論文-基于紅外熱成像技術的豬體溫檢測與關鍵測溫部位識別63頁

摘要 實現豬體溫測量自動化有利于實時監測豬的健康狀況、母豬發情和排卵檢測等 生理健康狀況。本文采用紅外熱成像儀采集豬的紅外熱圖像，引入化學計量學建模 方法建立體表溫度、環境溫度與直腸溫度間的多元校正模型，同時提出兩種關鍵測 溫部位的自動檢測方法。主要結論總結如下： (1)建立了母豬體表溫度、環境溫度與母豬體溫之間的一元和多元線性回歸模型。研 究發現， 9個身體區域提取的體表溫度與直腸溫度呈正相關(產O．34～0．68)，其中， 基于耳根區域體表溫度平均值建立的一元回歸方程效果最優，預測集相關系數RP與 均方根誤差RMSEP分別為0．66和0．420C。全特征模型相比一元線性回歸方程有更 好的預測效果，RP和RMSEP分別為0．76和O．370C。此外，應用特征選擇方法LARS． Lasso確定了7個重要特征建立簡化模型，其校正集和預測集的R分別為0．80和 0．80，RMSEs分別為0．30和0．350C。 (2)將卷積神經網絡應用于生豬主要測溫部位(眼睛和耳朵區域)的直接分割。利用 python構建了四種不同結構的卷積神經網絡模型FCN一1 6s、FCN．8s、U．Net一3和U． Net．4。對比分析4種卷積神經網絡模型的性能，結果表明U-Net．4網絡結構的分割 效果最優，平均區域重合度最高為78．75％。然而，當計算設備的計算力不夠時，可 以選用U．Net一3模型以達到較好的分割效果。 (3)提出豬只眼睛及耳根區域關鍵點的識別方法，將豬只主要測溫部位的檢測問題 轉變為主要測溫部位的定位問題。設計具有不同深度的卷積神經網絡架構A．E，得 出架構E最優。且當Dropout概率設置為0．6時模型效果最好，驗證集平均誤差和 預測集平均誤差分別為1．96％和2．65％。測試集單張豬臉關鍵點的預測誤差小于5％ 和10％的比例分別為89．5％和97．4％。模型能夠很好的定位豬臉關鍵點，用于豬只 體溫測量。 本文采用紅外熱像儀測量母豬體表溫度，通過化學計量學建模為非接觸母豬直 腸溫度測量提供了更準確、可靠的方法，同時提出兩種關鍵測溫部位的自動檢測方 法，有助于實現母豬體溫測量自動化，為生豬健康管理提供參考。

點擊標簽查看更多相關資源：