《Smart Agricultural Technology》：CattleSavior: Prototyping a Mobile Application for Non-Invasive Cattle Disease Detection in Bangladesh
编辑推荐：
为解决孟加拉国牛只常见非侵入性疾病检测困难、农户缺乏即时指导的问题，研究人员开展了名为“CattleSavior”的移动应用程序原型研究。他们开发了一个基于深度学习卷积神经网络(CNN)的检测系统，可识别Lumpy Skin Disease (LSD)、Foot and Mouth Disease (FMD)和Infectious Bovine Keratoconjunctivitis (IBK)，准确率达99%。该研究通过实地访谈了解农户需求，并将模型集成至移动端，为资源受限的农业环境提供了实用的HCI解决方案，有助于促进可持续畜牧业发展。
在世界许多发展中国家，畜牧业是国家经济和民众生计的重要支柱，孟加拉国便是其中之一。根据该国畜牧业服务部的数据，在2023-24财年，畜牧业贡献了约1.8%的国民生产总值。然而，牛只的健康却面临着各种疾病的威胁，其中一些疾病虽不致命，却高度传染，若未能及时发现和处理，同样可能造成严重的经济损失，甚至影响整个社区的可持续发展。在孟加拉国，Lumpy Skin Disease (LSD)、Foot and Mouth Disease (FMD)和Infectious Bovine Keratoconjunctivitis (IBK)是三种最为常见且困扰农户的非侵入性疾病。传统的疾病检测依赖农户经验或兽医诊断，但在农村地区，兽医资源匮乏，且咨询费用高昂。随着智能手机的普及，利用数字技术为农业赋能已成为可能。那么，能否开发一款手机应用，让农户自己拍张照片，就能快速识别牛病，并获得初步处理建议呢？来自达卡Daffodil International University的研究团队Sohidul Haque Sahid、A. B. M. Alim Al Islam、Jannatun Noor和Rantu Das开展了一项名为“CattleSavior”的研究，并发表在《Smart Agricultural Technology》上，旨在回答这个问题。
为了开发这款面向农户的实用工具，研究人员主要运用了以下几项关键技术方法：首先，采用设计科学研究方法，通过实地访谈26个养殖场（涉及约1300头牛）来识别问题和需求；其次，构建了一个包含LSD、FMD、IBK和正常皮肤四类图像的数据集，并通过数据增强技术将图像扩充至15548张；再者，设计并训练了一个轻量级的自定义卷积神经网络模型，该模型参数仅78.4万，在保证高精度的同时适合移动端部署；最后，将训练好的模型转换为TensorFlow Lite格式，并集成到使用Flutter框架开发的移动应用“CattleSavior”中，应用界面使用孟加拉语，并集成了疾病信息、疫苗提醒、兽医联系等多项实用功能。
研究结果
4. 访谈发现
通过对26个养殖场的访谈，研究人员获得了对现实情况的深刻理解。4.1常见的非侵入性牛病：LSD、FMD和IBK被确认为最常见的三种疾病，农户们分享了这些疾病快速传播和高昂治疗成本（平均超过4000孟加拉塔卡，约合36美元）的亲身经历。4.2移动应用作为解决方案的潜力：绝大多数（25/26）受访农户拥有智能手机，但他们很少将其用于牛病管理，主要原因是缺乏可靠且易于获取的本地语言信息源。农户们对一款能够辅助疾病检测的手机应用表现出浓厚兴趣和高度期待。4.3重大的经济损失和相关方面：除了直接的治疗费用，疾病还导致产奶量下降，若多只牛同时感染，会造成巨大的经济损失。许多农户（73.07%）同意或强烈同意这些非侵入性疾病可能变得致命。4.4数字化的重要性：研究发现，当前孟加拉国的畜牧业严重缺乏数字化疾病检测方案，农户过度依赖兽医，而农村地区兽医资源紧张，导致治疗延误。因此，引入数字化解决方案以促进早期检测和干预迫在眉睫。
5. 模型设计与实现
5.1数据集收集与5.2数据预处理：研究团队从公开数据集、本地农场和YouTube视频等多个来源收集图像，构建了一个包含644张LSD、408张FMD、403张IBK和1406张正常皮肤图像的原始数据集。通过水平翻转、宽度/高度平移、缩放和亮度调整等数据增强技术，将数据集扩充至15548张图像，以改善模型训练效果。
5.3我们提出的CNN架构：研究人员设计了一个轻量级的自定义CNN模型，包含多个卷积层、最大池化层、全连接层以及用于防止过拟合的Dropout层。激活函数主要使用ReLU，输出层使用Softmax。该模型总参数量为784,260（约0.78百万），远小于VGG-19、Inception-ResNet-v2等预训练模型。
5.4评估与结果：与多种预训练模型相比，提出的自定义CNN模型在测试集上取得了优异的性能：准确率、精确率、召回率和F1分数均达到0.99。更重要的是，它在保持高精度的同时，拥有最少的参数，非常适合在移动设备等资源受限的环境中部署。
5.5将Keras模型转换为TensorFlow Lite模型：为了在移动端高效运行，研究团队将训练好的Keras模型转换为TensorFlow Lite格式。转换后的模型大小从9.08 MB减小至2.98 MB，预测时间从0.24秒缩短至0.04秒，尽管测试准确率略有下降至0.97，但仍在可接受范围内，非常适合边缘设备推理。
6. 应用程序设计与实现
6.1疾病检测与即时反馈：“CattleSavior”应用的核心功能。用户可通过手机相机拍摄或从相册上传牛只患处照片，应用内置的TFLite模型会在数秒内给出检测结果（LSD、FMD、IBK或正常），并附上针对该疾病的即时处理建议。如果未检测到上述三种疾病，应用会建议用户咨询兽医。
6.2-6.7其他实用功能：应用还集成了六大辅助功能，包括：15种常见牛病的信息库、多种疫苗的详细信息及接种时间表、自定义疫苗接种提醒、全面的牛只饲养管理指南、常见疾病的通用药物列表，以及当地兽医的联系方式。所有功能和信息均以孟加拉语呈现，确保用户易于理解。
6.8测试“CattleSavior”应用：研究团队使用不同尺寸和质量的真实图像对应用进行测试，并由兽医验证结果，证实了应用检测的准确性。此外，对280张真实世界图像的进一步手动测试也显示了模型良好的泛化能力。
6.9 & 6.10用户反馈：在应用开发完成后，研究团队回访了11位初次访谈的农户，在他们的手机上安装应用并进行55天的试用。后续访谈的反馈非常积极：用户普遍认为应用运行流畅（平均评分4.72/5），能够准确检测疾病（4.63/5），提供的信息重要且相关（4.45/5），并很可能推荐给其他农户（4.72/5）。用户也提出了一些改进建议，如增加可检测的疾病种类、扩展至其他家畜信息等。
研究结论与意义
这项研究成功地设计、开发并初步评估了“CattleSavior”——一个用于孟加拉国非侵入性牛病检测的移动应用程序。研究始于对现实农户需求的深入调研，在此基础上构建了一个高精度、轻量化的深度学习模型，并将其无缝集成到一个以用户为中心设计的移动应用中。应用不仅提供了核心的图像识别功能，还围绕疾病管理、预防和养殖知识提供了一站式信息支持。
该研究的意义是多方面的。在实践层面，“CattleSavior”为资源受限地区的农户提供了一种即时、低成本且易于使用的疾病初步筛查工具，有助于实现早期发现和干预，从而可能减少经济损失、改善动物福利。在学术层面，这项研究为人机交互领域贡献了一个将先进人工智能技术与具体农业健康挑战相结合的优秀案例，展示了HCI在支持可持续数字农业和提升农村生计方面的潜力。它填补了针对孟加拉国（乃至类似地区）特定语境下，缺乏本地化、集成化畜牧业健康管理数字解决方案的研究空白。尽管研究存在样本量有限、应用功能有待进一步扩展等局限性，但其用户中心的设计方法、轻量化模型的成功部署以及来自真实用户的积极反馈，为未来在更广泛农业健康领域开发和部署数字干预措施奠定了坚实的基础。
