家禽养殖是保障粮食安全和农村生计的重要行业，但传统养殖方式劳动强度大且易受环境压力和疾病爆发影响。本项目设计并实现了一套智能家禽养殖系统，融合了基于物联网（IoT）的自动化技术与深度学习（DL）驱动的疾病检测。系统采用IoT32微控制器及多种低成本传感器，包括用于温湿度检测的DHT22、气体浓度检测的MQ135、用于饲料和水监测的超声波和液位传感器，以及用于火灾检测的火焰传感器。执行器如伺服电机、水泵、风扇、加热灯泡和蜂鸣器被编程设定为自动响应传感器阈值，确保环境的持续管理与鸡只福利。与此同时，部署了ESP32-CAM模块采集家禽粪便图像，通过训练涵盖球虫病、新城疫、沙门氏菌及健康四类的深度学习管线进行分类。共评测了七种先进架构，最终确定EfficientNet-B0模型，在公开粪便图像测试集上的准确率达99.19%，在本地商业养殖场的真实数据集上达95.62%。该模型轻量化设计和高准确率适合与ESP32-CAM结合应用于实际养殖环境。系统基于FastAPI开发云端后台和网页仪表盘，实现农户登录、传感器数据可视化、执行器状态监控及疾病检测结果实时查看。系统评估表明自动化响应时间低于2秒，疾病检测表现稳健。所提系统为小规模家禽养殖场提供了经济高效、可扩展且可持续的解决方案。通过减少人工劳动、提升环境稳定性及实现疾病早期检测，有助于提高养殖效率及动物福利。
Sakib等人（周四）进行了此项研究。