基于深度学习的笼养鸡群热应激智能巡检方法及系统

1.本技术涉及自动化控制技术领域，具体涉及一种基于深度学习的笼养鸡群热应激智能巡检系统及方法。


背景技术：

2.鸡舍规模养殖环境下笼养鸡呈高密度养殖，易导致鸡群产生热应激反应，从而导致鸡只患热应激病。热应激病是指动物受到热应激源强烈刺激而发生的一种适应性疾病，或适应性综合征。临诊特征为沉郁、昏迷、呼吸促迫，心力衰竭，严重时可导致动物休克死亡。多发生于春末夏初，气候突然变热的季节或鸡群密度过大、通风不良的鸡舍，常于午夜后死亡。
3.为了预防鸡舍内出现热应激病，传统技术中在发病季节一般对鸡舍进行防暑降温，加强通风。同时在饮水中添加防暑降温药物、抗应激药物等。注意巡视鸡群状况，添加少量饲料、补充足够饮水，让鸡群稍微活动，发现病鸡及时提出放在户外或浸入冷水中，这样轻微症状的鸡可以恢复健康。也可对鸡群用冷水喷雾降温。
4.但是传统技术中预防鸡只的热应激病的方式还是需要凭借饲养员经验，并且需要定时巡检，不仅费时费力，而且难以量化标准，导致鸡群出现热应激而造成经济损失。


技术实现要素：

5.本技术为了解决上述技术问题，提出了如下技术方案：
6.第一方面，本技术实施例提供了一种基于深度学习的笼养鸡群热应激智能巡检方法，在鸡舍内设置巡检装置，所述巡检装置包括：巡检小车，固定设置在所述巡检小车上的服务器和伸缩杆，所述伸缩杆的底端与所述巡检小车固定连接，所述伸缩杆的顶端设置有旋转平台，与所述旋转平台固定连接的摆动机构，所述摆动机构上设置有红外热成像仪、摄像头和环境检测仪；
7.根据摄像头所拍摄图像控制伸缩杆、旋转平台和平台摆动机构，以调节拍摄位置及角度；
8.通过环境检测仪实现环境因子的采集，所述环境因子包括：温湿度、光照强度、二氧化碳浓度信息；
9.确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，用于对鸡只的温度进行预测；
10.利用所述反演模型预测笼养鸡群中每只鸡的体温并根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的第一数量；
11.根据产生热应激反应鸡只的第一数量和鸡只总数量确定鸡舍内鸡只的热应激率，如果所述热应激率大于或等于预设阈值，则对鸡舍进行通风。
12.在一种可能的实现方式中，所述确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，包括：
13.获取图像上鸡头即感兴趣区域的坐标并将该坐标映射到热红外图像中；
14.提取热红外图像上的鸡头所在区域，利用图像分割算法将感兴趣区域分割提取并获取鸡只头部区域最高温度，将该最高温度作为鸡只体表温度；
15.采用由粒子群优化算法优化后的梯度提升决策树算法结合鸡只体表温度和环境因子建立鸡只体温反演模型。
16.在一种可能的实现方式中，所采用由粒子群优化算法优化后的梯度提升决策树算法结合鸡只体表温度和环境因子建立鸡只体温反演模型，包括：由粒子群优化算法优化后的梯度提升决策树算法对输入特征进行模型训练，在损失函数最小化下进行模型优化：
17.输入训练数据集d＝{(x1,y1),(x2,y2),
····
,(xn,yn)}，其中xi为输入的特征变量，即鸡只体表温度、环境温湿度、光照强度和二氧化碳浓度，yi为第i个训练样本目标值，即鸡只肛肠温度，定义损失函数为l(y，f(x))。
18.在一种可能的实现方式中，由粒子群优化算法优化后的梯度提升决策树算法建模过程，包括：
19.数据归一化，建立梯度提升决策树算法gbdt模型，初始化网络的权值和阈值；
20.初始化粒子群优化算法pso参数，最大迭代次数、种群大小、个体学习因子、社会学习因子、惯性权重等参数；
21.初始化粒子群优化算法pso的种群位置，根据梯度提升决策树算法gbdt，计算出需要优化的变量元素个数；
22.粒子群优化算法pso优化，适应度函数设置为梯度提升决策树算法gbdt预测的均方误差，循环pso优化过程，不断更新最优粒子的位置直至最大迭代次数，终止pso算法；
23.粒子群优化算法pso算法优化后的最优权值阈值参数赋予梯度提升决策树算法gbdt，即输出最优的pso-gbdt模型。
24.在一种可能的实现方式中，梯度提升决策树算法迭代过程，包括：
25.初始化第一棵回归树f0(x)：
[0026][0027]
式中：c为令损失函数极小化时的常数，c和n为样本数；
[0028]
对样本xi拟合当前模型损失函数的负梯度值作为残差，进行损失函数最小化；
[0029][0030]
式中：r
m,i
为第m棵回归树对样本xi的残差拟合，f
m-1
(x)为第m-1棵回归树的预测值；
[0031]
通过
[0032]
将(xi,yi)代入r
m,i
，拟合得到第m轮训练的数据集，即第m棵cart回归树，得到叶子结点集合区域r
m,j
；
[0033]
计算节点j区域的值，极小化损失函数：
[0034]
[0035]
式中：c
m,j
为损失函数极小化下第m棵回归树j个节点区域的最佳拟合值；
[0036]
对预测结果进行更新，得到第m棵回归树的预测值fm(xi)；
[0037][0038]
将所有得到的c
m,j
值在相同的叶子结点区域进行累加求和，得到最终的回归预测值f(x)：
[0039][0040]
在一种可能的实现方式中，粒子群优化算法pso实现步骤，包括：
[0041]
初始化粒子位置和速度，计算种群适应度，循环更新当前粒子群最优粒子的位置和速度，直至获得最优个体位置和速度与最优适应度，跳出循环；经过有限次迭代后，粒子群中的每个粒子都会向着最优解靠近；
[0042]
其中，速度更新公式：
[0043]
ν
ij
(t+1)＝ν
ij
(t)+c1r1(p
bestii
(t)|x
ij
(t))+c2r2(g
bestj-x
ij
(t))
[0044]
位置更新公式：
[0045]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0046]
式中：下标j为粒子i的第i维；下标i为第i个粒子；t为当前迭代次数；c1与c2均为加速度常量；通常在区间(0，2)范围进行取值；r1与r2为两个相互独立的取值范围在[0,1]的随机数。
[0047]
在一种可能的实现方式中，所述巡检小车的控制器为simatic s7-200 smart plc，配置有16线激光雷达、直流无刷电机和编码器。
[0048]
在一种可能的实现方式中，所述环境检测仪是以stm32微控制器为核心，设置有sht40温湿度传感器、zk00302二氧化碳传感器和bh1750fvi光照传感器。
[0049]
在一种可能的实现方式中，鸡舍内通风系统是以esp32微控制器为核心，配置有风机和继电器，所述继电器分别与所述esp32微控制器和所述风机电连接。
[0050]
第二方面，本技术实施例提供了一种基于深度学习的笼养鸡群热应激智能巡检系统，包括：在鸡舍内设置巡检装置，所述巡检装置包括：巡检小车，固定设置在所述巡检小车上的服务器和伸缩杆，所述伸缩杆的底端与所述巡检小车固定连接，所述伸缩杆的顶端设置有旋转平台，与所述旋转平台固定连接的摆动机构，所述摆动机构上设置有红外热成像仪、摄像头和环境检测仪；
[0051]
调节模块，用于根据摄像头所拍摄图像控制伸缩杆、旋转平台和平台摆动机构，以调节拍摄位置及角度；
[0052]
环境因子采集模块，用于通过环境检测仪实现环境因子的采集，所述环境因子包括：温湿度、光照强度、二氧化碳浓度信息；
[0053]
模型建立模块，用于确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，用于对鸡只的温度进行预测；
[0054]
判断模块，用于利用所述反演模型预测笼养鸡群中每只鸡的体温并根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的第一数量；
[0055]
处理模块，用于根据产生热应激反应鸡只的第一数量和鸡只总数量确定鸡舍内鸡只的热应激率，如果所述热应激率大于或等于预设阈值，则对鸡舍进行通风。
[0056]
在本技术实施例中，采用无接触式的判断鸡群热应激状况，可以全天候动态采集舍内鸡群的热红外图像，结合环境检测仪所测环境因子建立模型进行体温反演，输出舍内鸡群体温数据，进而判断舍内鸡群热应激情况，及时开启舍内通风系统，减少经济损失并降低了人工工作量。
附图说明
[0057]
图1为本技术实施例提供的一种巡检装置的结构示意图；
[0058]
图2为本技术实施例提供的控制系统框架示意图；
[0059]
图3为本技术实施例提供的环境检测仪的示意图；
[0060]
图4为本技术实施例提供的通风系统的示意图；
[0061]
图5为本技术实施例提供的一种基于深度学习的笼养鸡群热应激智能巡检方法的流程示意图；
[0062]
图6为本技术实施例提供的一种基于深度学习的笼养鸡群热应激智能巡检系统的示意图；
[0063]
图1-6中，符号表示为：
[0064]
1-巡检小车，2-服务器，3-伸缩杆，4-旋转平台，5-摆动机构，6-红外热成像仪，7-摄像头，8-环境检测仪。
具体实施方式
[0065]
下面结合附图与具体实施方式对本方案进行阐述。
[0066]
为了实现本技术实施例中的基于深度学习的笼养鸡群热应激智能巡检方法，在鸡舍内设置巡检装置，参见图1，本实施例中的巡检装置包括：巡检小车1，固定设置在所述巡检小车1上的服务器2和伸缩杆3，所述伸缩杆3的底端与所述巡检小车1固定连接，所述伸缩杆3的顶端设置有旋转平台4，与所述旋转平台4固定连接的摆动机构5，所述摆动机构5上设置有红外热成像仪6、摄像头7和环境检测仪8。
[0067]
伸缩杆3由plc控制并由伺服电机驱动，巡检小车1由plc控制并在激光雷达的作用下在鸡舍内循环运转。其中红外热成像仪6用于采集鸡群热红外图像，摄像头7用于采集鸡群rgb图像，伸缩杆3用于调节红外热成像仪6、摄像头7、环境检测仪8的高度位置，摆动机构5和旋转平台4用于调节红外热成像仪6、摄像头7、环境检测仪8的拍摄角度。环境检测仪8用于采集温湿度、光照强度、二氧化碳浓度信息，所采集的热红外图像、rgb图像、温湿度、光照强度、二氧化碳浓度等数据信息上传至服务器2，服务器2进行鸡群体温反演并与移动终端进行信息交互，如图2所示。
[0068]
本实施例中,所述巡检小车1的控制器为simatic s7-200 smart plc，配置有16线激光雷达、直流无刷电机和编码器。参见图3，所述环境检测仪8是以stm32微控制器为核心，设置有sht40温湿度传感器、zk00302二氧化碳传感器和bh1750fvi光照传感器。通电开机后由stm32微控制器控制上述三个传感器在红外热成像仪6和摄像头7每次拍摄图像前进行环境数据的采集，并将数据通过stm32微控制器上传至服务器2中。参见图4，鸡舍内通风系统是以esp32微控制器为核心，配置有风机和继电器，所述继电器分别与所述esp32微控制器和所述风机电连接。由esp32微控制器接收服务器2所发射的控制信号，通过控制继电器来
实现风机的及时开启。
[0069]
参见图5为申请实施例提供的一种基于深度学习的笼养鸡群热应激智能巡检方法的流程示意图，基于上述巡检装置，本实施例提供的基于深度学习的笼养鸡群热应激智能巡检方法包括：
[0070]
s101，根据摄像头所拍摄图像控制伸缩杆、旋转平台和平台摆动机构，以调节拍摄位置及角度。
[0071]
s102，通过环境检测仪实现环境因子的采集，所述环境因子包括：温湿度、光照强度、二氧化碳浓度信息。
[0072]
s103，确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，用于对鸡只的温度进行预测。
[0073]
s104，利用所述反演模型预测笼养鸡群中每只鸡的体温并根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的第一数量。
[0074]
s105，根据产生热应激反应鸡只的第一数量和鸡只总数量确定鸡舍内鸡只的热应激率，如果所述热应激率大于或等于预设阈值，则对鸡舍进行通风。
[0075]
本技术实施例为了获取鸡只对应的温度数据，获取图像上鸡头即感兴趣区域的坐标并将该坐标映射到热红外图像中。提取热红外图像上的鸡头所在区域，利用图像分割算法将感兴趣区域分割提取并获取鸡只头部区域最高温度，将该最高温度作为鸡只体表温度。
[0076]
具体地，基于深层卷积神经网络建立目标识别模型，使用识别框四个顶点位置确定鸡只头部位置。通过深层卷积神经网络模型可获取笼养鸡群中鸡头所在感兴趣区域的各顶点坐标值以及鸡群的鸡只数量，坐标输出格式为(x，y)，四个顶点坐标分别为：(x
min
,y
min
)、(x
min
,y
max
)、(x
max
,y
min
)、(x
max
,y
max
)。根据四个顶点坐标确定鸡群中各鸡只的头部位置，从而根据热红外图像获取鸡群中各鸡只的体表温度。
[0077]
采用由粒子群优化算法优化后的梯度提升决策树算法结合鸡只体表温度和环境因子建立鸡只体温反演模型。具体地，由粒子群优化算法优化后的梯度提升决策树算法对输入特征进行模型训练，在损失函数最小化下进行模型优化：
[0078]
输入训练数据集d＝{(x1,y1),(x2,y2),
····
,(xn,yn)}，其中xi为输入的特征变量，即鸡只体表温度、环境温湿度、光照强度和二氧化碳浓度，yi为第i个训练样本目标值，即鸡只肛肠温度，定义损失函数为l(y，f(x))。
[0079]
由粒子群优化算法优化后的梯度提升决策树算法建模过程，包括：
[0080]
数据归一化，建立梯度提升决策树算法gbdt模型，初始化网络的权值和阈值；
[0081]
初始化粒子群优化算法pso参数，最大迭代次数、种群大小、个体学习因子、社会学习因子、惯性权重等参数；
[0082]
初始化粒子群优化算法pso的种群位置，根据梯度提升决策树算法gbdt，计算出需要优化的变量元素个数；
[0083]
粒子群优化算法pso优化，适应度函数设置为梯度提升决策树算法gbdt预测的均方误差，循环pso优化过程，不断更新最优粒子的位置直至最大迭代次数，终止pso算法；
[0084]
粒子群优化算法pso算法优化后的最优权值阈值参数赋予梯度提升决策树算法gbdt，即输出最优的pso-gbdt模型。
[0085]
具体的，梯度提升决策树算法迭代过程，包括：
[0086]
初始化第一棵回归树f0(x)：
[0087][0088]
式中：c为令损失函数极小化时的常数，c和n为样本数；
[0089]
对样本xi拟合当前模型损失函数的负梯度值作为残差，进行损失函数最小化；
[0090][0091]
式中：r
m,i
为第m棵回归树对样本xi的残差拟合，f
m-1
(x)为第m-1棵回归树的预测值；
[0092]
通过
[0093]
将(xi,yi)代入r
m,i
，拟合得到第m轮训练的数据集，即第m棵cart回归树，得到叶子结点集合区域r
m,j
；
[0094]
计算节点j区域的值，极小化损失函数：
[0095][0096]
式中：c
m,j
为损失函数极小化下第m棵回归树j个节点区域的最佳拟合值；
[0097]
对预测结果进行更新，得到第m棵回归树的预测值fm(xi)；
[0098][0099]
将所有得到的c
m,j
值在相同的叶子结点区域进行累加求和，得到最终的回归预测值f(x)：
[0100][0101]
具体的，粒子群优化算法pso实现步骤，包括：
[0102]
初始化粒子位置和速度，计算种群适应度，循环更新当前粒子群最优粒子的位置和速度，直至获得最优个体位置和速度与最优适应度，跳出循环。经过有限次迭代后，粒子群中的每个粒子都会向着最优解靠近。
[0103]
其中，速度更新公式：
[0104]
ν
ij
(t+1)＝ν
ij
(t)+c1r1(p
bestii
(t)|x
ij
(t))+c2r2(g
bestj-x
ij
(t))
[0105]
位置更新公式：
[0106]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0107]
式中：下标j为粒子i的第i维；下标i为第i个粒子；t为当前迭代次数；c1与c2均为加速度常量。通常在区间(0，2)范围进行取值；r1与r2为两个相互独立的取值范围在[0,1]的随机数。
[0108]
根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的数量n2，将n2存入数据库，本实施例中，鸡只体温预测值高于43℃则认为该鸡出现热应激反应。计算热应激率若yj的值高于10％则认为整个鸡群出现热应激反应，由激光
雷达确定此时巡检小车的位置并存入数据库，通过服务器与esp32微控制器控制继电器使相应位置的舍内通风系统工作。
[0109]
与上述实施例提供的一种基于深度学习的笼养鸡群热应激智能巡检方法相对应，本技术还提供了一种基于深度学习的笼养鸡群热应激智能巡检系统的实施例。
[0110]
参见图6，本实施例中的基于深度学习的笼养鸡群热应激智能巡检系统20，包括：
[0111]
调节模块201，用于根据摄像头所拍摄图像控制伸缩杆、旋转平台和平台摆动机构，以调节拍摄位置及角度。
[0112]
环境因子采集模块202，用于通过环境检测仪实现环境因子的采集，所述环境因子包括：温湿度、光照强度、二氧化碳浓度信息。
[0113]
模型建立模块203，用于确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，用于对鸡只的温度进行预测。
[0114]
判断模块204，用于利用所述反演模型预测笼养鸡群中每只鸡的体温并根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的第一数量。
[0115]
处理模块205，用于根据产生热应激反应鸡只的第一数量和鸡只总数量确定鸡舍内鸡只的热应激率，如果所述热应激率大于或等于预设阈值，则对鸡舍进行通风。
[0116]
本技术实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示单独存在a、同时存在a和b、单独存在b的情况。其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
[0117]
以上所述，仅为本技术的具体实施方式，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，在鸡舍内设置巡检装置，所述巡检装置包括：巡检小车，固定设置在所述巡检小车上的服务器和伸缩杆，所述伸缩杆的底端与所述巡检小车固定连接，所述伸缩杆的顶端设置有旋转平台，与所述旋转平台固定连接的摆动机构，所述摆动机构上设置有红外热成像仪、摄像头和环境检测仪；根据摄像头所拍摄图像控制伸缩杆、旋转平台和平台摆动机构，以调节拍摄位置及角度；通过环境检测仪实现环境因子的采集，所述环境因子包括：温湿度、光照强度、二氧化碳浓度信息；确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，用于对鸡只的温度进行预测；利用所述反演模型预测笼养鸡群中每只鸡的体温并根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的第一数量；根据产生热应激反应鸡只的第一数量和鸡只总数量确定鸡舍内鸡只的热应激率，如果所述热应激率大于或等于预设阈值，则对鸡舍进行通风。2.根据权利要求1所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，所述确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，包括：获取图像上鸡头即感兴趣区域的坐标并将该坐标映射到热红外图像中；提取热红外图像上的鸡头所在区域，利用图像分割算法将感兴趣区域分割提取并获取鸡只头部区域最高温度，将该最高温度作为鸡只体表温度；采用由粒子群优化算法优化后的梯度提升决策树算法结合鸡只体表温度和环境因子建立鸡只体温反演模型。3.根据权利要求2所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，所述采用由粒子群优化算法优化后的梯度提升决策树算法结合鸡只体表温度和环境因子建立鸡只体温反演模型，包括：由粒子群优化算法优化后的梯度提升决策树算法对输入特征进行模型训练，在损失函数最小化下进行模型优化：输入训练数据集d＝{(x1,y1),(x2,y2),
····
,(x
n
,y
n
)}，其中x
i
为输入的特征变量，即鸡只体表温度、环境温湿度、光照强度和二氧化碳浓度，y
i
为第i个训练样本目标值，即鸡只肛肠温度，定义损失函数为l(y，f(x))。4.根据权利要求3所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，由粒子群优化算法优化后的梯度提升决策树算法建模过程，包括：数据归一化，建立梯度提升决策树算法gbdt模型，初始化网络的权值和阈值；初始化粒子群优化算法pso参数，最大迭代次数、种群大小、个体学习因子、社会学习因子和惯性权重参数；初始化粒子群优化算法pso的种群位置，根据梯度提升决策树算法gbdt，计算出需要优化的变量元素个数；粒子群优化算法pso优化，适应度函数设置为梯度提升决策树算法gbdt预测的均方误差，循环pso优化过程，不断更新最优粒子的位置直至最大迭代次数，终止pso算法；粒子群优化算法pso算法优化后的最优权值阈值参数赋予梯度提升决策树算法gbdt，即输出最优的pso-gbdt模型。
5.根据权利要求4所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，梯度提升决策树算法迭代过程，包括：初始化第一棵回归树f0(x)：式中：c为令损失函数极小化时的常数，c和n为样本数；对样本x
i
拟合当前模型损失函数的负梯度值作为残差，进行损失函数最小化；式中：r
m,i
为第m棵回归树对样本x
i
的残差拟合，f
m-1
(x)为第m-1棵回归树的预测值；通过将(x
i
,y
i
)代入r
m,i
，拟合得到第m轮训练的数据集，即第m棵cart回归树，得到叶子结点集合区域r
m,j
；计算节点j区域的值，极小化损失函数：式中：c
m,j
为损失函数极小化下第m棵回归树j个节点区域的最佳拟合值；对预测结果进行更新，得到第m棵回归树的预测值f
m
(x
i
)；将所有得到的c
m,j
值在相同的叶子结点区域进行累加求和，得到最终的回归预测值f(x)：6.根据权利要求4所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，粒子群优化算法pso实现步骤，包括：初始化粒子位置和速度，计算种群适应度，循环更新当前粒子群最优粒子的位置和速度，直至获得最优个体位置和速度与最优适应度，跳出循环；经过有限次迭代后，粒子群中的每个粒子都会向着最优解靠近；其中，速度更新公式：ν
ij
(t+1)＝ν
ij
(t)+c1r1(p
bestii
(t)|x
ij
(t))+c2r2(g
bestj-x
ij
(t))位置更新公式：x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)式中：下标j为粒子i的第i维；下标i为第i个粒子；t为当前迭代次数；c1与c2均为加速度常量，通常在区间(0，2)范围进行取值；r1与r2为两个相互独立的取值范围在[0,1]的随机数。7.根据权利要求1所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，所述巡检小车的控制器为simatic s7-200 smart plc，配置有16线激光雷达、直流无刷电机和编码器。8.根据权利要求1所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，
所述环境检测仪是以stm32微控制器为核心，设置有sht40温湿度传感器、zk00302二氧化碳传感器和bh1750fvi光照传感器。9.根据权利要求1所述的基于深度学习的笼养鸡群热应激智能巡检方法，其特征在于，鸡舍内通风系统是以esp32微控制器为核心，配置有风机和继电器，所述继电器分别与所述esp32微控制器和所述风机电连接。10.一种基于深度学习的笼养鸡群热应激智能巡检系统，其特征在于，包括：在鸡舍内设置巡检装置，所述巡检装置包括：巡检小车，固定设置在所述巡检小车上的服务器和伸缩杆，所述伸缩杆的底端与所述巡检小车固定连接，所述伸缩杆的顶端设置有旋转平台，与所述旋转平台固定连接的摆动机构，所述摆动机构上设置有红外热成像仪、摄像头和环境检测仪；调节模块，用于根据摄像头所拍摄图像控制伸缩杆、旋转平台和平台摆动机构，以调节拍摄位置及角度；环境因子采集模块，用于通过环境检测仪实现环境因子的采集，所述环境因子包括：温湿度、光照强度、二氧化碳浓度信息；模型建立模块，用于确定鸡只体表温度并结合所述环境因子建立鸡只体温反演模型，用于对鸡只的温度进行预测；判断模块，用于利用所述反演模型预测笼养鸡群中每只鸡的体温并根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的第一数量；处理模块，用于根据产生热应激反应鸡只的第一数量和鸡只总数量确定鸡舍内鸡只的热应激率，如果所述热应激率大于或等于预设阈值，则对鸡舍进行通风。

技术总结
本申请公开了一种基于深度学习的笼养鸡群热应激智能巡检方法及系统，在鸡舍内设置巡检装置，调节拍摄位置及角度，通过环境检测仪实现环境因子的采集，确定鸡只体表温度并结合环境因子建立鸡只体温反演模型，用于对鸡只的温度进行预测；利用反演模型预测笼养鸡群中每只鸡的体温并根据体温预测值判断鸡只是否产生热应激反应，并记录产生热应激反应鸡只的第一数量；确定鸡舍内鸡只的热应激率，如果所述热应激率大于或等于预设阈值，则对鸡舍进行通风。采用全天候动态采集舍内鸡群的热红外图像，结合环境检测仪所测环境因子建立模型进行体温反演，输出舍内鸡群体温数据，进而判断舍内鸡群热应激情况，及时开启舍内通风系统，降低了人工工作量。低了人工工作量。低了人工工作量。


技术研发人员：于镇伟 孙渝明 田富洋 林海 焦洪超 严格齐 宋占华 闫银发
受保护的技术使用者：山东农业大学
技术研发日：2023.07.19
技术公布日：2023/10/20