸡舍温度不低于当前日龄鸡群正常生活的温度阈值，且该鸡群稀水便占粪便比例超过 5％，血便比例高于3％则判定为球虫病高风险鸡群；

若鸡舍温度不低于当前日龄鸡群正常生活的温度阈值，且该鸡群稀水便占粪便比例低于 5％，血便低于1％则判定为特殊应激鸡群。

其中，1～2日龄育雏鸡群正常生活的温度阈值为32℃，且随日龄每增长7日降低3℃，日龄达28日后，温度阈值固定在20℃；此外，当前养殖季节、养殖地区、养殖环境等因素也会对各项阈值产生影响，在不同的条件下仍需根据实际情况进行阈值修订。

本发明的有益效果

(1)基于边缘计算的便携式笼养肉鸡图像数据采集模块。为适应国内笼养鸡鸡舍狭小复杂的环境提出，轻便灵敏，运行稳定，性价比高，在笼养禽类养殖舍内可广泛适用。采用 RGB摄像头对肉鸡行为及生理信息数据进行采集，以深层卷积神经网络构建肉鸡行为及肉鸡粪便的模型完成边缘计算，准确高效。

(2)多元表征联合的健康评分模型建立。采用图像处理技术与深层卷积神经网络建立鸡群打堆模型、鸡只粪便模型，并将模型置于Nvidia Jetson TX2主控制器中，实现目标的定位与兴趣域提取，将不同表型特征相融合，联合鸡舍温度分布情况、鸡群打堆情况、鸡群粪便的异常情况，综合评估，能够高效准确的对整笼甚至整舍的笼养肉鸡健康情况进行评估，有确切的判定标准，不仅减少人力消耗，而且降低了人的主观判断对检测结果的影响，提高了检测准确度和检测效率。

(3)可视化检测系统可实现对笼养肉鸡应激情况与患病情况的检测，数据处理，模型预测，和结果查询，为用户提供一套笼养肉鸡异常情况的远程检测方案。用户可对笼养肉鸡进行检测目标选择、系统会针对目标图像采集数据按指定算法进行处理分析、将处理分析的结果代入相应模型得到样本中异常成分的比例，并分析鸡群的健康状态，给予用户科学可信的评价，实现便捷、远程、高效的笼养肉鸡健康监测，降低肉鸡发病率和死亡率，提高养殖收入。

附图说明

图1为系统结构示意图

图2为便携式数据采集处理模块硬件示意图

图3为深层卷积神经网络结构图

图4为图像数据预处理流程图

图5为目标识别模型示意图

图6为实施例中打堆识别结果图

图7为实施例中粪便识别结果图

图8为可视化笼养鸡异常检测系统结构框图

图9为可视化笼养鸡异常检测系统主界面截图

图10为打堆检测页面截图

图11为粪便检测页面截图

具体实施方式

下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此：

一种基于边缘计算的便携式肉鸡异常监测系统，结合图1，它包括：

-数据采集与处理模块，用于采集肉鸡的RGB图像数据、鸡舍的环境温度分布情况，并综合图像数据预处理模块返回的识别信息进行肉鸡异常分析判断；

针对国内肉鸡多为叠笼养殖的特点，设计了便携式的数据采集处理模块，包括硬件部分和软件部分。硬件部分以Nvidia Jetson TX2为主控制器并连接海康威视RGB摄像头与热红外摄像头来采集目标图像数据和鸡舍环境温度数据，主控制器中运行数据处理模块及检测模型，并将接收摄像头采集的数据由图像处理将其转化为标准格式化数据，再由检测模块获取肉鸡状态，最终由intel ax201无线网卡连接wifi节点完成结果的传输，硬件部分结合图2所示，数据采集与处理模块包括主控制器、RGB摄像头、无线网卡、外接电源、热红外摄像头，所述RGB摄像头、无线网卡、外接电源、热红外摄像头均与主控制器连接。软件部分以深层卷积神经网络构建肉鸡打堆及肉鸡粪便的检测模型，优化后部署到主控制器中实现边缘计算，采用MySql数据库存储主控制器发送的数据并以云服务器作为数据存储的载体。

本发明综合笼养肉鸡打堆、环境温度以及粪便异常情况对肉鸡的异常状态进行监测，据此我们将便携式数据采集模块的硬件部分分别固定于鸡笼的正面与清粪带的正上方对目标数据进行采集，首先鸡笼正面的边缘端主控制器会将采集到的鸡群数据进行处理分析并将分析结果上传至云服务器。针对监控到的打堆鸡群，云服务器会综合清粪带上方的数据采集装置对该鸡群粪便的分析结果，进行多元表征联合模型综合评估。

-图像数据预处理模块，采用深层卷积神经网络建模，对图像中的目标快速识别与分类，快速进行鸡群打堆识别与鸡只粪便识别；

鸡群打堆检测最关键的两个指标是打堆识别的准确率与及时性，快速准确地识别出鸡舍内的打堆情况能够减缓鸡群应激造成的损失。深层卷积神经网络算法能对图像和视频中的目标快速识别与分类，其提供端到端之间的映射，降低了数据分析处理的难度与工作量。虽然训练大型的神经网络比较耗费时间，但训练后的模型可以较为快速地对图像进行分类，而且鲁棒性更强，故本发明采用深层卷积神经网络建模。这与传统的算法相比具有自动完成目标表征的提取与抽象、采用2D有联系的结构、卷积连接方式与人类视图辨物的视觉神经网络相近等优点，为科研与生产应用提供了极大的便利，其结构图如图3所示。

深层卷积神经网络以其优越的性能已成为解决图像或视频中视觉对象识别问题的一项研究热点，一些性能优越的卷积神经网络已广泛应用于目标识别与分类中，如AlexNet、VGG、 ResNet等。目前卷积神经网络在智慧农业领域的应用正不断增加，但国内外尚未将其运用于鸡群打堆情况的处理上。本发明对比多种深度学习算法的检测性能后选择YOLOv5作为鸡只个体与鸡只粪便的识别算法。对图像数据的预处理系统的建立是识别模型正确建立的重要前提，图像数据预处理流程如图4所示。

图像数据获取时要保证有足够的数据样本，以满足神经网络的学习要求和拟合要求。利用NVR截取3天中每天上午9至11时，以及晚上18至20时的连续监控视频，采用python3.8编写的脚本文件，利用OpenCV库从视频中截取图像数据，并按1秒钟的时间间隔从视频中截取.jpg格式的图像，最后删除删除过度曝光或曝光不足的模糊图片，这类图片多拍摄于有傍晚，受光线影响较大，看不清鸡只或粪便。图像数据清洗后得到有效图片。

使用lableme对清洗后的19640张鸡群图片和10240张鸡粪图片进行人中标注，直接在图片中用矩形框标注出目标个体位置并保存。鸡只数据集包括一种标签：“chicken”；鸡粪数据集包括三种标签：“healthy”、“aqueous”、“bloody”，分别代表“正常粪便”、“稀、水便”、“血便”，最后输出为.json格式数据。此后进行数据增强操作，数据增强方式包括图像裁剪、图像平移、旋转角度、镜像、亮度调整、添加噪声和掩膜等7种，其中图像裁剪、图像平移、旋转角度、镜像等4种方式调整了目标在图像中的位置信息，而亮度调整、添加噪声和掩膜等3种方式并没有更改目标的位置信息，数据增强增加了样本的多样性，同时可以防止神经网络过拟合。最后将鸡群、鸡粪数据集分别按7：1：2的比例划分为训练集、验证集、测试集。

多元表征联合健康评估模型建立

本发明以鸡群打堆情况为主要监测目标，结合鸡只粪便状态与鸡舍环境温度分布情况对鸡只异常状态加以分析判断建立健康评估模型，需要先建立鸡只及鸡粪的目标检测模型，基于YOLOv5的鸡只与鸡粪目标检测模型建立如图5所示。

YOLOv5算法的网络结构，主要可分为输入端(Input)、主干网络(BcakBone)、加强特征提取网络(Neck)和预测网络(Prediction)4个部分，具体结构示意图如图3-11所示。各部分结构的主要功能如下：

(1)输入端：鸡只或鸡粪图像输入，进行Mosaic数据增强并计算自适应锚框，各组图像的尺寸缩放至640×640。

(2)主干网络：提取鸡只或鸡粪的图像特征，主要使用了CBS+CSP+SPPF模块结构。CSP结构的卷积核大小为3×3，步进值为2，特征图的尺寸变化为：640×640→320×320 →160×160→80×80→40×40→20×20，CSP模块既能使模型保持轻量化，又能获得较高的准确性。YOLOv5-6.0将5.0版本主干网络中的空间金字塔池化层(SPP)更换成了 SPPF，并且将SPPF放到了主干网络的最后。

(3)加强特征提取网络：使用PANet结构实现鸡只或鸡粪图像的特征融合，充分利用不同分辨率图像的特征信息，实现多尺度的检测。

(4)预测网络：预测网络中设计了3种不同大小的特征图来检测小、中、大的物体，分别为80×80、40×40和20×20，最后再引入非极大值抑制(NMS)保留置信度最高的预测框，输出预测结果。

搭建好YOLOv5算法的运行环境后，根据深度学习环境的硬件配置设置训练参数，迭代周期(epoch)设置为300次，学习率(learning_rate)设置为0.0001，此后开始训练。

卷积神经网络在训练时，网络自身不断的从训练样本中提取特征来更新网络的参数，模型的损失函数可以用来评价模型的预测值和真实值的差异程度，在训练过程中会逐渐降低，当损失值趋于稳定时，代表模型的性能达到一个优良的状态。YOLOv5模型的总损失函数定义见公式(5-1)：

式中1λ、2λ和3λ为平衡系数，loss_box、loss_cls和loss_obj分别表示模型在训练过程中的位置损失、分类损失和置信度损失。位置损失使用GIOU LOSS计算边界框回归的损失。

本发明采用模型尺寸大小、检测速度、精确率(Precision，P)、召回率(Recall，R)、

F1-score、平均精度均值(mAP)等指标评判算法在测试集上的性能。精确率是衡量算法对正样本的识别能力，召回率是正样本中被预测正确的概率，F1-score是精确率(Precision)和召回率(Recall)的调和平均数。在本研究中，精确率、召回率、F1-score 是在IOU阈值为0.5的条件下进行计算的，公式分别如下：

上式中TP表示对正样本预测正确的数量，FP表示对正样本预测错误的数量，FN

表示对负样本预测错误的数量。

平均精度均值(mAP)用来衡量算法对所有类别的检测性能，mAP涉及精度均值(AP)的概念，即PR曲线与坐标轴围成的面积具体步骤为：

(1)对测试样本的confidence score进行排序，然后计算P和R；

(2)计算P和R时只计算按confidence score排序后的样本；

(3)对PR曲线进行平滑处理，即对PR曲线上的每个点，P的值取该点右侧最

大值，最终随着R的增大，P逐渐降低，避免了曲线的摇摆；

(4)把R当成横坐标，P当成纵坐标，用积分的方式计算平滑曲线下方的面积作为最终的AP值。

YOLOv5算法在模型训练迭代300次时鸡只个体识别的平均精度均值在0.960以上，鸡粪识别的平均精度在0.925以上。数据增强后的YOLOv5算法能够较好地平衡模型在识别准确度、尺寸大小、检测速度上的表现，容易满足实时性需求，适合移植到嵌入式设备中。

鸡群打堆的检测是将便携式设备固定于鸡笼正面，在此基础上对笼养鸡群进行识别，针对不同阶段的鸡只共采集图像2536张，通过人眼观察与机器识别两种方式进行效果对比，其识别主体为鸡只个体。计算识别框中心点之间的距离形成距离，当此距离小于给定阈值时用蓝线连接，最后通过连线的连接数与鸡只数目的比例来判断是否存在鸡群打堆状况，蓝线阈值将根据不同养殖环境及鸡只日龄不同而具体确定，结果如图6所示。

异常粪便检测为通过在鸡舍尾端对鸡粪传送带上鸡粪进行图像识别，识别对象为血便、稀便和水便这三种异常粪便，识别结果如图7所示，记录每种粪便的出现次数，判断异常粪便所占比例，计算公式为：

式中Cγ为异常粪便所占比例，Cα为图像数据中识别到的异常粪便个数，Cδ为图像数据中识别到的粪便总数。

训练完成后选取检测效果最优的模型作为笼养鸡群打堆及粪便异常的检测模型，并对主控制器进行模型运行环境搭建，最终将检测模型移植到完成环境搭建的主控制器中，结合检测模块的处理结果与热红外摄像机采集到的鸡舍环境温度分布情况，实现在边缘端对笼养肉鸡的多元表征联合分析，即鸡群仅在相对高温区域打堆且偶尔可见稀水便无血便则判定为鸡群冷应激；若鸡群在打堆同时伴随严重的腹泻且便中带血则考虑为感染球虫病；若打堆位置与环境温度分布无关且无粪便无异常则考虑为特殊应激。

-客户端，用于展示数据采集与处理模块的分析判断结果。为提高实用性，本发明采用 Microsoft Visual Studio 2019平台研发了一款可视化笼养鸡异常检测系统。系统可以对采集的图像数据按指定算法进行处理分析、将处理分析的结果代入模型进行预测得到肉鸡的健康情况，并能对样本的采集信息、预测结果进行读取，实现了对肉鸡从养殖环境中的图像采集到健康情况预测的全过程。可视化检测系统的结构框图如图8所示。

打开本系统软件，可以看到本软件的主界面布局如图9所示。操作者可根据需求选择检测目标与检测数据来源，主界面中部为图像显示窗口，用于显示用户选择的图像数据与数据的采集时间，系统将针对窗口中显示的图像进行相应的功能分析。主页面下部为人机交互区域，将检测结果与评价反馈给用户。

操作者分别在“检测目标选择”下拉栏中选择打堆检测、粪便检测并选定数据来源后，系统将自动跳转至相应页面，页面如图10-11所示，系统自动计算出单帧图像中肉鸡的打堆、异常粪便比例并给予相应的评价，同时将结合热红外相机检测到的环境温度进行多元表征联合分析的评价结果最终在人机交互区域显示出来，即“鸡群健康”、“鸡群冷应激”、“鸡群患球虫病”、“鸡群特殊应激”四种情况。

具体实例说明：

模块选型表：

系统功能说明：

(1)便携式数据采集处理模块

便携式数据采集处理模块采用DS-2CD3325D-I海康威视摄像头及热红外摄像头对目标鸡群与鸡粪进行图像数据的采集，并以Nvidia Jetson TX2单片机为主控制器对采集到的数据进行兴趣阈的识别切割，经过处理后的数据由intel ax201无线网卡以wifi形式上传至云服务器，储存至云服务器的MySql数据库中。

(2)多元表征联合的健康评分模型

在主控制器中利用深度卷积神经网络对采集到的图像数据进行目标定位，建立鸡群打堆模型、异常粪便模型，自动识别以上表征信息，对鸡群打堆程度与当下鸡舍温度、鸡群粪便异常情况综合分析，将鸡群分为健康鸡群、冷应激鸡群、患球虫病鸡群及其他应激鸡群，实现远程高效、无接触、无应激的健康监测，可由单笼肉鸡推广至整舍肉鸡的健康监测。

(3)可视化检测系统

用户在windows7及以上版本系统的电脑上联网即可访问本可视化检测系统，系统可对用户提供操作方式，根据用户需求，对指定目标进行异常识别和健康评估。可视化系统可以与云服务器交换数据，将硬件主控制器分析处理的数据结果即鸡群打堆情况、鸡只异常粪便比例及健康评估结果以图片、文字等直观表示方式显示在人机交互区域上，供用户参考，实现了对肉鸡从养殖环境中的图像采集到健康情况预测的全过程。

本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于边缘计算的便携式肉鸡异常监测系统，其特征在于它包括：

-数据采集与处理模块，用于采集肉鸡的RGB图像数据、鸡舍的环境温度分布情况，并综合图像数据预处理模块返回的识别信息进行肉鸡异常分析判断；数据采集与处理模块包括主控制器、RGB摄像头、无线网卡、外接电源、热红外摄像头，所述RGB摄像头、无线网卡、外接电源、热红外摄像头均与主控制器连接；采用图像处理技术与深层卷积神经网络建立鸡群打堆模型、鸡只粪便模型，并将模型置于Nvidia Jetson TX2主控制器中，实现目标的定位与兴趣域提取，将不同表型特征相融合，联合鸡舍温度分布情况、鸡群打堆情况、鸡群粪便的异常情况，综合评估；主控制器基于鸡群打堆识别结果、鸡只粪便识别结果、鸡舍的环境温度分布情况进行肉鸡异常分析判断：

鸡群仅在高温区域打堆且可见稀水便无血便则判定为鸡群冷应激；

若鸡群在打堆同时伴随便中带血则为感染球虫病；

若打堆位置与环境温度分布无关且无粪便无异常则为特殊应激；

-图像数据预处理模块，采用深层卷积神经网络建模，对图像中的目标快速识别与分类，快速进行鸡群打堆识别与鸡只粪便识别；采用YOLOv5算法作为鸡群打堆识别与鸡只粪便识别的识别算法；YOLOv5算法的网络结构分为：输入端、主干网络、加强特征提取网络和预测网络，具体的：

(1)输入端：鸡只或鸡粪图像输入，进行Mosaic数据增强并计算自适应锚框，各组图像的尺寸缩放至640×640；

(2)主干网络：提取鸡只或鸡粪的图像特征，使用了CBS+CSP+SPPF模块结构；CSP结构的卷积核大小为3×3，步进值为2，特征图的尺寸变化为：640×640→320×320→160×160→80×80→40×40→20×20，CSP模块既能使模型保持轻量化，又能获得较高的准确性；采用YOLOv5-6.0将5.0版本主干网络中的空间金字塔池化层SPP更换成了SPPF，并且将SPPF放到了主干网络的最后；

(3)加强特征提取网络：使用PANet结构实现鸡只或鸡粪图像的特征融合，充分利用不同分辨率图像的特征信息，实现多尺度的检测；

(4)预测网络：预测网络中设计了3种不同大小的特征图来检测小、中、大的物体，分别为80×80、40×40和20×20，最后再引入非极大值抑制NMS保留置信度最高的预测框，输出预测结果；

-客户端，用于展示数据采集与处理模块的分析判断结果。

2.根据权利要求1所述的系统，其特征在于图像数据为直接获取的照片数据，或从视频中截取的图片数据。

3.根据权利要求1所述的系统，其特征在于YOLOv5模型的总损失函数定义为：

Loss__v5＝λ₁loss__box+λ₂loss__cls+λ₃loss__obj

式中：λ₁、λ₂和λ₃为平衡系数，loss_{_box}、loss_{_cls}和loss_{_obj}分别表示模型在训练过程中的位置损失、分类损失和置信度损失。

4.根据权利要求1所述的系统，其特征在于采用模型尺寸大小、检测速度、精确率P、召回率R、F_1-score、平均精度均值mAP指标评判算法在测试集上的性能，其中：

精确率P公式为：

召回率R公式为：

F_1-score公式为：

上式中，TP表示对正样本预测正确的数量，FP表示对正样本预测错误的数量，FN表示对负样本预测错误的数量；

平均精度均值mAP为PR曲线与坐标轴围成的面积，计算步骤为：

(1)对测试样本的confidence score进行排序，然后计算P和R；

(2)计算P和R时只计算按confidence score排序后的样本；

(3)对PR曲线进行平滑处理，即对PR曲线上的每个点，P的值取该点右侧最大值，最终随着R的增大，P逐渐降低，避免了曲线的摇摆；

(4)把R当成横坐标，P当成纵坐标，用积分的方式计算平滑曲线下方的面积作为最终的AP值。

5.根据权利要求1所述的系统，其特征在于构建鸡群打堆识别模型时，识别主体为鸡只个体，针对鸡只个体形成识别框；计算识别框中心点之间的距离，当此距离小于给定阈值时用蓝线连接；最后通过连线的连接数与鸡只数目的比例来判断是否存在鸡群打堆状况。

6.根据权利要求1所述的系统，其特征在于构建鸡只粪便识别模型时，识别主体为血便、稀便和水便，记录每种粪便的出现次数，判断异常粪便所占比例。