[0001] 本发明涉及畜牧养殖技术领域，尤其涉及一种用于畜牧养殖的智能化防疫方法及系统。

[0002] 随着畜牧业的不断发展，畜禽养殖规模逐渐扩大，然而，规模化养殖也带来了防疫管理的复杂性和疾病传播风险的增加。传统的畜牧养殖防疫方法通常依赖于人工监控和定期检查，这种方式存在许多局限性，难以满足现代畜牧业对高效、防疫的需求。具体来说，现有技术主要存在以下几个方面的缺陷：

[0003] 首先，传统的人工监控方法无法实现实时监测。养殖场管理人员通常依靠人工巡视和定期检查来了解畜禽的健康状况和环境参数。这种方式不仅耗费大量人力，而且监测频率低，难以及时发现疾病早期征兆。当畜禽出现明显症状时，疾病往往已经传播，增加了防疫难度和经济损失。

[0004] 其次，数据不全面和不准确是现有技术的另一个主要缺陷。人工监控和记录的方式容易受到主观因素的影响，数据的准确性和全面性难以保证。例如，人工测量畜禽体温、心率和活动量等健康参数时，可能因为操作不当或测量工具的误差，导致数据不准确。此外，环境参数如温度、湿度和气体浓度的变化具有一定的时间和空间分布特性，人工测量难以全面覆盖，导致监测数据不完整。

[0005] 第三，现有技术的预警滞后性较为突出。由于无法实时监测和全面获取数据，传统的防疫方法难以及时发现疾病早期迹象，预警信息往往滞后于疾病的实际发生和传播。这样一来，管理人员在采取防疫措施时已经错失了最佳时机，增加了疾病控制的难度和成本。

[0006] 第四，自动化程度低，防疫效率不高。现有的防疫措施主要依靠人工操作，包括疫苗接种、病禽隔离和环境调控等。这不仅增加了管理人员的劳动强度，还可能因为人为疏忽导致防疫措施不到位，影响防疫效果。特别是在大规模养殖场中，人工防疫操作复杂且繁琐，效率低下，难以应对突发的疾病爆发。

[0007] 此外，现有技术缺乏远程管理和决策支持功能。在传统的防疫管理中，管理人员需要亲临现场进行监控和操作，这不仅耗时耗力，还限制了管理的灵活性和效率。随着畜牧业规模的扩大，养殖场的地理分布越来越广泛，远程管理和决策支持的需求日益迫切。然而，现有技术在这方面的应用仍然相对滞后，无法满足现代畜牧业的管理需求。

[0008] 综上所述，现有的畜牧养殖防疫方法存在实时监控不足、数据不全面和不准确、预警滞后、自动化程度低、防疫效率不高以及缺乏远程管理和决策支持等问题。这些缺陷严重制约了畜牧业的健康发展，亟需一种智能化的防疫系统来解决这些问题，实现畜禽养殖的高效管理和疾病的早期预警。

[0107] 现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

[0108] 参考图1，一种用于畜牧养殖的智能化防疫方法，包括如下步骤：

[0109] S1、在畜牧场内布置多个传感器网络和智能耳标或项圈，用于实时监测畜禽的健康参数集和环境参数集，其中健康参数包括体温、心率和活动量，环境参数包括温度、湿度和气体浓度；

[0110] S2、通过物联网技术将健康参数集和环境参数集传输至中央数据处理系统；

[0111] S3、中央数据处理系统对接收到的健康参数集和环境参数集进行实时分析，利用改进深度学习算法对畜禽健康状况进行评估和预测，识别潜在的疾病风险；

[0112] S4、当检测到异常健康参数集和环境参数集时，中央数据处理系统生成预警信息，并通过远程监控系统通知管理人员；

[0113] S5、根据预警信息，自动化控制系统启动相应的防疫措施，包括自动执行疫苗接种、隔离病禽和调节环境参数；

[0114] S6、管理人员通过远程监控系统实时查看畜牧场的防疫状况，并根据实际情况进行远程操作和调整；

[0115] S7、将防疫数据存储在区块链上；

[0116] S8、定期对系统运行数据进行存储和分析，优化防疫措施和系统的预测准确性。

[0117] 本实施方式中，S1包括以下具体步骤：

[0118] S11、在畜牧场内布置多个传感器网络，传感器网络中的传感器包括温度传感器、湿度传感器和气体浓度传感器，用于实时监测环境参数集E：

[0119] E＝{E1,E2,E3}；

[0120] 其中，E1为温度，E2为湿度，E3为气体浓度；

[0121] S12、在每只畜禽上安装智能耳标或项圈，耳标或项圈中包含健康参数监测设备，用于实时监测畜禽的健康参数集H：

[0122] H＝{H1,H2,H3}；

[0123] 其中，H1为体温，H2为心率，H3为活动量；

[0124] S13、传感器网络和智能耳标或项圈通过无线传输模块，将所监测的环境参数集E和健康参数集H以数据包的形式传输至中央数据处理系统；

[0125] S14、环境参数集E和健康参数集H的数据格式如下：

[0126] E＝{E1,E2,E3,Ts}＝{Temp,Humidity,Gas,Timestamp}；

[0127] H＝{H1,H2,H3,Ts}＝{BodyTemp,HeartRate,Activity,Timestamp}；

[0128] 其中，Temp表示环境温度，Humidity表示环境湿度，Gas表示环境中气体浓度，BodyTemp表示畜禽体温，HeartRate表示畜禽心率，Activity表示畜禽的活动量，Timestamp表示数据采集的具体时间点；

[0129] S15、传感器网络和智能耳标或项圈的数据传输频率设置为固定时间间隔T。

[0130] 本实施方式中，改进深度学习算法包括以下具体步骤：

[0131] S31、将预处理后的环境参数集E和健康参数集H分别输入多模态数据融合神经网络和动态风险评估神经网络进行特征提取和评估；

[0132] S32、在多模态数据融合神经网络中，环境参数集E和健康参数集H分别通过独立的多尺度卷积层和注意力机制层，提取出多模态特征FE和FH：

[0133]

[0134] 其中，Ck和Cj分别表示第k个和第j个多尺度卷积操作，φk和φj分别表示第k个和第j个激活函数，Wk和Wj分别表示第k个和第j个卷积层的权重，bk和bj分别表示第k个和第j个卷积层的偏置，A表示注意力机制层，用于增强重要特征；

[0135] S33、将提取出的多模态特征FE和FH通过特征对齐模块进行融合，得到综合特征向量Fcombined：

[0136]

[0137] 其中，FEi和FHi分别表示从环境参数集E和健康参数集H提取的多模态特征，WEi和WHi分别表示融合层的权重，bcombined表示融合层的偏置，σ表示融合层的激活函数，用于综合处理多模态特征；

[0138] S34、在动态风险评估神经网络中，综合特征向量Fcombined输入到混合时序分析层，混合时序分析层结合长短期记忆网络和时间卷积网络进行时间序列分析和风险评估：

[0139] S35、混合时序分析层的输出结果传递到全连接层，生成最终的健康状况评估结果R和疾病风险预测值P：

[0140]

[0141] 其中，R表示健康状况评估结果，WRn表示健康状况评估层的权重，bR表示健康状况评估层的偏置，ψ表示健康状况评估层的激活函数；

[0142]

[0143] 其中，LSTM表示长短期记忆网络层，用于处理时间序列数据，TCN表示时间卷积网络层，用于时间序列分析，WLt和WTt分别表示LSTM和TCN层的权重，bP表示输出层的偏置，R表示风险评估函数，用于生成疾病风险预测值P；

[0144] S36、根据综合特征向量Fcombined生成多维风险矩阵Mrisk，多维风险矩阵用于表示不同疾病类型和风险等级：

[0145]

[0146] 其中，Mrisk表示多维风险矩阵，WMm表示多维风险矩阵生成层的权重，bM表示多维风险矩阵生成层的偏置，θ表示风险矩阵生成层的激活函数。

[0147] 本实施方式中，S4包括以下具体步骤：

[0148] S41、中央数据处理系统对实时接收的健康参数集H和环境参数集E进行持续监测和评估：

[0149]

[0150] 其中，MHE(t)表示在时间t内健康参数集H和环境参数集E的监测评估矩阵，αH和αE分别表示健康参数和环境参数的权重系数，Hi(t)和Ej(t)分别表示在时间t内的第i个健康参数和第j个环境参数， 和 分别表示第i个健康参数和第j个环境参数的均值，NH和NE分别表示健康参数和环境参数的数量；

[0151] S42、当检测到健康参数集H中的任何参数Hi超过预设阈值THi或环境参数集E中的任何参数Ei超过预设阈值TEi时，中央数据处理系统生成异常检测信号D：

[0152]

[0153] 其中， 和 分别表示第i个健康参数和第j个环境参数的标准差，THi和TEi分别表示健康参数和环境参数的预设阈值；

[0154] S43、当异常检测信号D＝1时，中央数据处理系统生成预警信息W，预警信息W包括异常参数的具体值、异常类型、预警级别和建议的防疫措施：

[0155]

[0156] 其中，Pk表示第k个异常参数， 表示异常参数的具体值， 表示异常类型，表示预警级别， 表示建议的防疫措施，K表示异常参数的总数；

[0157] S44、预警信息W的生成如下：

[0158]

[0159] 其中，λ表示预警级别计算函数，结合异常参数值和其标准差确定预警级别；

[0160] S45、中央数据处理系统通过远程监控系统将生成的预警信息W发送至管理人员的终端设备：

[0161]

[0162] 其中，Devicemanager表示管理人员的终端设备，Wk表示第k个预警信息单元；

[0163] S46、管理人员终端设备接收到预警信息W后，实时显示预警信息并发出警报，以便管理人员及时采取相应的防疫措施：

[0164]

[0165] 其中，Display(Wk)表示在终端设备上显示预警信息，SoundAlarm(Wk)表示终端设备发出警报；

[0166] S47、预警信息W包含异常参数的具体值 异常类型 预警级别 和建议的防疫措施

[0167] S48、中央数据处理系统记录所有生成的预警信息W及其处理结果，用于后续的数据分析和防疫措施优化：

[0168]

[0169] 其中，Database表示中央数据处理系统的数据库，Result(Wk)表示预警信息Wk的处理结果。

[0170] 本实施方式中，S5包括以下具体步骤：

[0171] S51、中央数据处理系统根据预警信息中的异常参数和预警级别，确定相应的防疫措施，包括疫苗接种、病禽隔离和环境参数调节；

[0172] S52、自动化控制系统根据确定的防疫措施启动相应的设备和装置，执行具体防疫操作；

[0173] S53、疫苗接种措施包括自动识别需要接种疫苗的畜禽，启动自动化注射装置，按照预设的剂量和时间进行疫苗接种；

[0174] S54、病禽隔离措施包括自动识别需要隔离的病禽，启动自动化隔离装置，将病禽移动到指定的隔离区域；

[0175] S55、环境参数调节措施包括自动检测环境参数异常，启动相应的调节装置，调节环境参数至预设的安全范围；

[0176] S56、自动化控制系统在执行每一项防疫措施后，记录操作结果，并将结果反馈至中央数据处理系统进行存档和后续分析；

[0177] S57、中央数据处理系统根据记录的操作结果和预警信息的处理结果，更新防疫措施数据库。

[0178] 本实施方式中，S6包括以下具体步骤：

[0179] S61、远程监控系统通过网络连接至中央数据处理系统，实时接收和显示畜牧场的防疫状况数据Dstatus：

[0180] Dstatus＝{DH,DE,W}；

[0181] 其中，DH表示健康参数数据，DE表示环境参数数据，W表示预警信息；

[0182] S62、管理人员通过远程监控系统的用户界面查看实时数据，包括健康参数DH、环境参数DE和预警信息W的具体内容；

[0183] S63、管理人员根据显示的数据进行分析和判断，确定是否需要进行远程操作和调整；

[0184] S64、管理人员选择需要执行的远程操作A，远程监控系统将操作指令发送至中央数据处理系统；

[0185] A＝{AdjustVaccine(TV,DV),IsolateAnimal(PI,LI),AdjustEnvironment(EA,VA)}；

[0186] 其中，AdjustVaccine(TV,DV)表示调整疫苗接种的时间和剂量，IsolateAnimal(PI,LI)表示隔离病禽，AdjustEnvironment(EA,VA)表示调整环境参数；

[0187] S65、中央数据处理系统接收到操作指令后，通过自动化控制系统执行相应的防疫措施；

[0188]

[0189] 其中，Perform(Ak)表示执行具体的操作指令；

[0190] S66、远程监控系统实时记录管理人员的操作指令和执行结果，并将其存储在中央数据处理系统的数据库中；

[0191] S67、管理人员通过远程监控系统查看历史记录和分析结果，优化防疫策略和操作流程。

[0192] 一种用于畜牧养殖的智能化防疫系统，包括以下模块：

[0193] 传感器网络和智能耳标或项圈模块：在畜牧场内布置多个传感器网络和智能耳标或项圈，用于实时监测畜禽的健康参数集和环境参数集，其中健康参数包括体温、心率和活动量，环境参数包括温度、湿度和气体浓度；

[0194] 数据传输模块：通过物联网技术将健康参数集和环境参数集传输至中央数据处理系统；

[0195] 数据处理模块：中央数据处理系统对接收到的健康参数集和环境参数集进行实时分析，利用改进深度学习算法对畜禽健康状况进行评估和预测，识别潜在的疾病风险；

[0196] 预警生成模块：当检测到异常健康参数集和环境参数集时，中央数据处理系统生成预警信息，并通过远程监控系统通知管理人员；

[0197] 自动化控制模块：根据预警信息，自动化控制系统启动相应的防疫措施，包括自动执行疫苗接种、隔离病禽和调节环境参数；

[0198] 远程监控与管理模块：管理人员通过远程监控系统实时查看畜牧场的防疫状况，并根据实际情况进行远程操作和调整。

[0199] 实施例1：

[0200] 在某大型畜牧养殖场，该养殖场饲养了50头牛和1000只鸡，养殖场占地面积约100公顷。由于规模较大，传统的防疫措施主要依赖人工监控和定期检查，这种方式存在监测不及时、数据不全面、预警滞后等问题，导致多次出现疾病爆发后才被发现，给养殖场带来了巨大的经济损失。为了提高防疫效率，该养殖场决定引入一种智能化防疫系统，基于物联网、传感器和改进深度学习算法进行实时监测和数据分析，以实现疾病的早期预警和自动化防疫。

[0201] 在养殖场内，布置了多个传感器网络和智能耳标或项圈。传感器网络中的温度传感器、湿度传感器和气体浓度传感器实时监测环境参数，而每只牛和鸡都佩戴了包含健康参数监测设备的智能耳标或项圈，实时监测体温、心率和活动量等健康参数。通过物联网技术，这些数据被实时传输至中央数据处理系统。

[0202] 中央数据处理系统接收健康参数集和环境参数集后，进行数据预处理，包括去除噪声、数据标准化和异常值检测。预处理后的数据输入多模态数据融合神经网络和动态风险评估神经网络进行特征提取和评估，生成畜禽健康状况评估结果和疾病风险预测值。当检测到异常健康参数或环境参数时，系统生成预警信息，并通过远程监控系统通知管理人员。

[0203] 例如，在2023年6月的一个炎热的下午，系统检测到养殖场内多只牛的体温和心率异常升高，同时环境温度也超出正常范围。中央数据处理系统立即生成预警信息，并通过远程监控系统通知管理人员。管理人员通过远程监控系统查看详细的预警信息后，决定启动自动化防疫措施。系统自动启动降温装置，调节环境温度，并对体温异常的牛进行喷雾降温。与此同时，自动注射装置开始对体温持续异常的牛进行疫苗接种。

[0204] 在智能化防疫系统实施后的三个月内，养殖场进行了详细的数据记录和对比分析：

[0205] 健康参数数据(牛)：

[0206] 体温：37.5℃±0.5℃(正常)，38.5℃±0.5℃(异常)；

[0207] 心率：60±10bpm(正常)，90±10bpm(异常)；

[0208] 活动量：8±2km/day(正常)，4±2km/day(异常)；

[0209] 环境参数数据：

[0210] 温度：15℃‑25℃(正常)，30℃‑35℃(异常)；

[0211] 湿度：40％‑60％(正常)，70％‑80％(异常)；

[0212] 气体浓度：CO2500 ppm(正常)，CO2800 ppm(异常)；

[0213] 在2023年6月至8月期间，养殖场使用智能化防疫系统进行了50头牛和1000只鸡的实时监测和防疫管理。在此期间，系统检测到的异常健康参数和环境参数共计16次，生成预警信息16次，启动自动化防疫措施22次。相比传统方法，智能化防疫系统显著降低了疾病爆发次数和经济损失。

[0214] 表1智能化防疫系统数据对比表

[0215]

[0216] 通过智能化防疫系统的应用，养殖场实现了实时监控、数据分析、早期预警和自动化防疫，有效解决了传统防疫方法中的监测不及时、数据不全面、预警滞后和防疫效率低等问题。数据证明，智能化防疫系统显著提高了防疫效率，减少了疾病爆发次数和经济损失，降低了人工成本，为现代畜牧养殖提供了一个高效、可靠的防疫解决方案。

[0217] 本发明通过在畜牧场内布置多个传感器网络和智能耳标或项圈，能够实时监测畜禽的健康参数集和环境参数集，传感器网络中的传感器包括温度传感器、湿度传感器和气体浓度传感器，智能耳标或项圈中包含健康参数监测设备(体温、心率、活动量)，这种实时监控方式大大提高了数据的全面性和准确性，避免了人工监测的主观误差和数据滞后问题。

[0218] 本发明利用多模态数据融合神经网络和动态风险评估神经网络进行数据分析和处理。在多模态数据融合神经网络中，环境参数集和健康参数集分别通过独立的多尺度卷积层和注意力机制层，提取出多模态特征，然后通过特征对齐模块进行融合，得到综合特征向量，在动态风险评估神经网络中，综合特征向量输入到混合时序分析层，结合长短期记忆网络和时间卷积网络进行时间序列分析和风险评估。通过这种改进深度学习算法的应用，系统能够准确评估畜禽健康状况，并对疾病风险进行预测，有效提高了预警的及时性和准确性。

[0219] 本发明根据预警信息，系统能够自动启动相应的防疫措施，包括疫苗接种、病禽隔离和环境参数调节，自动化控制系统根据预警信息中的异常参数和预警级别，启动相应的设备和装置，执行具体防疫操作。例如，自动识别需要接种疫苗的畜禽，启动自动化注射装置，按照预设的剂量和时间进行疫苗接种；自动识别需要隔离的病禽，启动自动化隔离装置，将病禽移动到指定的隔离区域；自动检测环境参数异常，启动相应的调节装置，调节环境参数至预设的安全范围。通过自动化防疫措施，系统大大减少了人工干预，提高了防疫效率和准确性。

[0220] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。