【摘要】为实现对乌龟常见病症的快速检测,以便及时对患病乌龟进行治疗,防止病情加重或传染蔓延,减少乌龟养殖所需要的人力监督,降低养殖过程因监督不当所造成的乌龟因病死亡带来的损失。结合深度神经网络,采用可分卷积代替传统卷积方式,精简SSD300目标检测框架以及特征提取网络结构,以retina_net中提出的Focal Loss作为损失函数训练目标检测模型,并且针对乌龟常见状态的目标尺寸,利用聚类算法k-means得出适合乌龟病症识别的默认框纵横比,使预测框的回归更加精确,最终利用非极大值抑制去除重叠率较大的预测框,得出检测结果。相比于SSD300原模型,该模型参数量从550.1MB减少至18.8MB,参数量缩减共计531.3MB,检测一张图像仅需0.45s,速度提升4.11s,平均查准率为98.22%,仅仅降低0.48%,同时也验证了Focal Loss对于目标检测的提升,采用Focal Loss的模型至少提升2个百分比的平均查准率。该方法能够有效地检测出乌龟的白眼病、中耳炎、腐甲病3种常见病症,在保证精度的同时,大幅提升检测速度,能及时发现具有很强传染性的腐甲病病龟,实施相应的治疗和隔离措施后,可防止腐甲病进一步扩散,极大程度的降低损失。