家禽智能养殖系统的设计与实现.pdf

2023年8月 第40卷 第8期家禽智能养殖系统的设计与实现刘钟涛1，何为凯2*，徐震3，徐响3，高翔2（1.山东交通学院信息科学与电气工程学院，山东济南250357；2.山东交通学院航空学院，山东济南250357；3.山东大佳机械有限公司，山东济宁272500）智能养殖结合物联网、机器视觉、机器学习等人工智能技术，相关研究已经获得广泛关注，其目的是推动智能养殖快速发展并缩小标准化养殖水平与现代化发展之间的差距。针对养殖规模扩大带来的饲喂、环境调控和疫病检测难以控制等问题，本文提出一种模块化的禽畜智能养殖系统，设置传感器、饲料投放装置、检疫机器人，结合4G通信、云计算、深度学习等技术，完成养殖环境精准调控，疫病监测预警、精准饲喂等任务。通过设计客户端软件显示养殖场环境检测、疫病检测、饲喂情况实时数据和养殖实时图像，通过云端保存数据。实验数据表明，中型养殖场使用本系统能够降低60%人工支出、10%饲料浪费和2%病死率，提升了养殖的规模效益。深度研报Comprehensive基金项目：山东省重点区域紧缺人才项目（2022-11）作者简介：刘钟涛（1998），男，硕士研究生，研究方向为智能检测，E-mail：*通讯作者：何为凯（1985），男，博士，教授，研究方向为智能检测，E-mail： 422023年8月 第40卷 第8期一引言我国的家禽养殖业正处在从传统畜牧业向现代化畜牧业加速转型的关键时期。然而，由于起点低、基础差，标准化规模养殖整体水平与现代化发展仍有较大的差距1。目前，传统的家禽养殖仍采用粗放式经营模式，主要通过人工进行禽类饲喂2、养殖环境调控3-4、疫病巡检5等工作。传统家禽养殖方式存在环境人为调控不到位、环境优化效果滞后、疫病监测不及时、健康问题突出、饲喂相对粗放等问题，加之人工巡检成本高且范围有限等局限，导致其难以满足现代养殖的需求。随着互联网、大数据、云计算、物联网等信息化技术的不断发展，人们开始探索将新技术应用于家禽养殖中，旨在借助科技手段辅助甚至替代传统养殖方式。许世卫等6基于“互联网+”分析现代农业在农业智能生产、农业监测预警、农业人工智能等领域的最新进展；Durai Senthil Kumar Swami等7结合数据挖掘、深度学习模型预测天气条件、分析土壤、推荐适合种植的作物、确定需要使用的化肥和农药的数量等精确耕种要素，有助于减少人工劳动并提高生产力；张喆8对智能农业系统的组成和设计进行分析，实现田间农业生产环境技术参数的采集和传输。家禽智能养殖系统还需要继续加强顶层设计和环境调控、疫病巡检、精准饲喂等关键技术研究，不断向信息化、智能化发展。针对现有家禽养殖中环境人为调控不到位、环境优化效果滞后9、疫病监测不及时10、健康问题突出、饲喂相对粗放11等问题，本研究采用通信、传感器、云计算、图像处理和机器学习等技术，设计了一种集成化的家禽智能养殖系统。该系统集成图像采集、环境调控、传感器、通信、声音采集、饲料投放回收以及排泄物收集等设备，实现对养殖场安全隐患的预防和监测，养殖环境的精准监测和控制，精准饲喂和预警家禽疾病，客户端实时显示环境、饲喂数据，同时还能够展示养殖场图像以及设备的运行情况。借助这些功能，可以实现远程精准监测和设备控制。同时，该系统通过云端存储检测到的数据，以便养殖数据后续分析和研究。二系统总体设计系统集养殖安全防控、养殖环境健康监测控制、精准饲喂、疫病检测等功能，主要分为养殖环境健康监测控制系统、家禽精准饲喂系统、疫病巡检系统、云服务器系统及客户端系统五部分，系统技术方案如图1。针对环境人为调控不到位和优化效果滞后问题，本研究设计了养殖环境健康监测控制系统，通过环境图1家禽智能养殖技术方案养殖环境健康监测控制模块环境数据传感器环控设备客户端养殖场监控远程操控养殖参数设定饲喂、环境和疫病数据排泄物收集容器余料输送带余料收集容器养殖专家平台喂食槽装料器排泄物输送带混料装置投料装置养殖安全防控模块直流电机电子调速器AHRS模块 超声波传感器红外体温探测器声音采集器GPS-北斗双模定位模块疫病巡检模块采集数据云存储Face Net人脸识别模型人脸数据库LST M环境预测模型鸡叫声异常分类模型环境调控策略库饲喂评价模型云服务器深度研报Comprehensive 432023年8月 第40卷 第8期数据采集传感器和环控设备，采用反馈环境评价模型和LSTM深度学习网络，实现对养殖环境的精准监测和控制；针对饲喂相对粗放问题，本研究设计了家禽精准饲喂系统搭建饲料混合、投放、回收模块与排泄物收集模块，集成养殖专家平台和饲喂评价模型，对家禽的饮食习惯和健康状况分析，实现家禽的精准饲喂，提高饲料利用率；针对人为巡检成本、误检率高和养殖环境噪声影响异常叫声模型分类问题，本研究设计了疫病巡检系统除了巡航系统和避障系统外，搭载红外体温探测器、声音采集器，采用更适用于音频等复杂数据处理的CNN结合数据增强方法，提高准确率的同时降低环境噪声影响，用于及时发现和预警家禽疾病，从而降低鸡群患病概率。云服务器发挥关键作用，主要用于图像识别、环境预测、饲喂评价和声音分类等功能；同时，客户端能够实时显示养殖场的安全和饲喂状况，监测养殖环境、疫病等情况，并提供实时数据的分析功能。此外，客户端还具有远程操控的能力，使得养殖场管理者能够随时随地对养殖场进行监控和控制。各模块将采集数据通过通信系统发送云服务器，经过云服务器数据运算及模型处理，将处理数据或者控制指令发送对应模块实现数据监测和设备精准控制。通信系统分为六个部分：安全防控端、环境监控端、饲喂调控端、疫病检测端、云服务器端和客户终端。为了各设备间远距离数据传输，本研究使用最新的第四代移动通信技术，采用型号为USR-LTE-7S4V2的4G透传模块与STM32F103ZET612控制器通过串口通信连接。本设计中使用透传模块13，该模块支持多达13个频段，并且允许两个网络同时在线，它能够使用TCP和UDP等多种协议，具有多种工作模式，例如网络透传模式、HTTPD模式和UDC模式，传输速度快，功能简单且可靠，能够克服距离限制。云服务器端则采用了阿里云服务器开发，并拥有固定的IP地址，能够长时间连接客户端和各装置端，接收并转发双方的数据，并进行存储和处理，例如环境监测、异常行为检测和异常叫声判断，将各设备控制器和客户端的数据计算分析存储任务转移到云端，降低控制器数据运算负载，实现了设备的高效协同运行。本设计客户端基于C#语言开发，由JetBrainsRider编译器编译调试测试，客户端接收并展示来自云服务器的数据，或者将养殖数据发送到服务器端。三系统模块设计1环境数据采集调控系统设计环境数据采集调控系统硬件部分基于环境调控设备、多种环境传感器和 STM32F103ZET6 嵌入式控制器，通过选用温度、光照度、湿度、氧气浓度、二氧化碳浓度、氨气浓度、硫化氢浓度和一氧化碳浓度等多种检测要素，实现对养殖环境各项指标的全面监测和调节14。为实现环境调控，系统采用了暖风机、通风窗、照明灯、水帘等设备15。环境数据采集调控系统的通信网络采用RS485通信协议，所使用的所有环境数据采集传感器和环境调控设备均并联在一起，通过RS485接口连接到STM32F103ZET6控制器。该协议具有稳定可靠、传输距离长、抗干扰能力强等优点。环境数据采集调控系统的工作流程如图2。客户端设定日龄、品种、养殖场空间大小等相关参数并发送云服务器，各传感器工作采集环境数据打包发送给云服务器端，接收云服务器端发送的环境调控设备调控指令，调整养殖场暖风机、通风窗、照明灯、水帘工作状态，如对应温度下调整暖风机或者水帘工作功率，对应二氧化碳浓度下调整通风窗开启角度，对应光照强度下调整照明灯亮度。本采集调控系统应用于环境数据采集和设备调控，实现养殖场环境适宜稳定。禽舍内环境监测数据是由各环境数据传感器在一定时间间隔内获取的大量时序数据。长短时记忆（LSTM）网络是深度学习中的一种重要模型，是由GERS等16学者提出的。它适用于处理和预测多种时序数据，已经在多个领域得到了广泛的应用17-20。然深度研报Comprehensive 442023年8月 第40卷 第8期而，针对禽舍环境监测所获取的大量时序数据，目前尚未见到应用LSTM预测模型的相关研究。因此，本研究基于深度学习的方法，结合传感器监测的大量时序序列历史数据，旨在探索应用LSTM预测模型的可行性，建立具有多层结构的LSTM网络的各项环境数据变化预测模型，以实现当前时间禽舍内温度、光照度、相对湿度、氧气浓度、二氧化碳浓度、氨气浓度、硫化氢浓度和一氧化碳浓度各项环境数据的变化预测，结合云数据库环境调控策略库中存储的各条件下环境调控策略，对环境调控设备发送设备状态调整指令，实现养殖场环境及时调控，其中，环境调控策略指调整各设备工作状态。开始客户端设定日龄、养殖场空间大小等相关工作参数发送至云服务器各传感器采集环境数据发送云服务器云服务器向环境数据采集调控系统发送环境调控设备调控指令经过一个预设调控周期T图2环境数据采集调控系统的工作流程以养殖场温度调控为例，LSTM网络环境变化预测模型包括数据输入层、隐含层和输出层。由于养殖场内温度受养殖场外温度、养殖场内鸡数量、养殖场内外相对湿度影响较大，故将采集的养殖场外温度、养殖场内外相对湿度和养殖鸡数量输入输入层，同时输入层对环境数据标准化：di=di-d1ni=1n(di-d)2（1）其中，di为输入层标准化的数据，di为输入的环境数据，n为输入环境数据长度，d为输入的环境数据平均值。隐藏层有LSTM层、完全连接层和回归层，标准化的数据输入完全连接层运算。LSTM层用来学习时间序列数据中每个时间步之间的长期依赖关系。由于长序列数据在传递梯度时容易出现梯度消失或爆炸的问题，因此这种交互可以有助于解决这个问题，从而改善模型的性能表现。完全连接层通过与LSTM层连接，每个节点都会考虑LSTM层的输出以及外部影响因素，并且通过这种完全连接的方式来综合学习各种特征。同时回归子层和完全连接子层之间也存在连接，共同构成了一个序列到序列的模型，并且这个模型使用均方根误差（RMSE）作为损失函数来度量实际输出和预测输出之间的差距。最后，隐藏层的结果在输出层经过反归一化处理得到最终养殖场温度预测值。此预测值输入云数据库环境调控策略库，比对获得调整通风窗开启角度、风机功率或者加热设备功率的调控策略。2家禽精准饲喂系统设计在家禽养殖过程中，饲料混合、投放、回收与排泄物收集属于常规作业，本系统设计的家禽精准饲喂示意图如图3。图3家禽精准饲喂示意图该部分垂直布置至少一层养殖空间，养殖空间顶部设有混料装置（1）和装料器（2），饲料经装料器（2）投入混料装置（1），每一层养殖空间均设有投料装置（3），喂食槽（4），余料输送带（5），排泄物输送带（6），余料收集容器（7），排泄物收集容器（8）。图4显示，投料装置（3）包括连接在混料装置（1）底部出口的下料器（9），倾深度研报Comprehensive 452023年8月 第40卷 第8期倒装置（10），投料称重传感器（11）；图5显示，喂食槽（4）截面呈直角梯形且两端和顶部均开口，包括采食挡板（12），喂食窗口（13），余料刮板（14），弧形板（15）。系统使用STM32F103ZET6芯片作为控制器来实现各装置控制，基于RS485通信协议，各设备并联在一起，并通过中央控制器上的RS485接口进行连接。图4投料装置示意图图5喂食槽侧视图家禽精准饲喂系统在客户端设定相关工作参数后，将数据包发送给云服务器端和家禽精准饲喂端，云服务器端经过与喂食策略库匹配向家禽精准饲喂系统发送设备控制指令，装在不同装料器中的饲料落入混料装置混合，下料装置倒入倾倒装置中，投料称重传感器一旦达到预设重量，下料器停止下料，倾倒装置翻转90度将饲料倒入喂食槽，一个喂食周期后，采食挡板落下挡住喂食槽的喂食窗口，余料刮板将喂食槽内剩余饲料刮向喂食槽两端落到余料运输传送带运走，余料收集容器和排泄物收集容器的称重传感器开始称重，并将重量数据发送云服务器端。针对养殖人员经验不足无法精准定量且无法准确判断饲喂情况及时调整的问题，本研究提出基于养殖专家平台和饲喂评价模型的疫病检测系统。养殖专家平台接收客户端发出的饲喂策略咨询请求，请求中包括日龄、环境温度、体温和家禽品种数据，养殖专家平台依据数据在线指导养殖人员制定正确的饲喂策略，其中，饲喂策略包括：日喂食次数和每次喂食各种饲料量。在每次喂食周期结束后，云服务器端将余料重量和排泄物重量输入饲喂评价模型获得该次饲喂评分，饲喂评价表达式如下：SF=GF*WF+GFGE*WPWF+WP（2）其中，SF为饲喂评分，GF为一只鸡一个喂食周期内的饲料摄入量，GE为一只鸡一个喂食周期内的排泄物重量，WF为饲料摄入量权重，WP为排泄物权重，若评分超出正常饲喂分数范围则通过通信系统向客户端发送警告，否则对比云服务器饲喂策略库中存储的同等条件下饲喂评分，择优更新饲喂策略。3疫病巡检系统设计本子系统设计实现疫病检测机器人自主巡航避障和 疫 病 数 据 采 集 两 大 功 能，主 控 制 器 采 用STM32F103ZET6芯片。自主巡航避障功能通过选择直流电机作为驱动电机，机器人的转向实现采用了正反转和差速控制法21，同时搭配电子调速器对电机协同控制。此外，系统还使用了GPS-北斗双模定位模块ATK1218-BD来定位机器人的位置22，采用集成了三轴加速度计、三轴陀螺仪和三轴磁力计的AHRS模块GY99（MPU9250）获得机器人姿态角度23，实现机器人定位及姿态监测；在机器人中轴线上及中轴线左右分别加装3个超声波传感器，通过接收到的反射信号强度判断障碍物位置24，同时基于渡越时间法测量机器人与障碍物之间的距离25。疫病数据采集功能通过安深度研报Comprehensive 462023年8月 第40卷 第8期装在机器人机械臂上的红外体温探测器和声音采集器采集家禽体温数据和鸣叫数据，若体温数据超出阈值或者采集到异常叫声则证明存在疫病风险，故通过通信系统发送云服务器端，对体温数据比对，叫声音频数据则通过基于CNN鸡叫声异常分类模型判断是否出现疫病情况。由于具有高模型容量的深度神经网络依赖于大量训练数据，且用于鸡叫声分类的标记数据相对稀缺，导致深度卷积神经网络架构（CNN）26在鸡叫声异常分类中应用目前还很有限27，本论文提出一种具有局部内核的深度卷积神经网络架构（CNN）和数据增强方法解决鸡叫声数据稀缺问题。该CNN架构由3个卷积层交替排列2个池化操作组成，接着是两个全连接层。使用Essentia开源音频分析库提取对数刻度的梅尔频谱图，并由其中的时间-频率补丁（TF-patch）作为输入，随机提取TF-补丁并将其输入CNN网络，由于评估数据集中片段长度不同，将输入的TF-补丁大小固定为3秒。输入TF-补丁X，训练网络学习复合非线性函数的参数，该函数将X映射到输出Z：Z=F(X|)=fL(f2(f1(X|1)|2)|L)(3)其中，每个操作被称为网络的一层，架构中有5层，即L=5，其中前三层为卷积层，表达式为：Zl=fl(Xl|l)=h(WXl+b)(4)其中，是一个由N个特征图组成的3维输入张量，W是M个3维卷积核的集合，*表示有效卷积，b是一个向量偏置项，h（）是一个逐点激活函数；最后两层是全连接层，由矩阵乘法操作构成：Zl=fl(Xl|l)=h(WXl+b)（5）其中，是一个由N个特征图组成的3维输入张量，W表示权重矩阵，b是一个向量偏置项，h（）是一个逐点激活函数。我们在中采用小的感受野（5，5），目的是让网络学习小的、局部的模式，并在后续层中融合这些模式从而形成更大的时间-频率特征，这些特征有助于证明鸡叫声音是否异常。通过交叉熵损失函数训练神经网络28，在降低计算成本提高训练速度方面，采用小批量随机梯度下降优化交叉熵损失函数，每个批次由100个TF-补丁组成（无重复），同时采用Adam算法自适应地调整学习率；在提高网络泛化能力防止过拟合方面，对于最后两层的输入采用概率为0.5的Dropout正则化技术，最后两层权重采用惩罚因子为0.001的正则化技术，同时训练时采用的epoch数量通过观察模型在验证集上的性能最终确定为50，在每个epoch后进行检查点保存。该CNN使用Python和神经网络库Lasagne实现，并使用Pescador数据流管理库管理和复用神经网络训练中的数据流，提高训练效率。数据增强方法是指对一组带注释的训练样本应用一个或多个变形，从而得到新的、额外的训练数据，其关键是应用于标记数据的变形不会改变标签语义29-30。通用的音频数据增强方法有：保持音高不变，通过改变音频样本播放速度的时间拉伸方法（TimeStretching）31；有保持播放速度不变，通过改变音频样本音调的音高变调方法（Pitch Shifting）32；有使用4个参数化方法压缩音频样本动态范围的动态范围压缩方法（Dynamic Range Compression）33，其中3个来自Dolby E标准，1个来自icecast在线广播流媒体服务器；还有将音频样本与包含不同类型声学场景背景声音另一录音混合的背景噪声方法（Background Noise）34。由于本研究鸡叫声音频是通过鸡叫的音调和声音强度判断是否出现异常，因此时间拉伸方法和音高变调方法不适用于本研究，甚至可能改变标签语义带来负面影响。本研究采用动态范围压缩和背景噪声技术通过MUDA库进行数据增强，在原有鸡叫声音频中添加养殖场设备作业噪声、养殖人员交谈声等背景噪声，MUDA接收JAMS格式的音频文件和相应的注释文件，并输出经过变形后的音频，以及包含所有变形参数的增强JAMS文件。值得注意的是，增强过程仅应用于训练数据，而测试数据则保持不变，以确保评估结果的可靠性。深度研报Comprehensive 472023年8月 第40卷 第8期四系统功能测试1环境数据采集调控系统效果测试为了评价环境数据采集调控系统应用效果，2019年510月，选择采用环境数据采集调控系统与未采用环境数据采集调控系统的传统鸡舍养殖数据作为测试样本，二者为保证测试数据严谨，测试场地均采用同样规模的中型养殖场饲养大土2号鸡，测试对比成活率、上市率、综合日龄、只利、料肉比、均重差异，测试并验证文中提出的环境数据采集调控系统优势。试验数据对比如表1，比较半年的测试结果，可以看出：510月份智能鸡舍对比传统鸡舍在成活率、上市率上均有不同程度提高，数据证明采用环境数据采集调控系统可降低病死率2%左右；第二方面，对比7、8、9月份与5、6、10月份智能鸡舍养殖数据，发现7、8、9月份养殖效率比5、6、10月份降低明显，分析原因可知，5、6、10月份天气凉，昼夜温差大，采用环境数据采集调控系统可以保证鸡舍内温度适宜稳定通风良好，但7、8、9月份室外温度较高，环境数据采集调控系统对高温环境应对仍未达到精准水平，造成鸡群高温中暑，后期仍需针对高温环境调整环境数据采集调控系统参数，使环境调控及时有效。2家禽精准饲喂系统效果测试为了评价家禽精准饲喂系统应用效果，2021年38月，选择采用家禽精准饲喂系统与未采用环境数据采集调控系统的传统鸡舍养殖数据作为测试样本，二者为保证测试数据严谨，测试场地均采用同样规模的中型养殖场饲养大土2号鸡，测试对比综合日龄、只利、料肉比、均重差异，测试并验证文中提出的家禽精准饲喂系统优势。试验数据对比如表2，比较半年的测试结果，可以看出：38月份智能鸡舍对比传统鸡舍在综合日龄、只利、料肉比、均重方面均有不同程度优势，且在料肉比方面可减少约10%的饲料投入，数据证明智能鸡舍对比传统鸡舍在综合日龄降低和均重提高的基础上减少饲料投入，有效避免至少10%的饲料浪费。3疫病巡检系统效果测试本研究疫病检测机器人主要实现自主巡航避障和疫病数据采集两大功能。疫病检测机器人投入养殖场后，初步手动控制，通过控制疫病检测机器人实现机械臂升降、机械臂伸缩、按指令行走、转向、红外体温、叫声数据采集等指令，验证疫病检测机器人具备基本的行驶、信息采集和通信功能。随后切换自主巡检工作模式，在客户端设定巡检轨迹、养殖空间位置、养殖空间高度，测算养殖空间位置、养殖空间高度的设定轨迹和实际巡航位置，定位偏差约为2CEP，然后在机器人左侧设置障碍物，由图6可知，疫病检测机器人判断此时左侧存在障碍物，同时疫病检测机器人向右航行，最终将疫病检测机器人驱动至指定位置，并切断通信，若疫病检测机器人无法在预设定时间内重新建立连接，则月份1098765养殖模式智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统平养差异户数44243-19932234-20230236-20630236-20629232-20326241-215进苗数1 046 0602 618 176-1 572 116754 3422 228 978-1 474 636707 1962 247 979-1 540 783706 9982 247 912-1 540 914683 4252 209 879-1 526 454612 7332 295 538-1 682 805成活数1 014 6422 491 846-1 477 204724 0122 126 784-1 412 772672 5432 133 332-1 460 789677 4322 146 552-1 469 120662 9902 101 594-1 438 604593 6772 175 940-1 582 263上市数1 010 4822 479 842-1 469 360721 8532 117 724-1 405 871671 9772 119 619-1 447 642674 6172 120 230-1 445 613660 7352 095 186-1 434 451591 0422 172 956-1 581 914成活率/%97.0095.171.8295.4294.650.7695.1094.900.2095.8295.490.3397.0195.101.9196.8994.792.10上市率/%96.6094.721.8895.0194.370.6495.0294.290.7395.4294.321.196.6894.811.8796.4694.661.80综合日龄/天76.789.0-12.277.987.9-10.078.287.8-9.677.888.2-10.475.988.3-12.474.387.5-13.2表1智能鸡舍与传统鸡舍成活率、综合日龄对比深度研报Comprehensive 482023年8月 第40卷 第8期自主按照巡航路线返回出发点。表2智能鸡舍与传统鸡舍只利、料肉比、均重、综合日龄对比月份8月份7月份6月份5月份4月份3月份养殖模式智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异智能鸡舍传统鸡舍差异户数40220-18032219-18730231-20141229-18835230-19532230-198综合日龄/天76.789.0-12.277.987.9-10.078.287.8-9.677.888.2-10.475.988.3-12.474.387.5-13.2只利/元5.314.620.704.754.470.284.864.610.254.964.720.245.434.590.845.514.630.88料肉比2.713.00-0.292.812.97-0.162.792.98-0.192.732.92-0.192.693.01-0.322.703.01-0.31均重/kg3.573.510.063.723.530.193.693.520.173.563.290.273.673.530.143.653.540.11疫病检测机器人航线如图6，经过在3050 m的养殖场中测试，疫病检测机器人机械臂控制、数据采集、障碍物检测等基本功能均满足自主巡航避障的需求，其中黄色星号表示巡检起始点与终止点，蓝色点表示检测机器人因机械臂升降、转向或者遇障碍物的停止点，红色叉号表示检测机器人遇障碍物自主避让点。疫病数据主要通过采集红外体温和鸡叫声数据获得，发现疫病检测机器人可以将红外体温数据及鸡叫声数据发送云服务器，云服务器通过将红外体温对比设定的正常体温范围，同时将鸡叫音频处理后输入鸡叫声异常分类模型，超出阈值的体温数据或者异常叫声数据及养殖空间编号在客户端显示，对于鸡叫声异常分类模型采用通过数据增强方法增强的鸡叫声音频通过数据增强方法获得的数据集进行训练，实现准确率78.62%，可满足疫病及异常预警的需求。同时，疫病巡检系统结合养殖环境健康监测控制系统和家禽精准饲喂系统可显著减少养殖场人工支出投入，以一个5070 m的中型养殖场为例，传统养殖方式至少需雇佣5名工作人员负责疫病巡检、饲喂、疫苗注射、清洁和环境调控等工作，而智能养殖场仅需2名工作人员即可满足养殖需求，以每月3 000元工资计算，每月即可降低9 000元人工支出。图6疫病检测机器人航线五结束语本研究针对家禽传统养殖方式和现代养殖技术存在的问题，提出一种家禽智能养殖系统，能够完成对养殖场养殖环境的精准监测和控制，精准饲喂和预警家禽疾病等任务。通过实验测试，证明本研究提出的环境数据采集调控及精准饲喂模块对鸡成活率、上市率、每只利润、均重均有不同程度提高，疫病检测模块可实现自主巡航避障和疫病数据采集分析预警的功能，为构建我国家禽高效养殖智能装备体系提供技术参考，为我国畜禽养殖业设备智能化提升与升级转型提供有效借鉴。参考文献：1 李保明，王阳，郑炜超，等.畜禽养殖智能装备与信息化技术研究进展 J.华南农业大学学报，2021，42（6）：18-26.2 孟蕊，崔晓东，余礼根，等.畜禽精准饲喂管理技术发展现状与展望 J.家畜生态学报，2021，42（2）：1-7.3 李保明，王阳，郑炜超.我国规模化养鸡环境控制技术的最新进展 J.中国家禽，2019，41（9）：1-7.4 34 参考文献省略，如有需要联系编辑部。深度研报Comprehensive 49