【技术实现步骤摘要】
本专利技术涉及本申请涉及图像处理，尤其涉及一种鹅的体温检测模型、方法。
技术介绍
1、温度是生命体的一个重要生理特征，鹅属于恒温动物，当发生应激反应或者在生病的情况下，鹅体温会发生相应的变化，因此，养殖户可以根据鹅的温度变化来判断监测其健康状况，进而及时采取有效措施（应激状态下调整环境温度、及时隔离病鹅等），避免因疾病传染等引发鹅大量死亡等严重后果，造成巨大的经济损失。传统鹅养殖场，鹅体温检测方法主要是人工通过水银体温计或者电子体温计测定直肠温度，或者红外体温计测定鹅体表温度。缺点：人工测定，耗时耗力；与鹅直接接触应激太大，影响其生产性能，降低动物福利；此外，电子体温计、红外体温计测定体温，精确度不高，且易受环境影响，无法准确反映鹅体温度。
2、因此，亟需一种能够自动精准检测鹅体温方法。
技术实现思路
1、本专利技术的目的在于解决现有人工采用水银温度计、电子体温计或者红外设施检测鹅体温存在的耗时耗力、鹅应激大、精度低与实际体温相差较大等问题，建立了一套基于深度学习的鹅体温自动精准检测模型、方法，为养殖场鹅体温自动精准测定系统的建立打下坚实基础。
2、本专利技术的目的是通过以下措施实现的：
3、基于深度学习的鹅体温检测模型实现方法，包括建立数据库、建立鹅体温预测模型、深度学习训练建立鹅体温自动识别模型，其特征在于：识别模型采用深层卷积神经网络识别关键测温区域，并提取相应温度。
4、优选的所述卷积神经网络由卷积层、池化层、全连接层和输出层
5、所述深度学习网络模型采用的是 yolov5 网络模型，该模型的结构包括三部分:backbone 骨干网络、neck 颈部结构和 head 头部结构。其中,backbone 负责特征提取;neck 负责特征融合;head 包含了三个检测头，负责输出检测信息。
6、上述基于深度学习的鹅体温自动精准检测模型的实现方法，包括以下步骤：
7、步骤 1. 建立数据集
8、采集大量的育成鹅直肠温度、环境温湿度数据，获取对应鹅只体表各区域红外热图像、利用红外图像分析软件提取体表各区域最高温度，建立数据集；
9、步骤 2.建立鹅体温预测模型
10、以体表各区域最高温度、环境温湿度与直肠温度建立相关性分析，获得变量间的pearson 相关系数，确定鹅直肠温度预测的重要环境因子和体表测温区域；利用逐步回归分析、偏最小二乘回归(plsr)建模方法，建立多元线性回归模型，为了提高预测模型的预测效果，进一步应用曲线进行拟合得出最佳预测模型；
11、步骤 3.建立基于深度学习的鹅关键测温区域自动精准识别方法
12、采用深层卷积神经网络识别关键测温区域，并提取相应温度。卷积神经网络由卷积层、池化层、全连接层和输出层构成；卷积层内部包含多个卷积核，对输入图像数据进行特征提取。池化层包含预设的池化函数，通过降低特征图的空间尺寸，进行二次特征提取。全连接层可以整合卷积层或池化层中具有类别区分性的局部信息。
13、本专利技术采用的是 yolov5 网络模型，该模型的结构包括三部分:backbone 骨干网络、neck 颈部结构和 head 头部结构。其中,backbone 负责特征提取;neck 负责特征融合;head 包含了三个检测头，负责输出检测信息。
14、（1）图像收集、标注：选择无遮挡鹅关键测温区域（头部和脚部）收集红外热图像。使用图像标注软件 labelimg 进行图像中头部和脚部区域进行标注，标注格式为 pascalvoc 数据集标准格式，每幅图像标注后会对应生成 xml 标签。
15、（2）数据集扩充、划分：利用图像增强程序（data-augment-master）将图像通过水平翻转、随机翻转、随机缩放、随机修剪等方式扩增到 11200 组。后将文件格式转换为yolo-txt 格式，利用数据划分程序将数据集按照 8：1：1 的比例划分为训练集，验证集和测试集。
16、（3）模型训练、测试：设置 train.py 中参数，主要根据实际情况调节数据集迭代次数（epochs）、batch-size、cfg、img-size，迭代 300 次后获得损失率较小，识别头部和脚部区域，识别模型的精确度不低于 0.963（置信度）或不低于 0.995（map0.5 数值）。采用检测速度、精确率 p、召回率 r、f1_curve、平均精度均值 map 指标评判算法在测试集上的性能。
17、本专利技术还提供一种基于红外线图像的鹅体温检测方法，包括以下步骤：
18、（1）采集图像：采集鹅只的红外热图像；确保摄像机的设置和参数配置得到充分优化，以获得高质量的图像；
19、（2）区域识别：利用上述识别模型自动识别鹅的关键测温区域头部和脚部；
20、（3）温度提取：提取关键测温区域温度值，结合上述鹅体温预测模型，计算出鹅只的体温。
21、本专利技术还提供了一种鹅体温检测模型实现系统，包括：
22、获取模块，用于获取鹅的红外热图像及各所述红外热图像的关键测温区域标注信息；
23、训练模块，用于利用含标注信息的红外热图像进行关键测温区域检测学习训练，得到鹅体温自动识别模型；所述模型用于对待检测的红外热图像进行鹅关键体温区域检测，进而根据检测到的所述区域计算对应鹅的体温；
24、预测模块，基于输入的环境因素（温度相关性最强作为关键因子）和鹅体表各区域的最高温度数据来预测鹅直肠温度。
25、本专利技术提供了一种鹅体温检测系统，包括：
26、红外热像摄像头模块：用于捕捉鹅体表不同区域的热量分布，如高分辨率红外热像摄像头；获取红外热图像数据，用于后续区域识别和温度测量；
27、环境传感器模块：用于监测养殖场的环境条件，包括温度和湿度；提供环境参数，以便将环境因素与鹅体温数据关联；
28、计算单元（嵌入式计算模块）：通常基于处理器或 gpu，用于图像处理、深度学习推断和数据分析；处理红外热图像、运行深度学习模型、分析数据、并与其他模块协同工作；
29、深度学习模型模块：在计算单元内部，包含了基于深度学习的鹅关键测温区域自动精准识别模型；自动识别鹅的头部和脚部区域，并提取相应的温度信息；
30、用户界面模块：可以包括一个显示屏或用户界面，用于实时监视系统状态和结果；提供用户友好的界面，显示温度数据、区域识别结果和环境参数，方便操作和监控；
31、数据存储模块：用于存储采集到的温度数据、图像数据和其他相关信息；保存历史数据，以便后续数据分析和追踪；
32、通信模块（可选）：可以包括无线通信设备，如 wi-fi本文档来自技高网...
【技术保护点】
1. 基于深度学习的鹅体温检测模型实现方法，包括建立数据库、建立鹅体 温预测模型、深度学习训练建立鹅体温自动识别模型，其特征在于：识别模型采用深层卷积神经网络识别关键测温区域，并提取相应温度。
2. 如权利要求 1 所述的基于深度学习的鹅体温检测模型实现方法，所述卷 积神经网络由卷积层、池化层、全连接层和输出层构成；卷积层内部包含多个卷 积核，对输入图像数据进行特征提取；池化层包含预设的池化函数，通过降低特 征图的空间尺寸，进行二次特征提取；全连接层，整合卷积层或池化层中具有类别区分性的局部信息。
3. 如权利要求 1 或 2 所述的基于深度学习的鹅体温检测模型实现方法，所 述深度学习的网络模型采用 YOLOv5 网络模型，所述网络模型结构包括三部 分:Backbone 骨干网络、Neck 颈部结构和 Head 头部结构；其中,Backbone 负责特征提取;Neck 负责特征融合;Head 包含了三个检测头，负责输出检测信息。
4. 如权利要求 1-3 任一所述的基于深度学习的鹅体温检测模型实现方法， 所述预测模型以体表各区域最高温度、环境温
5. 如权利要求 1-4 任一所述的基于深度学习的鹅体温检测模型实现方法，
6.一种基于红外线图像的鹅体温检测方法，包括以下步骤：
7.一种鹅体温检测模型实现系统，包括：
8.一种鹅体温检测系统，包括：
...【技术特征摘要】
1. 基于深度学习的鹅体温检测模型实现方法，包括建立数据库、建立鹅体 温预测模型、深度学习训练建立鹅体温自动识别模型，其特征在于：识别模型采用深层卷积神经网络识别关键测温区域，并提取相应温度。
2. 如权利要求 1 所述的基于深度学习的鹅体温检测模型实现方法，所述卷 积神经网络由卷积层、池化层、全连接层和输出层构成；卷积层内部包含多个卷 积核，对输入图像数据进行特征提取；池化层包含预设的池化函数，通过降低特 征图的空间尺寸，进行二次特征提取；全连接层，整合卷积层或池化层中具有类别区分性的局部信息。
3. 如权利要求 1 或 2 所述的基于深度学习的鹅体温检测模型实现方法，所 述深度学习的网络模型采用 yolov5 网络模型，所述网络模型结构包括三部 分:backbone 骨干网络、neck 颈部结构...
【专利技术属性】
技术研发人员：黄晓凤，汪超，王沛，薛佳佳，刘作兰，陈英，谢群，吴朋芯，罗艺，钟航，李来旭，何信群，李阁，
申请(专利权)人：重庆市畜牧科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。