(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210585799.X (22)申请日 2022.05.27 (71)申请人 南京农业大 学 地址 210000 江苏省南京市浦口区点将台 路40号 (72)发明人 沈明霞　侯璐　刘龙申　陈佳　 (74)专利代理 机构 南京天华专利代理有限责任 公司 32218 专利代理师 刘畅　徐冬涛 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/22(2022.01) G06V 10/32(2022.01) G06V 10/34(2022.01) G06V 10/40(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于边缘计算的便携式肉鸡异常监测系统 (57)摘要 本发明公开了一种基于边缘计算的便携式 肉鸡异常监测系统， 它包括： 数据采集与处理模 块， 用于采集肉鸡的RGB图像数据、 鸡舍的环境温 度分布情况， 并综合图像数据预处理模块返回的 识别信息进行肉鸡异常分析判断； 图像数据预处 理模块， 采用 深层卷积神经网络建模， 对图像中 的目标快速识别 与分类， 快速进行鸡群 打堆识别 与鸡只粪便识别； 客户端， 用于展示数据采集与 处理模块的分析判断结果。 本申请基于边缘计算 的便携式笼养肉鸡图像数据采集模块。 为适应国 内笼养鸡鸡舍狭小复杂的环境提出， 轻便灵敏， 运行稳定， 性价比高， 在笼养禽类养殖舍内可广 泛适用。 权利要求书2页 说明书10页 附图5页 CN 114898405 A 2022.08.12 CN 114898405 A 1.一种基于边 缘计算的便携式肉鸡异常监测系统， 其特 征在于它包括： ‑数据采集与处理模块， 用于采集肉鸡的RGB图像数据、 鸡舍的环境温度分布情况， 并综 合图像数据预处 理模块返回的识别 信息进行肉鸡异常 分析判断； ‑图像数据预处理模块， 采用深层卷积神经网络建模， 对图像中的目标快速识别与分 类， 快速进行鸡群打堆识别与鸡只粪便识别； ‑客户端， 用于展示数据采集与处 理模块的分析判断结果。 2.根据权利要求1所述的系统， 其特征在于数据采集与处理模块包括主控制器、 RGB摄 像头、 无线网卡、 外接电源、 热红外摄像头， 所述RGB摄像头、 无线网卡、 外接电源、 热红外摄 像头均与主控制器连接 。 3.根据权利要求1所述的系统， 其特征在于图像数据为直接获取的照片数据， 或从视频 中截取的图片数据。 4.根据权利要求1所述的系统， 其特征在于采用YOLOv5算法作为鸡群打堆识别与鸡只 粪便识别的识别算法。 5.根据权利要求4所述的系 统， 其特征在于YOLOv5算法的网络结构分为： 输入端、 主干 网络、 加强特 征提取网络和预测网络， 具体的： (1)输入端： 鸡只或鸡粪图像输入， 进行Mosaic数据增强并计算自适应锚框， 各组图像 的尺寸缩放至 640×640； (2)主干网络： 提取鸡只或鸡粪的图像特征， 使用了CBS+CSP+SPP F模块结构； CSP 结构的 卷积核大小为3 ×3， 步进值为2， 特征图的尺寸变化为： 640 ×640→320×320→160×160→ 80×80→40×40→20×20， CSP模块既能使模型保持轻量化， 又能获得较高的准确性； 采用 YOLOv5‑6.0将5.0版本主干网络中的空间金字塔池化层SPP更换成了SPPF， 并且将SPPF放到 了主干网络的最后； (3)加强特征提取网络： 使用PANet结构实现鸡只或鸡粪图像的特征融合， 充分利用不 同分辨率图像的特 征信息， 实现多尺度的检测； (4)预测网络： 预测网络中设计了3种不同大小 的特征图来检测小、 中、 大的物体， 分别 为80×80、 40×40和20×20， 最后再引入非极大值抑制NMS保留置信度最高的预测框， 输出 预测结果。 6.根据权利要求5所述的系统， 其特 征在于YOLOv5模型的总损失函数定义 为： Loss_v5＝ λIloss_box+λ2loss_Cls+λ3loss_obj 式中： λ1、 λ2和 λ3为平衡系 数， loss_box、 loss_cls和loss_obj分别表示模型在训练过 程中的位置损失、 分类损失和置信度损失。 7.根据权利要求5所述的系统， 其特征在于采用模型尺寸大小、 检测速度、 精确率P、 召 回率R、 F1 ‑score、 平均精度均值mAP 指标评判算法在测试集上的性能， 其中： 精确率P公式为： 召回率R公式为： 权　利　要　求　书 1/2 页 2 CN 114898405 A 2F1‑score公式为： 上式中， TP表示对正样本预测正确的数量， FP表示对正样本预测错误的数量， FN表示对 负样本预测错 误的数量； 平均精度均值mAP为PR曲线与坐标轴围成的面积， 计算 步骤为： (1)对测试样本的co nfidence score进行排序， 然后计算P和R； (2)计算P和R时只计算按co nfidence score排序后的样本； (3)对PR曲线进行平滑处理， 即对PR曲线上的每个点， P的值取该点右侧最大值， 最终随 着R的增大， P逐渐降低， 避免了曲线的摇摆； (4)把R当成横坐标， P 当成纵坐标， 用积分的方式计算平滑曲线下方的面积作为最终的 AP值。 8.根据权利要求5所述的系统， 其特征在于构建鸡群打堆识别模型时， 识别主体为鸡只 个体， 针对鸡只个体形成识别框； 计算识别框中心 点之间的距离， 当此距离小于给定阈值时 用蓝线连接； 最后通过 连线的连接数与鸡只数目的比例来判断是否存在鸡群打堆状况。 9.根据权利要求5所述的系统， 其特征在于构建鸡只粪便识别模型时， 识别主体为血 便、 稀便和水便， 记录每种粪便的出现次数， 判断异常粪便所占比例。 10.根据权利要求2所述的系统， 其特征在于主控制器基于鸡群打堆识别结果、 鸡只粪 便识别结果、 鸡舍的环境温度分布情况进行肉鸡异常 分析判断： 鸡群仅在高温区域打堆且可 见稀水便无 血便则判定为鸡群冷应激； 若鸡群在打堆同时伴随便中带 血则为感染球虫病； 若打堆位置与环境温度分布无关且无粪便无异常则为特殊应激 。权　利　要　求　书 2/2 页 3 CN 114898405 A 3