基于多尺度卷积的蛋鸡肠道疾病识别方法研究*

相关热词搜索：

杨君艳，孙瑞志，※，靳晨鹏，尹宝全

（1. 中国农业大学信息与电气工程学院，北京 100083；
2. 中国农业大学烟台研究院，山东 烟台 264670）

改革开放以来，我国鸡蛋产量不断上升，1985年超越美国，位居世界第一，并持续至今。目前我国蛋鸡产业经历了快速增长期，正处于加速转型高质量发展的关键期，提升蛋鸡健康水平是关键。

禽类肠道性疾病发病率高、检测困难，蛋鸡的肠道健康水平严重影响着其生产性能和鸡蛋的品质，蛋鸡的肠道疾病多发于60～120 日龄之间。目前家禽疾病的初步诊断主要依靠兽医对鸡的姿态、鸡冠、粪便、声音的观察来实现。人工观察需要大量的人员定期检查鸡舍，并且家禽疾病诊断的速度和精度主要取决于饲养者的经验和知识，整个过程耗时耗力，甚至无法及时发现鸡群的疾病。患肠道疾病的禽类的病理粪便在颜色、形状和质地上有所不同，主要分为稀便、绿便和血便［1-2］。其中稀便可能是雏鸡白痢、痛风、肾型传支或传染性法氏囊病的症状；
绿便可能是新城疫、流感或细菌性疾病的症状；
血便可能是盲肠球虫病、坏死性肠炎或肠毒综合症的症状。粪便检查是检测消化道异常的有效方式。

随着畜禽业的发展，畜禽养殖规模逐步扩大，为了防止畜禽疾病加重和扩散传播导致更大的经济损失，集约化的养殖方式更加注重疾病的早期预防和及时发现。为了实现畜禽养殖的可持续化发展，近几年大量的学者利用计算机技术，采用不同的方法诊断疾病。目前，基于计算机技术对家禽疾病智能诊断方法主要集中于声纹特征、姿态特征、鸡冠特征和粪便特征的提取上。

对于声纹的研究，曹晏飞等［3］运用LabVIEW软件提取蛋鸡叫声和环控系统噪声的功率谱密度，把子带功率比作为特征向量，应用决策树算法实现对蛋鸡的鸣唱声、产蛋声和环控系统噪声的分类。Sadeghi 等［4］采集感染产气荚膜梭菌的病鸡的叫声，提出使用Fisher判别法选择特征，将34个声音样本数据输入单隐层神经网络结构对信号进行检测，并对健康和不健康的鸡进行分类。测试发现，对发病后2 d和发病后5 d的鸡的识别精度分别是66.6%和100%。基于在大规模笼养的情况下，识别蛋鸡声音的方法无法实现精准的疾病预警，杜晓东等［5］利用2D-Gabor滤波器提取蛋鸡声音的声谱图纹理特征，采用人工神经网络对鸡的产蛋叫声、应激叫声、鸣叫声进行识别。张铁民等［6］为了有效防止禽流感扩散，将环境中的声音进行去除，经过T-S神经网络训练，提取出家禽音频，然后使用模糊神经网络对鸡叫的音频特征进行分析。该研究可以有效的对鸡的声音进行分析，为大规模养殖户提供了非接触式的禽流感监测方法。

针对基于声纹特征的方法无法应用在集约化养殖场景中的状况，庄晓玲等［7］通过采集肉鸡姿态图像，提取健康鸡和患病鸡的姿态特征，然后进行分类，该方法对测试样本的准确率达到99.4%。同时通过改进目标检测模型，实现了患病肉鸡实时识别预警。Luyl-Da等［8］使用VGG和ResNet网络，根据鸡只的姿态特征，对患有禽痘、传染性喉气管炎的病鸡进行分类，准确率仅达到75%，识别准确率有待提升。Akomolafe等［9］对患有新城疫和禽流感的病鸡进行姿态特征提取，通过数字成像技术和机器学习算法提升了模型的准确率和泛化能力。目前，通过姿态判断的疾病种类较少，且无法解决笼养情况下的鸡重叠问题。

针对常见的鸡痘病的检测，Hemalatha 等［10］利用中值滤波法对鸡冠照片去噪，采用灰度共生矩阵提取鸡冠的纹理特征，计算鸡冠的均值、标准差，应用支持向量机和极限学习机方法实现对患鸡痘病鸡的实时识别。李亚硕等［11］针对鸡舍较暗的场景，对图像进行了Otsu分割，使用SVM分类器自动检测病鸡，该方法考虑了鸡舍光照的实际情况。由于目前集约化养殖中大量使用层叠式的鸡笼，拍摄的照片中存在鸡冠重叠的情况，因此该方法难以实际应用到鸡舍。

针对基于声纹特征和基于姿态特征的方法无法应用到集约化养殖场景的缺陷，王锦涛等［12］采集制作了肉鸡粪便数据集，将粪便分类为正常、形状异常、颜色异常、水分异常和形状水分异常5类，使用改进后的YOLO-V3神经网络，实现了鸡病的分类。然而该方法在测试集上的准确率仅有84.3%。Hope等［13］使用监督学习算法，根据具体鸡病的病理粪便预测了球虫病和沙门氏菌病两个疾病类别，训练的模型达到了94%的准确度。该实验主要针对肉鸡的疾病进行分类，实现的疾病分类种类较少，模型精度较低。朱俊辉等［14］提出了一种基于机器视觉在线监测的鸡粪图像识别方法，对鸡的健康状况进行初步判断。该方法首先对在线采集的鸡粪图像进行预处理，通过颜色提取算法、检测和提取异常区域轮廓、计算面积比、与预先设置的阈值进行比较的步骤，对异常鸡粪进行初步判断；
然后采用模块匹配算法，对样本与待测图像的灰度特征进行分析比较，进一步判断鸡粪是否正常。

综上所述，在过去的研究中，对于家禽声纹、姿态、鸡冠特征的研究集中于异常病鸡的筛选研究上，难以实现多种疾病的分类识别，且无法应用在密集的笼养环境中。基于鸡粪便特征开展肠道疾病智能化诊断的研究，近几年开始受到关注。现有的通过鸡的病理粪便进行疾病分类的研究中，存在分类准确率低、疾病分类种类较少、使用传统机器学习方法进行实验的现状。文章自建了蛋鸡粪便数据集，利用计算机深度学习技术构建了一个基于多尺度卷积的蛋鸡肠道疾病识别网络VGG-MSC，实现了对鸡肠道疾病的智能诊断。根据患肠道疾病蛋鸡的粪便特征，对异常病鸡进行筛选，并根据疾病进行分类。有利于及早发现并预防蛋鸡患病状况，推动蛋鸡产业持续健康高质量发展。

1.1 图像采集

该文在多位专业兽医的指导下，将蛋鸡的粪便按照颜色及稀释程度分为4类，分别是正常粪便、稀便、绿便、血便。采集的原始图像如图1所示。其中稀便可能是饲料含盐量太高，鸡大量饮水导致，也可能是外界温度过高导致；
绿便可能是鸡霍乱或者炎症导致；
血便是鸡患有盲肠球虫病或者肠毒综合症等的表现。实验根据不同的病理粪便，对蛋鸡的肠道疾病进行初步诊断。目前尚未有公开的畜禽粪便数据集，数据集的质量对于深度学习方法的精度具有关键性影响。通过实地考察发现鸡笼正下方的粪便遮挡严重，并且拍照容易引起鸡的应激反应。为了采集到清晰未遮挡的粪便照片，该文在层叠式H型鸡笼下的粪便传送带的末端，使用手持IQOO7方法采集蛋鸡粪便照片，制作用于蛋鸡肠道疾病识别的数据集，采集位置和传送带控制系统如图2所示。

图1 采集原始图像Fig.1 Acquire raw images

图2 图像采集位置和传送带系统Fig.2 Image acquisition location and conveyor system

图像采集地点为安徽省宿州市某生态农场，该鸡舍中养殖的是60～120 日龄的产蛋鸡。由于实际养殖过程中，产生的粪便过多时会出现粪便层叠现象，所以数据采集时间选取在清粪后的半小时。通过养鸡场的自动化清粪系统转动传送带，使用IQOO7拍摄数据图片，其主摄为索尼IMX598 传感器，分辨率为4000×2252 像素，共采集了2 412 张蛋鸡粪便图像。

1.2 数据预处理

1.2.1 图像尺寸调整

由于采集的图像的尺寸过大，直接输入卷积神经网络中进行训练会造成过大的计算量，并需要性能很强的硬件设备，且训练时间过长，无法较好的分析网络的性能。输入过大尺寸的图像，模型会学习到更多的冗余特征，不能较好的反应图像的抽象特征。为了寻求最优的输入特征尺寸，已经有很多学者在大量的对比实验中发现，采用224×224作为输入图像分辨率时，网络的性能最优。若将4000×2252像素的图像直接缩小为224×224 像素会导致图像发生变形，从而影响模型的分类效果。因此，为了解决图像尺寸过大和直接缩放会导致图像变形的问题，采取裁剪后缩放的策略，即先将待识别的粪便裁剪为正方形，再利用线性插值法将图像处理为224×224像素的图像。最终输入到卷积神经网络中进行粪便特征提取和分类。具体的流程如图3所示。

图3 调整图像尺寸Fig.3 Adjust image size

1.2.2 数据增广和数据平衡

为了进一步提升模型预测的鲁棒性，该文对采集的数据进行数据增强。操作有随机缩放：将采集到的粪便图像进行随机的放大或者缩小。随机旋转：对拍摄的图像进行随机旋转，模拟不同角度的拍摄情况。随机移位：沿横向或纵向移动图像，模拟粪便位于图像的不同位置。添加噪声：在数据集中添加高斯噪声，让训练出的模型有更好的泛化能力。随机翻转：对图像进行水平垂直方向的随机翻转。

由于采集的血便和绿便数据较少，导致粪便数据集具有不均衡性，所以在数据预处理阶段通过过采样方法去掉部分正常粪便和稀便的数据。过采样处理后的图像总数为1 834幅，实验将数据集按照6∶2∶2的比例划分为训练集、验证集和测试集，数据集的具体划分如表1所示。再将训练集进行数据增强，最终获得5 128幅图像。

表1 数据集划分Table1 Division of data

2.1 基于多尺度神经网络的识别模型

VGG16的网络结构如图4所示，它是由5层卷积层、3层全连接层构成，且每层卷积层间以及卷积层与全连接层间由最大池连接，最后一层是softmax 输出层。以层为单位，卷积层的特征通道数由64 开始，依次翻倍，直到512 个通道数。3 个全连接层的特征通道数依次是4 096、4 096、1 000。所以VGG16 中每层的特征通道数依次为64、128、256、512、512、4 096、4 096、1 000。VGG16网络中，13层卷积层用来特征提取，最后的3层全连接层负责分类任务。

图4 VGG16的网络结构Fig.4 Network structural diagram of VGG16

VGG16 具有结构简洁、容易拓展、迁移性强的优点，但其参数量大、精确度低，为了解决此问题，该文在VGG16 网络结构的基础上，进行如下改进，改进后的模型结构图如图5 所示。先将VGG16 的全连接层替换为全局平均池化层［15］，降低模型的参数量，然后引入多尺度卷积并在多尺度卷积层后边加入压缩激发（Squeeze and Excitation，SE）模块。该文将该模型称为VGG-MSC 模型。其中多尺度卷积层包含3×3 和5×5 的卷积核，得到包含不同图像信息的特征图。由于卷积过程中采用补零操作，所以这些特征图尺寸一样，将这些特征图进行融合，得到更多图像信息。VGG-MSC 网络结构如图6所示。

图5 VGG-MSC的网络结构Fig.5 Network structural diagram of VGG-MSC

图6 VGG-MSC网络结构Fig.6 Network structure of VGG-MSC

全局平均池化层的作用：为最后一个最大池层中的分类任务的每个对应类别生成一个特征映射，取每个特征图的平均值，得到的向量直接被馈送到softmax层。全局平均池有两个优点，一是它通过加强特征映射和类别之间的通信更适合卷积结构，这样特征映射可以很容易地解释为类别置信映射。二是在全局平均池中没有参数要优化，因此在这一层可避免过拟合。此外，全局平均池对空间信息进行了汇总，因此对输入的空间转换具有更强的鲁棒性。

SE模块主要是为了加入通道注意力机制，模仿人在观察事物时的注意力特征，对图像中的特征进行加权，让分类器更好的注意到关键位置并进行分类。

SE 模块主要包含压缩（Squeeze）和激励（Excitation）两部分［16］。假设输入特征图的大小为W×H×C，其中W、H表示特征图的宽和高，C表示通道数。压缩就是使用全局平均池化将特征图变为1×1×C的向量。激励就是利用全连接层对向量中的不同通道进行加权，加权之后的向量仍然为1×1×C，然后对原来的特征图进行Scale操作，这样操作之后得到输出结果的特征向量和输入的特征向量都为W×H×C，如图7所示。

图7 SE模块Fig.7 SE module

SE模块可以插入在网络结构的任意位置，但是过多的SE模块会导致计算量的增大，该文将该模块分别插入到网络输入端、多尺度卷积前、多尺度卷积后和网络输出端进行实验，实验结果表明，当SE模块插入到多尺度卷积的后端效果是最好的。通过使用通道注意力机制为信息量多的通道添加更大的权值，让模型有更好的效果。VGG-MSC网络中的SE模块在激励操作中的两个激活函数分别是ReLU和Sigmoid，为了权衡精度和模型尺寸，SERadio取1/16。

2.2 模型训练

2.2.1 训练平台

该文的实验平台为AMD Ryzen? 7 4800H CPU，测试软件环境为Windows10，分类模型由Python3.8、深度学习框架Tensorflow2.0 和GPU （NVIDIA GeForce RTX 2060）训练。

2.2.2 训练参数

根据不同超参数的特点，为保证模型在训练过程中能够较好的收敛，该文选取批大小为16、32、64，损失函数选择多分类任务中常用的交叉熵损失函数，优化器选择SGD、RMSProp、Adam，初始学习率选择0.1、0.001、0.000 1。经过多次对比实验，选择最优的超参数设置（表2）。该文实验将Adam 的初始学习率设置为0.000 1。为了兼顾学习效率和后期学习的稳定性，采用学习率分段衰减策略，训练前1 500个iteration时，学习率为0.000 1；
1 500到4 000个iteration 时，学习率为0.000 01；
4 000个iteration 后学习率为0.000 001。

表2 参数设置Table2 Parameter settings

3.1 评价标准

对于模型的评价采用评价指标准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1值（F1-score）。其中准确率是被分类正确的样本数除以所有样本数，精确率也就是查准率，召回率代表模型分类的查全率，F1 值代表模型的综合性能。准确率、精确率、召回率和F1值的计算公式为。

式（1）（2）（3）中，TPi为正确检测出第i类的样本数（真正）；
TNi为正确检测出非第i类的样本数（真负）；
FPi为错误检测出第i类的样本数（误检）；
FNi为错误检测出非第i类的样本数（漏报）；
n为分类总数。

通过混淆矩阵进行分类器结果表示，如表3所示。

表3 混淆矩阵Table 3 Confusion matrix

为了从空间复杂度和时间复杂度的角度综合评价网络结构，该文还考虑了模型的参数量（Parameters，Params）、浮点运算数（Floating Point Operations，FLOPs）和模型大小（model size），其中Params代表模型中需要训练的参数数量；
FLOPs即模型的计算量，决定模型的训练时长；
模型大小为通过网络训练得到的模型文件所占用的物理磁盘空间量。

3.2 实验结果分析

3.2.1 神经网络对比实验

为了识别蛋鸡肠道疾病不同的病理粪便，该实验分别采用了图像分类常用模型VGG16、ResNet50、Vision Transformer（ViT-B/16）、Swin-Transformer（Swin-T）以及VGG16 的优化模型VGG-MSC进行对比实验。实验结果如表4所示。

表4 模型实验结果Table 4 Experimental results of models

由表4 可以看出，VGG-MSC 的准确率、精确率、召回率和F1 值均高于其他的网络结构，基本各个指标都高于VGG16两个百分点。随着网络越来越复杂，模型的精度先下降后上升，这说明模型的复杂程度要和具体的数据集规模相对应，过于复杂的网络在较小的数据集上并不能取得最好的效果。VGG-MSC较好的平衡了模型复杂程度和数据集规模之间的关系。

评价模型的综合性能不仅要看准确率，还要从时间复杂度和空间复杂度两个角度进行考虑。由于模型大小会影响使用场景，所以对比以上网络的FLOPs、Params 和model size，结果如表5所示。

表5 模型的参数量和计算量Table 5 The amount of parameters and calculation of models

由表5可以看出，VGG-MSC的FLOPs、model size相对比其他网络是最小的，FLOPs也较小，再结合VGG-MSC 最高的精度，该模型有效的对蛋鸡粪便数据集进行了分类，是综合性能最优的模型。

3.2.2 VGG-MSC可视化分析

通过可视化类激活图（Class Activation Map，CAM）来理解图像的哪块区域使得卷积神经网络做出了分类决策。将不同通道的激活强度，按照每个通道对某一特定类别的重要性进行加权，然后从输入图像中获得该类别的激活强度。该文运用Grad-CAM方法［17］可视化VGG-MSC 对不同类型粪便的类激活热力图，如图8 所示。由结果可以看出，VGG-MSC模型精确找到了各个类别粪便的位置，并且粪便的边缘激活强度很大。不同类别粪便的边缘激活强度不同，所以VGG-MSC模型的分类是正确且可信的。

图8 类激活热力Fig.8 Class activation map

该文针对蛋鸡肠道疾病诊断困难的问题，通过提取鸡粪便特征，构建了一种基于多尺度卷积的蛋鸡肠道疾病识别VGG-MSC。其参数量较VGG16 降低了86%，准确率较VGG16提升了1.75%。经实验验证，该方法可以有效的对蛋鸡的粪便进行分类，及早发现并预防蛋鸡患病状况，实现对蛋鸡肠道疾病的智能诊断。

该文验证了将深度学习技术应用于蛋鸡疾病识别领域的可行性，但仍存在一些不足。

（1）该文构建的蛋鸡粪便图像数据集样本规模小，未来的工作中，可以继续扩大样本量，增加各种场景下的畜禽粪便图像，提升模型的鲁棒性。

（2）模型应用方面，后续可以将VGG-MSC 网络作为目标检测算法的骨干网络，将模型嵌入到图像采集设备中，装配在粪便传送带末端，实现对鸡舍疾病的实时监测预警，防治疾病扩散。

猜你喜欢蛋鸡粪便卷积蛋鸡多产蛋要过三道关今日农业(2022年2期)2022-11-16新型冠状病毒感染者咽拭子与粪便排毒规律及临床表现昆明医科大学学报(2022年1期)2022-02-28春季蛋鸡养殖三防今日农业(2021年7期)2021-11-27A new pet obsession of Silkie chicken疯狂英语·新悦读(2021年10期)2021-11-23基于3D-Winograd的快速卷积算法设计及FPGA实现北京航空航天大学学报(2021年9期)2021-11-02从滤波器理解卷积电子制作(2019年11期)2019-07-04基于傅里叶域卷积表示的目标跟踪算法北京航空航天大学学报(2018年1期)2018-04-20蛋鸡和肉鸡少儿科学周刊·少年版(2015年11期)2015-12-17蛋鸡和肉鸡少儿科学周刊·儿童版(2015年11期)2015-12-17一种基于卷积神经网络的性别识别方法电视技术(2014年19期)2014-03-11