基于改进YOLO v4的生猪耳根温度热红外视频检测方法

基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进YOLO v4(Mish Dense YOLO v4,MD-YOLO v4)的生猪耳根温度检测方法,构建了生猪关键部位检测模型。首先,在CSPDarknet-53主干网络中,添加密集连接块,以优化特征转移和重用,并将空间金字塔池化(Spatial pyramid pooling,SPP)模块集成到主干网络,进一步增加主干网络感受野;其次,在颈部引入改进的路径聚合网络(Path aggregation network,PANet),缩短多尺度特征金字塔图的高、低融合路径;最后,网络的主干和颈部使用Mish激活函数,进一步提升该方法的检测精度。试验结果表明,该模型对生猪关键部位检测的mAP为95.71%,分别比YOLO v5和YOLO v4高5.39个百分点和6.43个百分点,检测速度为60.21 f/s,可满足实时检测的需求;本文方法对热红外视频中生猪左、右耳根温度提取的平均绝对误差分别为0.26℃和0.21℃,平均相对误差分别为0.68%和0.55%。结果表明本文提出的基于改进YOLO v4的生猪耳根温度检测方法,可以应用于热红外视频中生猪关键部位的精准定位,进而实现生猪耳根温度的准确检测。

基于改进Otsu算法的生猪热红外图像耳根特征区域检测

为研究规模化生猪养殖场中非接触式体温检测方法,以自行设计的热红外图像采集器采集生猪图像,选取HSV颜色空间对图像进行变换,生成S层图像,应用形态学特征闭运算对二值化图像去噪。用改进后的Otsu算法,分别对仔猪、育肥猪和妊娠猪图像耳根特征区域进行检测。结果表明,该方法可以100%正确检测具有完整耳根部特征的仔猪、育肥猪、妊娠猪图像;对于耳根部特征不完整的仔猪图像23%可正确进行检测,育肥猪图像25%可正确进行检测,妊娠猪图像33%可正确进行检测;无法检测不具有耳根部特征的图像。

生猪最适红外热像仪测温部位确定及影响因素分析

为提升猪场生猪健康状况的监测预警能力,实现疫病的早发现、早处置,以监控猪体温变化为目标,开展了红外热像仪在生猪体温测量中的应用试验。利用红外热像仪采集生猪耳根部、颈部、背部、腹部、臀部5个部位的温度,利用水银体温计测量生猪的直肠温度。结果显示,除耳根部外,其他4个部位测量的温度与直肠温度均具有显著性差异,耳根部的温度相较于其他部位离散度最小,更接近直肠温度且测量方便,与直肠温度存在正相关关系,因此可以将耳根部作为红外热像仪采集生猪体温的最佳部位。进一步探究红外测温影响因素发现,外界环境温度会显著影响红外热像仪对生猪体温的测量结果。建议在选择红外热像仪作为生猪体温监控工具时,充分考虑猪舍类型、环境温度等因素对生猪实际体温的影响。

基于热红外视频的生猪耳根温度检测方法

基于热红外视频的生猪体温实时检测过程中,针对生猪头部姿态多变不能准确检测耳根温度的问题,提出了一种生猪耳根温度精准检测方法。首先,根据生猪头部运动轨迹数据,对饲喂栏通道进行最佳耳根测温区域划分;然后,提出了一种位置偏移算法,检测最佳耳根测温区域中的头部姿态端正帧(Head posture correct frame,HPCF);最后,构建了基于YOLO v4的生猪头部和耳根检测模型,对生猪头部和耳根区域进行精准定位,实现了HPCF的自动检测,分别提取HPCF的左、右耳根检测框内的最高温度作为各自的耳根温度。试验结果表明,基于YOLO v4模型的平均检测精度(mAP)达到93.15%,头部和耳根定位精准;HPCF检测准确率为91.33%;将算法提取的耳根温度和手动提取的耳根温度进行比较,分析结果表明,对于测试的HPCF中的左右耳根温度,误差在0.3℃以内的测试图像分别占97%和98%。上述研究结果可为生猪体温异常实时监测与预警提供技术手段。