基于人工智能的肉鸡养殖信息化服务平台设计

刘同来徐立恒赫敏刘明光陈炫宙洪易谦冯大春郭建军曹亮刘双印

(1.广州市农产品质量安全溯源信息技术重点实验室，广东 广州 510225；2.仲恺农业工程学院信息科学与技术学院，广东 广州 510225；3.仲恺农业工程学院智慧农业创新研究院，广东 广州 510225；4.广东省高校智慧农业工程技术研究中心，广东 广州 510225；5.广东省农产品安全大数据工程技术研究中心，广东 广州 510225)

引言

随着世界经济的快速发展和人口的增长，人们对于肉类食品的需求日益加剧。鸡肉作为一种经济实惠、营养丰富的肉类食品，在市场上占有极高的份额。近年来，受到非洲猪瘟等疫情影响，鸡肉的需求量持续攀升。随着肉鸡养殖规模的扩大，养殖环境和生产效率成为制约肉鸡养殖业发展的关键因素。如何提高肉鸡养殖业的生产效益和降低养殖成本，已经成为业界亟待解决的问题。在传统的肉鸡养殖方式中，存在诸多不足，如信息化程度低，环境调控误差大，饲料投喂量缺乏科学性等。不仅影响了肉鸡养殖业的生产效率，还可能导致环境污染和资源浪费。因此，研发一种基于人工智能的肉鸡智慧养殖信息化服务平台，以提高肉鸡养殖行业的信息化和智能化水平，具有重要的现实意义和应用价值。

近年来，物联网、大数据和人工智能技术在各个领域取得了显著的成果，为肉鸡养殖行业的数字化转型提供了强有力的支持。本文以人工智能为核心技术，结合物联网、大数据等相关技术，开发了一种肉鸡智慧养殖信息化服务平台。通过该平台，可以实现对肉鸡养殖环境的实时监控和智能调控，提高饲料投喂的科学性，降低养殖成本，从而提高肉鸡养殖业的整体竞争力。

1 系统总体架构设计

1.1 人工智能技术应用在肉鸡智慧养殖中的应用

对肉鸡产业链中的养殖信息化管理，将人工智能和大数据分析等技术应用到肉鸡智慧养殖信息化服务平台中，采用分群周期管理、转舍工作管理和环境预测可视化管理。基于加权最小二乘法的同类传感器进行数据融合，采用ARIMA、随机森林算法的模型，通过调控硬件设备，采集环境参数构建基于物联网和大数据的肉鸡养殖环境精准调控模型，采用YOLOv5算法进行肉鸡目标检测。该算法在目标检测方面具有较高的精度和速度优势，相较于其他算法如EfficientDet和Faster-RCNN等，具有更出色的性能表现。团队成员通过对不同版本网络的深入比较与分析，最终选择了YOLOv5s网络，并对其进行了训练和优化，以适应本文的算法前置设计需求。在数据集方面，本文采用了江丰某肉鸡养殖场实地拍摄的视频截图，并使用LabelImg软件进行标注，设置了不同的类别进行分类。本文采用YOLOv5算法在肉鸡深度图像的目标检测中表现出色，细节处理得当。

1.2 微服务分布式架构下的肉鸡智慧养殖平台设计与实现

本文采用Spring Cloud的微服务分布式架构构建，并结合人工智能技术，利用多种环境监测传感器进行环境监测和数据采集，通过基于大数据分析的人工智能算法对肉鸡生长状况和健康状况进行智能监测和分析，将收集到的数据发送到后台的数据库，并通过人工智能算法进行分析，便于养殖人员的管理，在突发状况时自动做出针对性的措施，从而大大提高生产效率。

图1 肉鸡的软件平台和硬件设备的通讯关系

2 系统功能架构设计

2.1 平台需求概要

该平台是一款肉鸡全产业链管理系统，侧重于全产业链溯源数据管理和分析，兼顾了物联网数据采集及设备控制的能力，具备以下功能。

图2 肉鸡全产业链平台系统划分

2.1.1 养殖系统

通过环境监测，智能环控，疾病监测，肉鸡转舍转库记录，专家咨询，养殖人员信息，用药管理及养殖数据可视化各个模块的信息管理，及时反馈养殖过程中的情况，从而提高养殖效率和质量。依托于物联网技术，系统实现了精准的环境监测和高效的智能环控。

2.1.2 屠宰系统

对于肉鸡屠宰过程中的生产计划，材料领用，分级分割，称重包装及屠宰仓库进行数据方面的管理，从而提高屠宰的效能。

2.1.3 加工系统

将屠宰后的肉鸡部位进行腌制、油炸等产品生产，并将数据进行管理，利于之后在溯源方面提供数据支撑。

2.1.4 仓库系统

存储在各个生产阶段中的肉鸡及其产品和辅料，或对其进行调拨出库。

2.1.5 销售系统

将加工完的肉鸡销售给批发商和零售商。其中有溯源模块，即记录肉鸡从饲料、疫苗、药品等的使用情况到出栏、屠宰、加工、出售的全过程，实现全程追溯提高产品的溯源性和安全性。

2.1.6 物流模块

实时追踪和管理物流流程和货物信息，保证货物准确到达销售终端。

2.1.7 数据可视化系统

对日常采集的各项数据进行处理和分析，提供直观的图形化展示，帮助企业更好地把握鸡苗价格和饲料原料价格的涨跌情况，做好管理决策。预测系统：通过分析历史数据和行业趋势，预测肉鸡产量、价格变化，帮助企业做好产销策略。

2.2 平台特点

2.2.1 多系统功能

该平台包含了养殖、屠宰、加工、销售、溯源、数据可视化、预测和物流等多个系统，而系统内有包含许多以满模块和全产业链的管理需求。

2.2.2 信息化管理

通过采用人工智能、大数据、区块链等新一代信息技术，实现了对全产业链的信息化管理，解决了数据孤岛和信息孤岛的问题，全面地掌握肉鸡生产链中的信息。

2.2.3 精准调控模型

结合物联网技术，系统采用传感器数据收集及处理技术与精准调控模型，通过环境调控、智能环控、疾病监测等模块，对养殖过程中的情况进行及时监测和调整，提高了养殖效率和质量。

2.2.4 全程追溯

通过记录肉鸡从饲料、疫苗、药品等的使用情况到出栏、屠宰、加工、销售的全过程，实现了全程追溯，提高了产品的溯源性和安全性。

2.2.5 数据可视化和预测

通过数据可视化和预测模块，对采集的数据进行处理和分析，提供直观的图形化展示和预测结果，帮助企业更好地作出管理决策。

2.2.6 实时物流追踪

通过物流模块，实时追踪和管理物流流程和货物信息，保证货物准确到达销售终端。

2.2.7 专家在线咨询模块

通过聊天窗口化的咨询方式，使得养殖者能随时随地对专家询问养殖中的各种问题，更好地解决突发状况，从而提供生产效能。

2.3 系统作用

2.3.1 提高生产效率

通过实时监测和数据采集，帮助企业实现对生产过程的实时掌控，提高管理的科学性，从而提高生产效率。

2.3.2 降低成本

通过对养殖和加工过程的数据分析和预测，帮助企业制定更加科学、合理的养殖和加工方案，从而降低成本。

2.3.3 提升产品质量和安全性

通过对养殖和加工过程的数据分析和预测，帮助企业制定更加科学、合理的养殖和加工方案，提升产品的质量和安全性。

2.3.4 增强竞争力和品牌价值

通过提高生产效率、降低成本、提升产品质量和安全性，增强了产品的竞争力和品牌价值。

2.3.5 提高企业管理水平和市场地位

通过全面、准确的数据管理和分析，提高企业的管理水平和市场地位。

2.3.6 增强消费者对产品的信任度和品牌价值

通过提高产品的质量和安全性，增强了消费者对产品的信任度和品牌价值。

2.4 竞品分析

目前市面上已经有一些肉鸡养殖和加工的管理系统，如“鸡管家”“鸡舍管家”“鸡农网”等，主要面向肉鸡养殖和加工企业，主要功能包括养殖环境监测，养殖过程管理，加工过程管理，数据分析和预测等。系统与竞品的比较分析见表1。

表1 本系统与其他管理系统的功能对比

综上所述，本系统具有全面、实时、数据化、预测性和协同性等特点，能够帮助肉鸡养殖和加工企业提高生产效率，降低成本，提升产品质量和安全性，增强竞争力和品牌价值，提高企业管理水平和市场地位，增强消费者对产品的信任度和品牌价值等方面的优势。同时，本系统还具备信息共享和协同功能，能够进一步提高企业协同效率和工作效率。

3 基于人工智能的肉鸡状态检测设计

利用基于神经网络的深度学习目标检测算法研究方法以及具体的YOLOv5目标检测算法对于捕获到的肉鸡图像信息进行预处理。

3.1 基于神经网络的深度学习目标检测算法研究

为满足本文对于肉鸡图像采集处理的研究需求，团队成员对基于YOLOv5、Faster-RCNN、RetinaNet等深度学习神经网络模型的目标检测算法进行了研究和比较。

图3 肉鸡深度图数据集构建流程及结构

经研究决定，初步决定采用YOLOv5算法。YOLOv5的网络架构可以被划分为4个不同的处理阶段：输入(Input)、主干(Backbone)、颈部(Neck)和预测(Prediction)。在输入阶段，关键任务包括数据增强、自适应图像缩放以及锚框计算。主干阶段采用CSP结构，用来提取输入样本的核心信息。颈部阶段则采用FPN和PAN结构，对主干阶段提取的信息进行特征融合，以获得更全面的特征表达。在预测阶段进行目标检测的预测操作，并计算GIOU_Loss等损失值，这些损失值用于网络的优化和训练。这4个阶段共同构成了YOLOv5网络结构的核心流程。

3.1.1 在算法精度方面

团队对主流算法进行了前期比较。与EfficientDet算法相比，YOLOv5具有更高的精度。相较于两阶段(Two-Stage)目标检测算法Faster-RCNN，一阶段(One-Stage)目标检测算法YOLO在速度上具有明显优势，一次性输出目标框的位置和类别置信度。计划采用的YOLOv5s小型模型在速度上提高了约2.5倍，同时在小目标检测时表现更出色。此外，与采用Darknet架构的YOLOv4相比，YOLOv5的体积(权重文件为27MB)减小了近90%，便于部署到嵌入式设备上。这种选择符合本文算法前置的设计需求，即将训练好的模型预置到前端摄像机的计算芯片中，在前端进行运算，将初步结果传送至远端服务器，以减轻养殖现场带宽不足对视频传输的影响。将对YOLOv5的不同结构进行训练，深入比较分析，以找出适合本文的神经网络模型。

3.1.2 算法选择对比

在YOLOv5系列中，包含有YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x等网络结构，尽管在基本框架上保持一致，但在网络深度和宽度方面存在显著差异。为了优化网络性能，团队成员向相关算法开发人员请教，研究如何针对这4种结构进行参数调整，从而调节网络的深度和宽度，以提高网络特征提取和特征融合能力。经过深入对比与分析，团队成员最终选择了YOLOv5s网络。不同版本网络的运算性能对比如图5所示。

图4 YOLOv5目标检测算法框架

图6 YOLOv5算法流程图

图7 肉鸡深度图像标注细节

图8 肉鸡深度图数据集

图9 肉鸡深度图像的分割效果

3.2 YOLOv5目标检测算法流程

采用YOLOv5目标检测算法。

数据集来自江丰某肉鸡养殖场实地拍摄的视频截图。使用LabelImg软件对转换后的数据集进行标注，并手动设置了诸如正常成鸡、病成鸡、正常乳鸡等类别。数据集共包含4000余张图像，按9∶1的比例随机划分为训练集和测试集。

YOLOv5因其出色的速度和高度的适应性而备受关注。该网络的架构主要由两部分组成，即Darknet-53主干网络和路径聚合网络(PANet)。主干网络采用了CSP1_X结构，其中包括2个分支，第1个分支由X个Bottleneck模块按顺序连接而成，而第2个分支则包括一系列卷积层。这2个分支被融合在一起，增加了网络的深度，从而显著提升了特征提取的性能。PANet结构由卷积操作、上采样操作和CSP2X模块组成，形成了一个循环金字塔结构，促使不同特征层之间能够相互交流，有助于进行掩模预测。通过非极大值抑制(Non-Maximum Suppression，NMS)处理，最终获得了预测框；这些结构的协同作用有助于提高网络的性能和目标检测准确度。值得一提的是，YOLOv5在深度图像标注中表现出色，其细节处理得到了充分考虑。

3.3 YOLOv5检测效果分析

通过采用深度学习图像分析与处理方法，在处理肉鸡的图像时面临多重挑战，如肉鸡在拍摄时不断运动、姿势各异、遮挡现象严重以及图像可能不完整。因此，在标注肉鸡图像时，决定不对那些在图像边缘未完整呈现的鸡进行标注。使用了CVAT软件来进行肉鸡深度图像的标注。为了获得最佳的分割结果，标注人员会将肉鸡深度图像进行最大化缩放，然后进行精细的轮廓标注。平均而言，每只鸡的轮廓需要大约300～500个标注点，以确保标注的准确性和精细度。

4 结束语

本文通过深入分析肉鸡养殖行业的现状和挑战，探讨了如何利用人工智能技术改进肉鸡养殖过程，提高生产效率和降低成本。通过整合物联网、大数据、自动控制等信息技术，成功开发了一种基于人工智能的肉鸡智慧养殖信息化服务平台，实现了肉鸡养殖全程的无人化、智能化、数字化。本文将人工智能技术应用于肉鸡个体识别，饲养安全管理，生物联防联控，线上远程诊断等多个阶段，有效提高了肉鸡饲养的产出、回报和效益。特别是在病死鸡监控方面，通过引入现代化棚舍、托架设备和云摄像机等技术，实现了对病死鸡和弱残鸡的快速识别和监测，避免了人工巡逻检查的不足和病死引发瘟疫的重大损失。肉鸡养殖行业的数字化转型仍然面临着许多挑战。今后，需要进一步完善智慧养殖信息化服务平台，提高其在各个环节的智能化水平，还需关注可持续发展、生态环保等方面的问题，以确保肉鸡养殖行业的长期健康发展。本文为肉鸡养殖行业的信息化和智能化提供了有力支持，有望为肉鸡养殖业带来革命性的变革。