一种基于人工智能的鸡类粪便疾病检测系统及方法技术方案

本发明专利技术涉及一种基于人工智能的鸡类粪便疾病检测系统及方法，其检测方法包括以下步骤：S1：采集鸡类粪便传送带图像信息，对样本图像中鸡类粪便进行标注；S2：根据样本图像的鸡类粪便信息训练鸡类粪便检测模型；S3：利用检测模型确定图像中鸡类粪便位置；S4：对鸡类粪便图像进行预处理；S5：将鸡类粪便图像信息输入到鸡类粪便疾病分类模型中；S6：根据鸡类粪便分类模型预测出图像中鸡类粪便疾病状态。其对传统图像算法中存在的稳定性较差以及疾病检测准确度较差的问题进行创新，将人工智能领域的目标检测算法和目标分类算法应用在鸡类粪便疾病分类问题上，提高系统对鸡类粪便疾病识别的准确度。识别的准确度。识别的准确度。

【技术实现步骤摘要】
一种基于人工智能的鸡类粪便疾病检测系统及方法


[0001]本专利技术涉及疾病检测
，尤其是涉及一种基于人工智能的鸡类粪便疾病检测系统及方法。

技术介绍

[0002]在养鸡生产中，通过观察鸡粪的颜色和质地，可以初步了解鸡群的健康状况。鸡的正常粪便呈灰色或灰褐色，多为圆柱形或条形，比较干燥，且表面有一层较薄的白色尿酸盐。如发现鸡粪呈白色、红色、黑色、绿色、黄色或酱色等，都可怀疑鸡群有病。
[0003]现有的技术中，一般通过相机设备对笼养鸡的粪便传送带进行图像采集，对采集到的图像通过传统图像算法对鸡类粪便图像进行疾病检测。
[0004]上述中的现有技术方案存在以下缺陷：由于传统图像算法通过单一图像特征对图像进行检测，并且受环境因素影响较大，会出现鸡类粪便识别准确度与稳定性较差的问题，从而无法准确了解鸡群的健康生长状态，容易对养殖户造成一定的经济损失。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术的目的是提供一种基于人工智能的鸡类粪便疾病检测系统及方法，其对传统图像算法中存在的稳定性较差以及疾病检测准确度较差的问题进行创新，将人工智能领域的目标检测算法和目标分类算法应用在鸡类粪便疾病分类问题上，提高系统对鸡类粪便疾病识别的准确度。
[0006]本专利技术的上述专利技术目的是通过以下技术方案得以实现的：
[0007]一种基于人工智能的鸡类粪便疾病检测的方法，包括以下步骤：
[0008]S1：采集鸡类粪便传送带图像信息，对所述样本图像中鸡类粪便进行标注；
[0009]S2：根据所述样本图像的所述鸡类粪便信息训练鸡类粪便检测模型；
[0010]S3：利用所述检测模型确定所述图像中鸡类粪便位置；
[0011]S4：对所述鸡类粪便图像进行预处理；
[0012]S5：将鸡类粪便图像信息输入到鸡类粪便疾病分类模型中；
[0013]S6：根据所述鸡类粪便分类模型预测出图像中鸡类粪便疾病状态。
[0014]本专利技术在一较佳示例中可以进一步配置为：实现步骤S1
‑
S3的方法包括以下步骤：
[0015]A1、获取所述样本图像信息中所述传送带区域信息；
[0016]A2、利用多层卷积神经网络提取所述传送带区域的特征信息；
[0017]A3、根据提取的特征确定所述鸡类粪便的候选区域；
[0018]A4、对所述的鸡类粪便候选区域利用soft
‑
nms进行筛选，得到所述鸡类粪便区域信息。
[0019]本专利技术在一较佳示例中可以进一步配置为：将获取的样本图像输入到目标检测网络，所述目标检测网络包含Backbone模块、Neck模块、Prediction模块；
[0020]所述Backbone模块为Focus结构加CSP1_X结构特征提取框架，用于对图像的特征
进行提取；
[0021]所述Neck模块为空间金字塔池化SPP、路径聚合网络PANet加CSP2_X结构，用于增加感受野以及收集组合目标特征；
[0022]所述Prediction模块使用了CIOU_Loss做边界框的损失函数，并在Prediction模块中预测目标框中心坐标x、y与长宽w、h。
[0023]本专利技术在一较佳示例中可以进一步配置为：所述Focus结构包括切片操作以及32卷积核，切片操作即将图像层分成多片小块操作，方便后续特征提取；
[0024]所述CSP1_X结构包含多个CBM模块与多个残差组件，CBM包含卷积层、批量标准化层以及MIsh激活函数；
[0025]所述空间金字塔池化SPP结构可以多尺度融合送入全连接层；
[0026]路径聚合网络PANet增加了由下到上的金字塔特征，提取所有特征层信息的自适应池化层，有利于图像目标更高精度的定位；
[0027]所述CIOU_Loss是在DIOU_Loss(使用真实框与预测框的欧氏距离作为惩罚项)，进行改进，添加了相对比例，用于对预测的矩形形状和真实框不一致的结果进行惩罚，如公式(1)所示使得检测效果更进一步。
[0028][0029][0030]本专利技术在一较佳示例中可以进一步配置为：在所述目标检测网络中，图像经过第一backbone模块处理后，得到输入图像的特征信息；
[0031]经过Neck模块处理后，对所述第一backbone模块获取的特征进行提取融合；
[0032]经过Prediction模块处理后，根据特征最终确定检测目标候选区域分类为鸡类粪便候选区域。
[0033]本专利技术在一较佳示例中可以进一步配置为：实现步骤S4的方法包括以下步骤：
[0034]根据缩放的图像大小，按照预设的图像比例进行补全，见公式(2)、(3)：
[0035]w_add＝W
‑
w
ꢀꢀꢀꢀꢀ
(2)
[0036]w_add为需要填充的宽度像素数，W为预设图像宽度像素数，w为鸡类粪便区域宽度像素数，图像左右两端分别增加w_add/2；
[0037]h_add＝H
‑
h
ꢀꢀꢀꢀ
(3)
[0038]h_add为需要填充的高度像素数，H为预设图像高度像素数，h为鸡类粪便区域高度像素数，图像上下两端分别增加h_add/2。
[0039]本专利技术在一较佳示例中可以进一步配置为：实现步骤S5
‑
S6的方法包括以下步骤：
[0040]B1、获取不同患病鸡类粪便图像数据集；
[0041]B2、使用鸡类粪便疾病分类模型进行学习，将训练集数据输入网络进行特征提取，得到特征向量；
[0042]B3、用分类器对提取到的特征向量进行鸡类疾病类别的概率预测，得到疾病概率；
[0043]B4、根据模型训练时的损失函数，通过反向传播算法进行迭代训练；
[0044]B5、等模型训练完成，得到训练好的鸡类粪便疾病分类模型。
[0045]本专利技术在一较佳示例中可以进一步配置为：根据鸡类粪便疾病分类模型得到所述鸡类粪便区域对应的鸡类疾病信息的方法具体包括以下步骤：
[0046]将处理后的鸡类粪便图像输入到训练好的鸡类粪便疾病分类模型中，对鸡类粪便图像的疾病类别进行预测，模型输出鸡类粪便疾病类别标签，从而得到处理后的鸡类粪便图像的鸡类疾病分类结果。
[0047]本专利技术在一较佳示例中可以进一步配置为：在步骤B1中，将数据集中不同疾病类别的鸡类粪便图像进行分类处理，将数据集图像根据疾病类别信息划分到不同类别当中，对每一类数据按照6:2:2的比例进行划分，划分为训练集，验证集和测试集；
[0048]在步骤B2中，首先使用卷积层对训练集数据进行浅层特征提取，得到浅层特征；
[0049]然后使用池化层对浅层特征进行最大池化，通过最大值方式减少数据量，将输入图像划分为若干矩形区域，对每个矩形区域输出最大值进行批处理归一化，使用ReLU作为神经元激活函数，由s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的鸡类粪便疾病检测的方法，其特征在于：包括以下步骤：S1：采集鸡类粪便传送带图像信息，对所述样本图像中鸡类粪便进行标注；S2：根据所述样本图像的所述鸡类粪便信息训练鸡类粪便检测模型；S3：利用所述检测模型确定所述图像中鸡类粪便位置；S4：对所述鸡类粪便图像进行预处理；S5：将鸡类粪便图像信息输入到鸡类粪便疾病分类模型中；S6：根据所述鸡类粪便分类模型预测出图像中鸡类粪便疾病状态。2.根据权利要求1所述的一种基于人工智能的鸡类粪便疾病检测的方法，其特征在于，实现步骤S1
‑
S3的方法包括以下步骤：A1、获取所述样本图像信息中所述传送带区域信息；A2、利用多层卷积神经网络提取所述传送带区域的特征信息；A3、根据提取的特征确定所述鸡类粪便的候选区域；A4、对所述的鸡类粪便候选区域利用soft
‑
nms进行筛选，得到所述鸡类粪便区域信息。3.根据权利要求2所述的一种基于人工智能的鸡类粪便疾病检测的方法，其特征在于，将获取的样本图像输入到目标检测网络，所述目标检测网络包含Backbone模块、Neck模块、Prediction模块；所述Backbone模块为Focus结构加CSP1_X结构特征提取框架，用于对图像的特征进行提取；所述Neck模块为空间金字塔池化SPP、路径聚合网络PANet加CSP2_X结构，用于增加感受野以及收集组合目标特征；所述Prediction模块使用了CIOU_Loss做边界框的损失函数，并在Prediction模块中预测目标框中心坐标x、y与长宽w、h。4.根据权利要求3所述的一种基于人工智能的鸡类粪便疾病检测系统及方法，其特征在于，所述Focus结构包括切片操作以及32卷积核，切片操作即将图像层分成多片小块操作，方便后续特征提取；所述CSP1_X结构包含多个CBM模块与多个残差组件，CBM包含卷积层、批量标准化层以及MIsh激活函数；所述空间金字塔池化SPP结构可以多尺度融合送入全连接层；路径聚合网络PANet增加了由下到上的金字塔特征，提取所有特征层信息的自适应池化层，有利于图像目标更高精度的定位；所述CIOU_Loss是在DIOU_Loss(使用真实框与预测框的欧氏距离作为惩罚项)，进行改进，添加了相对比例，用于对预测的矩形形状和真实框不一致的结果进行惩罚，如公式(1)所示使得检测效果更进一步；5.根据权利要求3所述的一种基于人工智能的鸡类粪便疾病检测系统及方法，其特征在于，在所述目标检测网络中，图像经过第一backbone模块处理后，得到输入图像的特征信
息；经过Neck模块处理后，对所述第一backbone模块获取的特征进行提取融合；经过Prediction模块处理后，根据特征最终确定检测目标候选区域分类为鸡类粪便候选区域。6.根据权利要求1所述的一种基于人工智能的鸡类粪便疾病检测的方法，其特征在于，实现步骤S4的方法包括以下步骤：根据缩放的图像大小，按照预设的图像比例进行补全，见公式(2)、(3)：w_add＝W
‑
w (2)w_add为需要填充的宽度像素数，W为预设图像宽度像素数，w为鸡类粪便区域宽度像素数，图像左右两端分别增加w_add/2；h_add＝H
‑
h (3)h_a...

【专利技术属性】
技术研发人员：刘青源，邵远超，
申请(专利权)人：青岛不愁网信息科技有限公司，
类型：发明
国别省市：