楊君艷，孫瑞志，※，靳晨鵬，尹寶全

（1. 中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083；2. 中國農(nóng)業(yè)大學(xué)煙臺研究院，山東 煙臺 264670）

0 引言

改革開放以來，我國雞蛋產(chǎn)量不斷上升，1985年超越美國，位居世界第一，并持續(xù)至今。目前我國蛋雞產(chǎn)業(yè)經(jīng)歷了快速增長期，正處于加速轉(zhuǎn)型高質(zhì)量發(fā)展的關(guān)鍵期，提升蛋雞健康水平是關(guān)鍵。

禽類腸道性疾病發(fā)病率高、檢測困難，蛋雞的腸道健康水平嚴(yán)重影響著其生產(chǎn)性能和雞蛋的品質(zhì)，蛋雞的腸道疾病多發(fā)于60～120 日齡之間。目前家禽疾病的初步診斷主要依靠獸醫(yī)對雞的姿態(tài)、雞冠、糞便、聲音的觀察來實現(xiàn)。人工觀察需要大量的人員定期檢查雞舍，并且家禽疾病診斷的速度和精度主要取決于飼養(yǎng)者的經(jīng)驗和知識，整個過程耗時耗力，甚至無法及時發(fā)現(xiàn)雞群的疾病?；寄c道疾病的禽類的病理糞便在顏色、形狀和質(zhì)地上有所不同，主要分為稀便、綠便和血便［1-2］。其中稀便可能是雛雞白痢、痛風(fēng)、腎型傳支或傳染性法氏囊病的癥狀；綠便可能是新城疫、流感或細(xì)菌性疾病的癥狀；血便可能是盲腸球蟲病、壞死性腸炎或腸毒綜合癥的癥狀。糞便檢查是檢測消化道異常的有效方式。

隨著畜禽業(yè)的發(fā)展，畜禽養(yǎng)殖規(guī)模逐步擴大，為了防止畜禽疾病加重和擴散傳播導(dǎo)致更大的經(jīng)濟損失，集約化的養(yǎng)殖方式更加注重疾病的早期預(yù)防和及時發(fā)現(xiàn)。為了實現(xiàn)畜禽養(yǎng)殖的可持續(xù)化發(fā)展，近幾年大量的學(xué)者利用計算機技術(shù)，采用不同的方法診斷疾病。目前，基于計算機技術(shù)對家禽疾病智能診斷方法主要集中于聲紋特征、姿態(tài)特征、雞冠特征和糞便特征的提取上。

對于聲紋的研究，曹晏飛等［3］運用LabVIEW軟件提取蛋雞叫聲和環(huán)控系統(tǒng)噪聲的功率譜密度，把子帶功率比作為特征向量，應(yīng)用決策樹算法實現(xiàn)對蛋雞的鳴唱聲、產(chǎn)蛋聲和環(huán)控系統(tǒng)噪聲的分類。Sadeghi 等［4］采集感染產(chǎn)氣莢膜梭菌的病雞的叫聲，提出使用Fisher判別法選擇特征，將34個聲音樣本數(shù)據(jù)輸入單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對信號進行檢測，并對健康和不健康的雞進行分類。測試發(fā)現(xiàn)，對發(fā)病后2 d和發(fā)病后5 d的雞的識別精度分別是66.6%和100%。基于在大規(guī)?；\養(yǎng)的情況下，識別蛋雞聲音的方法無法實現(xiàn)精準(zhǔn)的疾病預(yù)警，杜曉東等［5］利用2D-Gabor濾波器提取蛋雞聲音的聲譜圖紋理特征，采用人工神經(jīng)網(wǎng)絡(luò)對雞的產(chǎn)蛋叫聲、應(yīng)激叫聲、鳴叫聲進行識別。張鐵民等［6］為了有效防止禽流感擴散，將環(huán)境中的聲音進行去除，經(jīng)過T-S神經(jīng)網(wǎng)絡(luò)訓(xùn)練，提取出家禽音頻，然后使用模糊神經(jīng)網(wǎng)絡(luò)對雞叫的音頻特征進行分析。該研究可以有效的對雞的聲音進行分析，為大規(guī)模養(yǎng)殖戶提供了非接觸式的禽流感監(jiān)測方法。

針對基于聲紋特征的方法無法應(yīng)用在集約化養(yǎng)殖場景中的狀況，莊曉玲等［7］通過采集肉雞姿態(tài)圖像，提取健康雞和患病雞的姿態(tài)特征，然后進行分類，該方法對測試樣本的準(zhǔn)確率達(dá)到99.4%。同時通過改進目標(biāo)檢測模型，實現(xiàn)了患病肉雞實時識別預(yù)警。Luyl-Da等［8］使用VGG和ResNet網(wǎng)絡(luò)，根據(jù)雞只的姿態(tài)特征，對患有禽痘、傳染性喉氣管炎的病雞進行分類，準(zhǔn)確率僅達(dá)到75%，識別準(zhǔn)確率有待提升。Akomolafe等［9］對患有新城疫和禽流感的病雞進行姿態(tài)特征提取，通過數(shù)字成像技術(shù)和機器學(xué)習(xí)算法提升了模型的準(zhǔn)確率和泛化能力。目前，通過姿態(tài)判斷的疾病種類較少，且無法解決籠養(yǎng)情況下的雞重疊問題。

針對常見的雞痘病的檢測，Hemalatha 等［10］利用中值濾波法對雞冠照片去噪，采用灰度共生矩陣提取雞冠的紋理特征，計算雞冠的均值、標(biāo)準(zhǔn)差，應(yīng)用支持向量機和極限學(xué)習(xí)機方法實現(xiàn)對患雞痘病雞的實時識別。李亞碩等［11］針對雞舍較暗的場景，對圖像進行了Otsu分割，使用SVM分類器自動檢測病雞，該方法考慮了雞舍光照的實際情況。由于目前集約化養(yǎng)殖中大量使用層疊式的雞籠，拍攝的照片中存在雞冠重疊的情況，因此該方法難以實際應(yīng)用到雞舍。

針對基于聲紋特征和基于姿態(tài)特征的方法無法應(yīng)用到集約化養(yǎng)殖場景的缺陷，王錦濤等［12］采集制作了肉雞糞便數(shù)據(jù)集，將糞便分類為正常、形狀異常、顏色異常、水分異常和形狀水分異常5類，使用改進后的YOLO-V3神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了雞病的分類。然而該方法在測試集上的準(zhǔn)確率僅有84.3%。Hope等［13］使用監(jiān)督學(xué)習(xí)算法，根據(jù)具體雞病的病理糞便預(yù)測了球蟲病和沙門氏菌病兩個疾病類別，訓(xùn)練的模型達(dá)到了94%的準(zhǔn)確度。該實驗主要針對肉雞的疾病進行分類，實現(xiàn)的疾病分類種類較少，模型精度較低。朱俊輝等［14］提出了一種基于機器視覺在線監(jiān)測的雞糞圖像識別方法，對雞的健康狀況進行初步判斷。該方法首先對在線采集的雞糞圖像進行預(yù)處理，通過顏色提取算法、檢測和提取異常區(qū)域輪廓、計算面積比、與預(yù)先設(shè)置的閾值進行比較的步驟，對異常雞糞進行初步判斷；然后采用模塊匹配算法，對樣本與待測圖像的灰度特征進行分析比較，進一步判斷雞糞是否正常。

綜上所述，在過去的研究中，對于家禽聲紋、姿態(tài)、雞冠特征的研究集中于異常病雞的篩選研究上，難以實現(xiàn)多種疾病的分類識別，且無法應(yīng)用在密集的籠養(yǎng)環(huán)境中?；陔u糞便特征開展腸道疾病智能化診斷的研究，近幾年開始受到關(guān)注?，F(xiàn)有的通過雞的病理糞便進行疾病分類的研究中，存在分類準(zhǔn)確率低、疾病分類種類較少、使用傳統(tǒng)機器學(xué)習(xí)方法進行實驗的現(xiàn)狀。文章自建了蛋雞糞便數(shù)據(jù)集，利用計算機深度學(xué)習(xí)技術(shù)構(gòu)建了一個基于多尺度卷積的蛋雞腸道疾病識別網(wǎng)絡(luò)VGG-MSC，實現(xiàn)了對雞腸道疾病的智能診斷。根據(jù)患腸道疾病蛋雞的糞便特征，對異常病雞進行篩選，并根據(jù)疾病進行分類。有利于及早發(fā)現(xiàn)并預(yù)防蛋雞患病狀況，推動蛋雞產(chǎn)業(yè)持續(xù)健康高質(zhì)量發(fā)展。

1 數(shù)據(jù)采集與預(yù)處理

1.1 圖像采集

該文在多位專業(yè)獸醫(yī)的指導(dǎo)下，將蛋雞的糞便按照顏色及稀釋程度分為4類，分別是正常糞便、稀便、綠便、血便。采集的原始圖像如圖1所示。其中稀便可能是飼料含鹽量太高，雞大量飲水導(dǎo)致，也可能是外界溫度過高導(dǎo)致；綠便可能是雞霍亂或者炎癥導(dǎo)致；血便是雞患有盲腸球蟲病或者腸毒綜合癥等的表現(xiàn)。實驗根據(jù)不同的病理糞便，對蛋雞的腸道疾病進行初步診斷。目前尚未有公開的畜禽糞便數(shù)據(jù)集，數(shù)據(jù)集的質(zhì)量對于深度學(xué)習(xí)方法的精度具有關(guān)鍵性影響。通過實地考察發(fā)現(xiàn)雞籠正下方的糞便遮擋嚴(yán)重，并且拍照容易引起雞的應(yīng)激反應(yīng)。為了采集到清晰未遮擋的糞便照片，該文在層疊式H型雞籠下的糞便傳送帶的末端，使用手持IQOO7方法采集蛋雞糞便照片，制作用于蛋雞腸道疾病識別的數(shù)據(jù)集，采集位置和傳送帶控制系統(tǒng)如圖2所示。

圖1 采集原始圖像Fig.1 Acquire raw images

圖2 圖像采集位置和傳送帶系統(tǒng)Fig.2 Image acquisition location and conveyor system

圖像采集地點為安徽省宿州市某生態(tài)農(nóng)場，該雞舍中養(yǎng)殖的是60～120 日齡的產(chǎn)蛋雞。由于實際養(yǎng)殖過程中，產(chǎn)生的糞便過多時會出現(xiàn)糞便層疊現(xiàn)象，所以數(shù)據(jù)采集時間選取在清糞后的半小時。通過養(yǎng)雞場的自動化清糞系統(tǒng)轉(zhuǎn)動傳送帶，使用IQOO7拍攝數(shù)據(jù)圖片，其主攝為索尼IMX598 傳感器，分辨率為4000×2252 像素，共采集了2 412 張蛋雞糞便圖像。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 圖像尺寸調(diào)整

由于采集的圖像的尺寸過大，直接輸入卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練會造成過大的計算量，并需要性能很強的硬件設(shè)備，且訓(xùn)練時間過長，無法較好的分析網(wǎng)絡(luò)的性能。輸入過大尺寸的圖像，模型會學(xué)習(xí)到更多的冗余特征，不能較好的反應(yīng)圖像的抽象特征。為了尋求最優(yōu)的輸入特征尺寸，已經(jīng)有很多學(xué)者在大量的對比實驗中發(fā)現(xiàn)，采用224×224作為輸入圖像分辨率時，網(wǎng)絡(luò)的性能最優(yōu)。若將4000×2252像素的圖像直接縮小為224×224 像素會導(dǎo)致圖像發(fā)生變形，從而影響模型的分類效果。因此，為了解決圖像尺寸過大和直接縮放會導(dǎo)致圖像變形的問題，采取裁剪后縮放的策略，即先將待識別的糞便裁剪為正方形，再利用線性插值法將圖像處理為224×224像素的圖像。最終輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行糞便特征提取和分類。具體的流程如圖3所示。

圖3 調(diào)整圖像尺寸Fig.3 Adjust image size

1.2.2 數(shù)據(jù)增廣和數(shù)據(jù)平衡

為了進一步提升模型預(yù)測的魯棒性，該文對采集的數(shù)據(jù)進行數(shù)據(jù)增強。操作有隨機縮放：將采集到的糞便圖像進行隨機的放大或者縮小。隨機旋轉(zhuǎn)：對拍攝的圖像進行隨機旋轉(zhuǎn)，模擬不同角度的拍攝情況。隨機移位：沿橫向或縱向移動圖像，模擬糞便位于圖像的不同位置。添加噪聲：在數(shù)據(jù)集中添加高斯噪聲，讓訓(xùn)練出的模型有更好的泛化能力。隨機翻轉(zhuǎn)：對圖像進行水平垂直方向的隨機翻轉(zhuǎn)。

由于采集的血便和綠便數(shù)據(jù)較少，導(dǎo)致糞便數(shù)據(jù)集具有不均衡性，所以在數(shù)據(jù)預(yù)處理階段通過過采樣方法去掉部分正常糞便和稀便的數(shù)據(jù)。過采樣處理后的圖像總數(shù)為1 834幅，實驗將數(shù)據(jù)集按照6∶2∶2的比例劃分為訓(xùn)練集、驗證集和測試集，數(shù)據(jù)集的具體劃分如表1所示。再將訓(xùn)練集進行數(shù)據(jù)增強，最終獲得5 128幅圖像。

表1 數(shù)據(jù)集劃分Table1 Division of data

2 研究方法

2.1 基于多尺度神經(jīng)網(wǎng)絡(luò)的識別模型

VGG16的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，它是由5層卷積層、3層全連接層構(gòu)成，且每層卷積層間以及卷積層與全連接層間由最大池連接，最后一層是softmax 輸出層。以層為單位，卷積層的特征通道數(shù)由64 開始，依次翻倍，直到512 個通道數(shù)。3 個全連接層的特征通道數(shù)依次是4 096、4 096、1 000。所以VGG16 中每層的特征通道數(shù)依次為64、128、256、512、512、4 096、4 096、1 000。VGG16網(wǎng)絡(luò)中，13層卷積層用來特征提取，最后的3層全連接層負(fù)責(zé)分類任務(wù)。

圖4 VGG16的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structural diagram of VGG16

VGG16 具有結(jié)構(gòu)簡潔、容易拓展、遷移性強的優(yōu)點，但其參數(shù)量大、精確度低，為了解決此問題，該文在VGG16 網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，進行如下改進，改進后的模型結(jié)構(gòu)圖如圖5 所示。先將VGG16 的全連接層替換為全局平均池化層［15］，降低模型的參數(shù)量，然后引入多尺度卷積并在多尺度卷積層后邊加入壓縮激發(fā)（Squeeze and Excitation，SE）模塊。該文將該模型稱為VGG-MSC 模型。其中多尺度卷積層包含3×3 和5×5 的卷積核，得到包含不同圖像信息的特征圖。由于卷積過程中采用補零操作，所以這些特征圖尺寸一樣，將這些特征圖進行融合，得到更多圖像信息。VGG-MSC 網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖5 VGG-MSC的網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structural diagram of VGG-MSC

圖6 VGG-MSC網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Network structure of VGG-MSC

全局平均池化層的作用：為最后一個最大池層中的分類任務(wù)的每個對應(yīng)類別生成一個特征映射，取每個特征圖的平均值，得到的向量直接被饋送到softmax層。全局平均池有兩個優(yōu)點，一是它通過加強特征映射和類別之間的通信更適合卷積結(jié)構(gòu)，這樣特征映射可以很容易地解釋為類別置信映射。二是在全局平均池中沒有參數(shù)要優(yōu)化，因此在這一層可避免過擬合。此外，全局平均池對空間信息進行了匯總，因此對輸入的空間轉(zhuǎn)換具有更強的魯棒性。

SE模塊主要是為了加入通道注意力機制，模仿人在觀察事物時的注意力特征，對圖像中的特征進行加權(quán)，讓分類器更好的注意到關(guān)鍵位置并進行分類。

SE 模塊主要包含壓縮（Squeeze）和激勵（Excitation）兩部分［16］。假設(shè)輸入特征圖的大小為W×H×C，其中W、H表示特征圖的寬和高，C表示通道數(shù)。壓縮就是使用全局平均池化將特征圖變?yōu)?×1×C的向量。激勵就是利用全連接層對向量中的不同通道進行加權(quán)，加權(quán)之后的向量仍然為1×1×C，然后對原來的特征圖進行Scale操作，這樣操作之后得到輸出結(jié)果的特征向量和輸入的特征向量都為W×H×C，如圖7所示。

圖7 SE模塊Fig.7 SE module

SE模塊可以插入在網(wǎng)絡(luò)結(jié)構(gòu)的任意位置，但是過多的SE模塊會導(dǎo)致計算量的增大，該文將該模塊分別插入到網(wǎng)絡(luò)輸入端、多尺度卷積前、多尺度卷積后和網(wǎng)絡(luò)輸出端進行實驗，實驗結(jié)果表明，當(dāng)SE模塊插入到多尺度卷積的后端效果是最好的。通過使用通道注意力機制為信息量多的通道添加更大的權(quán)值，讓模型有更好的效果。VGG-MSC網(wǎng)絡(luò)中的SE模塊在激勵操作中的兩個激活函數(shù)分別是ReLU和Sigmoid，為了權(quán)衡精度和模型尺寸，SERadio取1/16。

2.2 模型訓(xùn)練

2.2.1 訓(xùn)練平臺

該文的實驗平臺為AMD Ryzen? 7 4800H CPU，測試軟件環(huán)境為Windows10，分類模型由Python3.8、深度學(xué)習(xí)框架Tensorflow2.0 和GPU （NVIDIA GeForce RTX 2060）訓(xùn)練。

2.2.2 訓(xùn)練參數(shù)

根據(jù)不同超參數(shù)的特點，為保證模型在訓(xùn)練過程中能夠較好的收斂，該文選取批大小為16、32、64，損失函數(shù)選擇多分類任務(wù)中常用的交叉熵?fù)p失函數(shù)，優(yōu)化器選擇SGD、RMSProp、Adam，初始學(xué)習(xí)率選擇0.1、0.001、0.000 1。經(jīng)過多次對比實驗，選擇最優(yōu)的超參數(shù)設(shè)置（表2）。該文實驗將Adam 的初始學(xué)習(xí)率設(shè)置為0.000 1。為了兼顧學(xué)習(xí)效率和后期學(xué)習(xí)的穩(wěn)定性，采用學(xué)習(xí)率分段衰減策略，訓(xùn)練前1 500個iteration時，學(xué)習(xí)率為0.000 1；1 500到4 000個iteration 時，學(xué)習(xí)率為0.000 01；4 000個iteration 后學(xué)習(xí)率為0.000 001。

表2 參數(shù)設(shè)置Table2 Parameter settings

3 結(jié)果分析

3.1 評價標(biāo)準(zhǔn)

對于模型的評價采用評價指標(biāo)準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1值（F1-score）。其中準(zhǔn)確率是被分類正確的樣本數(shù)除以所有樣本數(shù)，精確率也就是查準(zhǔn)率，召回率代表模型分類的查全率，F(xiàn)1 值代表模型的綜合性能。準(zhǔn)確率、精確率、召回率和F1值的計算公式為。

式（1）（2）（3）中，TPi為正確檢測出第i類的樣本數(shù)（真正）；TNi為正確檢測出非第i類的樣本數(shù)（真負(fù)）；FPi為錯誤檢測出第i類的樣本數(shù)（誤檢）；FNi為錯誤檢測出非第i類的樣本數(shù)（漏報）；n為分類總數(shù)。

通過混淆矩陣進行分類器結(jié)果表示，如表3所示。

表3 混淆矩陣Table 3 Confusion matrix

為了從空間復(fù)雜度和時間復(fù)雜度的角度綜合評價網(wǎng)絡(luò)結(jié)構(gòu)，該文還考慮了模型的參數(shù)量（Parameters，Params）、浮點運算數(shù)（Floating Point Operations，F(xiàn)LOPs）和模型大?。╩odel size），其中Params代表模型中需要訓(xùn)練的參數(shù)數(shù)量；FLOPs即模型的計算量，決定模型的訓(xùn)練時長；模型大小為通過網(wǎng)絡(luò)訓(xùn)練得到的模型文件所占用的物理磁盤空間量。

3.2 實驗結(jié)果分析

3.2.1 神經(jīng)網(wǎng)絡(luò)對比實驗

為了識別蛋雞腸道疾病不同的病理糞便，該實驗分別采用了圖像分類常用模型VGG16、ResNet50、Vision Transformer（ViT-B/16）、Swin-Transformer（Swin-T）以及VGG16 的優(yōu)化模型VGG-MSC進行對比實驗。實驗結(jié)果如表4所示。

表4 模型實驗結(jié)果Table 4 Experimental results of models

由表4 可以看出，VGG-MSC 的準(zhǔn)確率、精確率、召回率和F1 值均高于其他的網(wǎng)絡(luò)結(jié)構(gòu)，基本各個指標(biāo)都高于VGG16兩個百分點。隨著網(wǎng)絡(luò)越來越復(fù)雜，模型的精度先下降后上升，這說明模型的復(fù)雜程度要和具體的數(shù)據(jù)集規(guī)模相對應(yīng)，過于復(fù)雜的網(wǎng)絡(luò)在較小的數(shù)據(jù)集上并不能取得最好的效果。VGG-MSC較好的平衡了模型復(fù)雜程度和數(shù)據(jù)集規(guī)模之間的關(guān)系。

評價模型的綜合性能不僅要看準(zhǔn)確率，還要從時間復(fù)雜度和空間復(fù)雜度兩個角度進行考慮。由于模型大小會影響使用場景，所以對比以上網(wǎng)絡(luò)的FLOPs、Params 和model size，結(jié)果如表5所示。

表5 模型的參數(shù)量和計算量Table 5 The amount of parameters and calculation of models

由表5可以看出，VGG-MSC的FLOPs、model size相對比其他網(wǎng)絡(luò)是最小的，F(xiàn)LOPs也較小，再結(jié)合VGG-MSC 最高的精度，該模型有效的對蛋雞糞便數(shù)據(jù)集進行了分類，是綜合性能最優(yōu)的模型。

3.2.2 VGG-MSC可視化分析

通過可視化類激活圖（Class Activation Map，CAM）來理解圖像的哪塊區(qū)域使得卷積神經(jīng)網(wǎng)絡(luò)做出了分類決策。將不同通道的激活強度，按照每個通道對某一特定類別的重要性進行加權(quán)，然后從輸入圖像中獲得該類別的激活強度。該文運用Grad-CAM方法［17］可視化VGG-MSC 對不同類型糞便的類激活熱力圖，如圖8 所示。由結(jié)果可以看出，VGG-MSC模型精確找到了各個類別糞便的位置，并且糞便的邊緣激活強度很大。不同類別糞便的邊緣激活強度不同，所以VGG-MSC模型的分類是正確且可信的。

圖8 類激活熱力Fig.8 Class activation map

4 結(jié)論與討論

該文針對蛋雞腸道疾病診斷困難的問題，通過提取雞糞便特征，構(gòu)建了一種基于多尺度卷積的蛋雞腸道疾病識別VGG-MSC。其參數(shù)量較VGG16 降低了86%，準(zhǔn)確率較VGG16提升了1.75%。經(jīng)實驗驗證，該方法可以有效的對蛋雞的糞便進行分類，及早發(fā)現(xiàn)并預(yù)防蛋雞患病狀況，實現(xiàn)對蛋雞腸道疾病的智能診斷。

該文驗證了將深度學(xué)習(xí)技術(shù)應(yīng)用于蛋雞疾病識別領(lǐng)域的可行性，但仍存在一些不足。

（1）該文構(gòu)建的蛋雞糞便圖像數(shù)據(jù)集樣本規(guī)模小，未來的工作中，可以繼續(xù)擴大樣本量，增加各種場景下的畜禽糞便圖像，提升模型的魯棒性。

（2）模型應(yīng)用方面，后續(xù)可以將VGG-MSC 網(wǎng)絡(luò)作為目標(biāo)檢測算法的骨干網(wǎng)絡(luò)，將模型嵌入到圖像采集設(shè)備中，裝配在糞便傳送帶末端，實現(xiàn)對雞舍疾病的實時監(jiān)測預(yù)警，防治疾病擴散。