基于红外热成像技术的猪体温检测与关键测温部位识别

发布时间：2020-04-12 16:32

【摘要】：实现猪体温测量自动化有利于实时监测猪的健康状况、母猪发情和排卵检测等生理健康状况。本文采用红外热成像仪采集猪的红外热图像,引入化学计量学建模方法建立体表温度、环境温度与直肠温度间的多元校正模型,同时提出两种关键测温部位的自动检测方法。主要结论总结如下:(1)建立了母猪体表温度、环境温度与母猪体温之间的一元和多元线性回归模型。研究发现,9个身体区域提取的体表温度与直肠温度呈正相关(r=0.34~0.68),其中,基于耳根区域体表温度平均值建立的一元回归方程效果最优,预测集相关系数R_P与均方根误差RMSEP分别为0.66和0.42℃。全特征模型相比一元线性回归方程有更好的预测效果,R_P和RMSEP分别为0.76和0.37℃。此外,应用特征选择方法LARS-Lasso确定了7个重要特征建立简化模型,其校正集和预测集的R分别为0.80和0.80,RMSEs分别为0.30和0.35℃。(2)将卷积神经网络应用于生猪主要测温部位(眼睛和耳朵区域)的直接分割。利用python构建了四种不同结构的卷积神经网络模型FCN-16s、FCN-8s、U-Net-3和U-Net-4。对比分析4种卷积神经网络模型的性能,结果表明U-Net-4网络结构的分割效果最优,平均区域重合度最高为78.75%。然而,当计算设备的计算力不够时,可以选用U-Net-3模型以达到较好的分割效果。(3)提出猪只眼睛及耳根区域关键点的识别方法,将猪只主要测温部位的检测问题转变为主要测温部位的定位问题。设计具有不同深度的卷积神经网络架构A-E,得出架构E最优。且当Dropout概率设置为0.6时模型效果最好,验证集平均误差和预测集平均误差分别为1.96%和2.65%。测试集单张猪脸关键点的预测误差小于5%和10%的比例分别为89.5%和97.4%。模型能够很好的定位猪脸关键点,用于猪只体温测量。本文采用红外热像仪测量母猪体表温度,通过化学计量学建模为非接触母猪直肠温度测量提供了更准确、可靠的方法,同时提出两种关键测温部位的自动检测方法,有助于实现母猪体温测量自动化,为生猪健康管理提供参考。
【图文】：

技术路线图,生猪,主动形状模型,红外热成像技术

基于红外热成像技术的猪体温检测与关键测温部位识别殖场，自动采集生猪关键测温部位体表温度。但现有方法仍具有局限性，主动形状模型算法受初始形状影响较大，当生猪姿势变化较大时效果较差，而传统图像分割算法的适应性有待进一步加强。近年来，虽然卷积神经网络在畜牧业中得到广泛应用，但应用卷积神经网络检测生猪测温部位的研究鲜有报道。卷积神经网络能够自动提取图像更深层次和多样的特征，非常适合在背景复杂的生猪红外热图像中检测关键测温部位。另外，现有研究仅针对耳根这个单一关键测温部位的检测展开研究，因此本文研究耳根和眼睛关键测温区域的检测方法。1.4 研究内容本文主要研究两方面内容，技术路线如图 1-1 所示。

示意图,红外热图像,母猪,感兴趣区域

人工提取体表温度。首先，将热图像逐个加载到软件中，然后需要熟练的技术人员通过使用鼠标来选择每个热图像中的特定区域。最后，软件自动统计所选区域的最大和平均温度特征。此外，，计算不同身体区域之间的相对体表温度。定义相对体表温度为计算同一图像中各部位体表温度之间的欧几里德距离，其计算公式如下： = √( ) (2-1)其中，Tr是相对体表温度; Ta和 Tb是两个不同身体区域的体表温度。欧几里德距离通常用于表征特征之间的差异，同时避免符号模糊。(a) 眼睛和额头区域 (b) 耳根和耳朵区域 (c) 肩部区域
【学位授予单位】：华中农业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S828;TN219

【参考文献】