CN114496294B - 一种基于多模态生物识别技术的猪体疾病预警实现方法 - Google Patents
一种基于多模态生物识别技术的猪体疾病预警实现方法 Download PDFInfo
- Publication number
- CN114496294B CN114496294B CN202210075291.5A CN202210075291A CN114496294B CN 114496294 B CN114496294 B CN 114496294B CN 202210075291 A CN202210075291 A CN 202210075291A CN 114496294 B CN114496294 B CN 114496294B
- Authority
- CN
- China
- Prior art keywords
- pig
- data
- early warning
- characteristic
- disease
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 119
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000009395 breeding Methods 0.000 claims abstract description 34
- 230000001488 breeding effect Effects 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 241000282898 Sus scrofa Species 0.000 claims description 137
- 230000029142 excretion Effects 0.000 claims description 16
- 208000035473 Communicable disease Diseases 0.000 claims description 11
- 241000282887 Suidae Species 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 230000009193 crawling Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 230000007480 spreading Effects 0.000 abstract description 2
- 238000003892 spreading Methods 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 244000144972 livestock Species 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 3
- 206010033733 Papule Diseases 0.000 description 2
- 208000027954 Poultry disease Diseases 0.000 description 2
- 208000002474 Tinea Diseases 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 235000013594 poultry meat Nutrition 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000130764 Tinea Species 0.000 description 1
- 241000893966 Trichophyton verrucosum Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
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
- G16H50/80—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明公开了一种基于多模态生物识别技术的猪体疾病预警实现方法,属于疾病预警方法技术领域。一种基于多模态生物识别技术的猪体疾病预警实现方法,针对猪体疾病特征特点基于深度学习算法对各单一特征设计分类识别模型;基于集成学习联结各特征分类结果进行决策级融合得到最终分类结果;针对猪体疾病特征综合性,通过设计并实现基于决策级融合的生物特征多模态融合的分类模型;针对猪体养殖环节以及猪体特点设计猪体疾病实时预警系统;搭建多感应采集器共联RFID读写器节点设计触发装置,通过单一特征分类异常触发装置锁定异常个体;本发明有效解决了猪体养殖环节猪体疾病初期难发现、易蔓延等猪体安全问题。
Description
技术领域
本发明涉及疾病预警方法技术领域,特别是涉及一种基于多模态生物识别技术的猪体疾病预警实现方法。
背景技术
由于现如今的猪体疾病问题而引发了猪体培育流通链的安全危机,同时该问题也是国家建设发展畜禽肉品食品安全工作上的重大挑战。猪体在养殖环节疾病的突发性、多样性、传递性以及养殖区安全设施不到位等原因,导致养殖环节猪体生长受到极大威胁。猪体疾病预警装置能够达到猪体疾病前期侦探的作用,提供养殖环节猪体疫情提前预警的作用从而减少猪疫等疾病的蔓延。
现在的畜禽养殖场呈现形式为“数量多、分布广、规模化低”状态,在预防畜禽疾病以及疾病处理环节,安全设施简陋,一般为养殖户经验式处理,导致畜禽疾病往往大面积蔓延。以猪体为例,在猪体前期疾病侦测作业环节,由于猪体疾病种类多、疾病特征综合性强,单一的特征识别已经不能满足猪体疾病的预警识别,很难保证对疾病识别的准确率。多模态生物识别指整合或融合两种及两种以上生物识别技术,利用其多重生物识别技术的独特优势,并结合数据融合技术,使得认证和识别过程更加精准、安全的一种识别方法。因此能够提高对猪体养殖环节猪体疾病前期预警的有效性和准确性。本发明将结合多模态生物识别的相关可靠技术以及机器学习相关技术,针对猪体疾病前期预测提出了一种基于多模态生物识别技术的猪体疾病预警实现方法。
发明内容
本发明的目的是为了解决猪体养殖环节猪体疾病初期难发现、易蔓延等猪体安全问题而提出了一种基于多模态生物识别技术的猪体疾病预警实现方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于多模态生物识别技术的猪体疾病预警实现方法,具体包括以下步骤:
S1、针对猪体疾病,收集、爬取相关疾病特征图像并进行数据预处理工作,得到养殖环节猪体易感染疾病单项特征数据集;
S2、基于深度卷积神经网络对S1中所得到的养殖环节猪体易感染疾病单项特征数据集进行训练,得到单项特征识别模型;
S3、基于集成学习对多模态化疾病特征进行决策融合处理,形成综合识别模型;
S4、针对传统猪体养殖环节设计猪体疾病预警系统,将猪体疾病预警系统布置在养殖环境中,监测、采集相应猪体的各项数据;
S5、将S4中所采集的猪体数据样本作为测试集,输入S2中所得的单项特征识别模型中进行决策匹配并实现异常触发;
S6、基于强化学习对单项特征异常猪体多模态特征进行融合决策,判断是否发出疾病前期预警。
优选地,猪体养殖环节从猪仔到受孕母猪以及成年猪易染传染性疾病病种较多,同时初期特征表现多样化,针对前期特征综合性强以及可控性猪体传染疾病获取单项特征猪体疾病的数据集,来保证后续步骤的识别模型的搭建,所述S1中提到的构建养殖环节猪体易感染疾病单项特征数据集,具体包括以下步骤:
A1、选取前期特征综合性强以及可控性猪体传染疾病作为研究对象,获取该猪体疾病前期单项特征信息;
A2、所述A1中提到的猪体疾病前期单项特征信息包括有温度、面部、躯干以及排泄表现,其中温度数据通过温度传感器直接获取,面部、躯干以及排泄表现数据通过网络爬取及养殖场实地记录的方式获取;
A3、对A2中所获取的信息中的模糊、重复数据进行数据清洗,同时进一步采用数据扩增方式增加该部分图像数据数量,使数据相对平衡,减少过拟合现象;所述数据扩增方式包括有水平镜像翻转、垂直镜像翻转、逆时针旋转90°和随机裁剪;
A4、对经过A3处理的数据图像进行标准化处理,降低曝光、灰度因素对模型权值更新的影响,所述标准化处理方法具体为:
其中,xi表示图像像素点值;min(x)表示像素点最小值;max(x)表示像素点最大值。
优选地,猪体单一疾病特征表现性较强,包括猪体高温、面部丘疹、猪体躯干红癣等特征,使用分层深度CNN卷积神经网络模型,通过两层卷积完成全连接并识别输出,确保各单一模态特征识别判断的准确性,完成特征的底层识别,所述S2中提到的单项特征识别模型构建,具体包括以下步骤:
B1、基于S1中所得的数据集,应用深度卷积神经网络构建各单项特征识别模型;
B2、将S1中所得的数据集中的图像信息直接作为各单项特征识别模型的网络的输入,简化数据提取和数据重构过程;所述网络包括有输入、卷积层、归一层,子采样层、连接层、池化层和输出;
B3、采用卷积层和下采样层交替构成深度学习结构,提高单项特征识别效度。
优选地,对于猪体疾病的前期侦测,通过各单一模态特征识别能够侦测猪体体态异常,但无法确定疾病类型,因此需进一步对高发特征识别分类结果进行决策级融合后完成疾病识别,提升识别的正确率、鲁棒性和安全性,所述S3中提到的决策融合处理,具体包括以下步骤:
C1、通过S2中所得的单项特征识别模型分别对温度、猪体面部图像、猪体躯干图像以及猪体排泄区图像四个单项特征进行识别分类;
C2、将C1中所获得单向特征分别输入到全连接层和分类层进行初次分类预测;
C3、将C2中所得的单项特征预分类结果进行stacking集成学习,得出最后的预测结果。
优选地,猪体疾病预警系统需在养殖环境采集相应猪体的各项数据,实现获取单一猪体各项特征数据的目的,所述S4中所提到的猪体疾病预警系统,包括有温度传感器、排泄区图像样本采集器、躯干样本图像采集器、面部图像样本采集器、RFID标签读取器、控制器、服务器和云平台,所述数据采集系统工作时,具体包括以下步骤:
D1、根据样本特征呈现形式在实验中按区布置温度传感器、排泄区图像样本采集器、躯干样本图像采集器、面部图像样本采集器,通过上述传感器采集实验区域的实时样本数据;
D2、利用RFID电子标签对猪体进行唯一编码,控制器通过在传感器和采集器公共节点设置的RFID标签读取器确定目标个体;
D3、确定目标个体后,控制器将与目标个体相关联的数据节点信息经由服务器上传至云平台,形成目标个体的可追溯特征链。
优选地,根据单项特征先识别,多模态特征融合决策的分类方法提出相应的疾病预警机制,由于多模态特征提取的分散性,预警机制采用单一预警联动模式,所述S5中提到的决策匹配和异常触发,具体包括以下步骤:
E1、将养殖环节所获取的样本图像数据输入相应的单项特征深度卷积神经网络模型中;
E2、若分类结果为正常,则继续输入实时样本进行分类;
E3、若分类结果为疾病特征,反馈装置识别出异常,触发与传感器公共节点联结的RFID标签读取器发出异常报警,并通过识别猪体上的RFID电子标签确定目标范围。
优选地,为侦测单项特征异常猪体具体发病类型,需对单项特征进行综合判断,所述S6中提到的单项特征异常猪体多模态特征融合决策,具体包括以下步骤:
F1、从云平台中获取异常数据信息,锁定对应猪体的多模态信息,并将器输入多特征综合识别模型中进行识别分类、决策级融合;
F2、若决策通过,猪体疾病预警系统发出疾病预警,并提示用户猪体疾病类型;
F3、若决策未通过,云平台自动将判断信息记录至相应编号猪体信息目下;
F4、若单个体短期内多频出现异常记录,猪体疾病预警系统发出疾病异常预警。
与现有技术相比,本发明提供了一种生物质颗粒机控制系统及方法,具备以下有益效果:
本发明所提出的一种生物质颗粒机控制系统及方法,通过设计并实现基于深度学习的特征识别方法和基于决策级融合的多模态生物特征融合方法,从而避免疾病单项特征主导或特征缺乏无法识别的情况;应用深度学习算法对各个生物特征进行识别对比,基于集成学习联结各特征实现决策级融合做出最后分类,从而实现准确猪体疾病前期预警机制;同时针对猪体养殖环节以及猪体疾病特征特点设计猪体疾病预警系统,以获取猪体实时状态,通过多特征路径分类结果异常触发预警装置追踪异常个体,进一步通过多模态特征决策级融合综合判断是否发出疾病预警,从而有效达到多模态信息联动,实现高效准确的猪体疾病前期预警。
附图说明
图1为本发明提出的一种基于多模态生物识别技术的猪体疾病预警实现方法的分层深度卷积神经网络模型框架示意图;
图2为本发明提出的一种基于多模态生物识别技术的猪体疾病预警实现方法的多模态数据的决策融合分类流程图;
图3为本发明提出的一种基于多模态生物识别技术的猪体疾病预警实现方法的的猪体疾病系统组成示意图;
图4为本发明提出的一种基于多模态生物识别技术的猪体疾病预警实现方法的疾病预警机制流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1:
请参阅图1-4,一种基于多模态生物识别技术的猪体疾病预警实现方法,具体包括以下步骤:
S1、针对猪体疾病,收集、爬取相关疾病特征图像并进行数据预处理工作,得到养殖环节猪体易感染疾病单项特征数据集;
猪体养殖环节从猪仔到受孕母猪以及成年猪易染传染性疾病病种较多,同时初期特征表现多样化,针对前期特征综合性强以及可控性猪体传染疾病获取单项特征猪体疾病的数据集,来保证后续步骤的识别模型的搭建,S1中提到的构建养殖环节猪体易感染疾病单项特征数据集,具体包括以下步骤:
A1、选取前期特征综合性强以及可控性猪体传染疾病作为研究对象,获取该猪体疾病前期单项特征信息;
A2、A1中提到的猪体疾病前期单项特征信息包括有温度、面部、躯干以及排泄表现,其中温度数据通过温度传感器直接获取,面部、躯干以及排泄表现数据通过网络爬取及养殖场实地记录的方式获取;
A3、对A2中所获取的信息中的模糊、重复数据进行数据清洗,同时进一步采用数据扩增方式增加该部分图像数据数量,使数据相对平衡,减少过拟合现象;数据扩增方式包括有水平镜像翻转、垂直镜像翻转、逆时针旋转90°和随机裁剪;
A4、对经过A3处理的数据图像进行标准化处理,降低曝光、灰度因素对模型权值更新的影响,标准化处理方法具体为:
其中,xi表示图像像素点值;min(x)表示像素点最小值;max(x)表示像素点最大值;
S2、基于深度卷积神经网络对S1中所得到的养殖环节猪体易感染疾病单项特征数据集进行训练,得到单项特征识别模型;
猪体单一疾病特征表现性较强,包括猪体高温、面部丘疹、猪体躯干红癣等特征,使用分层深度CNN卷积神经网络模型(模型框架如图1所示),通过两层卷积完成全连接并识别输出,确保各单一模态特征识别判断的准确性,完成特征的底层识别,S2中提到的单项特征识别模型构建,具体包括以下步骤:
B1、基于S1中所得的数据集,应用深度卷积神经网络构建各单项特征识别模型;
B2、将S1中所得的数据集中的图像信息直接作为各单项特征识别模型的网络的输入,简化数据提取和数据重构过程;网络包括有输入、卷积层、归一层,子采样层、连接层、池化层和输出;
B3、采用卷积层和下采样层交替构成深度学习结构,提高单项特征识别效度;
S3、基于集成学习对多模态化疾病特征进行决策融合处理,形成综合识别模型;
对于猪体疾病的前期侦测,通过各单一模态特征识别能够侦测猪体体态异常,但无法确定疾病类型,因此需进一步对高发特征识别分类结果进行决策级融合后完成疾病识别,提升识别的正确率、鲁棒性和安全性(多模态数据的决策融合分类流程图如图2所示),S3中提到的决策融合处理,具体包括以下步骤:
C1、通过S2中所得的单项特征识别模型分别对温度、猪体面部图像、猪体躯干图像以及猪体排泄区图像四个单项特征进行识别分类;
C2、将C1中所获得单向特征分别输入到全连接层和分类层进行初次分类预测;
C3、将C2中所得的单项特征预分类结果进行stacking集成学习,得出最后的预测结果;
S4、针对传统猪体养殖环节设计猪体疾病预警系统,将猪体疾病预警系统布置在养殖环境中,监测、采集相应猪体的各项数据;
猪体疾病预警系统需在养殖环境采集相应猪体的各项数据,实现获取单一猪体各项特征数据的目的,S4中所提到的猪体疾病预警系统(如图3所示),包括有温度传感器、排泄区图像样本采集器、躯干样本图像采集器、面部图像样本采集器、RFID标签读取器、控制器、服务器和云平台,数据采集系统工作时,具体包括以下步骤:
D1、根据样本特征呈现形式在实验中按区布置温度传感器、排泄区图像样本采集器、躯干样本图像采集器、面部图像样本采集器,通过上述传感器采集实验区域的实时样本数据;
D2、利用RFID电子标签对猪体进行唯一编码,控制器通过在传感器和采集器公共节点设置的RFID标签读取器确定目标个体;
D3、确定目标个体后,控制器将与目标个体相关联的数据节点信息经由服务器上传至云平台,形成目标个体的可追溯特征链;
S5、将S4中所采集的猪体数据样本作为测试集,输入S2中所得的单项特征识别模型中进行决策匹配并实现异常触发;
根据单项特征先识别,多模态特征融合决策的分类方法提出相应的疾病预警机制(如图4所示),由于多模态特征提取的分散性,预警机制采用单一预警联动模式,S5中提到的决策匹配和异常触发,具体包括以下步骤:
E1、将养殖环节所获取的样本图像数据输入相应的单项特征深度卷积神经网络模型中;
E2、若分类结果为正常,则继续输入实时样本进行分类;
E3、若分类结果为疾病特征,反馈装置识别出异常,触发与传感器公共节点联结的RFID标签读取器发出异常报警,并通过识别猪体上的RFID电子标签确定目标范围;
S6、基于强化学习对单项特征异常猪体多模态特征进行融合决策,判断是否发出疾病前期预警;
为侦测单项特征异常猪体具体发病类型,需对单项特征进行综合判断,S6中提到的单项特征异常猪体多模态特征融合决策,具体包括以下步骤:
F1、从云平台中获取异常数据信息,锁定对应猪体的多模态信息,并将器输入多特征综合识别模型中进行识别分类、决策级融合;
F2、若决策通过,猪体疾病预警系统发出疾病预警,并提示用户猪体疾病类型;
F3、若决策未通过,云平台自动将判断信息记录至相应编号猪体信息目下;
F4、若单个体短期内多频出现异常记录,猪体疾病预警系统发出疾病异常预警。
本发明所提出的一种生物质颗粒机控制系统及方法,通过设计并实现基于深度学习的特征识别方法和基于决策级融合的多模态生物特征融合方法,从而避免疾病单项特征主导或特征缺乏无法识别的情况;应用深度学习算法对各个生物特征进行识别对比,基于集成学习联结各特征实现决策级融合做出最后分类,从而实现准确猪体疾病前期预警机制;同时针对猪体养殖环节以及猪体疾病特征特点设计猪体疾病预警系统,以获取猪体实时状态,通过多特征路径分类结果异常触发预警装置追踪异常个体,进一步通过多模态特征决策级融合综合判断是否发出疾病预警,从而有效达到多模态信息联动,实现高效准确的猪体疾病前期预警。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于多模态生物识别技术的猪体疾病预警实现方法,其特征在于:具体包括以下步骤:
S1、针对猪体疾病,收集、爬取相关疾病特征图像并进行数据预处理工作,得到养殖环节猪体易感染疾病单项特征数据集;
S2、基于深度卷积神经网络对S1中所得到的养殖环节猪体易感染疾病单项特征数据集进行训练,得到单项特征识别模型;
S3、基于集成学习对多模态化疾病特征进行决策融合处理,形成综合识别模型;
所述S3中提到的决策融合处理,具体包括以下步骤:
C1、通过S2中所得的单项特征识别模型分别对温度、猪体面部图像、猪体躯干图像以及猪体排泄区图像四个单项特征进行识别分类;
C2、将C1中所获得单向特征分别输入到全连接层和分类层进行初次分类预测;
C3、将C2中所得的单项特征预分类结果进行stacking集成学习,得出最后的预测结果;
S4、针对传统猪体养殖环节设计猪体疾病预警系统,将猪体疾病预警系统布置在养殖环境中,监测、采集相应猪体的各项数据;
S5、将S4中所采集的猪体数据样本作为测试集,输入S2中所得的单项特征识别模型中进行决策匹配并实现异常触发;
S6、基于强化学习对单项特征异常猪体多模态特征进行融合决策,判断是否发出疾病前期预警;
所述S6中提到的单项特征异常猪体多模态特征融合决策,具体包括以下步骤:
F1、从云平台中获取异常数据信息,锁定对应猪体的多模态信息,并将器输入多特征综合识别模型中进行识别分类、决策级融合;
F2、若决策通过,猪体疾病预警系统发出疾病预警,并提示用户猪体疾病类型;
F3、若决策未通过,云平台自动将判断信息记录至相应编号猪体信息目下;
F4、若单个体短期内多频出现异常记录,猪体疾病预警系统发出疾病异常预警。
2.根据权利要求1所述的一种基于多模态生物识别技术的猪体疾病预警实现方法,其特征在于:所述S1中提到的构建养殖环节猪体易感染疾病单项特征数据集,具体包括以下步骤:
A1、选取前期特征综合性强以及可控性猪体传染疾病作为研究对象,获取该猪体疾病前期单项特征信息;
A2、所述A1中提到的猪体疾病前期单项特征信息包括有温度、面部、躯干以及排泄表现,其中温度数据通过温度传感器直接获取,面部、躯干以及排泄表现数据通过网络爬取及养殖场实地记录的方式获取;
A3、对A2中所获取的信息中的模糊、重复数据进行数据清洗,同时进一步采用数据扩增方式增加面部、躯干以及排泄表现的图像数据数量,使数据相对平衡,减少过拟合现象;所述数据扩增方式包括有水平镜像翻转、垂直镜像翻转、逆时针旋转 90°和随机裁剪;
A4、对经过A3处理的数据图像进行标准化处理,降低曝光、灰度因素对模型权值更新的影响,所述标准化处理方法具体为:
3.根据权利要求1所述的一种基于多模态生物识别技术的猪体疾病预警实现方法,其特征在于:所述S2中提到的单项特征识别模型构建,具体包括以下步骤:
B1、基于S1中所得的数据集,应用深度卷积神经网络构建各单项特征识别模型;
B2、将S1中所得的数据集中的图像信息直接作为各单项特征识别模型的网络的输入,简化数据提取和数据重构过程;所述网络包括有输入、卷积层、归一层,子采样层、连接层、池化层和输出;
B3、采用卷积层和下采样层交替构成深度学习结构,提高单项特征识别效度;
B4、使用分层深度CNN卷积神经网络模型,通过两层卷积完成全连接并识别输出,确保各单一模态特征识别判断的准确性,完成特征的底层识别。
4.根据权利要求1所述的一种基于多模态生物识别技术的猪体疾病预警实现方法,其特征在于:所述S4中所提到的猪体疾病预警系统,包括有温度传感器、排泄区图像样本采集器、躯干样本图像采集器、面部图像样本采集器、RFID标签读取器、控制器、服务器和云平台,所述数据采集系统工作时,具体包括以下步骤:
D1、根据样本特征呈现形式在实验中按区布置温度传感器、排泄区图像样本采集器、躯干样本图像采集器、面部图像样本采集器,通过上述传感器采集实验区域的实时样本数据;
D2、利用RFID电子标签对猪体进行唯一编码,控制器通过在传感器和采集器公共节点设置的RFID标签读取器确定目标个体;
D3、确定目标个体后,控制器将与目标个体相关联的数据节点信息经由服务器上传至云平台,形成目标个体的可追溯特征链。
5.根据权利要求1所述的一种基于多模态生物识别技术的猪体疾病预警实现方法,其特征在于:所述S5中提到的决策匹配和异常触发,具体包括以下步骤:
E1、将养殖环节所获取的样本图像数据输入相应的单项特征深度卷积神经网络模型中;
E2、若分类结果为正常,则继续输入实时样本进行分类;
E3、若分类结果为疾病特征,反馈装置识别出异常,触发与传感器公共节点联结的RFID标签读取器发出异常报警,并通过识别猪体上的RFID电子标签确定目标范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210075291.5A CN114496294B (zh) | 2022-01-22 | 2022-01-22 | 一种基于多模态生物识别技术的猪体疾病预警实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210075291.5A CN114496294B (zh) | 2022-01-22 | 2022-01-22 | 一种基于多模态生物识别技术的猪体疾病预警实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114496294A CN114496294A (zh) | 2022-05-13 |
CN114496294B true CN114496294B (zh) | 2022-07-19 |
Family
ID=81472277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210075291.5A Active CN114496294B (zh) | 2022-01-22 | 2022-01-22 | 一种基于多模态生物识别技术的猪体疾病预警实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114496294B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351537B (zh) * | 2023-09-11 | 2024-05-17 | 中国科学院昆明动物研究所 | 一种基于深度学习的猕猴脸部智能识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002047007A2 (en) * | 2000-12-07 | 2002-06-13 | Phase It Intelligent Solutions Ag | Expert system for classification and prediction of genetic diseases |
CN113938503A (zh) * | 2021-09-26 | 2022-01-14 | 云南追溯科技有限公司 | 一种通过生猪行为体征监测对疾病的预警系统及构建方法 |
-
2022
- 2022-01-22 CN CN202210075291.5A patent/CN114496294B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002047007A2 (en) * | 2000-12-07 | 2002-06-13 | Phase It Intelligent Solutions Ag | Expert system for classification and prediction of genetic diseases |
CN113938503A (zh) * | 2021-09-26 | 2022-01-14 | 云南追溯科技有限公司 | 一种通过生猪行为体征监测对疾病的预警系统及构建方法 |
Non-Patent Citations (3)
Title |
---|
基于改进压缩感知的生猪音频信号处理;吴亚文等;《江苏农业科学》;20201031;全文 * |
基于机器视觉技术的猪行为活动无接触识别系统;吴世海等;《计算机系统应用》;20200415(第04期);全文 * |
基于浅层与深层特征融合的胃癌前疾病识别;潘燕七等;《中国生物医学工程学报》;20200820(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114496294A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | An effective automatic system deployed in agricultural Internet of Things using Multi-Context Fusion Network towards crop disease recognition in the wild | |
Chen et al. | Classification of drinking and drinker-playing in pigs by a video-based deep learning method | |
Nasiri et al. | Pose estimation-based lameness recognition in broiler using CNN-LSTM network | |
CN107145878A (zh) | 基于深度学习的老人异常行为检测方法 | |
Zhang et al. | Design of sick chicken automatic detection system based on improved residual network | |
CN114496294B (zh) | 一种基于多模态生物识别技术的猪体疾病预警实现方法 | |
Militante | Malaria disease recognition through adaptive deep learning models of convolutional neural network | |
Islam et al. | DeepCrop: Deep learning-based crop disease prediction with web application | |
CN109409209A (zh) | 一种人体行为识别方法与装置 | |
CN110532926A (zh) | 基于深度学习的猪神经性疾病智能测报方法 | |
Qasrawi et al. | Machine learning techniques for tomato plant diseases clustering, prediction and classification | |
CN110363240B (zh) | 一种医学影像分类方法与系统 | |
Sun et al. | Behavior recognition and maternal ability evaluation for sows based on triaxial acceleration and video sensors | |
CN116482155A (zh) | 基于代谢组学的香港牡蛎病害诊断标志物及其筛选方法 | |
Li et al. | Detection of brain abnormalities in Parkinson’s rats by combining deep learning and motion tracking | |
Avanzato et al. | Dairy Cow Behavior Recognition Using Computer Vision Techniques and CNN Networks | |
Banerjee et al. | CNN and SVM-based Model for Effective Watermelon Disease Classification | |
CN111652084B (zh) | 一种异常蛋鸡识别方法及装置 | |
CN117423210B (zh) | 一种护理用病患防跌落智能感应报警系统 | |
KR102601051B1 (ko) | 가축질병 실시간 예찰 기술 및 지능형 방역위생 시스템 | |
Thakur et al. | Digitalization of livestock farms through blockchain, big data, artificial intelligence, and Internet of Things | |
KR102607895B1 (ko) | 스마트 축우 관리 시스템 | |
Shahbaz et al. | A two-stage approach using YOLO for automated assessment of digital dermatitis within Dairy Cattle | |
Suryavanshi et al. | Optimizing Convolutional Neural Networks and Support Vector Machines for Spinach Disease Detection: A Hyperparameter Tuning Study | |
Cum et al. | Machine Learning Models Comparison for Water Stress Detection Based on Stem Electrical Impedance Measurements |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |