SCI论文 | 高光谱技术应用在农场养殖场中异常蛋鸡识别

关键词:蛋鸡 高光谱技术 深度学习

目前，家禽业正朝着数字化、智能化和规模化农场的方向发展，农场的自动化程度越来越高。然而，如何识别低产蛋鸡，及时分析问题，降低饲料消耗，提高养殖效率，是农民面临的挑战。目前，这些问题主要是人工解决，效率低下，无法满足规模化养殖场的要求。因此，蛋鸡养殖企业迫切需要智能技术来识别和处置产蛋量低的蛋鸡。遗憾的是，目前对低产蛋量蛋鸡的智能识别研究较少，相关研究主要集中在病鸡和死鸡的识别上。

病死鸡自动识别的研究大多基于可见光成像，图像处理中经常使用机器视觉算法。近年来，基于深度学习的计算机视觉系统越来越频繁地用于识别个体病鸡和死鸡。利用高光谱技术直接处理图像，所以它们做的工作量更少，而且通常比机器学习更准确。致力于通过对采集到的光谱数据进行分析，建立一个模型，实现对正常产蛋率和低产蛋率蛋鸡的高精度识别，通过高光谱传感器。同时，我们试图提出一种新的通用的高光谱数据分析和处理方法，为高光谱技术在其他领域的应用提供重要的研究价值。

 低产蛋二维高光谱特征图;可以观察到，黄色部分面积较小，在坐标140-180范围内颜色呈浅绿色

正常产蛋的二维高光谱特征图:可以看到黄色部分面积较大，在坐标轴140-180范围内颜色为橙色。

模型评估数据表 

如何鉴别产蛋率低的蛋鸡还需要进一步的研究。利用高光谱成像技术和高光谱分析技术识别蛋鸡异常的一般技术。获取梳状体的高光谱数据，利用VCA算法提取梳状体的末端成员。利用FCWT对光谱曲线进行分析，然后将其转化为光谱特征图像，输入到一个简单的卷积神经网络中。实验建立的二元分类模型能够成功识别异常蛋鸡，准确率为0.975，异常蛋鸡识别精度为0.96，召回率为0.99,f1得分为0.98。小波变换的高速和高精度保证了该方法的准确性和高效性。这说明了实验分析程序对高光谱成像在其他领域应用的重要性。该分析技术结合了FCWT、深度学习和高光谱技术，对于确定鸡的健康状况也非常重要。

鸡冠通常大而光滑，呈鲜红色。患病的鸡鸡冠颜色不正常、萎缩或肿胀，偶尔还会有异物。因此，可以进一步探索该方法在鸡健康福利分析中的应用，对猪、牛、羊等其他养殖行业也有一定的研发价值。但是，需要注意的是，实验中使用了手动手持设备来收集高光谱数据。这种收购方法的缺陷在于，它需要一个漫长的收购过程，昂贵的劳动力和大量的收购时间。在进一步研究中考虑到设备成本的同时，开发一个支持长期连续数据收集的集成系统是可能的。它可以通过自动收集数据并在整个过程中识别农场中异常的蛋鸡，从而减少劳动力和时间成本。还可以提高蛋鸡养殖企业对蛋鸡异常的识别效率。

本文内容为论文的转译和摘用。摘自论文《Recognition of Abnormal-Laying Hens Based on Fast Continuous Wavelet and Deep Learning Using Hyperspectral Images》 Sensors 2023, 23, 3645.

论文原文链接：https://doi.org/10.3390/s23073645

观阅时如有问题可联系我们。