文摘

消化系统疾病是常见的肉用鸡疾病之一,严重影响生产和动物福利在肉鸡育种。粪便检查和观察是最精确的技术来检测鸟类消化疾病感染的发生。本研究提出了一种自动肉用鸡消化疾病探测器基于深卷积神经网络模型分类细粒度肉用鸡粪便异常图像正常和异常(形状、颜色、含水量和状水)。粪便收集图像从10000年25-35-day-old罗斯肉用鸡鸟类饲养与粪便传送带自动多层的笼子里。比较,更快的R-CNN和YOLO-V3深卷积神经网络开发。YOLO-V3的性能被优化锚箱改进。快R-CNN召回和93.3%意味着平均精度达到了99.1%,而召回YOLO-V3达到88.7%,84.3%意味着平均精度测试数据集。该探测器可以提供技术支持消化系统疾病的检测在烤焙用具生产通过自动和鸡粪不干扰识别和分类。

1。介绍

牲畜产量约占全球农业国内生产总值(gdp)的50%。此外,它的来源是生活在发展中国家超过130万人(1]。由于全球人口不断增长,全球的消费动物产品到2050年预计将增长70% (2]。为动物性蛋白质维持日益增长的需求,介绍了工业大规模的牲畜饲养。目前,超过35.35亿动物饲养在广泛而密集的工业规模的生产系统,总年产量30.29亿吨,7.98亿吨的肉和奶,分别为(3]。大型畜牧生产的主要限制因素是疾病的发生,具有灾难性的影响在生产经济、食品安全、生物安全(4]。本研究着重于肉鸡,全球白色肉类生产的主要贡献者(5]。

家禽生产的主要疾病之一,是消化系统疾病,如球虫病、传染性法氏囊病,副伤寒,蠕虫,和溃疡性肠炎,提到几6]。最常见的技术用于检测这些家禽疾病的发生是视觉观察和声音的区别(7]。然而,这种技术是耗时的,主观的,劳动密集型的,而且经常无法提供早期检测(8]。随着计算机视觉系统的发展,计算机已报告疾病诊断和检测病禽的一些研究。壮族et al。7)进行了框架分析早期发现病肉鸡的图像处理。此外,壮族和张8]报道了一个生病的肉用鸡探测器基于深度学习技巧。然而,通过图像处理和鸡粪的分析深度学习生病的鸟检测还没有任何文献报道。不同的家禽疾病有几乎相同的症状。因此,很难诊断特定疾病观察鸡的姿态和声音。此外,歧视的声音技术是高度在一个团队中不可行。

鸡的粪便不同颜色,形状,和纹理取决于饮食,时间,鸡的物种,和健康。鸟大便每天超过12次(6]。因此,任何变化都可以实时检测。因此,粪便检查是最有效的技术用于检测任何消化道异常(6]。正常鸡粪便通常为棕色和很坚实的一种小的白色覆盖在上面。然而,这也是典型的粪便可以采取不同的纹理和颜色取决于他们的饮食。鸡健康手册Damerow [6]介绍了常见的消化系统疾病的影响在鸡的粪便和饲料。绿色粪便会导致肠道蠕虫、马立克氏病,或禽流感,但还可以从饮食中富含蔬菜,结果草本植物、草、杂草,和各种各样的植物。黄色色调粪便可以球虫病,肠蠕虫,或肾脏疾病,但也能导致摄入的食物如连翘花,草莓或西红柿和玉米。黑色的粪便可以由于内出血或摄入木灰,木炭,黑浆果。布朗液体粪便可以因感染大肠杆菌或呼吸系统感染,如支气管炎。然而,它也会发生由于摄入与液体含量高的食物。白色或高流动性的粪便可以由感染引起的泄殖腔,风慢性尿道炎,损害肾脏,压力和内部疾病。然而,也可以是由于摄入的量超过正常数量的水。最后,橙色或红色粪便可以由于球虫病,铅中毒,肿胀或发炎的肠壁6]。在集约化生产鸟类饲料标准饮食,变异的粪便可以很容易地检测到。

由于卷积神经网络(CNN)的性能优越,它已成为一个受欢迎的技术在目标识别9]。几个CNN网络结构已经被应用在目标识别和分类,比如AlexNet [10],VGG, ResNet [11]。卷积神经网络(CNN)被应用于解决视觉物体识别的问题在一个图像或视频由于其优越的性能。更快的R-CNN和YOLO-V3两种CNN网络性能优越,具有较高的检测精度和检测速度快的优势(12,13]。快R-CNN R-CNN是一个提高快。它执行一个四个步骤的目标探测。,region proposal, feature extraction, classification, and regression [14]。它适用于该地区的建议网络(RPN),同时提高了精度和速度。YOLO-V3结合分类和位置到任务识别目标与整个图片感兴趣的地区。它结合了三个规模预测的功能交互层,并使用红外系统算法合并不同尺度的特性来增强小目标对象的检测效果。目前,美国有线电视新闻网也被应用在智能农业的几个地区。壮族和张8)发现病人肉用鸡CNN基于改进的特征融合单发射击Multibox检测器(IFFSSD),和郑et al。15]SBDA-DL申请播下行为的实时检测。田et al。16]YOLO-V3用来检测苹果在果园不同生长周期。

本研究引入了一个正常的和异常的分类技术肉用鸡粪便基于图像处理和深度学习消化疾病的检测。本研究的主要目的是发展一个高效和有效的健康,并根据粪便感染肉鸡autoclassifier图像。具体目标包括开发一个全面的数据集模型训练和有效的培训和开发健壮的深度学习模型疾病检测。这个提议系统作为技术支持工具出现在肉鸡消化疾病的早期预警。

2。材料和方法

2.1。实验装置

2.1.1。动物住房和数据收集

2019年3月和4月之间的实验Wangguancun, Jianan区,许昌城市,河南省,中国。总共有10000 25-35-day-old罗斯肉鸡被用于实验。鸟儿被保存在一个多层笼模式自动粪便传送带。肉鸡是美联储颗粒饮食的19%的蛋白质和6%石油和3300千卡/公斤。饮用水是随意在实验期间。温度和湿度是autoregulated 22和24之间60°C和70%,分别。LED灯的照明政权由固定在天花板和墙之间的时期大约5点和11点40 lx光时期。

佳能单反相机(5760×3240像素)是安装0.3米输送带的正上方,如图1。提供了一个额外的照明在图像采集101 lx的LED照明灯。图像采集的时间是0900小时到1600小时,根据既定的烤肉的排泄习惯。

2.2。数据标签

专业兽医标记获得图像根据描述表1。图2提出了一种描述粪便标签之间的差异。

2.3。图像数据增加

由于深卷积神经网络组成的复杂结构,大量的参数,包括重量和偏差,需要评估在训练阶段(9]。与其他简单的结构比较,深卷积神经网络需要更多的训练数据得到适当的收敛。为了达到更好的识别精度和防止过度拟合数据,有必要进行预处理十的图像增强方法在表2。图像增强图像扩大到10000的图像。

2.4。数据集生产

合成图像被过滤到7637高质量图像基于噪声和旋转水平(高噪声和低旋转图片被淘汰)。选中的图片被压缩到1800年的1012像素,以减少计算复杂性在训练。开源软件LableIamge是用来执行图像处理。当标签时,粪便的连续主体标记,飞溅产生的粪便碎片被忽视了。2007年帕斯卡VOC格式应用于本研究。总结在表给出的数据集3。

2.5。粪便检测系统的体系结构

在这项研究中,两种体系结构比较分析深卷积神经网络进行了探讨:首先,R-CNN架构和越快,其次,YOLO-V3。更快的R-CNN和YOLO-V3之间的主要区别是,更快R-CNN首先提取感兴趣的区域(ROI),然后执行图像识别的地区为对象或背景和提炼这些区域的边界12,17]。YOLO-V3,另一方面,使用整幅图像ROI然后执行识别。模型的参数极大地影响整个网络的性能;在深入学习网络参数的数量取决于网络规模(17]。基于研究曰et al。18),增加参数的数量更高层次提高深层神经模型的性能,同时增加参数的数量在下层模型的性能可能是有害的。

2.6。快R-CNN架构

在这个研究,加快R-CNN申请肉用鸡粪便检测和分类结合该地区建议网络(RPN)和快速R-CNN [12]。相比其他目标检测方法如R-CNN和R-CNN快,快R-CNN提高了检测精度和速度,实现端到端的目标探测,可以快速生成候选框。

本研究应用的RPN + ResNet模型。ResNet于2015年引入,ImageNet分类任务的赢得比赛是因为它的简单性和实用性”共存。ResNet深残余网络,它可以解决精度下降的问题与网络的深化训练集(19]。应该注意的是,随着卷积层数量的CNN网络用于更快R-CNN增加(ZF, VGG、GoogLeNet ResNet),检测速度越低。然而,更深层次的网络可以提高网络精度(11]。在这项研究中,conv层的数量是13日relu 13层,和池层是4。

更快的网络结构R-CNN如图3。快R-CNN支持任何尺寸的图像输入,但卷积操作之前,输入图像标准化或调整到标准尺寸(12]。给出了输入和输出大小的转换

项是用来提取ROI。是一个两步的操作项的工作过程,即。,RPN RPN边界框排列分类和回归。项分类的过程是一个two-classification过程。首先, 区域(称为锚, , 是地图的高度特性,然后呢宽度)应均匀划分特征映射(12]。通过比较这些锚之间的重叠和地面真理,我们可以决定哪些锚是前景和背景,也就是说,每个锚标签与前景或背景。与标签,可以被训练识别项的前景和背景任何输入(12]。

一个特征地图了 锚;即。,9anchors correspond to each point. The nine anchors have 1 : 1, 1 : 2, and 2 : 1 aspect ratios. Each aspect ratio has three dimensions [12]。边界框项回归用于确定的近似位置前景。在得到的近似位置建议,下一步是要做回归的确切位置。项训练收敛后,我们可以得到锚的偏移量相对于这个提议。抵消,可以计算的近似位置的建议。精确定位可以通过nonmaximum抑制(NMS)和其他操作。培训过程中,项锚与最大的交集在联盟(借据)与地面真理框(GT)被定义为积极的样本,而负样本被定义为借据GT框小于0.3的样品(12]。的损失函数项的定义是在训练 在哪里锚定数量和吗的概率吗固定数量的前景。如果锚号码是前台 是1或0。是预测边界框的坐标。 地面实况的坐标。

在ROI池、层建议由RPN用于获得一个固定大小的提议的特征映射。完整的连接操作可以用来识别和定位目标。有两种不同大小的建议地图功能,但池后, 输出,可以提供完整的固定长度的输入连接层。

2.7。快R-CNN训练和测试

四步替代训练计划进行训练的模型R-CNN更快。步骤(1)训练项。地区的建议执行的任务是RPN网络,这是初始化和调整ImageNet pretrained模型步骤(2)训练快速R-CNN。产生的提议是由一个单独的分类项的初始步骤检测网络,这也是初始化的ImageNet pretrained模型步骤(3)再培训的RPN。探测器的第二步初始化网络与固定网络共享项卷积层。初始化的RPN网络与固定检测器的步骤2网络共享卷积层,只有调整的RPN的独特的层步骤(4)微调快速R-CNN。独特的层快速R-CNN网络调整和生成精确的边界盒检测对象而共享conv层保持固定。在步骤1和步骤2,两个网络的RPN和快速R-CNN分享没有conv层的参数。然而,在步骤3和步骤4,两个网络分享conv层。整个过程,步骤1和步骤2和步骤3和步骤4采用替代和持续培训

R-CNN快,训练后的模型是实现;在肉鸡粪便异常的检测只需要使用生成的最终模型训练过程和传输图像。

2.8。YOLO-V3架构

而YOLO YOLO-V2,意思的主要改进YOLO-V3调整网络结构,使用多尺度特性来检测对象,和更换软件对象分类[马克斯与物流17]。然而,YOLO-V3 [17有人知道由罗[]网络进化的13]和YOLO-V2 [13)网络。

在图像特征提取、YOLO3采用网络结构称为Darknet53卷积(包含53层)。Darknet53,从一层一层0到74年,有53个卷积层和其余的res层(22);层75 - 107 YOLO层意思。它利用剩余网络和设置快捷一些层之间的连接。Darknet53由一系列1×1和3×3卷积层卷积(每层是紧随其后的是十亿层和漏ReLU)。YOLO-V3特性交互层可分为三个尺度。卷积网络规模得到检测结果通过那几个32倍downsampling卷绕层7917]。与输入图像相比,结果是更适合检测大图像中的对象,因为高将采样特征映射的多个和更广泛的领域。例如,如果输入是416年到416年,将13个特征映射13。为了实现细粒度检测,特征层79是upsampled地图,然后融合的特征映射层61。这样,细粒度特征的地图层91是连接(17]。同样,几个卷积层后,功能层的地图79 downsampled 16倍的输入图像。它有一个中等规模的传感领域和适用于中等规模的检测对象。特征映射层91 upsampled 36层的地图和连接特性。最后,功能映射downsampled 8倍比输入图像。它有最小的接受域和适用于检测小物体(17]。

中的Res层ResNet不仅快捷操作的计算来确定其输入和输出的差异是一致的。解决问题的梯度扩散或梯度爆炸的网络,Res层提出改变深神经网络的分层技术训练循序渐进的训练(11]。它将深层神经网络划分为几个部分,每一个都包含简单的网络层。快捷的连接是用于火车每一部分残余误差和每一段学习全损的一部分。最后,它实现了一个小全损。同时,传播的梯度控制以避免情况梯度消失或爆炸。直接输出层输出识别结果(肉鸡粪便的类型和位置的预测)。的输出目标框使用nonmaximum抑制(NMS)预测过滤箱12]。在测试期间,借据的阈值设置和唯一的预测盒与NMS是输出为每个目标。定义的借据 在哪里是预测框之间的交叉和真正的盒子(标签框)和是预测框的结合,真正的盒子。YOLO-V3使用逻辑输出而不是软件马克斯预测对象的类别,使多个标签。

YOLO-V3使用均方误差作为损失函数(13,17]。它由三部分组成:坐标误差,借据错误,和分类错误。粪便类别分类检测异常的粪便。的结构开发YOLO-V3网络如图4。

2.9。优化YOLO-V3锚箱的

2.9.1。锚箱选择方法

所有深度学习算法初始化锚盒子的大小和数量在一个任意值,例如,在快R-CNN 9, 5 YOLO-V2 [20.),9 YOLO-V3 [17]。然而,这些锚箱的初始化是微不足道的,因为它会影响模型的性能和计算资源。因此,必须选择合适的锚箱适用于一个特定的数据集。在这项研究中, - - - - - -意味着+ +聚类算法被用来优化锚箱YOLO-V3算法肉用鸡粪便的数据集。优化方法的过程如下。首先,借据的锚箱算法和每个目标框每个图像训练集的计算。一个点被随机选择初始点从输入训练数据点集。对于每个点训练数据集的距离( )点之间的和最近的聚类中心进行了计算。选择一个新的数据点作为新的聚类中心,规则和更大的选择是关键(x)更有可能被选为聚类中心。最后两个步骤被重复,直到所有选择聚类中心。然后,对所有点,这些点对聚类中心的距离计算。如果这一点集群中心点最近的吗 ,然后属于集团点。接下来,将聚类中心的中心,其“点群。“然后,重复以上步骤,直到聚类中心点保持不变(移动距离小于设定阈值)。算法的流程图如图5。

3所示。结果和讨论

探索网络都是由异步随机梯度下降训练(SGD)。一个分布式学习实现了神经网络的训练在批处理模式21]。批号是设置为32等最优水平,较低的值16导致更长时间的训练时间更高的批号导致较高的计算复杂度。同样,学习速率设置为0.001;在更高的学习速率为0.01,网络没有收敛,0.0001的学习速率较低时,网络训练需要更多的迭代收敛(较长的训练时间)。

3.1。更快的R-CNN和YOLO-V3绩效评估

这两个检测模型设计和建造基于Darknet Tensorflow框架和框架。他们训练和测试与NVIDIA PC GTX1080Ti GPU,有效50 GB内存和i7 7700 k CPU与Ubuntu 16.04操作系统。评估肉用鸡粪便识别模型的性能,还记得,平均精度(美联社),平均精度的平均值(地图)是应用根据方程(4))((5),(6分别)。 在哪里是正确的结果分类,是积极的样本,是样品的数量分类。经过50000次迭代的训练,测试数据集上的测试模型,并给出了测试结果表4。

表4表明YOLO-V3有较长的训练时间但R-CNN相比更高的检测速度更快。所有的单类APs和召回更快R-CNN高于YOLO-V3平均在0.9332到0.8425和0.991至0.887,分别对整个测试集,考虑到本研究进行笼肉鸡粪便输送机移动速度为0.09 ms¹。因此,图像采集的频率要高于2 fps更快R-CNN和YOLO-V3系统应用。

precision-recall曲线提出了两种模型在图6。比较,更快R-CNN表现更好比YOLO-V3召回和准确性。在低回忆阶段,发现YOLO-V3的准确性是不断增加的回忆。然后急剧下降后上升;这表明,测试集上的收敛达到饱和点之后迅速下降和梯度消失或反向传播过程中发生过度拟合。

3.2。在不同的迭代模型进行比较

网络的深度是至关重要的卷积神经网络模型的性能,但随着网络层的增加,过度拟合问题[22]。因此,数据集的容量,卷积的深度层,和迭代的数量会影响最终的模型的性能。在这项研究中,训练数据集的数量是7637,YOLO-V3的深度是106层除了输入层,和更快的R-CNN ResNet101应用。

图7礼物的平均速度损失价值对网络的迭代次数。在R-CNN越快,损失在第一个5000次迭代迅速下降,但大的波动。之后稳定在0.37的平均损失价值约30000的迭代。然而,对于YOLO-V3,观察到的平均损失下降速度在第一个1000次迭代。在20000年到25000年的迭代,损失聚合稳定在0.4左右。随着迭代从25,0000年到27000年迭代,有一个重要的非光滑的减少损失。然后观察到损失从35000次迭代稳定在0.17。评估的影响损失识别由于收敛速度慢,重量23000次迭代和35000年YOLO-V3迭代模型被应用于测试数据集,并给出了测试结果表5。

它成立于35000年的加权模型迭代比23000年的迭代,无论是单个类或整个地图的准确性和回忆。可以得出结论,(图7 (b)和表5)YOLO-V3分为最优局部解决方案从2000年到25000年在训练过程中迭代和实现最优性能大约31000次迭代。图8介绍了粪便分类基于快R-CNN在模型试验阶段。

3.3。选择YOLO-V3基于锚盒子 - - - - - -意味着+ +

图9介绍了YOLO-V3的优化的结果 - - - - - -意味着+ +算法。黄色恒星原锚盒子,红色三角形优化锚箱,和蓝色的点是训练集的中心点GT盒子。的最大迭代数设置为1000,如果集群亏损小于终止 或在到达最大迭代的数量。的平均借据锚箱和训练集是0.4292;借据的标准差是0.0819。与初始化锚箱由YOLO-V3借据增加了23.7%。用相同的参数和数据集,YOLO-V3使用优化锚箱重新训练。最后,测试结果的测试集和验证集分别提高了5%和1.4%,分别由图0.8846和0.899召回。

4所示。结论

消化道疾病是肉鸡育种的主要疾病之一。在肉鸡消化道疾病的监测技术可以促进肉鸡养殖业的自动化。肉用鸡粪便可以作为索引来评估在肉鸡消化道疾病。肉用鸡粪便被分为正常和异常的粪便,和异常的粪便被分成形状异常,异常的颜色,水含量异常,异常状水。更快的表演R-CNN和YOLO-V3肉用鸡粪便数据集进行对比。快R-CNN实现最佳的性能在大约30000个迭代。测试设置,地图是93.32%,召回是99.1%。YOLO-V3实现最佳性能约为31000次迭代。测试数据集,地图上是84.25%,召回是88.7%。通过优化锚箱的YOLO-V3肉用鸡粪便的数据集,优化锚箱的借据是23.7%高于最初的锚箱,和借据的标准差为0.085。 Finally, Recall was increased by 1.4% and mAP is increased by 5%. This study provided an automatic and noncontact model for identifying and classifying abnormal droppings in broilers, which provided technical support for early warning of digestive tract diseases in broilers.

数据可用性

(图片数据集)数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有利益冲突。

作者的贡献

所有作者同样对本文亦有贡献。

确认

这项研究是由中国国家重点研发项目(2017 yfe0114400)。