用于对猪病进行诊断的设备及其相关产品

技术领域

本发明一般地涉及猪病诊断领域。更具体地，本发明涉及一种用于对猪病进行诊断的设备和计算机可读存储介质。

背景技术

随着猪只养殖的规模化和集约化发展，使得养猪场的整体布局逐渐产生分散和偏远现象，进而使得猪病专家或兽医在对猪只进行疾病诊断时，不仅需要耗费大量的人力和物力，而且会由于对猪只疾病诊断的不及时而导致猪只发生死亡。另外，还由于猪病专家和兽医人员的短缺和猪病诊治技术手段落后等因素，使得猪病危害日益突显。鉴于此，现有技术中亟需一种能够辅助基层养猪人员及时对猪只疾病进行问诊，且能够有效提高疾病诊断准确性的方案。

发明内容

为至少解决上述背景技术中的一个或多个技术问题，本发明提供了一种用于对猪病进行诊断的设备和计算机可读存储介质。通过本发明实施例的方案可以辅助基层养猪人员及时对猪只疾病进行远程诊断，克服了猪病专家和兽医人员短缺的问题，并且可以提高对疾病的诊断的准确性，进而可以有效降低因猪病问题造成的经济损失。为此，本发明在如下的多个方面中提供解决方案。

在第一方面中，本发明公开了一种用于对猪病进行诊断的设备，该设备包括处理器；以及存储器，其存储有用于对猪病进行诊断的程序指令，当所述程序指令由所述处理器执行时，使得执行以下步骤：基于用户输入的猪病问题进行实体抽取，以抽取出所述猪病问题的症状实体；基于所述症状实体与用户进行信息交互，以确定所述症状实体的相关信息；以及将所述相关信息输入预定领域知识图谱进行猪只疾病查询，并且根据所述猪只疾病查询的结果进行疾病推理，以实现对猪只疾病的诊断。

在一个实施例中，当所述程序指令由所述处理器执行时，使得还执行以下步骤：基于用户输入的猪病问题进行实体抽取，响应于未抽取出所述猪病问题的症状实体，则进行常规猪病问题推荐，以用于引导用户输入带有症状实体的猪病问题。

在另一个实施例中，当所述程序指令由所述处理器执行时，使得执行基于用户输入的猪病问题进行实体抽取还包括执行以下步骤：构建实体识别模型，以用于对所述猪病问题进行实体抽取；以及将输入的猪病问题进行词向量转化，以便于将进行词向量转化后的猪病问题输入所述实体识别模型。

在又一个实施例中，当所述程序指令由所述处理器执行时，使得执行构建实体识别模型之前还包括执行以下步骤：收集整理并审核疾病症状相关问题数据集，并对所述症状相关问题数据集进行文本序列标注；以及将进行文本序列标注后的所述疾病症状相关问题数据集作为所述实体识别模型的训练语料，以用于对所述实体识别模型进行模型训练。

在一个实施例中，当所述程序指令由所述处理器执行时，使得执行基于所述症状实体与用户进行信息交互，以确定所述症状实体的相关信息包括执行以下步骤：利用确定的所述症状实体的基本信息和关联信息与用户进行信息交互，以确定所述症状实体的相关信息。

在一个实施例中，当所述程序指令由所述处理器执行时，使得执行利用所述症状实体的基本信息和关联信息与用户进行信息交互包括执行以下步骤：基于选项卡形式，利用所述基本信息与用户进行交互；以及基于图片对比形式，利用所述关联信息与用户进行交互。

在另一个实施例中，当所述程序指令由所述处理器执行时，使得执行将所述相关信息输入预定领域知识图谱进行猪只疾病查询包括执行以下步骤：将所述相关信息转化为结构化查询语言，以用于输入所述预定领域知识图谱进行猪只疾病查询。

在一个实施例中，当所述程序指令由所述处理器执行时，使得执行根据所述猪只疾病查询的结果进行疾病推理，以实现对猪只的疾病诊断包括执行以下步骤：基于所述猪只疾病查询的结果统计所述疾病的概率值，并且将所述概率值大于预设阈值的疾病作为疾病推理的结果，以实现对猪只的疾病诊断。

在第二方面中，本发明公开了一种计算机可读存储介质，存储有用于对猪病进行诊断的程序指令，当所述程序指令由处理器执行时，实现上述的步骤。

通过利用本发明上述及其多个实施例中所描述的设备所执行的步骤，本发明实施例可以基于症状实体与用户进行信息交互而确定症状实体的相关信息，使得用户可以不依赖猪病专家和兽医而实现及时对猪只进行问诊。进一步，可以将相关信息输入预定领域知识图谱进行猪只疾病查询，并且根据猪只疾病查询的结果进行疾病推理，可以有效提高对猪只疾病诊断的准确性，从而可以克服猪病诊治技术手段落后的问题。在一些实施例中，基于未抽取出猪病问题的症状实体的情况，本发明实施例可以进行常规猪病问题推荐，以用于引导用户输入带有症状实体的猪病问题，进而可以为其他相关领域与智能问答助手交互的构建提供技术参考。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：

图1是示出根据本发明实施例的用于对猪病进行诊断的操作流程图；

图2是示出根据本发明实施例的用于对猪病进行诊断的具体操作流程图；

图3是示出根据本发明实施例的实体识别模型的结构示意图；以及

图4是示出根据本发明实施例的用于对猪病进行诊断的系统的示意框图。

具体实施方式

现在将参考附图描述实施例。应当理解，为了说明的简单和清楚，在认为合适的情况下，可以在附图中重复附图标记以指示对应或类似的元件。另外，本发明阐述了许多具体细节以便提供对本文所述实施例的透彻理解。然而，本领域普通技术人员将理解，可以在没有这些具体细节的情况下实践本文描述的实施例。在其他情况下，没有详细描述公知的方法、过程和组件，以免模糊本文描述的实施例。而且，该描述不应被视为限制本文描述的实施例的范围。

随着人工智能(AI)技术的发展，AI在医疗领域的应用也越来越广泛，进而使得智能辅助医疗技术成为人工智能领域的研究热点，其中智能辅助医疗技术可以是辅助医生通过AI来对用户进行疾病诊断的技术，并且可以是通过与用户进行信息交互的方式来实现疾病诊断。在一个实施例中，本发明所公开的用于对猪病进行诊断的设备可以是基于智能辅助医疗技术来对猪只疾病进行诊断，以便可以辅助基层养猪人员能够及时解决猪病问题，并且可以使得对猪病的诊断更加直观和便捷。

下面结合附图来详细描述本发明的具体实施方式。

图1是示出根据本发明实施例的用于对猪病进行诊断的操作流程图。需要理解的是，本发明公开了一种用于对猪病进行诊断的设备，该设备可以包括：处理器以及存储器，其中存储器可以存储有用于对猪病进行诊断的程序指令，并且当程序指令由处理器执行时，使得执行以下用于对猪病进行诊断的操作流程100。

如图1中所示，操作流程100开始于步骤S102。在该步骤处，可以基于用户输入的猪病问题进行实体抽取，以抽取出猪病问题的症状实体。在一个实施例中，接收用户输入的猪病问题可以是AI系统，基于语言识别技术的AI系统可以对用户输入的猪病问题进行语言识别和分析，以便于实现对猪病问题中症状实体的抽取。可以理解的是，实体抽取也就是命名实体识别，主要抽取的是文本中的原子信息元素，如人名、组织/机构名、地理位置、事件/日期、字符值、金额值等。在本发明实施例中，可以对用户输入的猪病问题进行命名实体识别，以实现对实体的抽取。

在一个实施例中，猪病问题的症状实体可以包括猪只疾病中咳嗽、神经、流产、发烧、腹泻、发白等六大主要症状中的一项或多项。作为举例，用户输入的猪病问题可以是“猪发烧怎么办”，则抽取的症状实体可以是“发烧”。在另一个实施例中，AI系统可以配置于任意一台电子设备中，以便用户可以利用电子设备通过手写、打字或语音的方式将猪病问题输入AI系统，以实现症状实体的抽取。

在一个实施例中，当程序指令由处理器执行时，可以使得执行以下步骤，基于用户输入的猪病问题进行实体抽取，响应于未抽取出猪病问题的症状实体，则进行常规猪病问题推荐，以用于引导用户输入带有症状实体的猪病问题。在另一个实施例中，未抽取出猪病问题的症状实体可以是针对于用户输入的问题，智能辅助医疗系统抽取不到实体值或用户向智能问答系统问一些超出猪病问诊范围的问题的情况。通过采用上述引导的方式可以引导用户将带有症状实体的猪病问题输入AI系统，进而可以提高对用户输入问题进行实体抽取的效率。进一步，通过上述的引导的方式还可以为其他相关领域AI系统的构建提供参考。

在一个实施例中，当程序指令由处理器执行时，使得执行基于用户输入的猪病问题进行实体抽取还可以包括执行以下步骤，可以构建实体识别模型，以用于对猪病问题进行实体抽取；以及将输入的猪病问题进行词向量转化，以便于将进行词向量转化后的猪病问题输入实体识别模型。在一个实施例中，构建实体识别模型之前还可以包括收集整理并审核疾病症状相关问题数据集，并对症状相关问题数据集进行文本序列标注；以及将进行文本序列标注后的疾病症状相关问题数据集作为实体识别模型的训练语料，以用于对实体识别模型进行模型训练。

在步骤S104处，可以基于症状实体与用户进行信息交互，以确定症状实体的相关信息。在一个实施例中，可以利用配置于电子设备上的AI系统与用户进行信息交互，并且可以利用AI系统通过问答的形式来与用户进行交互，以确定症状实体的相关信息。在另一个实施例中，当程序指令由处理器执行时，使得执行基于症状实体与用户进行信息交互，以确定症状实体的相关信息可以包括执行以下步骤，利用确定的症状实体的基本信息和关联信息与用户进行信息交互，以确定症状实体的相关信息，其中确定的症状实体的基本信息可以是各个症状实体具有的相同的信息，例如各个症状实体的死亡率、发病率、免疫情况、病史等共同的信息。另外，关联信息可以是与各个症状实体相互联系的信息，例如咳喘的关联信息是咳喘程度、体温、全身性症状等信息，发烧的关联信息是发烧程度、发烧持续时间等信息，以及腹泻的关联信息是粪便颜色、粪便形状等信息。

通过利用上述基本信息和关联信息与用户进行信息交互，可以获得症状实体更加全面的相关信息，进而可以更加准确地诊断出猪只的疾病。进一步，通过与机器进行交互来获得相关信息，可以实现代替猪病专家和兽医来辅助养猪人员及时对猪只进行疾病问诊，进而克服了猪病专家和兽医基层人员短缺的问题。

在一个实施例中，当程序指令由所述处理器执行时，使得执行利用症状实体的基本信息和关联信息与用户进行信息交互可以包括执行以下步骤，可以基于选项卡形式，利用基本信息与用户进行交互，进而可以避免因主观因素导致用户所输入的数据不精准问题，保证了与用户交互过程中收集数据的准确性。作为举例，可以通过提出类似“请选择以下选项中最接近的发病率”的问题与用户交互，以便用户可以选择提供的至少两个选项中的一项，进而保证了收集数据的准确性。

在另一个实施例中，可以基于图片对比形式，利用关联信息与用户进行交互。例如，症状实体为“腹泻”，可以通过询问“请对比选择如下对应的症状图片”来收集粪便的颜色和形状，进而可以使得用户通过点击选择相似图片即可实现对关联信息的收集。因此，通过利用上述选项卡形式和图片对比形式，可以使得在与用户进行信息交互时保证收集症状实体的相关信息的方式更加便捷和简单，并且还可以使得用户容易理解信息交互过程。进一步，通过利用上述选项卡形式和图片对比形式来收集症状实体的相关信息，还可以提高所收集信息的准确性、规范性以及全面性。

在步骤S104处，可以将相关信息输入预定领域知识图谱进行猪只疾病查询，并且可以根据猪只疾病查询的结果进行疾病推理，以实现对猪只疾病的诊断。可以理解，知识图谱是用于描述现实世界中存在的各种实体与概念的联系，其本质上是将领域知识数据体系化、关系化的语义网络，是一种基于图的数据结构，进而通过知识图谱的应用，能够实现对知识的共建、共享及重用。在本发明实施例中，通过将与猪只疾病联系的知识数据进行体系化和关系化，可以获得关于猪只疾病的预定领域知识图谱。进一步，通过将收集的相关信息输入预定领域知识图谱进行查询可以关联出相关信息所对应的猪只疾病，从而可以实现对猪只疾病的诊断以及可以根据猪只疾病给出合理的治疗方案。

在一个实施例中，当程序指令由处理器执行时，使得执行将相关信息输入预定领域知识图谱进行疾病查询可以包括执行以下步骤，可以将相关信息转化为结构化查询语言，以用于输入预定领域知识图谱进行疾病查询。在一个实施例中，可以将相关信息转化为结构化的Cypher查询语言，其中Cypher查询语言是一种声明式的图数据库查询语言，不仅拥有精简的语法和强大的表现力，而且能够精准且高效地对图数据进行查询和更新。在另一个实施例中，将相关信息转化为结构化的Cypher查询语言还可以包括利用标准症状库对收集的相关信息进行标注化，以获得标准化的相关信息。

在一个实施例中，标准症状库可以是结合本发明实施例中的猪只疾病而进行的针对性定义库。作为举例，标准症状库可以包括不愿站、不能站、关节肿等多种标准化症状，其中不愿站指的是猪只能站但不愿意站，表现是站立时间短，不能站指的是猪只想站，但站不起来或用人扶起仍不能站，关节肿指的是关节局部增大。在一个应用场景中，通过标准症状库获得的标准化的信息可以形成结构化的cypher查询语言，其中cypher查询语言可以例如为“match(sym:symptom{{behavior:"不愿站"}})return disease”，以便可以将cypher查询语言输入预定领域知识图谱，来进行查询相关信息所关联的猪只疾病。

在一个实施例中，当程序指令由处理器执行时，使得执行根据猪只疾病查询的结果进行疾病推理，以实现对猪只疾病的诊断可以包括执行以下步骤，基于猪只疾病查询的结果统计疾病的概率值，并且可以将概率值大于预设阈值的疾病作为疾病推理的结果，以实现对猪只疾病的诊断。在一个实施例中，猪只疾病查询的结果可以是一种或多种查询结果的组合，并且还可以基于每种查询结果被查询到的次数来确定查询结果所关联的猪只疾病的概率值，进而可以将概率值较大的查询结果作为确定的猪只疾病，以实现对猪只疾病的诊断。

以上是结合图1对本发明实施例的用于对猪病进行诊断的操作流程的简单描述，为进一步理解本发明实施例的方案。图2是示出根据本发明实施例的用于对猪病进行诊断的具体操作流程图。

可以理解的是，图2所示出的具体操作流程依然可以由结合图1所描述的设备来执行，即设备的处理器通过执行存储于存储器中的程序指令，从而实现图2中所示出的操作流程。

如图2中所示，操作流程200开始于在步骤S202。在该步骤S202，可以收集整理并审核疾病症状相关问题数据集。具体地，首先可以整理内部论坛饲养员原始疾病症状问题数据集。其次可以通过python爬虫，以爬取外部养猪网站中针对于上述原始疾病症状问题数据集的部分答案数据，例如可以爬取畜牧专家网、中国养猪网、猪易论坛等外部养猪网站，并且可以在外部养猪网站爬取大概30万条疾病症状相关问题数据集。然后通过专家对收集到的疾病症状相关问题数据集进行审核，以确定疾病症状相关问题数据集中10万条左右与疾病症状相关的问题。

在步骤S204处，可以对疾病症状相关问题数据集进行文本序列标注。在一个实施例中，可以采用BIO的标注方式对审核后的疾病症状相关问题数据集进行序列标注。可以理解的是，BIO中的B可以表示症状实体的开始、I可以表示症状实体的中间、O表示非实体。例如，可以对“蓝耳病是什么”进行文本序列标注，则文本序列标注后为“蓝(B)耳(I)病(I)是(O)什(O)么(O)”。结合实体类型，可以将序列标识符命名为：疾病(B-dis、I-dis),症状(B-sym、I-sym)、非实体(OOOOO)。

在步骤S206处，可以将进行文本序列标注后的疾病症状相关问题数据集作为实体识别模型的训练语料，以用于对实体识别模型进行模型训练。在另一个实施例中，可以将训练语料划分为训练集和测试集。例如，可以按照0.7：0.3的比例对训练语料进行分割。

在一个实施例中，可以对进行文本序列标注后的疾病症状相关问题数据集进行过滤清洗去重，以用于除去疾病症状相关问题数据集中重复或不准确的问题。在另一个实施例中，可以运用python(计算机编程语言)中的Jieba对中文文章进行分词，以提取中文文章中的词语，进而可以实现对疾病症状相关问题数据集中的文本数据进行分词处理，以获得关于疾病症状相关问题数据集的词袋模型。在一个实施例中，还可以构建WORD2VEC模型，并且可以通过WORD2VEC模型对词袋模型中的词语进行训练，以得到进行文本序列标注后的疾病症状相关问题数据集中词语对应的词向量。在另一个实施例中，WORD2VEC模型可以设置1000维的词向量纬度，进而可以生成效果较好的词向量。需要理解的是，词向量的维度可以根据实际应用场景进行调整。

在步骤S208处，可以构建实体识别模型，并且可以将划分后的得到的训练语料经过词向量变化作为实体识别模型的输入，以用于对实体识别模型进行训练。在一个实施例中，可以使用BERT模型结合BILSTM-CRF模型构建实体识别模型，以用于对中文命名实体进行实体抽取。在另一个实施例中，可以利用划分得到的测试集进行验证并调整训练模型参数，以训练得到最优模型及参数。关于实体识别模型稍后将结合图3进行详细描述。

在步骤S210处，可以将用户输入的猪病问题经过分词和词向量转化，以便于将用户输入的猪病问题输入到训练好的实体识别模型，进而可以利用实体识别模型对用户输入的猪病问题进行实体抽取，以抽取症状实体。在步骤S212处，可以基于实体抽取的结果，结合症状实体所需要收集的基本信息和关联信息与用户进行交互对话，直到收集所有或者可能的信息为止。接着，在步骤S214处，可以对症状实体的相关信息进行标准化处理，以便可以根据标准化的相关信息，形成结构化的cypher查询语言。

之后，在步骤S216处，可以基于结构化查询语言在预先建立的领域知识图谱中进行查询，以获得查询结果。在一个实施例中，可以使用python中的py2neo，其中py2neo是一个社区第三方库，通过它可以更为便捷地使用python来操作neo4j图数据库。在步骤S218处，可以根据查询结果进行疾病推理，进而可以给出可能发生的诊断结果和防治方案。

在本发明实施例中，每收集一个症状实体的相关信息，在预定领域知识图谱中可以对应一个查询结果，而一个查询结果可以关联一种猪只疾病。进而可以根据收集的多个相关信息关联多种猪只疾病。在一个实施例中，可以基于每个查询结果被查询到的次数来确定所关联的猪只疾病的概率值，并且可以将概率值大于预定阀值的猪只疾病作为疾病诊断结果。

在一个应用场景中，可以根据收集的10个相关信息关联出3种猪只疾病，其中3种猪只疾病可以是发烧、腹泻、咳嗽，并且根据10个相关信息在预定领域知识图谱中进行查询而获得的10个查询结果中发烧症状出现6次，腹泻症状出现3次、咳嗽症状出现1次。因此，可以计算出发烧的概率值为6/10、腹泻为3/10、咳嗽为1/10，并且发烧的概率值大于可以例如是5/10的预定阈值，进而可以将查询结果“发烧”作为本次猪只疾病诊断结果。在一个实施例中，可以根据查询结果获得一种猪只疾病，例如“发烧”。在另一个实施例中，还可以根据查询结果获得至少两种的猪只疾病，例如“发烧”和“咳嗽”。

在一个实施例中，在确定猪只疾病的同时还可以给出该疾病的治疗方案，进而可以将诊断结果和治疗方案作为用户所输入的猪只问题的答案返回给用户。作为举例，返回结果的形式可以例如是，“您好，根据您描述的症状，可能出现如下疾病XXX，小薇给出的诊断-治疗方案XXX”。

上述结合图2对本发明实施例的用于对猪病进行诊断的操作流程进行了详细的描述。为进一步理解本发明实施例中的方案，下文将结合图3对本发明实施例中构建的实体识别模型的结构进行详细描述。图3是示出根据本发明实施例的实体识别模型的结构示意图。

如图3中所示，实体识别模型300可以包括输入层301，其可以用于接收经过词向量转化的文本数据。在一个实施例中，可以接收经过词向量转化的训练语料，以用于训练实体识别模型。在另一个实施例中，可以接收经过词向量转化的用户输入的猪只问题，以用于抽取症状实体。进一步，实体识别模型300还可以包括底层词向量表示模型302。在一个实施例中，可以利用BERT来代表实体识别模型300中的底层词向量表示模型302，以获取文本的词向量和句向量。通过BERT可以实现两个模型的底层参数共享，从而加强输入文本的特征表示。进一步，BERT编码的向量可以包括三个嵌入层：词嵌入(word embedding)、句嵌入(segment embedding)、位置嵌入(position embedding)。

实体识别模型300还可以包括双向长短期记忆网络(BILSTM)303，其用于获取文本的序列关系。另外，实体识别模型300可以包括条件随机场(CRF)304，以用于对实体之间的关系概率进行优化，进而可以得到每个词对应的实体概率，以达到抽取实体的效果。实体识别模型300还可以包括输出层305，其用于输出经过关系概率优化的带有文本序列标注的症状实体。在本发明的实施例中，对于实体识别任务，本模型利用BERT中的隐藏状态来进行实体识别任务，在每一个隐层状态后可以使用BILSTM来获取文本的序列关系，并且可以使用CRF对实体之间的关系概率进行优化，以得到每个词对应的实体概率，从而可以实现实体抽取。

在一个实施例中，可以根据划分得到的训练集和经过预训练得到的词向量，对用户输入的猪只问题进行词向量转换，即word embedding并可以作为初始向量，再根据句子的序列标注EAEB来得到segment embedding，之后根据文本中词的位置索引得到positionembedding，最后输入构建的BERT-Bilstm-CRF模型中，以用于对该模型进行训练。在一个实施例中，可以利用划分得到的测试集进行验证并调整训练模型参数，以训练得到最优模型及参数。

以上结合图1-图3对根据本发明实施例的用于对猪病进行诊断的设备的操作流程进行了示例性的描述。可以理解的是，基于预定领域知识图谱进行猪只疾病查询可以辅助养猪人员对猪只疾病进行远程疾病诊断，进而可以及时准确的对猪只疾病进行诊断，解决了养猪场分散、偏远以及猪病专家和兽医人员不足的问题。进一步，通过确定的症状实体的基本信息和关联信息与用户进行信息交互，可以提供一种更加直观和便捷的对猪只疾病进行诊断的方式，从而有利于优化猪病诊治的技术手段。

图4是示出根据本发明实施例的用于对猪病进行诊断的系统400的示意框图。可以理解，系统400可以包括根据本发明实施例的用于对猪病进行诊断的设备401以及其外围设备和外部网络，并且这里的设备401可以视为实现前述结合图1-图3所描述的用于对猪病进行诊断的设备的一种具体实施方式。

如图4中所示，用于对猪病进行诊断的设备401可以包括CPU 4011，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，用于对猪病进行诊断的设备401还可以包括大容量存储器4012和只读存储器ROM 4013，其中大容量存储器4012可以配置用于存储各类数据。在本发明实施例中，包括关于用户输入的猪病问题、相关信息或者本发明使用到的各种模型的相关数据等。另外，ROM 4013可以配置成存储对于用于对猪病进行诊断的设备401的中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。

进一步，系统400还包括其他的硬件平台或组件，例如示出的张量处理单元(TPU)4014、图像处理单元(GPU)4015、现场可编程门阵列(FPGA)4016和机器学习单元(MLU)4017。可以理解的是，尽管在设备500中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件，例如，用于对猪病进行诊断的设备401可以仅包括CPU作为公知硬件平台和另一硬件平台作为本发明的猪只姿态识别硬件平台。

本发明的用于对猪病进行诊断的设备401还包括通信接口4018，从而可以通过该通信接口4018连接到局域网/无线局域网(LAN/WLAN)405，进而可以通过LAN/WLAN405连接到本地服务器406或连接到因特网(“Internet”)。替代地或附加地，本发明的用于对猪病进行诊断的设备401还可以通过通信接口4018基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中，本发明的用于对猪病进行诊断的设备401还可以根据需要访问外部网络的服务器408以及可能的数据库409，以便获得各种已知的可以例如本发明的预定领域知识图谱，并且可以远程地存储各种数据。

系统400的外围设备可以包括显示装置402、输入装置403以及数据传输接口404。在一个实施例中，显示装置402可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本发明设备的检测过程或者最终结果进行语音提示和/或图像视频显示。输入装置403可以包括例如键盘、鼠标、麦克风、姿势捕捉相机，或其他输入按钮或控件，其配置用于接收测试数据的输入或用户指令。数据传输接口404可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等，其配置用于与其他设备或系统的数据传输和交互。

根据本发明的方案，该数据传输接口404可以接收用户输入的猪病问题。本发明的用于对猪病进行诊断的设备401中的CPU 4011、大容量存储器4012、只读存储器ROM 4013、TPU 4014、GPU 4015、FPGA 4016、MLU 4017和通信接口4018可以通过总线4019相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线4019，CPU 4011可以控制用于对猪病进行诊断的设备401中的其他硬件组件及其外围设备。

还应当理解，本发明示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。

基于上文，本发明还公开了一种计算机可读存储介质，其中存储有程序指令，程序指令适于由处理器(如图4所示CPU4011)加载并执行上文结合图1和图2所描述的操作流程步骤。进一步，此处的计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random AccessMemory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid MemoryCube)等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

应当理解，本发明披露的权利要求、说明书及附图中的可能术语“第一”或“第二”等是用于区别不同对象，而不是用于描述特定顺序。本发明披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本发明披露。如在本发明披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本发明披露说明书和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。

虽然本发明的实施方式如上，但所述内容只是为便于理解本发明而采用的实施例，并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。