首页 > 资讯 > 一种家禽健康状况检测方法、系统、设备及存储介质

一种家禽健康状况检测方法、系统、设备及存储介质

泰然健康网
2025-08-27 06:48

本发明涉及家禽健康状况检测，具体为一种家禽健康状况检测方法、系统、设备及存储介质。

背景技术：

1、鸡是全球养殖业中重要的家禽之一，特别是在肉类和蛋类生产中占据着重要的地位。及时有效地检测鸡的健康状况对于保证鸡群的生产力和减少疾病传播具有重要意义。然而，现有的鸡健康状况检测方法存在诸多不足之处，尤其是在自动化、实时性和数据分析方面亟待改进。

2、目前，鸡健康状况检测主要依赖以下几种方法：基于生理指标的检测方法：这类方法主要依赖检测鸡的体温、心率、呼吸频率等生理参数来判断其健康状况。虽然这类检测方法可以提供一定的健康信息，但在实际应用中存在诸多问题，如检测过程需要耗费大量的人力，且设备昂贵，不适合大规模鸡群。同时，这些生理指标往往只有在鸡出现严重健康问题时才发生显著变化，缺乏早期预警功能。基于行为观察的检测方法：通过观察鸡的活动状态、饮食情况等行为变化，来推断其健康状况是传统的方式。然而这种方法存在主观性强的问题，依赖于工作人员的经验，难以实现标准化和自动化。此外，外部行为变化往往是疾病的后期症状，无法做到及时干预，增加了鸡群疾病传播的风险。基于传统音频分析的检测方法：声音可以反映鸡的健康状态，例如当鸡生病时，其发出的声音可能会发生变化。基于传统音频分析的方法通过对鸡的叫声进行特定频段的分析来检测健康状况，但由于这些方法多采用简单的频谱分析技术，无法精准捕捉复杂声音信号中的微小变化。此外，传统的音频分析方法对背景噪音和环境因素敏感，易受到干扰，难以在实际生产环境中大规模应用。基于图像分析的健康检测方法：一些方法通过分析鸡的外观图像(如羽毛、体态等)来判断其健康状况，然而这种方法容易受到外部光照、摄像角度等因素的影响。并且，对于一些潜在的健康问题(如呼吸道疾病)，通过图像难以捕捉，检测范围有限。基于机器学习的检测方法：随着机器学习技术的发展，一些研究尝试利用机器学习算法对鸡的健康状况进行检测，这些方法通过大规模数据训练模型，可以提高检测的精度和自动化水平。然而，当前大部分基于机器学习的方法依赖大量的标注数据，训练过程复杂且计算资源需求高，且模型的黑盒性质使得结果难以解释，影响了其在实际生产中的推广应用。现有的鸡健康状况检测方法在实时性、自动化程度、抗干扰性等方面存在明显不足，难以应对现代化养殖场对大规模鸡群健康管理的高效需求。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有的家禽健康状况检测技术存在实时性差、自动化程度低、抗干扰能力不足、模型可解释性弱的问题，以及如何通过引入频谱图分析和mae自监督学习机制，实现家禽健康状态的高精度自动检测。

3、为解决上述技术问题，本发明提供如下技术方案：一种家禽健康状况检测方法，包括采集家禽音频数据，将家禽音频数据进行预处理；基于音频数据的时频特征，构建mae模型；对mae模型进行预训练和微调，对预训练完成后的mae模型进行评估。

4、作为本发明所述的家禽健康状况检测方法的一种优选方案，其中：所述采集家禽音频数据包括，在预设频次下采集标签音频数据，录音设备均匀布置在鸡舍的过道之中。

5、作为本发明所述的家禽健康状况检测方法的一种优选方案，其中：所述标签音频数据包括，健康家禽自然发声和环境背景噪声为正类标签，确诊疾病家禽异常声音为负类标签，将标签音频数据分为训练集和测试集，采集预设条数的无标签音频数据作为mae模型预训练集。

6、作为本发明所述的家禽健康状况检测方法的一种优选方案，其中：所述将家禽音频数据进行预处理包括，通过预加重滤波处理高频分量，利用汉明窗对音频数据进行分帧处理，通过40维梅尔滤波器组提取符合听觉特性的时频特征，转化为标准化梅尔频谱图。

7、作为本发明所述的家禽健康状况检测方法的一种优选方案，其中：所述构建mae模型包括，基于声音信号的时频特征，选择vision transformer作为基础框架，mae模型采用编码器-解码器结构，利用编码器从部分可见的频谱图中提取高级特征表示。

8、解码器通过编码器提取的特征重建被掩码的频谱区域。

9、作为本发明所述的家禽健康状况检测方法的一种优选方案，其中：所述对mae模型进行预训练和微调包括，预训练包括利用自监督学习方式，通过大规模无标签音频数据训练mae模型学习通用的声谱特征表示，随机遮盖输入梅尔频谱图中75％的区块，设置mae模型根据剩余25％的可见区块重建完整频谱，通过选择mae模型架构，设置训练批次大小，得到gpu显存限制下稳定的梯度估计，通过余弦退火策略进行学习率调度，通过设置关键正则化参数控制权重衰减强度，利用norm_pix_loss对频谱进行归一化处理。

10、微调包括，将预训练学到的通用声学特征适配到健康检测场景，采用渐进式解冻策略进行微调，初始阶段解冻最后两层transformer模块和分类头，设置基础学习率，当预训练进行时，逐步解冻更多底层模块，将学习率按层级衰减，通过线性插值和区域遮挡进行数据增强，采用多项正则化技术控制过拟合现象。

11、作为本发明所述的家禽健康状况检测方法的一种优选方案，其中：所述对预训练完成后的mae模型进行评估包括，利用测试集对mae模型进行端到端测试，通过绘制曲线评估mae模型在不同阈值下的表现，在部署阶段监测实时推理速度，判断是否满足养殖场在线检测的时效性要求，输出可视化报告。

12、本发明的另外一个目的是提供一种家禽健康状况检测系统，其能通过对采集的家禽音频数据进行预加重滤波、帧分割与梅尔频谱图转换处理，结合基于自监督学习的mae模型对音频时频特征进行掩码重建学习，并在训练完成后通过微调适配分类任务，解决了目前的技术含有的依赖人工、抗干扰能力弱、缺乏早期预警及模型泛化性问题。

13、作为本发明所述的家禽健康状况检测系统的一种优选方案，其中：包括音频采集与预处理模块，mae建模模块，模型训练与评估模块；所述音频采集与预处理模块包括音频采集单元、音频预处理单元，音频采集单元用于采集家禽在不同状态下的叫声数据，并同步记录采样环境信息，音频预处理单元用于对采集到的音频信号进行预加重、分帧、梅尔滤波等处理，转换为标准化梅尔频谱图；所述mae建模模块包括频谱图划分单元、编码结构构建单元，频谱图划分单元用于将梅尔频谱图划分为等尺寸图像块作为模型输入，编码结构构建单元用于搭建基于transformer的mae模型结构，包含编码器与解码器架构；所述模型训练与评估模块包括预训练单元、评估验证单元，预训练单元采用自监督学习方式，通过掩蔽重建任务对mae模型进行训练，评估验证单元用于对训练完成的模型在有标签数据集上进行微调与准确率验证。

14、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序是实现家禽健康状况检测方法的步骤。

15、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现家禽健康状况检测方法的步骤。

16、本发明的有益效果：本方法采用声谱分析技术，能够准确识别家禽健康状态，较传统方法提升显著，具有高精度、高可靠性的特点，通过预加重滤波和梅尔频谱转换，有效克服环境噪声对检测结果的干扰，在信噪比低条件下仍能保持稳定的检测性能，完全满足养殖场复杂环境的应用需求，实现全自动化检测流程，仅需采集家禽声音数据上传系统，即可实时输出健康状态分析报告，大幅降低人工检测成本。通过将自监督预训练与transformer架构相结合，设计的mae-vit模型能够自动学习家禽声音的时频特征表示，相比传统cnn模型准确率更高。本方法通过注意力可视化技术，直观展示模型决策依据的关键频段，与兽医临床经验高度吻合，为疾病诊断提供可解释的科学依据。