CN112614599A - 一种快速发现早期病羊的智能化方法和系统 - Google Patents
一种快速发现早期病羊的智能化方法和系统 Download PDFInfo
- Publication number
- CN112614599A CN112614599A CN202011552998.8A CN202011552998A CN112614599A CN 112614599 A CN112614599 A CN 112614599A CN 202011552998 A CN202011552998 A CN 202011552998A CN 112614599 A CN112614599 A CN 112614599A
- Authority
- CN
- China
- Prior art keywords
- sheep
- data
- diseased
- intelligent method
- abnormal
- 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
- 241001494479 Pecora Species 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000013499 data model Methods 0.000 claims abstract description 26
- 201000010099 disease Diseases 0.000 claims abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 24
- 238000009395 breeding Methods 0.000 claims abstract description 17
- 230000001488 breeding effect Effects 0.000 claims abstract description 17
- 244000144992 flock Species 0.000 claims abstract description 8
- 208000012936 Sheep disease Diseases 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 235000021050 feed intake Nutrition 0.000 claims description 7
- 210000001015 abdomen Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000003975 animal breeding Methods 0.000 abstract description 2
- 208000035473 Communicable disease Diseases 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 208000030852 Parasitic disease Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 210000001035 gastrointestinal tract Anatomy 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007858 starting material Substances 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 210000001635 urinary tract Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及动物养殖技术领域，具体为一种快速发现早期病羊的智能化方法和系统。该方法包括：获取羊群的视频；将获得的羊群视频分解成由图像帧组成的视频流，获得每只羊的实时信息，与训练完成的羊只数据模型进行对比，判断出异常羊只。基于深度学习的方法对每只羊的状况进行实时监测和分析，一旦羊只的身体状况出现异常，系统会及时将信息反馈给用户，用户基于系统反馈的信息及时实现对有异常的羊只进行检查。这种智能化方法，有利于养殖用户快速发现问题养只，从而实现对病羊的快速治疗或者隔离，将由疾病带来的损失降到最低。
Description
技术领域
本发明涉及动物养殖技术领域，具体为一种快速发现早期病羊的智能化方法和系统。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
羊本身具有市场经济价值，为广大民众提供肉质制品，均衡饮食营养，同时，提供羊毛满足人们的需求。但是，在羊养殖工作中还存在不少技术问题，必须引起足够的重视，否则将会严重影响羊养殖的效益。尤其是，对于规模化养殖中如何避免羊疾病的传播以及如何发现早期病羊对其进行早期治疗对于降低经济损失具有至关重要的作用。
现有的关于羊养殖过程中对于羊疾病的诊断，仍然需要养殖人员人工观察每只羊的状态，然后根据人工观察到的羊的状态进行智能诊断。这种诊断方法，虽然能够帮助养殖人员实现对羊疾病种类的快速确定，以便于养殖人员及时将病羊隔离或者对症下药，降低损失。
但是，发明人发现，现有的关于羊疾病的智能化诊断方法中都无法快速发现早期患病的病羊。这主要是因为，早期患病的病羊症状较轻，羊的皮肤、饮食、行动状态等只有轻微变化，人工无法快速、准确识别出早期病羊。其次，规模化羊养殖厂，羊数量高达几万只，养殖人员数量有限，根本无法及时的从几万只羊中观察到处于早期病症的病羊，这就导致较严重的滞后性，很有可能造成一旦明显观察到病羊，病羊已经病入膏肓无法治愈甚至已经造成大规模传染的严重后果，进而造成严重的经济损失。因此，如何快速发现早期患病的病羊，避免人工观察带来的滞后性，成为羊养殖领域亟待解决的技术问题。
发明内容
为了解决现有技术的不足，本公开的目的是提供一种快速发现早期病羊的智能化方法和系统，基于深度学习的方法对每只羊的状况进行实时监测和分析，一旦羊只的身体状况出现异常，系统会及时将信息反馈给用户，用户基于系统反馈的信息及时实现对有异常的羊只进行检查。这种智能化方法，有利于养殖用户快速发现问题养只，从而实现对病羊的快速治疗或者隔离，将由疾病带来的损失降到最低。
具体地，本公开的技术方案如下所述：
在本公开的第一方面，本公开提供了一种快速发现早期病羊的智能化方法，包括：
获取羊群的视频；
将获得的羊群视频分解成由图像帧组成的视频流，获得每只羊的实时信息，与训练完成的羊只数据模型进行对比，判断出异常羊只。
在本公开的第二方面，本公开提供了一种快速发现早期病羊的智能化系统，包括数据采集系统、GPRS DTU模块、数据传输网络系统、数据处理系统以及用户端。
在本公开的第三方面，本公开提供了一种快速发现早期病羊的智能化方法和/或系统在羊养殖中的应用。
本公开中的一个或多个技术方案具有如下有益效果：
(1)、为了解决现有的羊疾病诊断过程中，难以快速发现早期病羊，导致一旦发现病羊时，病羊已经患病严重，无法治愈甚至导致大规模疾病传染的问题，本公开的一个或多个技术方案中首先采集每只没有生病的正常羊只的身体状况、运动、采食情况等信息，采用深度学习方法进行训练，获得每只编号的羊的羊只数据模型。然后，通过对羊的实时监测，获得羊只信息，并将羊只信息输送至羊只数据模型进行数据分析。如果羊只的某一个或多个数据信息超过羊只数据模型记载的范围，则判定该羊只为异常羊只，并向用户发出警告。用户根据系统提示的异常羊只，针对该羊只进行进一步检查以确定病症并及时进行治疗。这种智能化方法，能够快速的发现早期病羊，避免造成严重的经济损失。
(2)、为了配合用户实现对病羊疾病类型的快速确认，以便于快速对症下药，本公开的一个或多个技术方案中，通过采集国内外不同羊疾病的相关数据，例如传染病、寄生虫病、消化道、呼吸道、泌尿道中毒性疾病等等数据，建立了羊疾病数据库。系统向用户发出异常羊只警告的同时，还将数据信息发送到羊疾病数据库，与羊疾病数据库中的信息进行匹配，获得与异常羊只早期病症符合度较高的几种疾病。这种方法的优势在于，用户基于系统反馈的疾病，如果发现有可能是传染性疾病，则可以快速做出反应，将异常羊只隔离，同时做好人员防护，避免传染性疾病将人传染。
(3)、为了适应羊只处于不同生长阶段，其身体状况、运行、饮食行为等发生变化的情况，本公开的一个或多个技术方案中，系统可以基于羊只的发育情况自动更新深度学习方法训练羊只数据模型，以便于更加科学的发现异常羊只。
(4)、本公开的快速发现早期病羊的智能化方法能够快速发现处于早期病症的羊只，不仅提高了病羊治愈的概率，而且，能够最大程度避免传染性疾病造成的巨大经济损失，具有非常高的应用价值。而且，该方法应用简单，对设备要求不高，可以实现在羊养殖领域的规模化应用。
具体实施方式
下面结合具体实施例，进一步阐述本公开。应理解，这些实施例仅用于说明本公开而不用于限制本公开的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件或按照制造厂商所建议的条件。
除非另行定义，文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。本发明所使用的试剂或原料均可通过常规途径购买获得，如无特殊说明，本发明所使用的试剂或原料均按照本领域常规方式使用或者按照产品说明书使用。此外，任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。文中所述的较佳实施方法与材料仅作示范之用。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。
正如背景技术所介绍的，目前的关于病羊诊断的智能化方法中，仍然需要人工观察羊只的状态，通过对羊只的饮食、运行行为、眼部状态等人为判断羊只是否患病，这种方法由于人力资源有限，根本无法实现对大规模羊养殖厂的需求，人工观察既无法同时观察几千、几万只羊的状态，容易导致滞后性，又由于人工观察无法实现对早期病羊的快速判断，早期病羊行为变化不够明显，仅仅靠人眼无法快速识别异常羊只。为了解决现有技术中存在的技术问题，本公开提供了一种快速发现早期病羊的智能化方法和系统。
在本公开的一种实施方式中，提供了一种快速发现早期病羊的智能化方法，包括：
获取羊群的视频；
将获得的羊群视频分解成由图像帧组成的视频流，获得每只羊的实时信息，与训练完成的羊只数据模型进行对比，判断出异常羊只。
进一步地，所述羊的实时信息包括羊的皮肤状况、眼部状况、肚腹状况、耳部状况以及羊的运动时长、坐卧时长、采食量等。为了快速发现异常羊只，养殖用户可以对系统进行设置，添加任意想要获得的实时信息。实时信息种类越丰富、详细，对于系统快速发现异常羊只越有帮助。
进一步地，所述与训练完成的羊只数据模型进行对比包括：首先对实时信息进行分类，然后针对不同类型的状况进行数据分析，不同类型的分析结果符合羊只数据模型输出正常，反之输出异常。为了提高对发现异常羊只的准确性，更进一步地，与训练完成的羊只数据模型进行对比时，循环对比10-1000次。
其中，所述羊只数据模型的训练过程包括：
通过对每个编号的羊进行2-10天的数据采集，提取每只羊的有效数据信息并进行预处理构建羊只数据库；
利用SSD网络模型和模型参数对羊只数据库进行训练，对初始值、训练速率和迭代次数不断进行调整，获得羊只数据模型。
其中，所述的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项，降低第七层的特征敏感度；所述的L2正则是基于L2范数实现的，即：
其中，C为正则化项，C0表示正则化项的训练样本误差，n是训练样本个数，λλ是训练样本个数，λ是正则项系数，ωi为神经网络中第i个神经元的权重。
收集每只羊的图像，进行分类和标注，形成训练样本，放入训练样本集中，将包含有每只羊的图像作为测试样本，放入测试样本集；在tensorflow框架下，通过在主机上运行JetBrainsPyCharm Community Edition 2018.3.4x64软件通过加载预训练好的VGG16模型和训练样本集，并采用卷积步长为8进行SSD网络模型训练，获得羊只数据模型。
需要解释的是，在羊只数据模型的训练过程中涉及的有效数据信息可以是羊的皮肤状况、眼部状况、肚腹状况、耳部状况以及羊的运动时长、坐卧时长、采食量等，也可以是其他任何想要监测的信息，只要能够便于快速判断出异常羊只即可。
用户基于异常信息，可以迅速做出反应。由于每只羊已经编号，因此，用户可以快速找到异常羊只，并对异常羊只进行检查以及有必要的隔离。此外，该方法还可以根据羊只的生长阶段，基于需要，自动更新深度学习方法训练羊只数据模型，以便于更加科学的发现异常羊只。
在本公开的一种实施方式中，一种快速发现早期病羊的智能化方法，还包括建立羊疾病数据库，系统向用户发出异常羊只警告的同时，还将数据信息发送到羊疾病数据库，与羊疾病数据库中的信息进行匹配，获得与异常羊只早期病症符合度较高的疾病。
其中，建立羊疾病数据库的方法包括：通过采集国内外不同羊疾病的相关数据，例如传染病、寄生虫病、消化道、呼吸道、泌尿道中毒性疾病等等数据，建立了羊疾病数据库。该羊疾病数据库对于各种疾病患病早期、中期、晚期的表现具有详细的数据分析，将羊的数据信息发送至该数据库中，可以快速、高效、准确的匹配疾病类型。
用户基于系统反馈的疾病，如果发现有可能是传染性疾病，则可以快速做出反应，将异常羊只隔离，同时做好人员防护，避免传染性疾病将人传染。
在本公开的一种实施方式中，一种快速发现早期病羊的智能化系统，包括数据采集系统、GPRS DTU模块、数据传输网络系统、数据处理系统以及用户端；数据采集系统与GPRS DTU模块连接，GPRS DTU模块通过数据传输网络系统与数据处理系统连接；数据采集系统包括数据采集器、数据转化器、前端数据采集控制单元、主机智能控制中心、设置在各个设备上的传感装置，数据采集器通过数据转换器与主机智能控制中心的数据输出口连接，数据采集器与前端数据采集控制单元相连接，前端数据采集控制单元分别与设置在各个设备上的传感装置相连接；数据采集器通过GPRS DTU模块和数据传输网络系统与数据处理系统连接。
其中，所述数据处理系统包括服务器和与之相连接的数据处理中心局域网，数据处理系统设有防火墙，数据采集系统的数据输出口为RJ45网络接口，数据采集系统设有本地数据存储装置。数据采集系统通过RS 485接口与GPRS DTU模块连接，在一个网段内容纳多个(少千127个)远程传输站点，可设置多个网段，同时并行进行数据远程传输。
进一步地，所述数据处理系统包括羊只数据模型或羊疾病数据库。
在本公开的一种实施方式中，一种快速发现早期病羊的智能化方法和/或系统在羊养殖中的应用。
为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例详细说明本公开的技术方案。
实施例1
一种快速发现早期病羊的智能化方法，包括：
步骤1：通过安装在羊舍中的摄像头，对羊舍中的1000只羊进行监测，实时对每只编号的羊进行数据采集，采集7天；其中，采集的数据信息有羊的皮肤状况、眼部状况、肚腹状况、耳部状况以及羊的运动时长、坐卧时长、采食量。
步骤2：对步骤1中采集到的数据信息进行分类，分别为皮肤、眼部、肚腹、耳部和运动时长、坐卧时长、采食量，将提取得到的每只羊的有效数据进行预处理构建养只数据库，然后，在神经网络的第七层加入L2正则化惩罚项，降低第七层的特征敏感度其中，L2正则是基于L2范数实现的，即：
C为正则化项，C0表示正则化项的训练样本误差，n是训练样本个数，λλ是训练样本个数，λ是正则项系数，ωi为神经网络中第i个神经元的权重。
收集每只羊的图像，进行分类和标注，形成训练样本，放入训练样本集中，将包含有每只羊的图像作为测试样本，放入测试样本集；在tensorflow框架下，通过在主机上运行JetBrainsPyCharm Community Edition 2018.3.4x64软件通过加载预训练好的VGG16模型和训练样本集，并采用卷积步长为8进行SSD网络模型训练，获得羊只数据模型。
步骤3：通过羊舍中的摄像头继续对羊的数据进行采集，获得每只羊的实时信息，其中记载了每只羊的皮肤状况、眼部状况、肚腹状况、耳部状况以及羊的运动时长、坐卧时长、采食量的相关数据信息，获得的数据信息与训练完成的羊只数据模型进行对比，并循环对比100次，100次循环对比结果显示第122号羊运动时长变短、坐卧时长显著增加，采食量下降，系统显示异常。
步骤4：工作人员基于异常警告，迅速找到第122号羊，并对其进行诊断。
该智能化的方法，建立好数据模型后能够快速的发现早期病羊，极大地降低了经济损失。
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。
Claims (10)
1.一种快速发现早期病羊的智能化方法，其特征在于，包括：
获取羊群的视频；
将获得的羊群视频分解成由图像帧组成的视频流，获得每只羊的实时信息，与训练完成的羊只数据模型进行对比，判断出异常羊只。
2.如权利要求1所述的一种快速发现早期病羊的智能化方法，其特征在于，所述羊的实时信息包括羊的皮肤状况、眼部状况、肚腹状况、耳部状况、羊的运动时长、坐卧时长或采食量。
3.如权利要求1所述的一种快速发现早期病羊的智能化方法，其特征在于，所述与训练完成的羊只数据模型进行对比包括：首先对实时信息进行分类，然后针对不同类型的状况进行数据分析，不同类型的分析结果符合羊只数据模型输出正常，反之输出异常。
4.如权利要求1所述的一种快速发现早期病羊的智能化方法，其特征在于，与训练完成的羊只数据模型进行对比时，循环对比10-1000次。
5.如权利要求1所述的一种快速发现早期病羊的智能化方法，其特征在于，所述羊只数据模型的训练过程包括：
通过对每个编号的羊进行2-10天的数据采集，提取每只羊的有效数据信息并进行预处理构建羊只数据库；
利用SSD网络模型和模型参数对羊只数据库进行训练，对初始值、训练速率和迭代次数不断进行调整，获得羊只数据模型。
6.如权利要求1所述的一种快速发现早期病羊的智能化方法，其特征在于，还包括建立羊疾病数据库，系统向用户发出异常羊只警告的同时，还将数据信息发送到羊疾病数据库，与羊疾病数据库中的信息进行匹配，获得与异常羊只早期病症符合度较高的疾病。
7.如权利要求6所述的一种快速发现早期病羊的智能化方法，其特征在于，建立羊疾病数据库的方法包括：通过采集国内外不同羊疾病的相关数据，建立了羊疾病数据库。
8.应用于权利要求1-7任一项所述快速发现早期病羊的智能化方法的系统，其特征在于，包括数据采集系统、GPRSDTU模块、数据传输网络系统、数据处理系统以及用户端；数据采集系统与GPRSDTU模块连接，GPRSDTU模块通过数据传输网络系统与数据处理系统连接。
9.如权利要求8所述的系统，其特征在于，所述数据处理系统包括羊只数据模型或羊疾病数据库。
10.权利要求1-7任一项所述的快速发现早期病羊的智能化方法和/或权利要求8所述的系统在羊养殖中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011552998.8A CN112614599A (zh) | 2020-12-24 | 2020-12-24 | 一种快速发现早期病羊的智能化方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011552998.8A CN112614599A (zh) | 2020-12-24 | 2020-12-24 | 一种快速发现早期病羊的智能化方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112614599A true CN112614599A (zh) | 2021-04-06 |
Family
ID=75244836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011552998.8A Pending CN112614599A (zh) | 2020-12-24 | 2020-12-24 | 一种快速发现早期病羊的智能化方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112614599A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578036A (zh) * | 2013-11-07 | 2014-02-12 | 江南大学 | 一种基于数据析取的家禽体质健康实时监测方法 |
| CN109446486A (zh) * | 2018-11-16 | 2019-03-08 | 浙江大学城市学院 | 一种基于物联网数据采集的舍养羊只饮食异常的监测方法 |
| CN111027445A (zh) * | 2019-12-04 | 2020-04-17 | 安徽工程大学 | 一种海上船舶目标识别方法 |
| CN111681755A (zh) * | 2020-04-28 | 2020-09-18 | 北京农业信息技术研究中心 | 一种生猪疾病诊疗系统及方法 |
| CN111709333A (zh) * | 2020-06-04 | 2020-09-25 | 南京农业大学 | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 |
-
2020
- 2020-12-24 CN CN202011552998.8A patent/CN112614599A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578036A (zh) * | 2013-11-07 | 2014-02-12 | 江南大学 | 一种基于数据析取的家禽体质健康实时监测方法 |
| CN109446486A (zh) * | 2018-11-16 | 2019-03-08 | 浙江大学城市学院 | 一种基于物联网数据采集的舍养羊只饮食异常的监测方法 |
| CN111027445A (zh) * | 2019-12-04 | 2020-04-17 | 安徽工程大学 | 一种海上船舶目标识别方法 |
| CN111681755A (zh) * | 2020-04-28 | 2020-09-18 | 北京农业信息技术研究中心 | 一种生猪疾病诊疗系统及方法 |
| CN111709333A (zh) * | 2020-06-04 | 2020-09-25 | 南京农业大学 | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 贾曲等: "基于超声波技术的生猪饮食异常监测系统", 《畜牧与兽医》 * |
| 贾曲等: "基于超声波技术的生猪饮食异常监测系统", 《畜牧与兽医》, no. 02, 10 February 2020 (2020-02-10), pages 35 - 39 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200211706A1 (en) | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system | |
| Frost et al. | A review of livestock monitoring and the need for integrated systems | |
| Amory et al. | Associations between sole ulcer, white line disease and digital dermatitis and the milk yield of 1824 dairy cows on 30 dairy cow farms in England and Wales from February 2003–November 2004 | |
| Yin et al. | Recognition of sick pig cough sounds based on convolutional neural network in field situations | |
| Cuan et al. | Automatic Newcastle disease detection using sound technology and deep learning method | |
| Knauer et al. | Evaluation of applying statistical process control techniques to daily average feeding behaviors to detect disease in automatically fed group-housed preweaned dairy calves | |
| CN108198620A (zh) | 一种基于深度学习的皮肤疾病智能辅助诊断系统 | |
| Degu et al. | Smartphone based detection and classification of poultry diseases from chicken fecal images using deep learning techniques | |
| US20110105856A1 (en) | Diagnostic testing | |
| CA2730487A1 (en) | Method and apparatus for diagnosing an allergy of the upper respiratory tract using a neural network | |
| CN111370126A (zh) | 基于惩罚集成模型的icu死亡率预测方法及系统 | |
| Yu et al. | Chicken embryo fertility detection based on PPG and convolutional neural network | |
| Mei et al. | Identification of aflatoxin-poisoned broilers based on accelerometer and machine learning | |
| CN114241409A (zh) | 一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统及方法 | |
| Yajie et al. | Poultry disease early detection methods using deep learning technology | |
| CN115714016B (zh) | 一种基于机器学习的布鲁氏菌病筛查率提升方法 | |
| Ali et al. | Application of artificial intelligence in monitoring of animal health and welfare | |
| CN112614599A (zh) | 一种快速发现早期病羊的智能化方法和系统 | |
| Yao | Hearing loss classification via stationary wavelet entropy and cat swarm optimization | |
| CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
| Cihan et al. | A review on determination of computer aid diagnosis and/or risk factors using data mining methods in veterinary field | |
| Lupo et al. | Feasibility of screening broiler chicken flocks for risk markers as an aid for meat inspection | |
| CN109993076A (zh) | 一种基于深度学习的白鼠行为分类方法 | |
| Nirgudwar et al. | Lumpy Diseases detection using Machine Learning | |
| Banakar et al. | Relationship between reproductive indicators and sound structure in broiler breeder roosters |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |
|
| RJ01 | Rejection of invention patent application after publication |