相关实验视频
Updated: Jan 8, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
基于集体的深度学习方法用于早期检测家禽疾病,使用便图像
H S Das1, K Talukdar1, K Bora1
1Department of Computer Science and Information Technology, Cotton University, Guwahati, India.
British poultry science
|December 15, 2025
概括
深度学习模型可以通过分析便图像来早期识别家禽疾病. 组合方法实现了99%的准确性,Xception是疾病识别的最佳单独模型.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 像沙门氏菌,纽卡斯尔病和菌病这样的家禽疾病对群体健康和生产力产生重大影响.
- 早期发现这些疾病对于有效管理和经济可行性至关重要.
- 便分析提供了一种非侵入性方法来识别疾病症状.
研究的目的:
- 通过使用便图像,研究深度学习技术用于早期识别家禽疾病的有效性.
- 为了比较四种不同的深度学习模型的性能:MobileNetV2,EfficientNetB0,Xception和ResNet50V2.2.
- 评估组合技术和转移学习对模型准确性的影响.
主要方法:
- 一个深层卷积神经网络 (CNN) 模型,称为"ensemble-based CNN",被开发用于分类健康和不健康的家禽便图像.
- 四个深度学习架构 (MobileNetV2,EfficientNetB0,Xception,ResNet50V2) 使用转移学习进行了训练和微调.
- 组合方法,包括总和,加权平均和多数投票,用于组合模型预测.
- 用准确性,精度和回忆指标评估模型性能.
主要成果:
- 整体方法,特别是总和和加权平均值,达到99%的高精度.
- 大多数投票组合方法达到98.5%的准确性.
- 在疾病类型识别方面,Xception模型在个别模型中表现优越.
- 转移学习和微调显著提高了深度学习模型的识别能力.
结论:
- 深度学习,特别是基于组合的CNN,显示出从便图像中早期和准确检测家禽疾病的巨大潜力.
- 当高精度至关重要时,建议使用Xception模型,而组合技术则进一步提高了整体识别性能.
- 这种方法为改善家禽健康管理和减少与疾病爆发相关的经济损失提供了有希望的工具.
