随着我国经济的发展、社会的不断进步,人民的生活水平有了明显的提高,特别是在饮食结构方面,人们开始青睐于健康环保的食品。猪肉因肉质鲜美、营养丰富成为日常生活中主要食用肉片,国内猪养殖业规模也随之增加。由于猪圈养在密集、潮湿环境中,难以保持清洁,易于疾病传播,严重影响猪的生长和发育,导致猪肉产量下降,养殖户遭受经济损失,因此对猪病的预防与识别工作亟待加强。传统的猪呼吸道疾病识别方法在规模化养殖的今天欠缺实时性与效率,因此将计算机技术应用于疾病识别,对于猪的疾病识别、治疗等方面有重要意义。本文将深度学习算法和DS证据理论结合,进行猪呼吸道疾病识别,用深度学习网络对患病猪的解剖器官图像训练,训练好的模型能够针对一个器官对猪所患疾病进行识别,再用DS证据理论对不同器官的疾病识别结果融合,融合结果作为最后的识别结果。主要内容如下:根据本实验研究的三种呼吸道疾病,整理相关疾病报告,分析病理特点,肺是猪的呼吸器官,肝是猪的解毒器官,脾是淋巴免疫器官,因此研究这三个器官对呼吸道疾病识别有很大的相关性。本文使用深度学习Caffe框架下的ResNet-18网络,ResNet网络中采用了残差块解决深层网络梯度问题,图像在卷积层中经过卷积操作提取特征,在池化层进行数据降维、压缩数据和参数数量,对ResNet-18网络的res3a、res4a、res5a、res5b四层卷积后的特征反卷积,反卷积层得到的特征加权融合输入到分类层,获取更充分的特征,用于疾病识别。对深度学习得到的各器官疾病识别结果进行信息融合,深度学习网络对单个器官疾病识别,得到每个器官的疾病识别基本概率。运用DS证据理论对三个器官疾病识别结果进行融合,确定疾病识别框架后,根据深度学习网络提供的各疾病基本概率,计算出不确定因子K,根据K值结合单个器官识别各疾病的概率算出融合后识别框架下各个疾病概率,作为最终疾病识别概率。运用信息融合的疾病识别将三个器官的疾病识别结果融合,降低单一器官识别疾病的不确定性,增加可靠性。本实验在动物医院、畜牧疫检所进行解剖诊断时拍摄猪的肺、肝、脾病变器官图像作为样本,并获取实验室诊断的报告作为验证,利用本文研究的疾病识别系统得出识别结果并与诊断报告对比,结果表明:基于深度学习-信息融合的猪呼吸道疾病识别正确率达到85%以上,具有较高正确率,识别具有实时性、客观性,为猪的呼吸道疾病识别提供了一条新的有效之路。