论文翻译：基于深度卷积神经网络的肉鸡粪便识别与分类

Recognition and Classification of Broiler Droppings Based on Deep Convolutional Neural Network

基于深度卷积神经网络的肉鸡粪便识别与分类

在这里插入图片描述
消化系统疾病是肉鸡养殖中常见的疾病之一，严重影响肉鸡生产和动物福利。粪便检查和观察是最精确的技术，以检测发生的消化疾病感染鸟类。本研究提出一种基于深度卷积神经网络模型的肉鸡消化疾病自动检测仪，将异常肉鸡细粒粪便图像(形状、颜色、含水量、形状与水)分为正常和异常。研究人员收集了10000只25-35日龄罗斯肉鸡的粪便图像，这些鸡被饲养在带有自动粪便传送带的多层笼子里。为了比较，我们开发了Faster R-CNN和YOLO-V3深度卷积神经网络。通过优化锚箱，提高了YOLO-V3的性能。更快的R-CNN在测试数据集上实现了99.1%的查全率和93.3%的平均精度，而YOLO-V3在测试数据集上实现了88.7%的查全率和84.3%的平均精度。通过对鸡粪的自动、非侵入式识别和分类，为肉鸡生产中消化道疾病的检测提供技术支持。

1.引言

畜牧业生产约占全球农业国内生产总值的50%。此外，它是130多万发展中国家人民的生计之源。由于全球人口不断增长，预计到2050年，全球动物产品的消费将增长70%。为满足日益增长的动物性蛋白质需求，引进了规模化规模化的畜牧业。目前，中国规模化、集约化养殖动物3.35亿多只，肉、奶年产量分别为3.029亿吨和7.98亿吨。牲畜大规模生产的主要限制因素是病害的发生，病害对生产经济、食品安全和生物安全都有灾难性的影响。本研究以肉鸡为研究对象，肉鸡是全球白肉生产的主要贡献者。家禽生产中的主要疾病之一是消化疾病，如球虫病、传染性法氏囊病、副伤寒、蠕虫病和溃疡性肠炎等。检测这些家禽疾病发生的最常用技术是目视观察和声音区分[7]。然而，这种技术耗时、主观、劳动密集型，而且常常不能提供[8]的早期检测。随着计算机视觉系统的发展，对病禽的计算机疾病诊断和检测已在若干研究中得到报道。Zhuang[7]等人通过图像处理对肉鸡患病早期进行骨骼分析。此外，庄和张[8]还报道了一种基于深度学习技术的肉鸡病检器。然而，通过图像处理和深度学习对鸡粪进行分析来检测病禽尚无文献报道。不同的家禽疾病几乎有相同的症状。因此，很难通过鸡的姿势和良好的观察来诊断一种特定的疾病。此外，声音识别技术在群体设置中是非常不可行的。鸡的粪便的颜色、形状和质地取决于饮食、一年的时间、鸡的种类，和健康。鸟类每天排便超过12次。因此，任何变化都可以实时检测到。因此，粪便检查是检测消化道异常[6]最有效的技术。正常的鸡粪通常是棕色的，表面有一层白色。然而，根据它们的饮食习惯，粪便也会有不同的质地和颜色。Damerow[6]的鸡健康手册介绍了常见消化疾病和饲料对鸡粪便的影响。绿色的粪便可能是由肠道蠕虫、马立克氏病或禽流感引起的，但也可能是由富含蔬菜、草药、草、杂草和各种植物的饮食引起的。黄色的粪便可能是球虫病、肠道蠕虫或肾脏疾病的结果，但也可能是由于摄入了一些食物，如连翘花、草莓或西红柿和玉米。黑色的粪便可能是内出血或摄入木灰、木炭和黑浆果的结果。棕色液体粪便可能是由大肠杆菌感染或呼吸系统感染，如支气管炎引起的。然而，摄取高液体含量的食物也会发生这种情况。白色或高液体的粪便可由泄殖腔感染、风丛、肾脏损伤、压力和内部疾病引起。然而，也可能是由于摄入了比正常量更多的水。最后，橙色或红色的粪便可能是由于球虫病、铅中毒和肠壁肿胀或炎症。在集约化生产中，鸟类以标准饮食为食，粪便的变化很容易被发现。卷积神经网络(Convolutional Neural Networks, CNN)由于其优越的性能，已成为目标识别领域的热门技术。CNN的几种网络结构已经应用于对象识别和分类，如AlexNet[10]、VGG和ResNet[11]。卷积神经网络(CNN)由于其优越的性能已被应用于解决图像或视频中的视觉目标识别问题。Faster R-CNN和yalo - v3是两种性能优越的CNN网络，它们具有检测精度高、检测速度快的优点[12,13]。Faster R-CNN是Fast R-CNN的改进版。它执行四步目标检测，即区域提议、特征提取、分类和回归[14]。该算法采用了区域提议网络(RPN)，提高了算法的精度和速度。YOLO-V3将分类和定位结合成任务识别目标，将整个图像作为感兴趣区域。结合三尺度预测的特征交互层，采用FPN算法融合不同尺度的特征，提高小目标对象的检测效果。目前，CNN也已经应用于智能农业的多个领域。Zhuang和Zhang[8]采用基于改进特征融合单点多盒检测器(IFFSSD)的CNN对患病肉鸡进行检测，Zheng等[15]应用SBDA-DL实时检测母猪行为。Tian等人[16]使用YOLO-V3检测不同生长周期的果园苹果。

论文翻译：基于深度卷积神经网络的肉鸡粪便识别与分类