CN111681755A - 一种生猪疾病诊疗系统及方法 - Google Patents
一种生猪疾病诊疗系统及方法 Download PDFInfo
- Publication number
- CN111681755A CN111681755A CN202010351560.7A CN202010351560A CN111681755A CN 111681755 A CN111681755 A CN 111681755A CN 202010351560 A CN202010351560 A CN 202010351560A CN 111681755 A CN111681755 A CN 111681755A
- Authority
- CN
- China
- Prior art keywords
- disease
- detected
- diagnosis
- live pig
- pig
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种生猪疾病诊疗系统及方法,包括:获取模块,用于获取待测生猪的环境特征和所述待测生猪的症状特征;诊断模块,用于将所述待测生猪的环境特征和所述待测生猪的症状特征输入到疾病识别模型中,预测所述待测生猪的疾病,其中,所述疾病识别模型以环境特征和症状特征为样本、以疾病为标签进行训练得到。本发明实施例实现了基于用户输入生猪的环境特征和症状特征,对生猪疾病进行自动诊断并给出实时个性化治疗方案建议。疾病识别模型构建了生猪生长环境、生猪症状特征与疾病之间的深层联系,该系统基于数据样本,可以识别多种症状之间的耦合关系、排异关系,达到更理想的识别结果。
Description
技术领域
本发明涉及智能农业技术领域,尤其涉及一种生猪疾病诊疗系统及方法。
背景技术
随着猪肉需求量的提升、生猪养殖规模的扩大,为动物疫病防治与诊疗提出了新的挑战。目前针对生猪疫病防治与诊疗依靠兽医完成,而这种方式主观性强,人工劳动强度大。同时,经验丰富、诊断准确及时的专业兽医数量远远不足,目前仅在部分大型企业有兽医供职,其他大部分养殖场没有专业兽医覆盖,往往当出现大规模生猪死亡或明显疾病症状集中出现时,再从外地预约兽医专家问诊,这样极大延误了诊断和治疗窗口时间,易造成大规模疾病流行与生猪死亡,这不仅造成了巨大的经济损失,还提高了人畜共患病的风险,严重危害公共卫生安全。
生猪疾病有其规律性的症状表示,有经验的兽医专家所拥有的经验可以量化为某几种症状与疾病的映射关系,因为症状繁杂、疾病众多,这种映射关系涉及各种组合、排异,逻辑关系复杂,一般通过大量经验记忆与长期的实践才能逐步理清,难以通过简单的疾病手册、固定模型等方法进行表述。
生猪疾病的治疗方法通常也不是固定的,即使是同一种疾病,针对不同日龄、不同性别、不同用途的生猪,在不同的养殖环境下都会有不同的治疗方案。这种方法的确定极大依赖兽医的专业知识储备和实际诊疗经验。
因此,一名经验丰富的兽医培养难度很大,导致高级兽医数量稀少,难以满足我国各生猪养殖场诊疗的需要。同时因为人类记忆能力、记忆容量、诊断经验、技术领域的限制,即使一名经验丰富的兽医,在生猪疾病诊疗实践中也不可避免地具有部分局限性。
随着信息化技术与人工智能技术的发展,计算机在统计先验知识数据、模拟人类经验模型方面表现十分出色,准确率、存储量、量化逻辑判断方面远优于人。近年来机器学习技术更是可以初步模拟人类大脑神经元的运作方式、生成相关逻辑关系模型。该技术在动物疾病智能诊断方面可以发挥巨大作用,例如将大量兽医的诊断知识、经验进行分类学习,通过多层复杂网络进行复原与表达,从而建立生猪专业兽医系统,实现生猪疾病自动问诊。
现有技术中公开了一种猪疾病自动诊疗的专家系统,该系统预置了每种疾病的关键症状。当用户输入猪只症状后,通过系统匹配选择症状对应的疾病,随后通过神经网络不断缩小疾病范围,然后针对疾病诊断结果,通过贝叶斯模型计算每种疾病所占的概率权重,再将结果根据概率权重进行排序后反馈给用户,以此实现猪疾病的自动诊断。
现有技术中还公开了一套常见猪病防治专家系统,他构建了猪只常见疾病专家知识库,在知识库中建立了筛选系统,在用户输入相关症状后,进行“自顶向下”的匹配,将匹配成功的结果反馈给用户,并将结果通过Struts框架反馈给用户。
以上两种方案一般仅提供简单的疾病诊断功能,无法实现根据症状与疾病生成智能化的治疗方案。智能化的治疗方案是由养殖模式、疾病诊断结果、出现症状综合确定的,智能方案的提供可以真正意义上实现“智能兽医”的功能,从而具备个性化、有针对性的诊疗能力。现有诊疗模型多是仅根据疾病结果提供固定的治疗方法,仅具备“搜索引擎”的作用,而不是智能诊疗的功能。从而导致得到的诊疗方案精确度不高。
发明内容
为了解决上述问题,本发明实施例提供一种生猪疾病诊疗系统及方法。
第一方面,本发明实施例提供一种生猪疾病诊疗系统,包括:
获取模块,用于获取待测生猪的环境特征和所述待测生猪的症状特征;
诊断模块,用于将所述待测生猪的环境特征和所述待测生猪的症状特征输入到疾病识别模型中,预测所述待测生猪的疾病,其中,所述疾病识别模型以环境特征和症状特征为样本、以疾病为标签进行训练得到。
优选地,还包括:治疗模块,用于将所述待测生猪的环境特征、所述待测生猪的症状特征和所述疾病输入到疗方确诊模型中,获取所述待测生猪的诊疗方案,其中,所述疗方确诊模型以环境特征、症状特征、疾病为样本、以诊疗方案为标签进行训练得到。
优选地,还包括:第一训练模块,用于将所述待测生猪的疾病与预设疾病进行比对,若比对结果相同,则将所述待测生猪的环境特征、所述待测生猪的症状特征和所述待测生猪的疾病加入到第一案例库中,所述第一案例库用于对所述疾病识别模型进行训练。
优选地,还包括:第二训练模块,用于将所述待测生猪的诊疗方案与预设诊疗方案进行比对,若比对结果相同,则将所述待测生猪的环境特征、所述待测生猪的症状特征、所述待测生猪的疾病和所述待测生猪的诊疗方案加入到第二案例库中,所述第二案例库用于对所述疗方确诊模型进行训练。
优选地,所述疾病识别模型的损失函数为交叉熵损失函数。
优选地,所述第一训练模块还用于判断所述疾病识别模型的训练样本数量是否超过预设阈值,若所述疾病识别模型的训练样本数量超过预设阈值,且成功率大于预设比例,则认为训练结束。
优选地,所述交叉熵损失函数具体公式如下:
其中,yi表示样本i的针对疾病的标签,正类为1,负类为0,pi表示样本i针对标签预测为正的概率,N表示样本数量。
优选地,所述疾病识别模型的输出层使用Sigmoid作为激励函数。
优选地,所述疾病识别模型的网络隐藏层的激励函数为线性整流函数relu,所述疾病识别模型为keras框架下的全连接网络。
第二方面,本发明实施例提供一种生猪疾病诊疗方法,该方法包括:
获取待测生猪的环境特征和所述待测生猪的症状特征;
将所述待测生猪的环境特征和所述待测生猪的症状特征输入到疾病识别模型中,预测所述待测生猪的疾病,其中,所述疾病识别模型以环境特征和症状特征为样本、以疾病为标签进行训练得到。
本发明实施例提供的一种生猪疾病诊疗系统及方法,实现了基于用户输入生猪的环境特征和症状特征,对生猪疾病进行自动诊断并给出实时个性化治疗方案建议。疾病识别模型构建了生猪生长环境、生猪症状特征与疾病之间的深层联系,该系统基于数据样本,可以识别多种症状之间的耦合关系、排异关系,达到更理想的识别结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种生猪疾病诊疗系统的结构示意图;
图2为本发明实施例中提供的一种生猪疾病诊疗系统的训练和迭代过程示意图;
图3为本发明实施例中生猪疾病诊断系统的流程;
图4为本发明实施例中生猪疾病诊断更新过程示意图;
图5为本发明实施例中猪只疫病诊疗模型训练过程示意图;
图6为本发明实施例提供的一种生猪疾病诊疗方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
目前针对猪只疾病的专家诊断系统,多通过症状直接匹配相关的疾病,本质上是一种“筛选与匹配”的数据库操作,该方法较为简单,只是固有知识的迁移,并没有真正利用知识去构建“症状-疾病”的深层逻辑关系,同时也无法智能还原兽医的诊疗经验,例如某些症状与疾病之间存在的“排异”逻辑、某几种症状耦合判别某种疾病的逻辑、各症状之间的联系均无法通过简单的匹配模型进行表达。现有系统通过人为定义的逻辑进行判断,即此类专家系统不够智能,仅仅是一种信息管理与匹配查询系统,其存在误差甚至错误情况出现。尤其当首选的几个症状不明显,会导致以后选择的症状出现偏离其真实病状的情况出现,不能满足实际需求。
另外,当前诊断方法不支持生猪各个症状关系之间的耦合判断,当有大量的生猪症状和实际病症数据存在时,其不支持模型自学习和升级来提高准确率。
针对兽医数量不足、生猪疾病诊断困难的问题,为了使大量生猪疾病诊疗经验、知识更及时有效地运用于实际养殖中,本发明实施例介绍的方法基于大量的兽医诊断知识、经验与案例,将生猪“环境、症状-疾病-治疗方案”之间的复杂逻辑关系基于样本进行描述,再通过深度学习网络模型还原,最终开发一种生猪疾病诊疗系统,将兽医经验与知识进行数字化存储与表达,实现生猪疾病自动诊疗。
养殖户可以对输入多条生猪症状,通过生猪疾病诊疗系统分析后,实时得出疾病诊断结果与相应的诊疗方法建议。这种方式可以汇集广大兽医的经验与知识,打破信息孤岛,构建统一的生猪疾病诊疗模式,逐步实现最优诊断资源共享,同时深度学习生猪疾病诊断模型在使用中可以不断接收诊断反馈,通过结构化数据快速接收新的知识与经验,实现不断进行更新优化与自我迭代,从根本上解决兽医缺少与生猪疾病诊断困难之间的矛盾,实现生猪疾病的快速、方便、有效地诊疗,极大地保障畜牧业生产高效、安全,提高养殖经济效益。
图1为本发明实施例提供的一种生猪疾病诊疗系统的结构示意图,如图1所示,该系统包括获取模块101和诊断模块102,其中:
获取模块101用于获取待测生猪的环境特征和所述待测生猪的症状特征;
诊断模块102用于将所述待测生猪的环境特征和所述待测生猪的症状特征输入到疾病识别模型中,预测所述待测生猪的疾病,其中,所述疾病识别模型以环境特征和症状特征为样本、以疾病为标签进行训练得到。
本发明实施例中提供的生猪诊疗系统由获取模块和诊断模块两部分组成,本发明实施例中以对猪进行诊疗为例进行说明。
首先获取待测猪只的环境特征和待测猪只的症状特征,该环境特征是指该猪只的生长环境,该生长环境包括温度、湿度、氨气、二氧化碳和粉尘等情况,具体内容可以根据实际需要进行确定,该症状特征包括猪只体温、呼吸是否困难、眼角是否有泪痕或眼屎、鼻孔是否有炎性渗出等,具体内容也可以根据实际需要进行确定。
然后将待测猪只的环境特征和症状特征输入到疾病识别模型中,获取待测猪只的疾病,本发明实施例中,疾病识别模型是以环境特征、症状特征为样本,以疾病为标签进行训练得到。常见的疾病标签有猪流感、猪气喘病等。
本实施例中以经过生猪兽医标定或诊断的实例作为基础样本,样本输入至疾病识别模型中进行训练。
本发明实施例提供的一种生猪疾病诊疗系统,实现了基于用户输入生猪的环境特征和症状特征,对生猪疾病进行自动诊断并给出实时个性化治疗方案建议。疾病识别模型构建了生猪生长环境、生猪症状特征与疾病之间的深层联系,该系统基于数据样本,可以识别多种症状之间的耦合关系、排异关系,达到更理想的识别结果。
在上述实施例的基础上,优选地,还包括:
治疗模块,用于将所述待测生猪的环境特征、所述待测生猪的症状特征和所述疾病输入到疗方确诊模型中,获取所述待测生猪的诊疗方案,其中,所述疗方确诊模型以环境特征、症状特征、疾病为样本、以诊疗方案为标签进行训练得到。
具体地,本系统中还包括治疗模块,该治疗模块接收待测猪只的环境特征、待测猪只的症状特征和诊断模块得到的疾病,将这三者输入到疗方确诊模型中,得到相应的诊疗方案。本发明实施例中,疗方确诊模型为神经网络模型,通过以环境特征、症状特征、疾病为样本,以诊疗方案为标签进行训练,训练后的疗方确诊模型可以根据待测猪只的环境特征、待测猪只的症状特征和待测猪只的疾病,得到相应的诊疗方案。
待测猪只的诊疗方案可以是降低室温、每吨饲料中添加猪益肽2kg等,具体根据实际情况确定诊疗方案具体包含的内容。
在上述实施例的基础上,优选地,还包括:
第一训练模块,用于将所述待测生猪的疾病与预设疾病进行比对,若比对结果相同,则将所述待测生猪的环境特征、所述待测生猪的症状特征和所述待测生猪的疾病加入到第一案例库中,所述第一案例库用于对所述疾病识别模型进行训练。
具体地,该系统还包括第一训练模块,第一训练模块将待测猪只的疾病与预设疾病进行比对,此处的预设疾病可以是兽医根据待测猪只的生长环境和症状特征人工诊断出来,可以看做是标准答案,如果比对后两者相同,说明诊断模块诊断出的疾病是正确的,可以将此时待测猪只的环境特征、待测猪只的症状特征和待测猪只的疾病添加到第一案例库中,以便后续对疾病识别模型进行训练,以及实时更新第一案例库。如果诊断错误,说明疾病识别模型的训练精度不够,对诊断出的疾病进行更正,并将更正后的疾病、待测猪只的环境特征、待测猪只的症状特征重新加入到第一案例库中。
在上述实施例的基础上,优选地,第二训练模块,用于将所述待测生猪的诊疗方案与预设诊疗方案进行比对,若比对结果相同,则将所述待测生猪的环境特征、所述待测生猪的症状特征、所述待测生猪的疾病和所述待测生猪的诊疗方案加入到第二案例库中,所述第二案例库用于对所述疗方确诊模型进行训练。
同样地,将待测猪只的诊疗方案与预设诊疗方案进行比对,预设诊疗方案是兽医专家根据待测猪只的症状特征、环境特征人工诊断得到,可以看做是标准诊疗方案,如果比对结果正确,将该待测猪只的环境特征、待测猪只的症状特征、待测猪只的疾病和待测猪只的诊疗方案加入到第二案例库中,以便后续对疗方确诊模型进行训练,以及实时更新第二案例库。如果诊断错误,说明疗方确诊模型的训练精度不够,对得到的诊疗方案进行更正,并将更正后的诊疗方案、待测猪只的环境特征、待测猪只的症状特征和待测猪只的疾病重新加入到第二案例库中。
在上述实施例的基础上,优选地,所述疾病识别模型的损失函数为交叉熵损失函数。
具体地,本发明实施例中疾病识别模型为神经网络模型,该模型的损失函数为交叉熵损失函数,交叉熵损失函数经常用于二分类损失函数的计算。
具体地,该交叉熵损失函数的具体计算公式如下:
其中,yi表示样本i的针对疾病的标签,正类为1,负类为0,pi表示样本i针对标签预测为正的概率,N表示样本数量。
i表示某一个样本的序号,i从1到N进行累加的,所以最后除以N,表示单个样本平均的交叉熵损失函数,其中,N为样本数量。
在上述实施例的基础上,优选地,所述第一训练模块还用于判断所述疾病识别模型的训练样本数量是否超过预设阈值,若所述疾病识别模型的训练样本数量超过预设阈值,且成功率大于预设比例,则认为训练结束。
具体地,本发明实施例中第一训练模块还判断疾病识别模型的训练样本数量是否超过预设阈值,如果超过预设阈值,并且训练的成功率大于预设比例,则结束训练。
本发明实施例中,预设阈值为5000,预设比例为95%,也就是说当训练样本的数量超过5000时,并且利用测试样本集中的样本对疾病识别模型进行测试,测试成功率大于95%,则结束训练过程。
对疗方确诊模型也是执行相同的操作。
在上述实施例的基础上,优选地,所述疾病识别模型的输出层使用Sigmoid作为激励函数。
在上述实施例的基础上,优选地,所述疾病识别模型的网络隐藏层的激励函数为线性整流函数relu。
在上述实施例的基础上,优选地,所述疾病识别模型为keras框架下的全连接网络。
本发明实施例中疾病识别模型和疗方确诊模型的网络结构模型如下:
(1)整个网络采用keras框架下的全连接网络,网络结构是输入层定义为20,如果不满足时,剩余空值置为0。
(2)网络隐藏层使用激励函数为线性整流函数relu。隐藏层的节点数量和深度可根据实际情况与需求可以进行调整。
(3)网络输出层使用Sigmoid作为激励,使输出置信度值介于0-1之间,Sigmoid函数定义如式(1)所示:
图2为本发明实施例中提供的一种生猪疾病诊疗系统的训练和迭代过程示意图,如图2所示,利用环境特征、症状特征、疾病标签对疾病识别模型进行训练,利用环境特征、症状特征、疾病标签和诊疗方案对疗方确诊模型进行训练。然后将待测猪只的相关特征输入到两个模型中,得到疾病和对应的诊疗方案,按照上述公开的方法与专家兽医进行对比,更新训练样本库。
综上,生猪疾病诊疗系统使用过程中,系统可以定期添加训练样本、疾病标签、环境特征、症状特征、诊疗方案标签,使系统完成自我迭代与优化,以便快速应对新疾病、新疗方、新症状的产生。
本方法公开的生猪疾病诊疗系统以B/S架构模式部署于云服务器,可通过任何连接互联网的手机或电脑进行方案,在网站中提交诊断信息、接收诊断结果,实现对生猪养殖户的无差别、全覆盖服务。
本发明实施例首次在生猪疾病诊疗系统中,研究“治疗方案”与“环境、症状”的关系,而不是简单地通过疾病确定单一的治疗方案,有益于实际养殖中进行生猪的疾病治疗操作,使治疗方案个性化程度提高、达到更佳的效果。
本发明实施例基于深度学习网络公开了一种生猪疾病诊疗系统,在实际实施中,本方法可以将使高级兽医的经验与知识模型化、结构化,生成一套深度学习网络,通过本网络可以替代兽医,对养殖户进行生猪疾病诊疗服务。
养殖户可以通过手机、电脑等网络终端,通过互联网访问部署于云服务器的生猪疾病诊疗系统,输入所有符合生猪的环境特征、症状特征,生猪疾病诊疗系统将实时反馈诊断结果与处理方式建议,实现远程兽医自动诊疗的功能,从而使高级兽医的经验可以服务于广大基层养殖户,从根本上解决兽医缺少与生猪疾病诊断困难之间的矛盾,保证生猪养殖生产的高效、安全,进而提高养殖经济效益。
图3为本发明实施例中生猪疾病诊断系统的流程,如图3所示,将生猪的环境特征和生猪的症状特征输入到疾病识别模型中,即可得到生猪疾病诊断结果,将生猪的环境特征和生猪的症状特征输入到疗方确诊模型中,即可得到对应的治疗方案。
图4为本发明实施例中生猪疾病诊断更新过程示意图,如图4所示,首先获取原始样本数据,并对原始样本数据进行症状整理,然后建立病状数据库,并进行疾病逻辑判断,最后通过深度学习算法得到样本数据,并进行闭环反馈。
图5为本发明实施例中猪只疫病诊疗模型训练过程示意图,如图5所示,首先进行样本数据预处理,预处理过程包括获取样本数据集、获取所有疾病症状、得到症状集合编号和疾病样本标注,然后进行症状分类,得到n个症状子集,接着进行多层卷积神经网络深度学习,进入到模型中进行分类,最后得到疾病种类。
图6为本发明实施例提供的一种生猪疾病诊疗方法的流程图,如图6所示,该方法包括:
S1,获取待测生猪的环境特征和所述待测生猪的症状特征;
S2,将所述待测生猪的环境特征和所述待测生猪的症状特征输入到疾病识别模型中,预测所述待测生猪的疾病,其中,所述疾病识别模型以环境特征和症状特征为样本、以疾病为标签进行训练得到。
本实施例为与上述系统实施例相对应的方法实施例,详情请见上述方法实施例,本系统实施例在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种生猪疾病诊疗系统,其特征在于,包括:
获取模块,用于获取待测生猪的环境特征和所述待测生猪的症状特征;
诊断模块,用于将所述待测生猪的环境特征和所述待测生猪的症状特征输入到疾病识别模型中,预测所述待测生猪的疾病,其中,所述疾病识别模型以环境特征和症状特征为样本、以疾病为标签进行训练得到。
2.根据权利要求1所述的生猪疾病诊疗系统,其特征在于,还包括:
治疗模块,用于将所述待测生猪的环境特征、所述待测生猪的症状特征和所述疾病输入到疗方确诊模型中,获取所述待测生猪的诊疗方案,其中,所述疗方确诊模型以环境特征、症状特征、疾病为样本、以诊疗方案为标签进行训练得到。
3.根据权利要求1所述的生猪疾病诊疗系统,其特征在于,还包括:
第一训练模块,用于将所述待测生猪的疾病与预设疾病进行比对,若比对结果相同,则将所述待测生猪的环境特征、所述待测生猪的症状特征和所述待测生猪的疾病加入到第一案例库中,所述第一案例库用于对所述疾病识别模型进行训练。
4.根据权利要求2所述的生猪疾病诊疗系统,其特征在于,还包括:
第二训练模块,用于将所述待测生猪的诊疗方案与预设诊疗方案进行比对,若比对结果相同,则将所述待测生猪的环境特征、所述待测生猪的症状特征、所述待测生猪的疾病和所述待测生猪的诊疗方案加入到第二案例库中,所述第二案例库用于对所述疗方确诊模型进行训练。
5.根据权利要求1所述的生猪疾病诊疗系统,其特征在于,所述疾病识别模型的损失函数为交叉熵损失函数。
6.根据权利要求3所述的生猪疾病诊疗系统,其特征在于,所述第一训练模块还用于判断所述疾病识别模型的训练样本数量是否超过预设阈值,若所述疾病识别模型的训练样本数量超过预设阈值,且测试成功率大于预设比例,则认为训练结束。
8.根据权利要求1所述的生猪疾病诊疗系统,其特征在于,所述疾病识别模型的输出层使用Sigmoid作为激励函数。
9.根据权利要求1所述的生猪疾病诊疗系统,其特征在于,所述疾病识别模型的网络隐藏层的激励函数为线性整流函数relu,所述疾病识别模型为keras框架下的全连接网络。
10.一种生猪疾病诊疗方法,其特征在于,包括:
获取待测生猪的环境特征和所述待测生猪的症状特征;
将所述待测生猪的环境特征和所述待测生猪的症状特征输入到疾病识别模型中,预测所述待测生猪的疾病,其中,所述疾病识别模型以环境特征和症状特征为样本、以疾病为标签进行训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351560.7A CN111681755A (zh) | 2020-04-28 | 2020-04-28 | 一种生猪疾病诊疗系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351560.7A CN111681755A (zh) | 2020-04-28 | 2020-04-28 | 一种生猪疾病诊疗系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681755A true CN111681755A (zh) | 2020-09-18 |
Family
ID=72452281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010351560.7A Pending CN111681755A (zh) | 2020-04-28 | 2020-04-28 | 一种生猪疾病诊疗系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681755A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489751A (zh) * | 2020-11-27 | 2021-03-12 | 大连东软教育科技集团有限公司 | 一种混合增强的体检报告自动生成方法、装置及存储介质 |
CN112614599A (zh) * | 2020-12-24 | 2021-04-06 | 聊城职业技术学院 | 一种快速发现早期病羊的智能化方法和系统 |
CN117133450A (zh) * | 2023-10-27 | 2023-11-28 | 深圳市力牧生物科技有限公司 | 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101744660A (zh) * | 2008-12-12 | 2010-06-23 | 北京大北农科技集团股份有限公司 | 一种鸡病诊断系统和方法 |
CN102078183A (zh) * | 2009-11-26 | 2011-06-01 | 孙久建 | 家禽疾病诊疗系统 |
CN108935188A (zh) * | 2018-07-05 | 2018-12-07 | 平安科技(深圳)有限公司 | 猪只疾病识别方法、装置及电子设备 |
CN109599185A (zh) * | 2018-11-14 | 2019-04-09 | 金色熊猫有限公司 | 疾病数据处理方法、装置、电子设备及计算机可读介质 |
WO2020006495A1 (en) * | 2018-06-29 | 2020-01-02 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of diseases and disorders using natural language processing |
-
2020
- 2020-04-28 CN CN202010351560.7A patent/CN111681755A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101744660A (zh) * | 2008-12-12 | 2010-06-23 | 北京大北农科技集团股份有限公司 | 一种鸡病诊断系统和方法 |
CN102078183A (zh) * | 2009-11-26 | 2011-06-01 | 孙久建 | 家禽疾病诊疗系统 |
WO2020006495A1 (en) * | 2018-06-29 | 2020-01-02 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of diseases and disorders using natural language processing |
CN108935188A (zh) * | 2018-07-05 | 2018-12-07 | 平安科技(深圳)有限公司 | 猪只疾病识别方法、装置及电子设备 |
CN109599185A (zh) * | 2018-11-14 | 2019-04-09 | 金色熊猫有限公司 | 疾病数据处理方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
刘秀云;: "农村常见生猪疾病的发生原因与防治措施" * |
刘秀云;: "农村常见生猪疾病的发生原因与防治措施", 农业工程技术, no. 02, pages 91 - 92 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489751A (zh) * | 2020-11-27 | 2021-03-12 | 大连东软教育科技集团有限公司 | 一种混合增强的体检报告自动生成方法、装置及存储介质 |
CN112614599A (zh) * | 2020-12-24 | 2021-04-06 | 聊城职业技术学院 | 一种快速发现早期病羊的智能化方法和系统 |
CN117133450A (zh) * | 2023-10-27 | 2023-11-28 | 深圳市力牧生物科技有限公司 | 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 |
CN117133450B (zh) * | 2023-10-27 | 2024-02-06 | 深圳市力牧生物科技有限公司 | 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681755A (zh) | 一种生猪疾病诊疗系统及方法 | |
CN106779084B (zh) | 机器学习系统及方法 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN109949929A (zh) | 一种基于深度学习大规模病历的辅助诊断系统 | |
WO2019056470A1 (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
Larranaga et al. | Comparing supervised learning methods for classifying sex, age, context and individual Mudi dogs from barking | |
CN111105045A (zh) | 一种基于改进的蝗虫优化算法构建预测模型的方法 | |
CN110196995B (zh) | 一种基于带偏置随机游走的复杂网络特征提取方法 | |
CN109559045A (zh) | 一种人员智能化管控的方法及系统 | |
CN113871020B (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及系统 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN116029435B (zh) | 一种生猪设施养殖环境舒适度预警系统 | |
CN116386899A (zh) | 基于图学习的药物疾病关联关系预测方法及相关设备 | |
CN114999659A (zh) | 并发症风险预警方法、装置、电子设备及存储介质 | |
CN111062511A (zh) | 基于决策树与神经网络的水产养殖病害预测方法及系统 | |
CN109886721A (zh) | 一种猪肉价格预测系统算法 | |
CN109033378A (zh) | 一种Zero-shot Learning在智能客服系统中的应用方法 | |
CN114021546A (zh) | 迁移语境网络的大桃生产知识开放问答方法及装置 | |
WO2023134087A1 (zh) | 问诊模板生成方法、装置、电子设备及存储介质 | |
CN116485210A (zh) | 基于神经网络的农业管理活动的减排策略生成方法及装置 | |
CN113360772B (zh) | 一种可解释性推荐模型训练方法与装置 | |
CN116541166A (zh) | 一种超算算力调度服务器及资源管理方法 | |
CN115620370A (zh) | 一种基于多模态聚类联邦学习的情绪识别方法 | |
CN115759810A (zh) | 企业评估模型迭代优化方法、企业评估方法及流水线系统 | |
CN108629362A (zh) | 一种面向移动环境的学习行为习惯发现量化系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |