基于人工智能的肉雞養殖信息化服務平臺設計

劉同來徐立恒赫敏劉明光陳炫宙洪易謙馮大春郭建軍曹亮劉雙印

(1.廣州市農產品質量安全溯源信息技術重點實驗室，廣東 廣州 510225；2.仲愷農業工程學院信息科學與技術學院，廣東 廣州 510225；3.仲愷農業工程學院智慧農業創新研究院，廣東 廣州 510225；4.廣東省高校智慧農業工程技術研究中心，廣東 廣州 510225；5.廣東省農產品安全大數據工程技術研究中心，廣東 廣州 510225)

引言

隨著世界經濟的快速發展和人口的增長，人們對于肉類食品的需求日益加劇。雞肉作為一種經濟實惠、營養豐富的肉類食品，在市場上占有極高的份額。近年來，受到非洲豬瘟等疫情影響，雞肉的需求量持續攀升。隨著肉雞養殖規模的擴大，養殖環境和生產效率成為制約肉雞養殖業發展的關鍵因素。如何提高肉雞養殖業的生產效益和降低養殖成本，已經成為業界亟待解決的問題。在傳統的肉雞養殖方式中，存在諸多不足，如信息化程度低，環境調控誤差大，飼料投喂量缺乏科學性等。不僅影響了肉雞養殖業的生產效率，還可能導致環境污染和資源浪費。因此，研發一種基于人工智能的肉雞智慧養殖信息化服務平臺，以提高肉雞養殖行業的信息化和智能化水平，具有重要的現實意義和應用價值。

近年來，物聯網、大數據和人工智能技術在各個領域取得了顯著的成果，為肉雞養殖行業的數字化轉型提供了強有力的支持。本文以人工智能為核心技術，結合物聯網、大數據等相關技術，開發了一種肉雞智慧養殖信息化服務平臺。通過該平臺，可以實現對肉雞養殖環境的實時監控和智能調控，提高飼料投喂的科學性，降低養殖成本，從而提高肉雞養殖業的整體競爭力。

1 系統總體架構設計

1.1 人工智能技術應用在肉雞智慧養殖中的應用

對肉雞產業鏈中的養殖信息化管理，將人工智能和大數據分析等技術應用到肉雞智慧養殖信息化服務平臺中，采用分群周期管理、轉舍工作管理和環境預測可視化管理。基于加權最小二乘法的同類傳感器進行數據融合，采用ARIMA、隨機森林算法的模型，通過調控硬件設備，采集環境參數構建基于物聯網和大數據的肉雞養殖環境精準調控模型，采用YOLOv5算法進行肉雞目標檢測。該算法在目標檢測方面具有較高的精度和速度優勢，相較于其他算法如EfficientDet和Faster-RCNN等，具有更出色的性能表現。團隊成員通過對不同版本網絡的深入比較與分析，最終選擇了YOLOv5s網絡，并對其進行了訓練和優化，以適應本文的算法前置設計需求。在數據集方面，本文采用了江豐某肉雞養殖場實地拍攝的視頻截圖，并使用LabelImg軟件進行標注，設置了不同的類別進行分類。本文采用YOLOv5算法在肉雞深度圖像的目標檢測中表現出色，細節處理得當。

1.2 微服務分布式架構下的肉雞智慧養殖平臺設計與實現

本文采用Spring Cloud的微服務分布式架構構建，并結合人工智能技術，利用多種環境監測傳感器進行環境監測和數據采集，通過基于大數據分析的人工智能算法對肉雞生長狀況和健康狀況進行智能監測和分析，將收集到的數據發送到后臺的數據庫，并通過人工智能算法進行分析，便于養殖人員的管理，在突發狀況時自動做出針對性的措施，從而大大提高生產效率。

圖1 肉雞的軟件平臺和硬件設備的通訊關系

2 系統功能架構設計

2.1 平臺需求概要

該平臺是一款肉雞全產業鏈管理系統，側重于全產業鏈溯源數據管理和分析，兼顧了物聯網數據采集及設備控制的能力，具備以下功能。

圖2 肉雞全產業鏈平臺系統劃分

2.1.1 養殖系統

通過環境監測，智能環控，疾病監測，肉雞轉舍轉庫記錄，專家咨詢，養殖人員信息，用藥管理及養殖數據可視化各個模塊的信息管理，及時反饋養殖過程中的情況，從而提高養殖效率和質量。依托于物聯網技術，系統實現了精準的環境監測和高效的智能環控。

2.1.2 屠宰系統

對于肉雞屠宰過程中的生產計劃，材料領用，分級分割，稱重包裝及屠宰倉庫進行數據方面的管理，從而提高屠宰的效能。

2.1.3 加工系統

將屠宰后的肉雞部位進行腌制、油炸等產品生產，并將數據進行管理，利于之后在溯源方面提供數據支撐。

2.1.4 倉庫系統

存儲在各個生產階段中的肉雞及其產品和輔料，或對其進行調撥出庫。

2.1.5 銷售系統

將加工完的肉雞銷售給批發商和零售商。其中有溯源模塊，即記錄肉雞從飼料、疫苗、藥品等的使用情況到出欄、屠宰、加工、出售的全過程，實現全程追溯提高產品的溯源性和安全性。

2.1.6 物流模塊

實時追蹤和管理物流流程和貨物信息，保證貨物準確到達銷售終端。

2.1.7 數據可視化系統

對日常采集的各項數據進行處理和分析，提供直觀的圖形化展示，幫助企業更好地把握雞苗價格和飼料原料價格的漲跌情況，做好管理決策。預測系統：通過分析歷史數據和行業趨勢，預測肉雞產量、價格變化，幫助企業做好產銷策略。

2.2 平臺特點

2.2.1 多系統功能

該平臺包含了養殖、屠宰、加工、銷售、溯源、數據可視化、預測和物流等多個系統，而系統內有包含許多以滿模塊和全產業鏈的管理需求。

2.2.2 信息化管理

通過采用人工智能、大數據、區塊鏈等新一代信息技術，實現了對全產業鏈的信息化管理，解決了數據孤島和信息孤島的問題，全面地掌握肉雞生產鏈中的信息。

2.2.3 精準調控模型

結合物聯網技術，系統采用傳感器數據收集及處理技術與精準調控模型，通過環境調控、智能環控、疾病監測等模塊，對養殖過程中的情況進行及時監測和調整，提高了養殖效率和質量。

2.2.4 全程追溯

通過記錄肉雞從飼料、疫苗、藥品等的使用情況到出欄、屠宰、加工、銷售的全過程，實現了全程追溯，提高了產品的溯源性和安全性。

2.2.5 數據可視化和預測

通過數據可視化和預測模塊，對采集的數據進行處理和分析，提供直觀的圖形化展示和預測結果，幫助企業更好地作出管理決策。

2.2.6 實時物流追蹤

通過物流模塊，實時追蹤和管理物流流程和貨物信息，保證貨物準確到達銷售終端。

2.2.7 專家在線咨詢模塊

通過聊天窗口化的咨詢方式，使得養殖者能隨時隨地對專家詢問養殖中的各種問題，更好地解決突發狀況，從而提供生產效能。

2.3 系統作用

2.3.1 提高生產效率

通過實時監測和數據采集，幫助企業實現對生產過程的實時掌控，提高管理的科學性，從而提高生產效率。

2.3.2 降低成本

通過對養殖和加工過程的數據分析和預測，幫助企業制定更加科學、合理的養殖和加工方案，從而降低成本。

2.3.3 提升產品質量和安全性

通過對養殖和加工過程的數據分析和預測，幫助企業制定更加科學、合理的養殖和加工方案，提升產品的質量和安全性。

2.3.4 增強競爭力和品牌價值

通過提高生產效率、降低成本、提升產品質量和安全性，增強了產品的競爭力和品牌價值。

2.3.5 提高企業管理水平和市場地位

通過全面、準確的數據管理和分析，提高企業的管理水平和市場地位。

2.3.6 增強消費者對產品的信任度和品牌價值

通過提高產品的質量和安全性，增強了消費者對產品的信任度和品牌價值。

2.4 競品分析

目前市面上已經有一些肉雞養殖和加工的管理系統，如“雞管家”“雞舍管家”“雞農網”等，主要面向肉雞養殖和加工企業，主要功能包括養殖環境監測，養殖過程管理，加工過程管理，數據分析和預測等。系統與競品的比較分析見表1。

表1 本系統與其他管理系統的功能對比

綜上所述，本系統具有全面、實時、數據化、預測性和協同性等特點，能夠幫助肉雞養殖和加工企業提高生產效率，降低成本，提升產品質量和安全性，增強競爭力和品牌價值，提高企業管理水平和市場地位，增強消費者對產品的信任度和品牌價值等方面的優勢。同時，本系統還具備信息共享和協同功能，能夠進一步提高企業協同效率和工作效率。

3 基于人工智能的肉雞狀態檢測設計

利用基于神經網絡的深度學習目標檢測算法研究方法以及具體的YOLOv5目標檢測算法對于捕獲到的肉雞圖像信息進行預處理。

3.1 基于神經網絡的深度學習目標檢測算法研究

為滿足本文對于肉雞圖像采集處理的研究需求，團隊成員對基于YOLOv5、Faster-RCNN、RetinaNet等深度學習神經網絡模型的目標檢測算法進行了研究和比較。

圖3 肉雞深度圖數據集構建流程及結構

經研究決定，初步決定采用YOLOv5算法。YOLOv5的網絡架構可以被劃分為4個不同的處理階段：輸入(Input)、主干(Backbone)、頸部(Neck)和預測(Prediction)。在輸入階段，關鍵任務包括數據增強、自適應圖像縮放以及錨框計算。主干階段采用CSP結構，用來提取輸入樣本的核心信息。頸部階段則采用FPN和PAN結構，對主干階段提取的信息進行特征融合，以獲得更全面的特征表達。在預測階段進行目標檢測的預測操作，并計算GIOU_Loss等損失值，這些損失值用于網絡的優化和訓練。這4個階段共同構成了YOLOv5網絡結構的核心流程。

3.1.1 在算法精度方面

團隊對主流算法進行了前期比較。與EfficientDet算法相比，YOLOv5具有更高的精度。相較于兩階段(Two-Stage)目標檢測算法Faster-RCNN，一階段(One-Stage)目標檢測算法YOLO在速度上具有明顯優勢，一次性輸出目標框的位置和類別置信度。計劃采用的YOLOv5s小型模型在速度上提高了約2.5倍，同時在小目標檢測時表現更出色。此外，與采用Darknet架構的YOLOv4相比，YOLOv5的體積(權重文件為27MB)減小了近90%，便于部署到嵌入式設備上。這種選擇符合本文算法前置的設計需求，即將訓練好的模型預置到前端攝像機的計算芯片中，在前端進行運算，將初步結果傳送至遠端服務器，以減輕養殖現場帶寬不足對視頻傳輸的影響。將對YOLOv5的不同結構進行訓練，深入比較分析，以找出適合本文的神經網絡模型。

3.1.2 算法選擇對比

在YOLOv5系列中，包含有YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x等網絡結構，盡管在基本框架上保持一致，但在網絡深度和寬度方面存在顯著差異。為了優化網絡性能，團隊成員向相關算法開發人員請教，研究如何針對這4種結構進行參數調整，從而調節網絡的深度和寬度，以提高網絡特征提取和特征融合能力。經過深入對比與分析，團隊成員最終選擇了YOLOv5s網絡。不同版本網絡的運算性能對比如圖5所示。

圖4 YOLOv5目標檢測算法框架

圖6 YOLOv5算法流程圖

圖7 肉雞深度圖像標注細節

圖8 肉雞深度圖數據集

圖9 肉雞深度圖像的分割效果

3.2 YOLOv5目標檢測算法流程

采用YOLOv5目標檢測算法。

數據集來自江豐某肉雞養殖場實地拍攝的視頻截圖。使用LabelImg軟件對轉換后的數據集進行標注，并手動設置了諸如正常成雞、病成雞、正常乳雞等類別。數據集共包含4000余張圖像，按9∶1的比例隨機劃分為訓練集和測試集。

YOLOv5因其出色的速度和高度的適應性而備受關注。該網絡的架構主要由兩部分組成，即Darknet-53主干網絡和路徑聚合網絡(PANet)。主干網絡采用了CSP1_X結構，其中包括2個分支，第1個分支由X個Bottleneck模塊按順序連接而成，而第2個分支則包括一系列卷積層。這2個分支被融合在一起，增加了網絡的深度，從而顯著提升了特征提取的性能。PANet結構由卷積操作、上采樣操作和CSP2X模塊組成，形成了一個循環金字塔結構，促使不同特征層之間能夠相互交流，有助于進行掩模預測。通過非極大值抑制(Non-Maximum Suppression，NMS)處理，最終獲得了預測框；這些結構的協同作用有助于提高網絡的性能和目標檢測準確度。值得一提的是，YOLOv5在深度圖像標注中表現出色，其細節處理得到了充分考慮。

3.3 YOLOv5檢測效果分析

通過采用深度學習圖像分析與處理方法，在處理肉雞的圖像時面臨多重挑戰，如肉雞在拍攝時不斷運動、姿勢各異、遮擋現象嚴重以及圖像可能不完整。因此，在標注肉雞圖像時，決定不對那些在圖像邊緣未完整呈現的雞進行標注。使用了CVAT軟件來進行肉雞深度圖像的標注。為了獲得最佳的分割結果，標注人員會將肉雞深度圖像進行最大化縮放，然后進行精細的輪廓標注。平均而言，每只雞的輪廓需要大約300～500個標注點，以確保標注的準確性和精細度。

4 結束語

本文通過深入分析肉雞養殖行業的現狀和挑戰，探討了如何利用人工智能技術改進肉雞養殖過程，提高生產效率和降低成本。通過整合物聯網、大數據、自動控制等信息技術，成功開發了一種基于人工智能的肉雞智慧養殖信息化服務平臺，實現了肉雞養殖全程的無人化、智能化、數字化。本文將人工智能技術應用于肉雞個體識別，飼養安全管理，生物聯防聯控，線上遠程診斷等多個階段，有效提高了肉雞飼養的產出、回報和效益。特別是在病死雞監控方面，通過引入現代化棚舍、托架設備和云攝像機等技術，實現了對病死雞和弱殘雞的快速識別和監測，避免了人工巡邏檢查的不足和病死引發瘟疫的重大損失。肉雞養殖行業的數字化轉型仍然面臨著許多挑戰。今后，需要進一步完善智慧養殖信息化服務平臺，提高其在各個環節的智能化水平，還需關注可持續發展、生態環保等方面的問題，以確保肉雞養殖行業的長期健康發展。本文為肉雞養殖行業的信息化和智能化提供了有力支持，有望為肉雞養殖業帶來革命性的變革。