CN116584414B - 蛋鸡传染病发展阶段预测系统 - Google Patents

蛋鸡传染病发展阶段预测系统 Download PDF

Info

Publication number
CN116584414B
CN116584414B CN202310872413.8A CN202310872413A CN116584414B CN 116584414 B CN116584414 B CN 116584414B CN 202310872413 A CN202310872413 A CN 202310872413A CN 116584414 B CN116584414 B CN 116584414B
Authority
CN
China
Prior art keywords
laying
laying hens
volatile organic
infectious disease
prediction
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
Application number
CN202310872413.8A
Other languages
English (en)
Other versions
CN116584414A (zh
Inventor
刘羽
余礼根
李奇峰
闫华
高荣华
吴文彪
于沁杨
孙晓冬
任志雨
蒋瑞祥
孟蕊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority to CN202310872413.8A priority Critical patent/CN116584414B/zh
Publication of CN116584414A publication Critical patent/CN116584414A/zh
Application granted granted Critical
Publication of CN116584414B publication Critical patent/CN116584414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0047—Organic compounds
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/20—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Birds (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种蛋鸡传染病发展阶段预测系统，涉及蛋鸡养殖技术领域，系统包括：行车喂料机、数据采集模块和传染病发展预测模块，数据采集模块设置于行车喂料机的一侧，当数据采集模块随行车喂料机运行时，数据采集模块中的红外相机采集鸡舍内不同区域蛋鸡的红外图像，挥发性有机化合物传感器采集鸡舍内不同区域的挥发性有机化合物浓度；传染病发展预测模块用于基于红外图像和挥发性有机化合物浓度确定死亡蛋鸡数量，并基于死亡蛋鸡数量、蛋鸡的产蛋数量以及蛋鸡的总数量确定蛋鸡死淘率和蛋鸡产蛋率，基于蛋鸡死淘率、蛋鸡产蛋率和挥发性有机化合物浓度确定鸡舍内蛋鸡的传染病发展阶段。本发明有效实现了对蛋鸡的传染病发展阶段的自动预测。

Description

蛋鸡传染病发展阶段预测系统
技术领域
本发明涉及蛋鸡养殖技术领域，尤其涉及一种蛋鸡传染病发展阶段预测系统。
背景技术
近年来，禽流感、口蹄疫和瘟疫等传染病对畜禽养殖业构成了严重的威胁。传染病多由病毒、细菌和真菌等引起。疫情暴发和传播迅速，极大地限制和考验了养殖人员的防疫和应对能力，因此对传染病的发展态势进行精确地预警具有重大意义。
已有的动物传染病预测和预警方法主要是基于经典统计和数学方法（如逻辑回归）的发病风险因素或者发病后动物死亡数量的预警模型，忽略了对动物传染病爆发和疾病所处发展阶段的预测，对传染病是否爆发的预警效果不理想，影响养殖人员对传染病发展态势的把握和控制。
而就蛋鸡而言，传染病是对蛋鸡危害性最大的病症，因此，如何实现对蛋鸡的传染病发展阶段自动预测，成为业界亟需解决的问题。
发明内容
针对现有技术存在的问题，本发明提供一种蛋鸡传染病发展阶段预测系统。
第一方面，本发明提供一种蛋鸡传染病发展阶段预测系统，包括：行车喂料机、数据采集模块和传染病发展预测模块，所述数据采集模块设置于所述行车喂料机的一侧，所述数据采集模块与所述传染病发展预测模块通信连接；
所述数据采集模块包括红外相机、挥发性有机化合物传感器和定位装置，当所述数据采集模块随所述行车喂料机在养殖有蛋鸡的鸡舍内运行时，所述红外相机采集所述鸡舍内不同区域蛋鸡的红外图像，所述挥发性有机化合物传感器采集所述鸡舍内不同区域的挥发性有机化合物的浓度，所述定位装置对所述红外相机和所述挥发性有机化合物传感器的采集区域进行定位；
所述传染病发展预测模块用于基于所述红外相机采集的所述红外图像和所述挥发性有机化合物传感器采集的所述挥发性有机化合物的浓度，确定死亡蛋鸡数量，并获取所述鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于所述死亡蛋鸡数量、所述蛋鸡的产蛋数量以及所述蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，基于所述蛋鸡死淘率、所述蛋鸡产蛋率和所述挥发性有机化合物的浓度，确定所述鸡舍内蛋鸡的传染病的发展阶段，所述发展阶段包括初始发病阶段、传播阶段和发病后期阶段。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述传染病发展预测模块具体用于：
将所述红外相机采集的所述红外图像和所述挥发性有机化合物传感器采集的所述挥发性有机化合物的浓度输入预先构建的死鸡盘点模型，获得所述死鸡盘点模型输出的死亡蛋鸡数量；
其中，所述死鸡盘点模型是基于多目标识别网络构建的，并且是基于标注有死亡蛋鸡的红外图像样本和所述红外图像样本对应的采集区域的挥发性有机化合物的浓度样本训练得到的。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述传染病发展预测模块还具体用于：
获取包括预测当天在内的设定累积天数的所述鸡舍内蛋鸡的产蛋数量以及蛋鸡的总数量；
基于所述蛋鸡的产蛋数量、所述蛋鸡的总数量和所述包括预测当天在内的设定累积天数的所述死亡蛋鸡数量，确定蛋鸡死淘率和蛋鸡产蛋率；
将所述蛋鸡死淘率、所述蛋鸡产蛋率和所述挥发性有机化合物的浓度输入至预先构建的蛋鸡传染病发病状态预测模型，获得所述蛋鸡传染病发病状态预测模型输出的所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态；
基于所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态，确定所述鸡舍内蛋鸡的传染病的发展阶段。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述蛋鸡传染病发病状态预测模型是基于极端梯度提升XGBoost分类模型构建的。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述数据采集模块还包括支撑杆，所述支撑杆包括相互垂直连接的一根横杆和一根纵杆，所述横杆能够伸缩，所述纵杆上每间隔预设长度设置有所述红外相机和所述挥发性有机化合物传感器。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述红外相机和所述挥发性有机化合物传感器在所述纵杆上水平设置。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述数据采集模块还包括控制器，所述控制器用于控制所述横杆的伸缩。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述定位装置设置于所述纵杆上，与所述控制器通信连接；
所述控制器具体用于：
在接收到所述定位装置发送的定位识别信号之后，控制所述横杆以所述行车喂料机的运行速度向所述行车喂料机的运行方向的反方向伸出。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述控制器还与所述红外相机和所述挥发性有机化合物传感器通信连接；
所述控制器还用于：
在接收到所述定位装置发送的定位识别信号之后，控制所述红外相机采集所述鸡舍内当前区域蛋鸡的红外图像，并控制所述挥发性有机化合物传感器采集所述鸡舍内当前区域的挥发性有机化合物的浓度。
可选地，根据本发明提供的一种蛋鸡传染病发展阶段预测系统，所述系统还包括显示模块，所述显示模块与所述传染病发展预测模块通信连接；
所述显示模块包括接收器和显示器；
所述接收器用于接收所述传染病发展预测模块发送的目标信息；
所述显示器用于显示所述目标信息；
其中，所述目标信息包括以下至少一项或多项：
所述死亡蛋鸡数量、所述挥发性有机化合物的浓度、所述蛋鸡死淘率、所述蛋鸡产蛋率、所述鸡舍内蛋鸡的传染病的发展阶段。
本发明提供的蛋鸡传染病发展阶段预测系统，通过将数据采集模块设置于行车喂料机的一侧，则数据采集模块随行车喂料机在鸡舍内运行的同时，设置于数据采集模块中的红外相机可以采集鸡舍内不同区域蛋鸡的红外图像，设置于数据采集模块中的挥发性有机化合物传感器可以采集鸡舍内不同区域的挥发性有机化合物浓度，而且，设置于数据采集模块中的定位装置可以对红外相机和挥发性有机化合物传感器的采集区域进行定位，进而传染病发展预测模块通过与数据采集模块的通信，基于红外相机采集的红外图像和挥发性有机化合物传感器采集的挥发性有机化合物浓度，确定死亡蛋鸡数量，并获取鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于死亡蛋鸡数量、蛋鸡的产蛋数量以及蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，进而基于蛋鸡死淘率、蛋鸡产蛋率和挥发性有机化合物浓度确定鸡舍内蛋鸡的传染病发展阶段，有效实现了对蛋鸡的传染病发展阶段的自动预测，填补了蛋鸡传染病发展阶段预测的空白。
附图说明
为了更清楚地说明本发明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是本发明提供的蛋鸡传染病发展阶段预测系统的结构示意图；
图2是本发明提供的蛋鸡传染病发展阶段预测方法的流程示意图；
图3是本发明提供的蛋鸡传染病发病状态预测模型中累积天数筛选示意图；
图4是本发明提供的数据采集模块的结构示意图；
图5是本发明提供的蛋鸡H9N2亚型禽流感流行时长示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
下面结合附图对本发明提供的蛋鸡传染病发展阶段预测系统进行示例性的介绍。
图1是本发明提供的蛋鸡传染病发展阶段预测系统的结构示意图，如图1所示，该系统包括：行车喂料机、数据采集模块和传染病发展预测模块，所述数据采集模块设置于所述行车喂料机的一侧，所述数据采集模块与所述传染病发展预测模块通信连接；
所述数据采集模块包括红外相机、挥发性有机化合物传感器和定位装置，当所述数据采集模块随所述行车喂料机在养殖有蛋鸡的鸡舍内运行时，所述红外相机采集所述鸡舍内不同区域蛋鸡的红外图像，所述挥发性有机化合物传感器采集所述鸡舍内不同区域的挥发性有机化合物（Volatile Organic Compounds，VOCs）的浓度，所述定位装置对所述红外相机和所述挥发性有机化合物传感器的采集区域进行定位；
所述传染病发展预测模块用于基于所述红外相机采集的所述红外图像和所述挥发性有机化合物传感器采集的所述挥发性有机化合物的浓度，确定死亡蛋鸡数量，并获取所述鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于所述死亡蛋鸡数量、所述蛋鸡的产蛋数量以及所述蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，基于所述蛋鸡死淘率、所述蛋鸡产蛋率和所述挥发性有机化合物的浓度，确定所述鸡舍内蛋鸡的传染病的发展阶段，所述发展阶段包括初始发病阶段、传播阶段和发病后期阶段。
具体地，为了克服现有技术忽略了对蛋鸡传染病发展阶段预测的缺陷，本发明通过将数据采集模块设置于行车喂料机的一侧，则数据采集模块随行车喂料机在鸡舍内运行的同时，设置于数据采集模块中的红外相机可以采集鸡舍内不同区域蛋鸡的红外图像，设置于数据采集模块中的挥发性有机化合物传感器可以采集鸡舍内不同区域的挥发性有机化合物浓度，而且，设置于数据采集模块中的定位装置可以对红外相机和挥发性有机化合物传感器的采集区域进行定位，进而传染病发展预测模块通过与数据采集模块的通信，基于红外相机采集的红外图像和挥发性有机化合物传感器采集的挥发性有机化合物浓度，确定死亡蛋鸡数量，并获取鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于死亡蛋鸡数量、蛋鸡的产蛋数量以及蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，进而基于蛋鸡死淘率、蛋鸡产蛋率和挥发性有机化合物浓度确定鸡舍内蛋鸡的传染病发展阶段，有效实现了对蛋鸡的传染病发展阶段的自动预测，填补了蛋鸡传染病发展阶段预测的空白。
可选地，数据采集模块和传染病发展预测模块之间可以是电连接，并通过网线传输数据。
可选地，数据采集模块设置于行车喂料机的一侧，其可以与行车喂料机同步运行。
可以理解的是，本发明实施例提供的蛋鸡传染病发展阶段预测系统的数据采集模块可以随行车喂料机一同运行，大大减小了鸡舍内蛋鸡因受外部设施设备影响而造成的应激反应。
可选地，数据采集模块包括红外相机、挥发性有机化合物传感器和定位装置，当数据采集模块随行车喂料机在养殖有蛋鸡的鸡舍内运行时，红外相机可以采集鸡舍内不同区域蛋鸡的红外图像，挥发性有机化合物传感器可以采集鸡舍内不同区域的挥发性有机化合物的浓度，定位装置可以对红外相机和挥发性有机化合物传感器的采集区域进行定位。
需要说明的是，挥发性有机化合物传感器用于采集鸡舍内不同区域死亡蛋鸡特有的挥发性有机化合物的浓度，挥发性有机化合物传感器可以检测单一化合物浓度，也可以检测多种化合物各自的浓度或总浓度。
需要说明的是，挥发性有机化合物传感器采集的VOCs成分可以根据蛋鸡养殖环境适当调整，本发明实施例对此不作具体限定。
可选地，数据采集模块可以将红外相机采集的红外图像和挥发性有机化合物传感器采集的挥发性有机化合物的浓度发送给传染病发展预测模块，以供传染病发展预测模块基于红外图像和挥发性有机化合物的浓度，确定死亡蛋鸡数量，并获取鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于死亡蛋鸡数量、蛋鸡的产蛋数量以及蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，进而基于蛋鸡死淘率、蛋鸡产蛋率和挥发性有机化合物的浓度，确定鸡舍内蛋鸡的传染病的发展阶段，该发展阶段包括初始发病阶段、传播阶段和发病后期阶段。
可选地，传染病发展预测模块可以自动从蛋鸡养殖场饲养管理数据中心获取鸡舍内的蛋鸡的总数量。
可选地，传染病发展预测模块可以自动向蛋鸡养殖场中的蛋鸡计数设备获取鸡舍内的蛋鸡的产蛋数量。
本发明提供的蛋鸡传染病发展阶段预测系统，通过将数据采集模块设置于行车喂料机的一侧，则数据采集模块随行车喂料机在鸡舍内运行的同时，设置于数据采集模块中的红外相机可以采集鸡舍内不同区域蛋鸡的红外图像，设置于数据采集模块中的挥发性有机化合物传感器可以采集鸡舍内不同区域的挥发性有机化合物浓度，而且，设置于数据采集模块中的定位装置可以对红外相机和挥发性有机化合物传感器的采集区域进行定位，进而传染病发展预测模块通过与数据采集模块的通信，基于红外相机采集的红外图像和挥发性有机化合物传感器采集的挥发性有机化合物浓度，确定死亡蛋鸡数量，并获取鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于死亡蛋鸡数量、蛋鸡的产蛋数量以及蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，进而基于蛋鸡死淘率、蛋鸡产蛋率和挥发性有机化合物浓度确定鸡舍内蛋鸡的传染病发展阶段，有效实现了对蛋鸡的传染病发展阶段的自动预测，填补了蛋鸡传染病发展阶段预测的空白。
可选地，所述传染病发展预测模块具体用于：
将所述红外相机采集的所述红外图像和所述挥发性有机化合物传感器采集的所述挥发性有机化合物的浓度输入预先构建的死鸡盘点模型，获得所述死鸡盘点模型输出的死亡蛋鸡数量；
其中，所述死鸡盘点模型是基于多目标识别网络构建的，并且是基于标注有死亡蛋鸡的红外图像样本和所述红外图像样本对应的采集区域的挥发性有机化合物的浓度样本训练得到的。
具体地，在本发明实施例中，为了实现基于红外相机采集的红外图像和挥发性有机化合物传感器采集的挥发性有机化合物的浓度，确定死亡蛋鸡数量，可以首先基于多目标识别网络预先构建死鸡盘点模型，并基于标注有死亡蛋鸡的红外图像样本和该红外图像样本对应的采集区域的挥发性有机化合物的浓度样本对构建的死鸡盘点模型进行训练，在满足预设的训练条件之后获得训练完成的死鸡盘点模型，进而将红外相机采集的红外图像和挥发性有机化合物传感器采集的挥发性有机化合物的浓度输入训练完成的死鸡盘点模型，即可获得该死鸡盘点模型输出的死亡蛋鸡数量。
可选地，死鸡盘点模型的构建包括如下步骤1-步骤3：
步骤1、采集并标注含有死亡蛋鸡的红外图像，并采集红外图像的采样区域的VOCs浓度，建立死鸡盘点数据集；
步骤2、基于多目标识别算法构建初始死鸡盘点模型，将标注含有死亡蛋鸡的红外图像输入初始死鸡盘点模型进行训练，获得初始死鸡盘点模型输出的死亡蛋鸡数量；
步骤3、通过采样区域死鸡特有的VOCs浓度对死鸡盘点模型的输出结果进行修正，获得训练完成的死鸡盘点模型。
可以理解的是，本发明实施例通过基于多目标识别网络构建死鸡盘点模型，并基于标注有死亡蛋鸡的红外图像样本和红外图像样本对应的采集区域的挥发性有机化合物的浓度样本对死鸡盘点模型进行训练，进而基于训练完成的死鸡盘点模型进行死亡蛋鸡的识别，获得死亡蛋鸡数量，有效实现了对死亡蛋鸡的智能识别。
可选地，所述传染病发展预测模块还具体用于：
获取包括预测当天在内的设定累积天数的所述鸡舍内蛋鸡的产蛋数量以及蛋鸡的总数量；
基于所述蛋鸡的产蛋数量、所述蛋鸡的总数量和所述包括预测当天在内的设定累积天数的所述死亡蛋鸡数量，确定蛋鸡死淘率和蛋鸡产蛋率；
将所述蛋鸡死淘率、所述蛋鸡产蛋率和所述挥发性有机化合物的浓度输入至预先构建的蛋鸡传染病发病状态预测模型，获得所述蛋鸡传染病发病状态预测模型输出的所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态；
基于所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态，确定所述鸡舍内蛋鸡的传染病的发展阶段。
具体地，在本发明实施例中，为了实现基于死亡蛋鸡数量和挥发性有机化合物的浓度，确定鸡舍内蛋鸡的传染病的发展阶段，可以首先基于包括预测当天在内的设定累积天数的鸡舍内蛋鸡的产蛋数量、蛋鸡的总数量和死亡蛋鸡数量，确定蛋鸡死淘率和蛋鸡产蛋率，然后将蛋鸡死淘率、蛋鸡产蛋率和挥发性有机化合物的浓度输入至预先构建的蛋鸡传染病发病状态预测模型，获得蛋鸡传染病发病状态预测模型输出的预测当天的蛋鸡发病状态和预测当天的后一天的蛋鸡发病状态，进而基于预测当天的蛋鸡发病状态和预测当天的后一天的蛋鸡发病状态，确定鸡舍内蛋鸡的传染病的发展阶段。
可选地，可以从蛋鸡养殖场饲养管理数据中心获取蛋鸡的总数量，并向蛋鸡养殖场中的蛋鸡计数设备获取每天的蛋鸡产蛋数，并根据每天的死亡蛋鸡数量、蛋鸡产蛋数和蛋鸡的总数量计算对应天的蛋鸡死淘率和蛋鸡产蛋率，并将设定累积天数的蛋鸡死淘率、蛋鸡产蛋率和VOCs各成分浓度输入预先构建的蛋鸡传染病发病状态预测模型，获得蛋鸡传染病发病状态预测模型输出的预测当天的蛋鸡发病状态和预测当天的后一天的蛋鸡发病状态。
可选地，图2是本发明提供的蛋鸡传染病发展阶段预测方法的流程示意图，如图2所示，包括步骤200-步骤220：
步骤200：获取包含预测当天在内的设定累积天数的鸡舍逐日产蛋率、蛋鸡死淘率和挥发性有机化合物的浓度；
步骤210：将包含预测当天在内的设定累积天数的鸡舍逐日产蛋率、蛋鸡死淘率和挥发性有机化合物的浓度输入至蛋鸡传染病发病状态预测模型，获得所述蛋鸡传染病发病状态预测模型输出的所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态；
步骤220：基于所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态，确定鸡舍内蛋鸡的传染病的发展阶段。
需要说明的是，可以基于蛋鸡传染病类型的不同，训练多种不同的蛋鸡传染病发病状态预测模型，其中，每一种蛋鸡传染病发病状态预测模型预测不同种类的传染病的发病状态。
可选地，所述蛋鸡传染病发病状态预测模型是基于极端梯度提升XGBoost分类模型构建的。
可选地，蛋鸡传染病发病状态预测模型的构建包括如下步骤1-步骤3：
步骤1、获取鸡舍至少3次发生某一特定传染病前后共覆盖3个传染病流行时长（例如，传染病共持续10天，则需要获取发病前10天，发病期间10天，以及康复后10天，共计30天）的相关数据，该相关数据包括每天的蛋鸡产蛋率、蛋鸡死淘率、VOCs各成分浓度等因病而引起变化的数据，并从兽医或养殖人员处获得蛋鸡每天的发病状态（是/否）；
为确定能准确预测未来2天（预测当天和预测当天的后一天）某一特定传染病的发病状态所需的累积数据量，将获取的每次传染病发病前后数据分别按照包括预测当天在内的1、2、3、4、5、6、7、8、9、10、11等累积天数的蛋鸡产蛋率、蛋鸡死淘率和VOCs各成分浓度等数据作为输入因子，以及预测当天和预测第二天（预测当天的后一天）的发病状态（是/否）作为输出因子，整理数据集；
步骤2、基于XGBoost分类模型构建初始的蛋鸡传染病发病状态预测模型，并将步骤1中获取的多次发病数据中不少于2/3次发病的数据作为蛋鸡传染病发病状态预测模型模型的训练集，其余的数据作为蛋鸡传染病发病状态预测模型模型的测试集（例如获取了3次发病数据，其中2次发病数据用作训练集，1次发病数据用作测试集）；
步骤3、将训练集输入至初始构建的蛋鸡传染病发病状态预测模型，期间通过将交叉验证法与网格搜索法结合，以准确率最高为评价标准适配模型的最优参数，获得训练完成的蛋鸡传染病发病状态预测模型，进而将测试集输入训练完成的蛋鸡传染病发病状态预测模型，并计算预测当天和第二天发病状态的准确率和召回率，将准确率和召回率大于90%作为评价标准筛选能准确预测未来2天某一特定传染病的发病状态所需的累积天数和最佳蛋鸡传染病发病状态预测模型。
可选地，可以定期将鸡舍内蛋鸡传染病的真实发病状态与蛋鸡传染病发病状态预测模型输出的发病状态进行对比，如果准确率低于90%，则对蛋鸡传染病发病状态预测模型进行继续训练并更新。
可选地，可以基于蛋鸡传染病发病状态预测模型输出的预测当天的发病状态和预测第二天的发病状态，按照如下表1的判断规则判断鸡舍内蛋鸡的传染病发展阶段，并给出相应的预警等级。
表1 传染病的发展阶段和预警等级确定规则
可选地，图3是本发明提供的蛋鸡传染病发病状态预测模型中累积天数筛选示意图，如图3所示，可以看出蛋鸡传染病发病状态预测模型可以实现对蛋鸡传染病未来2天的发病状态进行自动智能预测。
可选地，所述数据采集模块还包括支撑杆，所述支撑杆包括相互垂直连接的一根横杆和一根纵杆，所述横杆能够伸缩，所述纵杆上每间隔预设长度设置有所述红外相机和所述挥发性有机化合物传感器。
具体地，在本发明实施例中，数据采集模块包括有支撑杆，且该支撑杆包括相互垂直连接的一根横杆和一根纵杆，并且横杆能够伸缩，纵杆上每间隔预设长度设置有一套红外相机和挥发性有机化合物传感器。
以图1中所示的鸡舍中的养殖笼作为示例，可以基于养殖笼的总高度和养殖笼的总层数，确定纵杆上应该每间隔多少长度设置一套红外相机和挥发性有机化合物传感器，即确定红外相机和挥发性有机化合物传感器的采样区域。
可选地，所述红外相机和所述挥发性有机化合物传感器在所述纵杆上水平设置。
具体地，在本发明实施例中，纵杆上对应的每一个纵向位置采样区域处均设有一个红外相机和一个VOCs传感器，红外相机和VOCs传感器设置在同一水平位置上，巡检过程中保证红外相机能够到达采样区域的中心位置。
可选地，所述数据采集模块还包括控制器，所述控制器用于控制所述横杆的伸缩。
可选地，横杆上可以设置有可伸缩导轨，控制器对可伸缩导轨进行控制，以实现横杆的伸缩。
可选地，所述定位装置设置于所述纵杆上，与所述控制器通信连接；
所述控制器具体用于：
在接收到所述定位装置发送的定位识别信号之后，控制所述横杆以所述行车喂料机的运行速度向所述行车喂料机的运行方向的反方向伸出。
具体地，在本发明实施例中，可以在鸡舍养殖区的横向方向每间隔预设距离设置一个定位识别点，当行车喂料机每运行至一个定位识别点处时，设置于行车喂料机一侧的数据采集模块中的定位装置可以识别到该定位识别点，并向控制器发送定位识别信号，在控制器接收到定位装置发送的定位识别信号之后，控制器控制横杆以行车喂料机的运行速度向行车喂料机的运行方向的反方向伸出，然后悬停预设时长，以便红外相机采集该区域的红外图像，以及VOCs传感器采集该区域的VOCs浓度。
可选地，所述控制器还与所述红外相机和所述挥发性有机化合物传感器通信连接；
所述控制器还用于：
在接收到所述定位装置发送的定位识别信号之后，控制所述红外相机采集所述鸡舍内当前区域蛋鸡的红外图像，并控制所述挥发性有机化合物传感器采集所述鸡舍内当前区域的挥发性有机化合物的浓度。
具体地，在本发明实施例中，控制器可以对红外相机和挥发性有机化合物传感器进行控制，在控制器接收到定位装置发送的定位识别信号之后，控制器控制红外相机采集鸡舍内当前区域蛋鸡的红外图像，并控制挥发性有机化合物传感器采集鸡舍内当前区域的挥发性有机化合物的浓度。
可选地，图4是本发明提供的数据采集模块的结构示意图，如图4所示，数据采集模块包括红外相机、挥发性有机化合物传感器、定位装置、支撑杆（包括横杆和纵杆）、可伸缩导轨和控制器。数据采集模块通过固定元件固定在行车喂料机一侧，与行车喂料机同步运行。根据鸡舍养殖区的高度或鸡只纵向分布情况（如养殖笼的总高度、养殖笼的总层数），在鸡舍养殖区的纵向位置划分若干个数据采集模块的采样区域，本发明实施例中将鸡舍纵向分为4个采样区域；根据鸡舍养殖区的长度（如养殖笼的总长度），在鸡舍养殖区的横向位置均匀划分若干个数据采集模块的采样区域，并在纵向位置采样区域任选一个区域，其所对应的每个横向位置采样区域的相同位置均设置定位装置识别点，本实施例中将每1个养殖笼作为1个采样区域，并在每个第3层养殖笼顶部中部设置定位装置识别点。
需要说明的是，纵杆上的定位装置和采样区域的定位装置识别点识别时需要保证红外相机刚好到达采样区域的中心位置；当控制器接收到定位装置的定位识别信号之后，控制器启动，红外相机和挥发性有机化合物传感器开始采样，并控制可伸缩导轨以行车喂料机的运行速度向行车喂料机运行的反方向伸出，保证红外相机和挥发性有机化合物传感器在采样区域中心位置悬停并采样至少2秒，采样停止后，可伸缩导轨缩回，并在到达下一个采样区域中心位置前复原，等待下一个定位装置识别信号。
可选地，红外相机用于获取蛋鸡的红外图像，并可以获取图像中不同位置的温度。
需要说明的是，红外相机使用前先根据养殖笼的大小调整焦距和广角等参数，使相机获取的图像清晰可识别。
假设红外相机在鸡舍养殖区的横向位置第1采样区域获取的纵向红外图像包括，调整相机参数时需要使/>的上下边界满足以下任一要求：（1）边界刚好相连；（2）边界不相连，不相连的图像采样盲区没有鸡只分布；（3）边界在相邻红外相机的采样区内，即相邻红外相机采集的图像有重复位置，重复的位置没有鸡只分布。
假设红外相机在鸡舍养殖区的纵向位置第1采样区域获取的横向红外图像包括，调整相机参数时需要使/>的左右边界满足以下任一要求：（1）边界刚好相连；（2）边界不相连，不相连的图像采样盲区没有鸡只分布；（3）边界在相邻红外相机的采样区内，即相邻红外相机采集的图像有重复位置，重复的位置没有鸡只分布。
可选地，定位装置用于识别横向位置各采样区域的定位装置识别点，获取采样区域的坐标信息，并为可伸缩导轨的伸缩长度提供参考。
可选地，可伸缩导轨的伸出速度（）与行车喂料机的运行速度（）相同，即/>。
可选地，可伸缩导轨的缩回速度（）满足如下式（1）和式（2）：
（1）
（2）
其中，表示可伸缩导轨缩回至复原所需时间；/>表示红外相机和VOCs传感器在采样区域中心位置悬停的采样时长；/>表示相邻的两个定位装置识别点间的距离。
可选地，所述系统还包括显示模块，所述显示模块与所述传染病发展预测模块通信连接；
所述显示模块包括接收器和显示器；
所述接收器用于接收所述传染病发展预测模块发送的目标信息；
所述显示器用于显示所述目标信息；
其中，所述目标信息包括以下至少一项或多项：
所述死亡蛋鸡数量、所述挥发性有机化合物的浓度、所述蛋鸡死淘率、所述蛋鸡产蛋率、所述鸡舍内蛋鸡的传染病的发展阶段。
可选地，显示模块中的接收器可以接收传染病发展预测模块发送的死亡蛋鸡数量、挥发性有机化合物的浓度、鸡舍内蛋鸡的传染病的发展阶段，以及蛋鸡死淘率、蛋鸡产蛋率、蛋鸡发病状态和对应的日期等目标信息。
可选地，可以在接收器上配置有网线接口和USB接口，以便于导出其接收或存储的目标信息。
可选地，显示模块中的显示器可以显示接收器接收到的目标信息。
可选地，显示器可以以红、黄、绿三种颜色的指示灯表示蛋鸡传染病的三种预警等级（高预警、低预警、无）。
可以理解的是，本发明实施例提供的蛋鸡传染病发展阶段预测系统，通过结合数据采集模块和传染病发展预测模块，实现自动巡检、识别鸡舍内蛋鸡死亡数量，并记录蛋鸡死亡数量和位置坐标，不仅为传染病发病状态和发展阶段预测提供生产数据，还有利于养殖人员及时处理死亡蛋鸡；而且，通过构建一个或多个蛋鸡舍每天的蛋鸡产蛋率、蛋鸡死淘率、VOCs各成分浓度等因素同某一特定传染病发病状态（是/否）相关联的蛋鸡传染病发病状态预测模型，只需将确定好的累积天数的逐日蛋鸡产蛋率、蛋鸡死淘率、VOCs各成分浓度等因病导致变化的因素输入至蛋鸡传染病发病状态预测模型，即可快速得到蛋鸡舍内蛋鸡该传染病当天和第二天的发病状态，并根据判断规则确定该传染病的发展阶段，可以快速实现对鸡舍内传染病发病情况和流行态势的把握，节省人力投入，并辅助兽医和养殖人员做好疫病防控和治疗措施调整等工作。
下面通过一个具体实施例介绍如何实现对蛋鸡传染病发展阶段的预测。
本发明实施例以蛋鸡H9N2亚型禽流感为例，方法包括如下步骤1-步骤3：
步骤1、获取鸡舍预测当天（day 1）和预测前一天（day -1）的蛋鸡产蛋率和蛋鸡死淘率。
步骤2、将所述预测当天（day 1）和预测前一天（day -1）的蛋鸡产蛋率和蛋鸡死淘率输入至蛋鸡H9N2亚型禽流感发病状态预测模型，得到所述预测当天（day 1）和预测第二天（day 2）的蛋鸡H9N2亚型禽流感发病状态。
图5是本发明提供的蛋鸡H9N2亚型禽流感流行时长示意图，如图5所示，本发明实施例中，用于训练蛋鸡H9N2亚型禽流感发病状态预测模型的样本集包括3个H9N2亚型禽流感发病蛋鸡舍的发病前、发病中和康复后各一个H9N2亚型禽流感流行时长（经统计约12天），共计36天的蛋鸡产蛋率和蛋鸡死淘率数据，以及从兽医或养殖人员处获得的每天的蛋鸡发病状态（是/否）数据，其中，图5中的1发病率、2发病率和3发病率分别表示鸡舍1蛋鸡的发病率、鸡舍2蛋鸡的发病率和鸡舍3蛋鸡的发病率。
需要说明的是，在建立蛋鸡H9N2亚型禽流感发病状态预测模型之初，需要确定将3个H9N2亚型禽流感发病蛋鸡舍包括发病前、发病中和康复后各一个H9N2亚型禽流感流行时长，共计36天的蛋鸡产蛋率和蛋鸡死淘率数据，以及从兽医或养殖人员处获得每天的发病状态（是/否）输入至极端梯度提升算法的分类模型之中，将交叉验证法与网格搜索法结合实现对模型参数的优化。待优化参数可以包括学习率（learning_rate）、弱学习器的最大迭代次数（n_estimators）、树的最大深度（max_depth）、所需观察的最小权重总和（min_child_weight）、控制叶子节点数量复杂度的系数（gamma）、子样本（subsample）和每个树的随机样本列的比例（colsample_bytree）。
可选地，在预测当天和预测第二天发病状态的准确率和召回率大于90%，接受者操作特性曲线（Receiver Operating Characteristic Curve，ROC）曲线下方的面积大于0.9时，learning_rate优化区间为0.001-0.2，n_estimators优化区间为0-100，max_depth优化区间为1-15，min_child_weight优化区间为1-15，gamma优化区间为0-1，subsample优化区间为0.7-0.9，colsample_bytree优化区间为0.7-0.9，适合的累积天数为2天。
在得到参数优化后的蛋鸡H9N2亚型禽流感发病状态预测模型之后，可以将包含预测当天在内的2天累积逐日蛋鸡产蛋率和蛋鸡死淘率数据输入至蛋鸡H9N2亚型禽流感发病状态预测模型，得到预测当天（day 1）和预测第二天（day 2）H9N2亚型禽流感发病状态。
步骤3，基于预测当天（day 1）和预测第二天（day 2）的H9N2亚型禽流感发病状态，根据表1中的判断规则确定目前蛋鸡舍H9N2亚型禽流感的发展阶段，并确定相应的预警等级。
需要说明的是，上述方法正常投入使用后，可以定期将蛋鸡舍H9N2亚型禽流感的真实发病状态与蛋鸡H9N2亚型禽流感发病状态预测模型输出的发病状态进行对比，如果准确率低于90%，则对蛋鸡H9N2亚型禽流感发病状态预测模型进行继续训练并更新。
本发明提供的蛋鸡传染病发展阶段预测系统，通过将数据采集模块设置于行车喂料机的一侧，则数据采集模块随行车喂料机在鸡舍内运行的同时，设置于数据采集模块中的红外相机可以采集鸡舍内不同区域蛋鸡的红外图像，设置于数据采集模块中的挥发性有机化合物传感器可以采集鸡舍内不同区域的挥发性有机化合物浓度，而且，设置于数据采集模块中的定位装置可以对红外相机和挥发性有机化合物传感器的采集区域进行定位，进而传染病发展预测模块通过与数据采集模块的通信，基于红外相机采集的红外图像和挥发性有机化合物传感器采集的挥发性有机化合物浓度，确定死亡蛋鸡数量，并获取鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于死亡蛋鸡数量、蛋鸡的产蛋数量以及蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，进而基于蛋鸡死淘率、蛋鸡产蛋率和挥发性有机化合物浓度确定鸡舍内蛋鸡的传染病发展阶段，有效实现了对蛋鸡的传染病发展阶段的自动预测，填补了蛋鸡传染病发展阶段预测的空白。
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 (9)

1.一种蛋鸡传染病发展阶段预测系统，其特征在于，包括：行车喂料机、数据采集模块和传染病发展预测模块，所述数据采集模块设置于所述行车喂料机的一侧，所述数据采集模块与所述传染病发展预测模块通信连接；
所述数据采集模块包括红外相机、挥发性有机化合物传感器和定位装置，当所述数据采集模块随所述行车喂料机在养殖有蛋鸡的鸡舍内运行时，所述红外相机采集所述鸡舍内不同区域蛋鸡的红外图像，所述挥发性有机化合物传感器采集所述鸡舍内不同区域的挥发性有机化合物的浓度，所述定位装置对所述红外相机和所述挥发性有机化合物传感器的采集区域进行定位；
所述传染病发展预测模块用于基于所述红外相机采集的所述红外图像和所述挥发性有机化合物传感器采集的所述挥发性有机化合物的浓度，确定死亡蛋鸡数量，并获取所述鸡舍内的蛋鸡的产蛋数量以及蛋鸡的总数量，基于所述死亡蛋鸡数量、所述蛋鸡的产蛋数量以及所述蛋鸡的总数量，确定蛋鸡死淘率和蛋鸡产蛋率，基于所述蛋鸡死淘率、所述蛋鸡产蛋率和所述挥发性有机化合物的浓度，确定所述鸡舍内蛋鸡的传染病的发展阶段，所述发展阶段包括初始发病阶段、传播阶段和发病后期阶段；
所述传染病发展预测模块还具体用于：
获取包括预测当天在内的设定累积天数的所述鸡舍内蛋鸡的产蛋数量以及蛋鸡的总数量；
基于所述蛋鸡的产蛋数量、所述蛋鸡的总数量和所述包括预测当天在内的设定累积天数的所述死亡蛋鸡数量，确定蛋鸡死淘率和蛋鸡产蛋率；
将所述蛋鸡死淘率、所述蛋鸡产蛋率和所述挥发性有机化合物的浓度输入至预先构建的蛋鸡传染病发病状态预测模型，获得所述蛋鸡传染病发病状态预测模型输出的所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态；
基于所述预测当天的蛋鸡发病状态和所述预测当天的后一天的蛋鸡发病状态，确定所述鸡舍内蛋鸡的传染病的发展阶段。
2.根据权利要求1所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述传染病发展预测模块具体用于：
将所述红外相机采集的所述红外图像和所述挥发性有机化合物传感器采集的所述挥发性有机化合物的浓度输入预先构建的死鸡盘点模型，获得所述死鸡盘点模型输出的死亡蛋鸡数量；
其中，所述死鸡盘点模型是基于多目标识别网络构建的，并且是基于标注有死亡蛋鸡的红外图像样本和所述红外图像样本对应的采集区域的挥发性有机化合物的浓度样本训练得到的。
3.根据权利要求1所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述蛋鸡传染病发病状态预测模型是基于极端梯度提升XGBoost分类模型构建的。
4.根据权利要求1所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述数据采集模块还包括支撑杆，所述支撑杆包括相互垂直连接的一根横杆和一根纵杆，所述横杆能够伸缩，所述纵杆上每间隔预设长度设置有所述红外相机和所述挥发性有机化合物传感器。
5.根据权利要求4所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述红外相机和所述挥发性有机化合物传感器在所述纵杆上水平设置。
6.根据权利要求4所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述数据采集模块还包括控制器，所述控制器用于控制所述横杆的伸缩。
7.根据权利要求6所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述定位装置设置于所述纵杆上，与所述控制器通信连接；
所述控制器具体用于：
在接收到所述定位装置发送的定位识别信号之后，控制所述横杆以所述行车喂料机的运行速度向所述行车喂料机的运行方向的反方向伸出。
8.根据权利要求7所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述控制器还与所述红外相机和所述挥发性有机化合物传感器通信连接；
所述控制器还用于：
在接收到所述定位装置发送的定位识别信号之后，控制所述红外相机采集所述鸡舍内当前区域蛋鸡的红外图像，并控制所述挥发性有机化合物传感器采集所述鸡舍内当前区域的挥发性有机化合物的浓度。
9.根据权利要求1-8任一项所述的蛋鸡传染病发展阶段预测系统，其特征在于，所述系统还包括显示模块，所述显示模块与所述传染病发展预测模块通信连接；
所述显示模块包括接收器和显示器；
所述接收器用于接收所述传染病发展预测模块发送的目标信息；
所述显示器用于显示所述目标信息；
其中，所述目标信息包括以下至少一项或多项：
所述死亡蛋鸡数量、所述挥发性有机化合物的浓度、所述蛋鸡死淘率、所述蛋鸡产蛋率、所述鸡舍内蛋鸡的传染病的发展阶段。
CN202310872413.8A 2023-07-17 2023-07-17 蛋鸡传染病发展阶段预测系统 Active CN116584414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310872413.8A CN116584414B (zh) 2023-07-17 2023-07-17 蛋鸡传染病发展阶段预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310872413.8A CN116584414B (zh) 2023-07-17 2023-07-17 蛋鸡传染病发展阶段预测系统

Publications (2)

Publication Number Publication Date
CN116584414A CN116584414A (zh) 2023-08-15
CN116584414B true CN116584414B (zh) 2024-03-01

Family

ID=87594060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310872413.8A Active CN116584414B (zh) 2023-07-17 2023-07-17 蛋鸡传染病发展阶段预测系统

Country Status (1)

Country Link
CN (1) CN116584414B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107549049A (zh) * 2017-09-28 2018-01-09 中北大学 一种笼养鸡健康状况自动化监测装置
CN108597618A (zh) * 2018-04-20 2018-09-28 杭州恒生数字设备科技有限公司 一种具有自动学习功能的流感预测摄像机
CN112802603A (zh) * 2021-02-04 2021-05-14 北京深演智能科技股份有限公司 预测流感程度的方法和装置
CN116420650A (zh) * 2023-03-24 2023-07-14 张千里 基于大数据技术的家畜智能化养殖管理系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7062652B2 (ja) * 2016-07-29 2022-05-06 ノヴァトランス グループ ソシエテ アノニム 鶏胚の卵内雌雄鑑別システムおよび方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107549049A (zh) * 2017-09-28 2018-01-09 中北大学 一种笼养鸡健康状况自动化监测装置
CN108597618A (zh) * 2018-04-20 2018-09-28 杭州恒生数字设备科技有限公司 一种具有自动学习功能的流感预测摄像机
CN112802603A (zh) * 2021-02-04 2021-05-14 北京深演智能科技股份有限公司 预测流感程度的方法和装置
CN116420650A (zh) * 2023-03-24 2023-07-14 张千里 基于大数据技术的家畜智能化养殖管理系统及方法

Also Published As

Publication number Publication date
CN116584414A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
Wang et al. Real-time behavior detection and judgment of egg breeders based on YOLO v3
Subedi et al. Tracking floor eggs with machine vision in cage-free hen houses
CN104077550B (zh) 一种实现动物行为监测的健康指数评价的方法及系统
CN103404447B (zh) 采集用于建立肉鸡生活环境舒适性评价模型数据的方法和专用装置
CN108344480B (zh) 一种家禽自动称重方法及系统
CN110728259A (zh) 一种基于深度图像的鸡群体重监测系统
CN114037552B (zh) 一种肉鸭生理生长信息巡检方法及系统
Bist et al. Mislaying behavior detection in cage-free hens with deep learning technologies
CN111709333A (zh) 基于笼养鸡异常粪便的溯源预警系统及健康监测方法
Icken et al. Higher precision level at individual laying performance tests in noncage housing systems
CN110910067A (zh) 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统
CN108829762A (zh) 基于视觉的小目标识别方法和装置
CN115508357A (zh) 一种基于区域生态系统多样性研究的监测系统
CN116584414B (zh) 蛋鸡传染病发展阶段预测系统
Dennis et al. The behaviour of commercial broilers in response to a mobile robot
KR20200115382A (ko) 가금류 개체 중량 자동 측정 장치
CN106614071B (zh) 一种母猪产前行为监测系统以及方法
CN207688841U (zh) 羊发育信息采集装置
CN113743261A (zh) 一种猪体外伤的检测方法、装置和可读存储介质
CN117029904A (zh) 一种智能化笼养家禽巡检系统
CN117237878A (zh) 一种蛋鸡生产性能评估装置、方法、系统及电子设备
CN112801118B (zh) 基于人工智能和大数据的肉猪出栏效益评估系统及方法
CN113159125B (zh) 一种施药方法及系统
JP7228171B2 (ja) 放牧動物管理システム
Wang et al. An image-assisted rod-platform weighing system for weight information sampling of broilers

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