基于紅外熱成像的生豬耳溫自動(dòng)提取算法

肖德琴 林思聰 劉 勤 黃一桂 曾瑞麟 陳 麗

(1.華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院， 廣州 510642； 2.溫氏食品集團(tuán)股份有限公司， 云浮 523700)

0 引言

生豬的體溫監(jiān)測(cè)在規(guī)?；i養(yǎng)殖中有非常重要的作用，一般使用豬的直腸溫度表征豬的體溫[1-2]。當(dāng)豬只處于循環(huán)衰弱、產(chǎn)后癱瘓、中毒或者臨死期時(shí)，其體溫低于正常體溫范圍的最低值；當(dāng)豬只感染某些炎癥或傳染性疾病時(shí)，如豬傳染性胸膜肺炎、豬流感等，其體溫超過(guò)正常體溫的最高值。在畜禽養(yǎng)殖中的大部分傳染性疾病中，體溫升高往往發(fā)生的較早[3-4]。因此，對(duì)生豬進(jìn)行體溫監(jiān)測(cè)和分析能有效發(fā)現(xiàn)疾病早期癥狀，以便及時(shí)通知養(yǎng)殖人員處理，減少養(yǎng)殖企業(yè)的經(jīng)濟(jì)損失[5-7]。

檢測(cè)生豬體溫的方法主要有傳感器法和熱紅外成像技術(shù)。相比于傳感器測(cè)溫要將設(shè)備置于生豬體內(nèi)[8-9]，基于熱紅外成像技術(shù)的測(cè)溫方法具有非接觸式的優(yōu)點(diǎn)，避免了人畜接觸交叉感染，也不會(huì)引起豬只的應(yīng)激反應(yīng)，能更準(zhǔn)確地反映豬只體溫[10]。SCOLARI等[11]和SKYKES等[12]使用紅外熱像儀采集發(fā)情母豬肛部的熱紅外圖像分析母豬發(fā)情行為；秦永孝等[13]利用紅外熱像儀研究母豬發(fā)情狀態(tài)下體溫變化；WESCHENFELDER等[14]通過(guò)紅外熱像儀采集生豬屠宰前的體溫，研究分析了生豬體表溫度與其屠宰前的心理?xiàng)l件和豬肉品質(zhì)的相關(guān)性。上述研究都表明了基于熱紅外成像技術(shù)提取的豬只體溫能夠反映豬只生理狀況。

近年來(lái)隨著計(jì)算機(jī)視覺(jué)的發(fā)展，基于圖像處理技術(shù)的生豬熱紅外圖像感興趣區(qū)域測(cè)溫技術(shù)成為研究熱點(diǎn)。周麗萍等[15]基于熱紅外圖像提出改進(jìn)Ostu算法檢測(cè)生豬耳根區(qū)域，但該方法僅能檢測(cè)完整具有耳根部特征的豬只圖像。趙海濤[16]借鑒人臉關(guān)鍵點(diǎn)檢測(cè)技術(shù)對(duì)豬臉的紅外圖像進(jìn)行關(guān)鍵部位自動(dòng)識(shí)別，該方法適用于人工拍攝的豬臉數(shù)據(jù)，難以結(jié)合自動(dòng)化設(shè)備進(jìn)行檢測(cè)。LU等[17]使用SVM識(shí)別紅外圖像中豬只頭部，基于頭部輪廓定位豬耳，并提取溫度，但存在將豬尾部輪廓誤識(shí)別為豬頭，導(dǎo)致耳部定位錯(cuò)誤的問(wèn)題。盡管上述研究一定程度上實(shí)現(xiàn)了自動(dòng)化提取熱紅外圖像中感興趣部位的溫度，但數(shù)據(jù)來(lái)源是人工拍攝，自動(dòng)化程度較低，而且存在感興趣部位的定位精度較低的問(wèn)題。

已有研究表明，生豬熱紅外圖像的耳部區(qū)域最大溫度及平均溫度均保持了與生豬直腸體溫較好的相關(guān)性[17-18]。本文在前期部署的設(shè)施豬場(chǎng)生豬體溫紅外巡檢系統(tǒng)基礎(chǔ)上[19]，將紅外熱成像技術(shù)與計(jì)算機(jī)視覺(jué)技術(shù)結(jié)合，選取生豬耳部區(qū)域作為其體溫的代表區(qū)域，提出一種基于紅外熱成像的生豬耳溫自動(dòng)提取算法(Infrared thermography based pigs’ ear temperature extraction，IT-PETE)，自動(dòng)提取生豬耳部溫度，以實(shí)現(xiàn)對(duì)設(shè)施豬場(chǎng)內(nèi)生豬體溫的快速監(jiān)測(cè)，為后期構(gòu)建豬只健康監(jiān)測(cè)預(yù)警模型提供技術(shù)支撐。

1 材料與方法

1.1 生豬熱紅外圖像數(shù)據(jù)的采集

本文數(shù)據(jù)采集于廣東省云浮市新興縣溫氏東成種豬場(chǎng)，于2018年7—9月進(jìn)行了試驗(yàn)，現(xiàn)場(chǎng)裝備部署及拍攝效果如圖1所示。試驗(yàn)豬舍的限位欄長(zhǎng)220 cm、寬75 cm、高106 cm。采集設(shè)備為FLIR A310型紅外熱像儀，并在其內(nèi)置25°鏡頭的基礎(chǔ)上加裝了一個(gè)視場(chǎng)角90°的鏡頭，部署于滑軌移動(dòng)設(shè)備上，距離地面200 cm，可拍攝欄位共計(jì)28個(gè)。熱像儀的紅外分辨率為320像素×240像素。紅外熱像儀在試驗(yàn)環(huán)境下進(jìn)行嚴(yán)格校準(zhǔn)，試驗(yàn)豬場(chǎng)內(nèi)的環(huán)境因子數(shù)據(jù)是可調(diào)控的并且相對(duì)穩(wěn)定，但具體拍攝時(shí)仍需要對(duì)豬只個(gè)體輻射率和拍攝距離等參數(shù)進(jìn)行校正優(yōu)化。根據(jù)文獻(xiàn)[20]的研究，通過(guò)多次拍攝測(cè)溫，將豬只個(gè)體輻射率調(diào)準(zhǔn)為0.95能夠穩(wěn)定反映生豬的體溫。實(shí)際拍攝時(shí)，豬只姿態(tài)變化一定程度上影響拍攝距離。但將拍攝距離從115 cm調(diào)整到140 cm后，同一測(cè)量點(diǎn)的溫度誤差不超過(guò)0.1℃，測(cè)量結(jié)果如表1所示，試驗(yàn)結(jié)果表明不同拍攝距離對(duì)設(shè)備測(cè)溫效果影響不顯著。因此，根據(jù)豬只大致高度將拍攝距離設(shè)置為120 cm。經(jīng)過(guò)試驗(yàn)校準(zhǔn)后，本文紅外設(shè)備獲取的溫度在誤差允許范圍內(nèi)能夠反映生豬的體溫，能夠建立有效的溫度分布熱像圖和獲取豬只體溫。

表1 不同拍攝距離下部分溫度數(shù)據(jù)

根據(jù)采集到的紅外熱像圖，構(gòu)建包含2 400幅生豬紅外熱像圖的數(shù)據(jù)集。樣本來(lái)自于28個(gè)欄位不同生豬個(gè)體。其中，訓(xùn)練集和驗(yàn)證集共2 000幅圖像用于訓(xùn)練和篩選模型，400幅用于驗(yàn)證模型性能。在進(jìn)行數(shù)據(jù)集標(biāo)注前對(duì)數(shù)據(jù)集預(yù)處理，再使用LabelImg標(biāo)注工具對(duì)數(shù)據(jù)集進(jìn)行豬只個(gè)體及耳部區(qū)域的標(biāo)注，如圖2所示。為避免非目標(biāo)區(qū)域?qū)δ繕?biāo)區(qū)域分割和溫度提取造成干擾，進(jìn)行標(biāo)注時(shí)盡可能使包含耳部區(qū)域的最小外接矩形作為標(biāo)注框。

1.2 基于紅外熱成像的生豬耳溫自動(dòng)提取算法

本文提出的基于紅外熱成像的生豬耳溫自動(dòng)提取算法包括生豬熱紅外圖像預(yù)處理、生豬耳部提取、生豬耳溫自動(dòng)提取3個(gè)階段，其中生豬耳部提取又分為基于YOLO v4[21]的生豬個(gè)體和耳部區(qū)域檢測(cè)、生豬個(gè)體和耳部判定、基于形態(tài)學(xué)的生豬耳部區(qū)域分割3個(gè)步驟，算法流程圖如圖3所示。

1.3 基于拉普拉斯算子的生豬熱紅外圖像預(yù)處理

在訓(xùn)練目標(biāo)檢測(cè)模型前，對(duì)熱紅外圖像進(jìn)行裁剪等預(yù)處理，可以減少噪聲，輔助人工標(biāo)注數(shù)據(jù)，同時(shí)有助于目標(biāo)檢測(cè)器更好地學(xué)習(xí)特征。對(duì)圖像裁剪的基本思路是保留圖像中間位置限位欄的目標(biāo)豬只，將短邊上下各裁剪30個(gè)像素寬度，消除非目標(biāo)欄位豬只對(duì)后續(xù)耳部檢測(cè)的干擾。原始圖像由分辨率320像素×240像素變?yōu)?20像素×180像素。之后使用中心數(shù)為5的4鄰域拉普拉斯算子對(duì)圖像銳化處理，使得豬只耳部邊緣輪廓信息更加突出明顯，以減弱紅外熱像圖存在邊緣模糊、對(duì)比度較低等問(wèn)題，有利于人工標(biāo)注和機(jī)器識(shí)別。預(yù)處理過(guò)程如圖4所示。

1.4 基于YOLO v4和形態(tài)學(xué)的生豬耳部檢測(cè)

在所采集的熱紅外圖像中，生豬由于個(gè)體差異、姿態(tài)變化等因素導(dǎo)致其耳部形狀不規(guī)則，如圖5所示。使用傳統(tǒng)的目標(biāo)檢測(cè)算法難以設(shè)計(jì)出具有高魯棒性的圖像特征用于豬只耳部的檢測(cè)。相較于人工設(shè)計(jì)特征，深度學(xué)習(xí)方法通過(guò)深層次的神經(jīng)網(wǎng)絡(luò)自動(dòng)提取目標(biāo)特征，使其在目標(biāo)檢測(cè)領(lǐng)域取得了傳統(tǒng)機(jī)器學(xué)習(xí)無(wú)法比擬的檢測(cè)精度。采用基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)器YOLO v4識(shí)別豬只耳部區(qū)域[21]。YOLO(You only look once)是一種一階段的目標(biāo)檢測(cè)器，將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)換為回歸問(wèn)題，具有檢測(cè)速度快的特點(diǎn)[22]。YOLO v4經(jīng)過(guò)改進(jìn)[21-24]，使用CSPDarknet53作為骨干網(wǎng)絡(luò)，SPP和PAN作為特征融合結(jié)構(gòu)，并使用了如CuMix和Mosaic數(shù)據(jù)增強(qiáng)、DropBlock正則化、類(lèi)標(biāo)簽平滑等訓(xùn)練技巧提高了目標(biāo)檢測(cè)的精度。

基于耳部區(qū)域的圖像，采用形態(tài)學(xué)方法對(duì)豬只耳部進(jìn)行分割，以提取耳部輪廓，去除背景噪聲。具體算法過(guò)程如下：

輸入：經(jīng)過(guò)圖像預(yù)處理的生豬熱紅外圖像I。

輸出：經(jīng)過(guò)分割的耳部區(qū)域二值圖像Ifinal及該區(qū)域在圖像I中的左上角坐標(biāo)(xe1,ye1)、右下角坐標(biāo)(xe2,ye2)。

(1)將熱紅外圖像I輸入到Y(jié)OLO v4目標(biāo)檢測(cè)器。

(2)經(jīng)過(guò)YOLO v4目標(biāo)檢測(cè)器處理，得到有且僅有一個(gè)分類(lèi)為pig且置信度最高的目標(biāo)豬只檢測(cè)框，若干個(gè)(不大于6個(gè))分類(lèi)為ear的耳部檢測(cè)框，將檢測(cè)框坐標(biāo)由(x,y,w,h)轉(zhuǎn)換為左上角(x1,y1)右下角(x2,y2)表示。

(3)遍歷計(jì)算每個(gè)耳部檢測(cè)框，判斷其質(zhì)心是否包含于目標(biāo)豬只檢測(cè)框，若是則輸出此耳部檢測(cè)框；否則舍棄該檢測(cè)框。

(4)對(duì)輸出的每個(gè)耳部檢測(cè)框在圖像I上裁剪對(duì)應(yīng)區(qū)域圖像Iear。

(5)將圖像Iear轉(zhuǎn)換成灰度圖Igrey。

(6)使用Otsu算法計(jì)算圖像Igrey的二值分割閾值b，并根據(jù)b計(jì)算得到二值化圖像Ibw。

(7)對(duì)圖像Ibw進(jìn)行開(kāi)操作，消去圖像噪點(diǎn)，使輪廓光滑，得到圖像Iopen。

(8)基于圖像Iopen使用小面積填充方法消除內(nèi)部孔洞得到圖像Ifinal。

步驟(2)使用YOLO v4目標(biāo)檢測(cè)器對(duì)豬只耳部和豬只個(gè)體進(jìn)行了識(shí)別，目的是通過(guò)豬只個(gè)體區(qū)域來(lái)確保耳部區(qū)域?qū)儆谀繕?biāo)欄位的豬只，避免其它欄位的豬只耳部對(duì)結(jié)果造成干擾。

1.5 基于耳部分割圖像的生豬耳溫自動(dòng)提取

根據(jù)生豬耳部提取算法得到生豬耳部分割圖像和原始熱紅外圖像對(duì)應(yīng)的溫度矩陣對(duì)耳部溫度進(jìn)行自動(dòng)提取。算法提取的耳部溫度包括溫度最大值tmax、溫度平均值tmean。當(dāng)豬只呈現(xiàn)不同的姿態(tài)或者行為時(shí)，耳部區(qū)域存在遮擋問(wèn)題，熱像儀捕獲的熱紅外圖像中目標(biāo)欄位豬只耳部區(qū)域存在1個(gè)、2個(gè)或不存在的情況。只考慮檢測(cè)到耳部區(qū)域的情況，設(shè)初始熱紅外圖像溫度矩陣為M，檢測(cè)到的耳部區(qū)域左上角坐標(biāo)為(x1,y1)，右下角坐標(biāo)為(x2,y2)，耳部溫度提取流程如下：

輸入：經(jīng)過(guò)分割的耳部區(qū)域二值圖像Ifinal，耳部區(qū)域左上角坐標(biāo)(xe1,ye1)、右下角坐標(biāo)(xe2,ye2)和溫度矩陣M。

輸出：耳部溫度集合Tear，耳部溫度平均值tmean和耳部溫度最大值tmax。

(1)根據(jù)耳部區(qū)域的左上角和右下角坐標(biāo)計(jì)算其在圖像預(yù)處理前的實(shí)際坐標(biāo)(x′e1,y′e1)、(x′e2,y′e2)。

(2)將實(shí)際坐標(biāo)(x′e1,y′e1)、(x′e2,y′e2)映射到溫度矩陣，提取出耳部區(qū)域的溫度矩陣T。

(3)遍歷耳部區(qū)域二值圖像Ifinal每個(gè)像素點(diǎn)，如果坐標(biāo)為(x,y)的像素點(diǎn)值為1，則將該點(diǎn)對(duì)應(yīng)的溫度添加到耳部溫度集合Tear；否則，舍棄該點(diǎn)對(duì)應(yīng)的溫度值。

(4)計(jì)算耳部溫度集合Tear的平均值tmean。

(5)計(jì)算耳部溫度集合Tear的最大值tmax。

2 試驗(yàn)

2.1 試驗(yàn)配置

試驗(yàn)所用處理平臺(tái)為臺(tái)式計(jì)算機(jī)，處理器為Intel Xeon E7-8870，64 GB內(nèi)存，GPU采用NVIDIA TESLA K80。運(yùn)行環(huán)境為Ubuntu 16.04LTS 64位操作系統(tǒng)，編程語(yǔ)言使用Python 3.7，深度學(xué)習(xí)框架使用Pytorch 1.7, 配備CUDA 10.0版本并行計(jì)算架構(gòu)與cuDNN 8.0版本深層神經(jīng)網(wǎng)絡(luò)加速庫(kù)。

2.2 生豬耳部區(qū)域檢測(cè)模型訓(xùn)練結(jié)果

本文標(biāo)注了訓(xùn)練集和驗(yàn)證集共2 000幅圖像用于YOLO v4的訓(xùn)練，并采用5折交叉驗(yàn)證的方法篩選模型，將數(shù)據(jù)隨機(jī)劃分為5份，每份400幅圖像，即每次訓(xùn)練有訓(xùn)練集圖像1 600幅，驗(yàn)證集圖像400幅。生豬耳部區(qū)域檢測(cè)器基于YOLO v4預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，每次訓(xùn)練迭代1 000個(gè)迭代周期，每迭代10個(gè)迭代周期保存1次模型。訓(xùn)練設(shè)置批尺寸為4，即訓(xùn)練集1 600幅圖像，每訓(xùn)練迭代1個(gè)迭代周期，需要迭代400次。YOLO v4的初始訓(xùn)練參數(shù)設(shè)置如表2所示。訓(xùn)練結(jié)果如表3所示。

表2 YOLO v4訓(xùn)練參數(shù)設(shè)置

表3 生豬耳部區(qū)域檢測(cè)模型訓(xùn)練結(jié)果

表3中l(wèi)osstrain為訓(xùn)練時(shí)模型在訓(xùn)練集上的平均損失值，lossval為在驗(yàn)證集上的平均損失值，括號(hào)內(nèi)數(shù)字為迭代周期，lossvalmin為模型在驗(yàn)證集上最小損失值，Epochval為該損失值對(duì)應(yīng)的迭代周期的次數(shù)。

進(jìn)行多次訓(xùn)練后，發(fā)現(xiàn)YOLO v4迭代約100個(gè)迭代周期時(shí)就已經(jīng)收斂。根據(jù)表3可知，第4折交叉驗(yàn)證，訓(xùn)練迭代到740個(gè)迭代周期時(shí)在驗(yàn)證集上取得最小損失值3.944 5。該次訓(xùn)練損失函數(shù)的收斂情況如圖6所示，模型在訓(xùn)練集上的損失函數(shù)已經(jīng)收斂。因此選用訓(xùn)練750個(gè)迭代周期后得到的模型作為生豬耳部區(qū)域檢測(cè)模型進(jìn)行后續(xù)試驗(yàn)。

2.3 生豬耳部區(qū)域檢測(cè)模型性能分析

為驗(yàn)證生豬耳部檢測(cè)算法中YOLO v4目標(biāo)檢測(cè)器的檢測(cè)精度和速度，本文標(biāo)注了測(cè)試集400幅圖像用于評(píng)估，同時(shí)訓(xùn)練了Faster R-CNN[25]、SSD[26]檢測(cè)器進(jìn)行對(duì)比試驗(yàn)。本文檢測(cè)器的訓(xùn)練和測(cè)試都在Pytorch深度學(xué)習(xí)框架下進(jìn)行。

試驗(yàn)采用精確率(P)、召回率(R)、平均精度(mAP)、F1值、交并比(IoU)和單幀圖像的平均檢測(cè)時(shí)間評(píng)估模型性能。

3種檢測(cè)模型的檢測(cè)結(jié)果如圖7所示。3種檢測(cè)模型均能正確檢測(cè)出豬只個(gè)體，當(dāng)視野中出現(xiàn)上下欄位的生豬時(shí)，當(dāng)前欄位的生豬個(gè)體仍然能被檢測(cè)出來(lái)。在耳部區(qū)域檢測(cè)方面，YOLO v4和Faster R-CNN檢測(cè)模型能將目標(biāo)豬只的2個(gè)耳朵都檢測(cè)出來(lái)，SSD存在明顯的檢測(cè)丟失現(xiàn)象。同時(shí)，YOLO v4的分類(lèi)置信度明顯高于Faster R-CNN和SSD。

3種模型在測(cè)試集上的性能如表4所示。在檢測(cè)精度方面，YOLO v4各項(xiàng)評(píng)估指標(biāo)的得分均優(yōu)于Faster R-CNN和SSD。Faster R-CNN對(duì)豬只個(gè)體的檢測(cè)精度與YOLO v4相當(dāng)，但豬只耳部的檢測(cè)精度為95.6%，低于YOLO v4的97.6%。SSD在豬只個(gè)體及其耳部區(qū)域的檢測(cè)精度都略顯不足。在IoU方面，YOLO v4的評(píng)分為90.5%，比Faster R-CNN和SSD高2.9個(gè)百分點(diǎn)和8.2個(gè)百分點(diǎn)，表明YOLO v4在檢測(cè)框的預(yù)測(cè)上更貼近人工標(biāo)注，有利于后續(xù)生豬耳部分割和溫度提取等操作的執(zhí)行。試驗(yàn)表明，YOLO v4檢測(cè)模型相較于Faster R-CNN和SSD有更強(qiáng)的檢測(cè)性能，更能滿(mǎn)足生豬耳部區(qū)域定位識(shí)別的需求。

表4 3種模型在測(cè)試集上的性能檢測(cè)結(jié)果

在檢測(cè)速度方面，YOLO v4處理1幅熱紅外圖像的平均時(shí)間為12 ms，速度極快，優(yōu)于Faster R-CNN的處理時(shí)間，同時(shí)也比SSD快。本研究中，部署于生豬養(yǎng)殖場(chǎng)的紅外熱像儀拍攝熱像圖時(shí)需要停頓1 s，而生豬耳部分割和溫度提取過(guò)程處理耗時(shí)可忽略不計(jì)，YOLO v4檢測(cè)模型能夠滿(mǎn)足實(shí)時(shí)提取耳部溫度的需求。

2.4 生豬耳溫自動(dòng)提取性能分析

為評(píng)估本文算法的整體性能以及驗(yàn)證其提取的耳部溫度最大值和平均值是否能直接代表人工統(tǒng)計(jì)數(shù)據(jù)，從測(cè)試集隨機(jī)選取20頭豬的熱紅外圖像，人工提取40個(gè)豬只耳部輪廓，基于溫度矩陣統(tǒng)計(jì)輪廓內(nèi)部溫度的平均值和最大值作為真值，與算法提取的生豬耳溫結(jié)果進(jìn)行對(duì)比。特別說(shuō)明，為減少人工提取耳部輪廓時(shí)的主觀(guān)誤差，由3人分別對(duì)耳部輪廓進(jìn)行提取，分別計(jì)算耳部溫度并取其平均值作為真實(shí)值。

基于熱紅外圖像的生豬耳部區(qū)域檢測(cè)實(shí)例如圖8所示，檢測(cè)到目標(biāo)豬只的2個(gè)耳部區(qū)域后，使用生豬耳部區(qū)域分割方法提取其耳部像素點(diǎn)，得到耳部輪廓的二值圖像，過(guò)程如圖9所示。結(jié)合溫度矩陣和耳部輪廓的二值圖像，提取耳部溫度的最大值和平均值。人工提取的溫度數(shù)據(jù)與算法結(jié)果的相對(duì)誤差計(jì)算公式為

(1)

式中T——人工測(cè)量溫度，作為真實(shí)值

t——算法提取溫度，作為測(cè)量值

e——相對(duì)誤差

試驗(yàn)結(jié)果如表5所示，其中Tmax和Tmean分別是人工提取的耳部區(qū)域溫度最大值和平均值，emax和emean是本文算法結(jié)果與人工測(cè)量值取得的最大值與平均值相對(duì)誤差。

表5 耳部溫度提取結(jié)果

由表5可知，通過(guò)本文算法提取的耳部溫度最大值與人工提取的數(shù)據(jù)一致，而平均值略有浮動(dòng)，但相對(duì)誤差在合理范圍內(nèi)。由于耳部分割邊緣點(diǎn)選取略有偏差，統(tǒng)計(jì)對(duì)應(yīng)溫度的平均值時(shí)會(huì)有偏差，而最大值總能包含在耳部輪廓內(nèi)，因此取值基本一致。

為評(píng)估算法在溫度檢測(cè)上的準(zhǔn)確性，統(tǒng)計(jì)所有生豬耳部溫度數(shù)據(jù)的算法結(jié)果的相對(duì)誤差。結(jié)果表明，算法提取的耳部區(qū)域最大溫度相對(duì)誤差最大為1.4%，平均相對(duì)誤差為0.1%；本文算法提取的耳部區(qū)域平均溫度相對(duì)誤差最大為2.8%，平均相對(duì)誤差為0.6%。該結(jié)果為可接受范圍，表明本文算法提取的生豬耳部溫度有較高的準(zhǔn)確性。

進(jìn)一步將人工提取的溫度數(shù)據(jù)與算法結(jié)果進(jìn)行相關(guān)性分析，試驗(yàn)結(jié)果如圖10、11所示。由圖10、11可知，人工統(tǒng)計(jì)結(jié)果與算法提取的耳部區(qū)域溫度最大值的決定系數(shù)為0.984 9，與溫度平均值的決定系數(shù)為0.911 9，相關(guān)性較好，表明本文算法一定程度上可以替代人工提取生豬紅外熱像圖中的耳溫，表明本文算法基于生豬的紅外熱圖像自動(dòng)提取耳溫的可行性。

3 結(jié)束語(yǔ)

提出一種基于紅外熱成像的生豬耳溫自動(dòng)提取算法。算法基于YOLO v4和形態(tài)學(xué)對(duì)熱紅外圖像中的生豬耳部進(jìn)行提取，并結(jié)合耳部分割圖像和溫度矩陣自動(dòng)獲取耳部區(qū)域溫度的最大值和平均值。構(gòu)建了用于熱紅外圖像的生豬個(gè)體和耳部區(qū)域的YOLO v4檢測(cè)模型，耳部檢測(cè)的準(zhǔn)確率為97.6%，單幅圖像平均檢測(cè)時(shí)間為12 ms。試驗(yàn)結(jié)果表明，人工統(tǒng)計(jì)耳溫和本文算法提取的耳溫具有高度相關(guān)性，且本文算法提取結(jié)果的相對(duì)誤差在可接受范圍內(nèi)。本文算法能夠滿(mǎn)足實(shí)時(shí)檢測(cè)耳部溫度的要求，可為豬只體溫自動(dòng)化監(jiān)測(cè)及預(yù)警提供技術(shù)支撐。