论文部分内容阅读
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。