一种蓄养畜牧的异常行为监测方法及系统与流程

1.本发明属于蓄养畜牧技术领域，具体涉及一种蓄养畜牧的异常行为监测方法及系统。


背景技术：

2.在对畜牧(猪、牛、羊等)进行蓄养的过程中，动物的异常行为往往是一种重要的指示信号，可以在一定程度上表明其健康状况存在问题，或者，饲养环境存在问题。
3.目前，在实际的蓄养过程中，仅靠人工观察的手段识别畜牧的异常行为，如果蓄养人员粗心疏忽，可能会导致畜牧生病却未得到及时的治疗，畜牧的病死率居高不下。况且蓄养人员往往缺乏专业的蓄养知识，不能准确地确定畜牧的异常行为是否是由于疾病导致，需要联系兽医等专业人员，才能得以确定，畜牧的诊断效率低下，病死率高。


技术实现要素：

4.为了解决现有技术存在的畜牧的异常行为诊断效率低下，病死率高的技术问题，本发明提供一种蓄养畜牧的异常行为监测方法及系统。
5.第一方面
6.本发明提供了一种蓄养畜牧的异常行为监测方法，包括：
7.s101：构建专家知识库，专家知识库包括行为姿势知识库、声音知识库、饲喂知识库和疾病知识库；
8.s102：获取多个畜牧的姿态数据、叫声数据、进食量数据、体温数据和位置数据，构建训练数据集；
9.s103：对姿态数据、叫声数据、进食量数据、体温数据和位置数据进行归一化处理；
10.s104：根据专家知识库，通过神经网络获取姿态数据的姿态特征向量、叫声数据的叫声特征向量、进食量数据的进食量特征向量、体温数据的体温特征向量和位置数据的位置特征向量；
11.s105：根据姿态数据、叫声数据、进食量数据、体温数据和位置数据的权重，以及姿态特征向量、叫声特征向量、进食量特征向量、体温特征向量和位置特征向量，进行特征融合，得到特征融合向量；
12.s106：根据疾病知识库为特征融合向量添加疾病诊断标签，将特征融合向量输入至支持向量机，输出疾病诊断结果，通过比对疾病诊断结果与疾病诊断标签是否一致对支持向量机进行训练；
13.s107：通过训练好的支持向量机对待诊断畜牧进行异常行为监测，在待诊断畜牧存在疾病的情况下，输出疾病诊断结果，并发出预警通知，对待诊断畜牧进行人工隔离；
14.s108：在完成对待诊断畜牧的隔离的情况下，解除预警。
15.第二方面
16.本发明提供了一种蓄养畜牧的异常行为监测系统，用于执行第一方面中的异常行
为监测方法。
17.与现有技术相比，本发明至少具有以下有益技术效果：
18.在本发明中，监测畜牧的姿态数据、叫声数据、进食量数据、体温数据和位置数据，通过神经网络提取特征，进而通过支持向量机，自动化地输出疾病诊断结果，提升了畜牧的异常行为诊断效率与准确率，极大降低了畜牧的病死率。
附图说明
19.下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
20.图1是本发明提供的一种蓄养畜牧的异常行为监测方法的流程示意图；
21.图2是本发明提供的另一种蓄养畜牧的异常行为监测方法的流程示意图。
具体实施方式
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
23.为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
24.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
25.在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
26.另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
27.实施例1
28.在一个实施例中，参考说明书附图1和图2，示出了本发明提供的蓄养畜牧的异常行为监测方法的流程示意图。
29.本发明提供的一种蓄养畜牧的异常行为监测方法，包括：
30.s101：构建专家知识库，专家知识库包括行为姿势知识库、声音知识库、饲喂知识库和疾病知识库。
31.在一种可能的实施方式中，s101具体包括子步骤s1011至s1014：
32.s1011：寻找相关领域的专家和权威信息源，收集蓄养领域知识。
33.s1012：为各个专家知识库建立适当的结构和分类体系。
34.s1013：将收集到的知识整理为清晰、严密的文档，并进行记录，形成专家知识库。
35.s1014：定期更新和维护各个专家知识库。
36.需要说明的是，构建出专家知识库，专家知识库中收集了大量的领域专家知识和经验，能够提供准确的诊断和判断。通过与专家知识库进行比对，可以辅助医生或专业人士更准确地识别和诊断异常行为，避免误判和漏诊。同时，专家知识库将专家的知识和经验记录下来，实现了知识的共享和传承。这对于新手医生或专业人士来说尤为重要，他们可以通过专家知识库快速学习和理解领域专业知识，提高自己的能力和水平。
37.s102：获取多个畜牧的姿态数据、叫声数据、进食量数据、体温数据和位置数据，构建训练数据集。
38.需要说明的是，畜牧发生疾病时，由于身体的生理功能受到损害或者发生异常，会对其行为产生影响，往往伴随着姿态、叫声、进食量、体温和位置的异常。动物发生疾病后，由于身体不适，可能会出现站立不稳、躺下不起等异常姿态。比如，猪患上腹泻时，会出现后腿站立，前腿放松的姿态。动物发生疾病后，可能会出现不同于正常时期的叫声，这些叫声可以传递出动物的不适和疼痛情况。动物发生疾病后，可能会出现进食量减少或者完全不进食的情况。这是因为身体不适或者疼痛会影响动物的食欲。比如，奶牛患上消化系统疾病时，会出现进食量减少的现象。动物发生疾病后，由于身体发生异常，可能会出现体温升高或降低的情况。比如，猪患上热应激时，会出现体温升高的现象。动物发生疾病后，可能会出现喜欢或者不喜欢待在某个位置的情况。比如，狗患上呼吸系统疾病时，会倾向于待在通风较好的位置。综上所述，姿态、叫声、进食量、体温和位置是监测畜牧的异常行为的五个重要因素。
39.在一种可能的实施方式中，s102具体包括子步骤s1021至s1024：
40.s1021：通过摄像头拍摄畜牧的姿态，以获取姿态数据。
41.s1022：通过麦克风获取叫声数据。
42.s1023：通过人工记录得到进食量数据和体温数据。
43.s1024：通过gps传感器或者gis传感器获取位置数据。
44.s103：对姿态数据、叫声数据、进食量数据、体温数据和位置数据进行归一化处理。
45.其中，通过对姿态数据、叫声数据、进食量数据、体温数据和位置数据进行归一化处理，可以保持姿态数据、叫声数据、进食量数据、体温数据和位置数据的幅值均在0到1之间，以便于后续的特征融合。
46.进一步地，归一化处理可以提高整个算法的收敛速度，还可以提高算法的精度。
47.在一种可能的实施方式中，s103具体为：
48.采用以下公式对姿态数据、叫声数据、进食量数据、体温数据和位置数据进行归一化处理：
[0049][0050]
其中，f'(x)表示归一化之后的数据，f(x)表示归一化之前的数据，min[f(x)]表示f(x)中的最小值，max[f(x)]表示f(x)中的最大值。
[0051]
s104：根据专家知识库，通过神经网络获取姿态数据的姿态特征向量、叫声数据的叫声特征向量、进食量数据的进食量特征向量、体温数据的体温特征向量和位置数据的位
置特征向量。
[0052]
需要说明的是，针对不同的数据类型，可以设计适合的神经网络结构。常用的神经网络模型包括卷积神经网络(cnn)、循环神经网络(rnn)和transformer等。对于姿态数据、叫声数据、进食量数据、体温数据和位置数据，可以将其作为神经网络的输入，通过网络的前向传播过程提取特征。
[0053]
s105：根据姿态数据、叫声数据、进食量数据、体温数据和位置数据的权重，以及姿态特征向量、叫声特征向量、进食量特征向量、体温特征向量和位置特征向量，进行特征融合，得到特征融合向量。
[0054]
在一种可能的实施方式中，s105具体为：
[0055]
根据姿态数据、叫声数据、进食量数据、体温数据和位置数据的权重，以及姿态特征向量、叫声特征向量、进食量特征向量、体温特征向量和位置特征向量，进行特征融合，得到特征融合向量e：
[0056]
e＝ω1·
e1+ω2·
e2+ω3·
e3+ω4·
e4+ω5·
e5[0057]
其中，e1表示姿态数据的特征向量，ω1表示姿态因素的权重，e2表示叫声数据的特征向量，ω2表示叫声因素的权重，e3表示进食量数据的特征向量，ω3表示进食量因素的权重，e4表示体温数据的特征向量，ω4表示体温因素的权重，e5表示位置数据的特征向量，ω5表示位置因素的权重。
[0058]
在一种可能的实施方式中，在s105之前，异常行为监测方法还包括：
[0059]
s109：确定姿态数据、叫声数据、进食量数据、体温数据和位置数据的权重。
[0060]
在一种可能的实施方式中，s109具体包括子步骤s1091至s1098：
[0061]
s1091：通过对姿态因素、叫声因素、进食量因素、体温因素和位置因素进行两两比较，结合九级标度法，建立判别矩阵a：
[0062][0063]
其中，a
ij
表示第i个因素相对于第j个因素的重要程度，a
ij
的取值可通过九极标度法确定，n＝5。
[0064]
其中，九级标度法基于两两指标之间的相对差别给出不同指标的分数，最后得到的结果可以通过数值将多个定性指标的相对差异体现出来，进而分析出各个评价指标在评估毒品原植物适生区的过程中所占的比重。
[0065]
s1092：计算判断矩阵a的特征向量和特征值：
[0066]
aω＝λω
→
(a-λi)ω
[0067]
其中，λ表示判断矩阵a的特征值，ω表示判断矩阵a的特征向量，取最大的特征值记为λ
max
，与之对应的特征向量为ω
max
，ω
max
＝(ω1,ωi,
…
,ωn)。
[0068]
s1093：对特征向量进行归一化处理，并构建第一权重集合c1：
[0069][0070]
ω
′
max
＝(ω
′1,ω'2,
…
,ω'n)
[0071]
其中，归一化后的向量ω'
max
可用于表征第一权重集合c1，归一化后的向量ω'
max
的各个分量ω
′1,ω'2,
…
,ω'n分别代表各个因素的权重，可分别记为α1、α2、
…
、αi，则c1＝(α1,αi,
…
,αn)。
[0072]
在本发明中，九级标度法基于两两指标之间的相对差别，给出不同指标的分数能够利用专家的理论知识和丰富经验，避免评价结果受到数据的随机误差影响。
[0073]
s1094：使用标准差si来表示各个因素的差异波动情况：
[0074][0075][0076]
其中，表示第i个评价因素的标准值，标准差si越大，表明该因素的数据差异越大，反映的信息也越多，该因素的区分度也越强，评价强度越高。
[0077]
s1095：使用冲突系数ri表示各个因素的冲突性情况：
[0078][0079][0080]
其中，r
ij
表示第i因素与第j因素之间的相关系数，冲突系数ri越大，表明该因素与其他因素相关性越弱，冲突性越强，反映的信息也越大，该因素的区分度也越强，评价强度越高。
[0081]
s1096：计算各个因素的信息量di：
[0082]di
＝si·ri
[0083]
s1097：根据信息量di计算各个因素的权重，构建第二权重集合c2，则c2＝(β1,βi,
…
,βn)：
[0084][0085]
本发明中，通过标准差si和冲突系数ri确定各个因素的权重，考虑指标的变异性和波动情况，有助于反映指标之间的差异和波动程度。
[0086]
s1098：根据第一权重集合c1和第二权重集合c2计算各个因素的最终权重ωi：
[0087][0088][0089]
其中，αi表示第一权重集合中各个因素的权重，βi表示第二权重集合中各个因素的权重。
[0090]
在本发明中，通过将第一权重集合c1和第二权重集合c2计算各个因素的最终权重ωi，可以综合两者权重确定方式的优缺点，提升权重确定的准确性。
[0091]
s106：根据疾病知识库为特征融合向量添加疾病诊断标签，将特征融合向量输入至支持向量机，输出疾病诊断结果，通过比对疾病诊断结果与疾病诊断标签是否一致对支持向量机进行训练。
[0092]
其中，支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最优超平面。
[0093]
在一种可能的实施方式中，s106具体包括子步骤s1061和s1062：
[0094]
s1061：构建支持向量机，确定出支持向量机的最优超平面：
[0095][0096]
其中，ei表示输入的特征融合向量，ui表示输入的分类标签，ξi表示松弛变量，b表示偏移量，k(ei.ej)表示核函数，表示ei与ej之间的相似度，g表示核参数。
[0097]
其中，最优超平面可将存在疾病的数据点和不存在疾病的数据点划分开。
[0098]
s1062：根据最优超平面的划分结果，输出疾病诊断结果。
[0099]
需要说明的是，通过支持向量机，自动化地输出疾病诊断结果，提升了畜牧的异常行为诊断效率与准确率，极大降低了畜牧的病死率。
[0100]
s107：通过训练好的支持向量机对待诊断畜牧进行异常行为监测，在待诊断畜牧存在疾病的情况下，输出疾病诊断结果，并发出预警通知，对待诊断畜牧进行人工隔离。
[0101]
在一种可能的实施方式中，发出预警通知的方式包括以下至少一种：
[0102]
发出预警铃声。
[0103]
在电子设备的界面显示预警弹窗。
[0104]
将预警灯的颜色切换为橙色或者红色；
[0105]
其中，在所述预警灯为橙色的情况下，对所述待诊断畜牧进行人工隔离并进行预设时长的观察；
[0106]
其中，预设时长可以是一天、三天或者一周，本发明对于预设时长的具体数值不做限定。
[0107]
在所述预警灯为红色的情况下，对所述待诊断畜牧进行人工隔离并进行直接介入处理。
[0108]
其中，直接介入处理包括对畜牧尸体进行掩埋等。
[0109]
可选地，预警灯还可以显示白色灯光和黄色灯光。白色灯光意味着畜牧状态一切正常。黄色灯光意味着饲养人员需要提升注意力、留心观察。
[0110]
s108：在完成对待诊断畜牧的隔离的情况下，解除预警。
[0111]
与现有技术相比，本发明至少具有以下有益技术效果：
[0112]
在本发明中，监测畜牧的姿态数据、叫声数据、进食量数据、体温数据和位置数据，通过神经网络提取特征，进而通过支持向量机，自动化地输出疾病诊断结果，提升了畜牧的异常行为诊断效率与准确率，极大降低了畜牧的病死率。
[0113]
实施例2
[0114]
在一个实施例中，本发明提供的一种蓄养畜牧的异常行为监测系统，用于执行实施例1中的异常行为监测方法。
[0115]
本发明提供的一种蓄养畜牧的异常行为监测系统可以实现上述实施例1中的异常行为监测方法的步骤和效果，为避免重复，本发明不再赘述。
[0116]
与现有技术相比，本发明至少具有以下有益技术效果：
[0117]
在本发明中，监测畜牧的姿态数据、叫声数据、进食量数据、体温数据和位置数据，通过神经网络提取特征，进而通过支持向量机，自动化地输出疾病诊断结果，提升了畜牧的异常行为诊断效率与准确率，极大降低了畜牧的病死率。
[0118]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0119]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种蓄养畜牧的异常行为监测方法，其特征在于，包括：s101：构建专家知识库，所述专家知识库包括行为姿势知识库、声音知识库、饲喂知识库和疾病知识库；s102：获取多个畜牧的姿态数据、叫声数据、进食量数据、体温数据和位置数据，构建训练数据集；s103：对所述姿态数据、所述叫声数据、所述进食量数据、所述体温数据和所述位置数据进行归一化处理；s104：根据所述专家知识库，通过神经网络提取所述姿态数据的姿态特征向量、所述叫声数据的叫声特征向量、所述进食量数据的进食量特征向量、所述体温数据的体温特征向量和所述位置数据的位置特征向量；s105：根据所述姿态数据、所述叫声数据、所述进食量数据、所述体温数据和所述位置数据的权重，以及所述姿态特征向量、所述叫声特征向量、所述进食量特征向量、所述体温特征向量和所述位置特征向量，进行特征融合，得到特征融合向量；s106：根据所述疾病知识库为所述特征融合向量添加疾病诊断标签，将所述特征融合向量输入至支持向量机，输出疾病诊断结果，通过比对所述疾病诊断结果与所述疾病诊断标签是否一致对所述支持向量机进行训练；s107：通过训练好的所述支持向量机对待诊断畜牧进行异常行为监测，在所述待诊断畜牧存在疾病的情况下，输出疾病诊断结果，并发出预警通知，对所述待诊断畜牧进行人工隔离；s108：在完成对所述待诊断畜牧的隔离的情况下，解除预警。2.根据权利要求1所述的异常行为监测方法，其特征在于，所述s101具体包括：s1011：寻找相关领域的专家和权威信息源，收集蓄养领域知识；s1012：为各个专家知识库建立适当的结构和分类体系；s1013：将收集到的知识整理为清晰、严密的文档，并进行记录，形成专家知识库；s1014：定期更新和维护各个专家知识库。3.根据权利要求1所述的异常行为监测方法，其特征在于，所述s102具体包括：s1021：通过摄像头拍摄畜牧的姿态，以获取所述姿态数据；s1022：通过麦克风获取所述叫声数据；s1023：通过人工记录得到所述进食量数据和所述体温数据；s1024：通过gps传感器或者gis传感器获取所述位置数据。4.根据权利要求1所述的异常行为监测方法，其特征在于，所述s103具体为：采用以下公式对所述姿态数据、所述叫声数据、所述进食量数据、所述体温数据和所述位置数据进行归一化处理：其中，f'(x)表示归一化之后的数据，f(x)表示归一化之前的数据，min[f(x)]表示f(x)中的最小值，max[f(x)]表示f(x)中的最大值。5.根据权利要求1所述的异常行为监测方法，其特征在于，在所述s105之前，还包括：
s109：确定所述姿态数据、所述叫声数据、所述进食量数据、所述体温数据和所述位置数据的权重。6.根据权利要求5所述的异常行为监测方法，其特征在于，所述s109具体包括：s1091：通过对姿态因素、叫声因素、进食量因素、体温因素和位置因素进行两两比较，结合九级标度法，建立判别矩阵a：其中，a
ij
表示第i个因素相对于第j个因素的重要程度，a
ij
的取值可通过九极标度法确定，n＝5；s1092：计算所述判断矩阵a的特征向量和特征值：aω＝λω
→
(a-λi)ω其中，λ表示判断矩阵a的特征值，ω表示判断矩阵a的特征向量，取最大的特征值记为λ
max
，与之对应的特征向量为ω
max
，ω
max
＝(ω1,ω
i
,
…
,ω
n
)；s1093：对特征向量进行归一化处理，并构建第一权重集合c1：ω'
max
＝(ω'1,ω'2,
…
,ω'
n
)其中，归一化后的向量ω'
max
可用于表征第一权重集合c1，归一化后的向量ω'
max
的各个分量ω'1,ω'2,
…
,ω'
n
分别代表各个因素的权重，可分别记为α1、α2、
…
、α
i
，则c1＝(α1,α
i
,
…
,α
n
)；s1094：使用标准差s
i
来表示各个因素的差异波动情况：来表示各个因素的差异波动情况：其中，表示第i个评价因素的标准值，标准差s
i
越大，表明该因素的数据差异越大，反映的信息也越多，该因素的区分度也越强，评价强度越高；s1095：使用冲突系数r
i
表示各个因素的冲突性情况：表示各个因素的冲突性情况：
其中，r
ij
表示第i因素与第j因素之间的相关系数，冲突系数r
i
越大，表明该因素与其他因素相关性越弱，冲突性越强，反映的信息也越大，该因素的区分度也越强，评价强度越高；s1096：计算各个因素的信息量d
i
：d
i
＝s
i
·
r
i
s1097：根据所述信息量d
i
计算各个因素的权重，构建第二权重集合c2，则c2＝(β1,β
i
,
…
,β
n
)：s1098：根据所述第一权重集合c1和所述第二权重集合c2计算各个因素的最终权重ω
i
：：其中，α
i
表示所述第一权重集合中各个因素的权重，β
i
表示所述第二权重集合中各个因素的权重。7.根据权利要求6所述的异常行为监测方法，其特征在于，所述s105具体为：根据所述姿态数据、所述叫声数据、所述进食量数据、所述体温数据和所述位置数据的权重，以及所述姿态特征向量、所述叫声特征向量、所述进食量特征向量、所述体温特征向量和所述位置特征向量，进行特征融合，得到特征融合向量e：e＝ω1·
e1+ω2·
e2+ω3·
e3+ω4·
e4+ω5·
e5其中，e1表示所述姿态数据的特征向量，ω1表示所述姿态因素的权重，e2表示所述叫声数据的特征向量，ω2表示所述叫声因素的权重，e3表示所述进食量数据的特征向量，ω3表示所述进食量因素的权重，e4表示所述体温数据的特征向量，ω4表示所述体温因素的权重，e5表示所述位置数据的特征向量，ω5表示所述位置因素的权重。8.根据权利要求1所述的异常行为监测方法，其特征在于，所述s106具体包括：s1061：构建支持向量机，确定出所述支持向量机的最优超平面：其中，e
i
表示输入的特征融合向量，u
i
表示输入的分类标签，ξ
i
表示松弛变量，b表示偏移量，k(e
i
.e
j
)表示核函数，表示e
i
与e
j
之间的相似度，g表示核参数；其中，所述最优超平面可将存在疾病的数据点和不存在疾病的数据点划分开；s1062：根据所述最优超平面的划分结果，输出疾病诊断结果。9.根据权利要求1所述的异常行为监测方法，其特征在于，发出预警通知的方式包括以
下至少一种：发出预警铃声；在电子设备的界面显示预警弹窗；将预警灯的颜色切换为橙色或者红色；其中，在所述预警灯为橙色的情况下，对所述待诊断畜牧进行人工隔离并进行预设时长的观察；在所述预警灯为红色的情况下，对所述待诊断畜牧进行人工隔离并进行直接介入处理。10.一种蓄养畜牧的异常行为监测系统，其特征在于，用于执行权利要求1至9所述的异常行为监测方法。

技术总结
本发明公开了一种蓄养畜牧的异常行为监测方法及系统，属于蓄养畜牧技术领域，方法包括：构建专家知识库；获取姿态数据、叫声数据、进食量数据、体温数据和位置数据；对数据进行归一化处理；通过神经网络获取姿态特征向量、叫声特征向量、进食量特征向量、体温特征向量和位置特征向量；对各个特征向量进行特征融合，得到特征融合向量；将特征融合向量输入至支持向量机，对支持向量机进行训练；通过训练好的支持向量机对待诊断畜牧进行异常行为监测，在待诊断畜牧存在疾病的情况下，输出疾病诊断结果，并发出预警通知，对待诊断畜牧进行人工隔离；在完成对待诊断畜牧的隔离的情况下，解除预警。提升了诊断效率与准确率，极大降低了畜牧的病死率。低了畜牧的病死率。低了畜牧的病死率。


技术研发人员：张天天 陈发帅 聂黎明 李楠 李树锋
受保护的技术使用者：绍兴兰芯技术有限公司
技术研发日：2023.06.06
技术公布日：2023/9/7