非接触式笼养蛋鸡核心体温检测方法

针对笼养条件下蛋鸡核心温度测量工作效率低下的问题,提出了一种利用红外热图像结合深度学习的蛋鸡核心温度检测方法。首先通过采集172只蛋鸡的10994幅红外热图像制作数据集,利用目标检测网络YOLO v8s提取作为感兴趣区域(Region of interest,ROI)的鸡脸图像;再利用改进的深度卷积神经网络对提取的蛋鸡ROI图像以及实时采集的蛋鸡泄殖腔温度进行回归预测。实验显示,目标检测算法的检测准确率达到99.38%,平均精度均值达到99.9%,召回率达到99.87%,3项评价指标均高于YOLO v4s、YOLO v5s、YOLO v7、YOLOX-s目标检测算法;在深度卷积神经网络算法上,同时将MobileNetV3、GhostNet、ShuffleNetV2、RegNet、ConvNeXt、Res2Net以及MobileVIT共7种分类模型修改为回归模型,利用蛋鸡ROI图像进行训练,其中,Res2Net模型对蛋鸡核心体温估测拟合效果最好,在测试集上估测的决定系数R^(2)为0.9565、调整后决定系数R^(2)_(adj)为0.95631,均高于其他回归模型;为进一步提高预测精度,在Res2Net50回归模型的Bottle2block结构之后分别插入SE(Squeeze-and-excitation)模块、CBAM(Convolutional block attention module)模块、CA(Coordinate attention)模块、ECA(Efficient channel attention)模块,其中利用CA模块改进后的算法在测试集上的R^(2)为0.97364、R^(2)_(adj)为0.97352,均高于其他改进方法;利用目标检测网络和回归网络搭建蛋鸡核心体温估测模型,对9只蛋鸡进行体温估测试验,结果显示ROI均能完整找出,且估测体温平均绝对误差(Mean absolute error,MAE)为0.153℃。因此,本研究提出的目标检测+深度神经网络模型为红外热图像下蛋鸡核心温度预测提供了较好的自动化检测方法。