許志強(qiáng),沈明霞*,劉龍申,孫玉文,鄭荷花,張偉

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院/江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210031;2.新希望六合股份有限公司,山東 青島 266100)

肉雞是我國僅次于豬肉的第二大肉類消費(fèi)品[1],但在集約化、規(guī)?；B(yǎng)殖條件下,肉雞腿病的發(fā)生率也呈上升趨勢(shì),不同養(yǎng)殖場(chǎng)肉雞腿病的發(fā)生率有較大差異,但整體腿病發(fā)生率達(dá)到2.07%[2];而在一些飼養(yǎng)管理不好的養(yǎng)殖場(chǎng)腿病的發(fā)病率可高達(dá)5%～6%[3],造成了嚴(yán)重的經(jīng)濟(jì)損失。目前,肉雞腿病主要以人工檢測(cè)為主,耗時(shí)耗力[4]。因此,研究一種能夠準(zhǔn)確識(shí)別肉雞腿部疾病的自動(dòng)化檢測(cè)方法具有重要意義。

關(guān)于肉雞腿部疾病檢測(cè)方法的研究,國內(nèi)外多以Kestin等[5]的肉雞步態(tài)評(píng)分標(biāo)準(zhǔn)為參照進(jìn)行跛行研究。何燦隆等[6]通過使用無線運(yùn)動(dòng)腳環(huán)檢測(cè)肉雞行走的有效數(shù)據(jù)點(diǎn)來判斷肉雞的跛行程度,其建立的二分類模型準(zhǔn)確率為93.88%。Aydin等[7]通過3D視覺相機(jī)驗(yàn)證了肉雞躺下的潛伏期和步態(tài)得分之間呈顯著負(fù)相關(guān)。N??s等[8]通過分析肉雞步態(tài)的視頻流來計(jì)算肉雞的速度和加速度,從而進(jìn)行步態(tài)評(píng)分預(yù)測(cè)。Shen等[9]通過紅外熱圖像提取肉雞的頭部溫度,進(jìn)而分析肉雞群的溫度,識(shí)別精度達(dá)91.3%。LokeshBabu等[10]通過拍攝牛蹄表面的紅外熱圖像觀察溫度變化,證明紅外熱圖像可用于奶牛跛行的早期檢測(cè)。目前,國內(nèi)外鮮有文獻(xiàn)報(bào)道紅外熱圖像在肉雞腿部異常檢測(cè)的研究。

本文基于隨機(jī)森林分類模型,從白羽肉種雞的紅外熱圖像中提取腿部溫度、身體質(zhì)心高度、身體前傾角、身體偏轉(zhuǎn)角等特征指標(biāo),通過多特征融合綜合判定肉雞腿部異常情況。

1 材料與裝置

1.1 試驗(yàn)對(duì)象

試驗(yàn)于2019年12月7日至15日在山東省煙臺(tái)市新希望六和肉種雞二場(chǎng)進(jìn)行,共選取白羽肉種雞(科寶)354只,平均日齡為40周(白羽肉種雞在64周齡淘汰)。試驗(yàn)時(shí)雞舍內(nèi)環(huán)境溫度(18±0.2)℃,時(shí)間為每天13:30—17:00。試驗(yàn)前將木質(zhì)步行通道放入雞舍環(huán)境2 d,以使肉雞適應(yīng)試驗(yàn)環(huán)境,消除試驗(yàn)時(shí)的環(huán)境應(yīng)激性。根據(jù)何燦隆等[6]的改進(jìn)型肉雞步態(tài)分類標(biāo)準(zhǔn),本試驗(yàn)將肉雞步態(tài)分為正常、輕微異常、中度異常、嚴(yán)重異常4個(gè)評(píng)級(jí),并給出不同步態(tài)評(píng)級(jí)下選取的肉雞數(shù)量(表1)。由于嚴(yán)重異常肉雞已失去行走能力,本文不做探究。

表1 肉雞步態(tài)分類標(biāo)準(zhǔn)Table 1 Gait classification standard for broilers

1.2 試驗(yàn)儀器

FLIR TAU2640紅外熱像儀機(jī)芯:測(cè)溫范圍-40～80 ℃,測(cè)量精度±0.1 ℃,熱靈敏度不大于0.05 ℃,圖像分辨率320×240,像素間距17 μm,成像時(shí)間小于0.5 s。

ZG-7020電子溫度計(jì):溫度測(cè)量范圍-50～70 ℃,測(cè)量精度±0.1 ℃,溫度分辨率0.1 ℃。

1.3 試驗(yàn)平臺(tái)

試驗(yàn)裝置由木質(zhì)步行通道、紅外機(jī)芯組成的特制平臺(tái)(圖1),步行通道長120 cm、寬50 cm、高30 cm,背景墻與步行道等長,高60 cm,與步行道垂直放置。正對(duì)背景墻100 cm處固定放置1臺(tái)紅外機(jī)芯,用于抓拍肉雞目標(biāo)。在步行通道的盡頭為30 cm×30 cm的出口,并通向雞群和日常采食區(qū)。電子溫度計(jì)用于記錄當(dāng)時(shí)環(huán)境的溫度條件。

圖1 紅外圖像采集示意圖Fig.1 Schematic diagram of infrared image acquisition

1.4 圖像采集

將單只肉雞放置在步行通道的開始端,由于肉雞的趨同性行為,以及僅有步行道終點(diǎn)一個(gè)方向可以通向雞群和日常采食區(qū),所以大多數(shù)時(shí)間肉雞可以沿直線路徑自然走到通道盡頭。對(duì)于個(gè)別行走意愿不強(qiáng)烈的肉雞個(gè)體,進(jìn)行輕微驅(qū)趕后采集,但在行走過程中不予干預(yù)。

當(dāng)目標(biāo)肉雞出現(xiàn)在鏡頭內(nèi)時(shí)進(jìn)行連續(xù)3幀的圖像抓拍(紅外機(jī)芯成像時(shí)間小于0.5 s,且自然狀態(tài)下肉雞行走較為緩慢)。為了避免肉雞動(dòng)態(tài)行走時(shí)抓拍的圖像模糊,以及偶發(fā)應(yīng)激性導(dǎo)致的異常數(shù)據(jù)影響,每只雞需要在步道上完成3次圖像抓拍,從中選擇1次步態(tài)相對(duì)自然且成像清晰的數(shù)據(jù)記錄并以此作為最終的樣本數(shù)據(jù)。

1.5 樣本分析

使用紅外熱圖像分析軟件SmartView 4.3對(duì)肉雞腿部樣本的溫度數(shù)據(jù)進(jìn)行分析統(tǒng)計(jì)。分析過程如圖2所示。

圖2 肉雞腿部溫度分析Fig.2 Analysis of leg temperature in broilers

表2為部分?jǐn)?shù)據(jù)統(tǒng)計(jì)結(jié)果。最終確定肉雞腿病存在著高溫異常和低溫異常,且正常溫度和異常溫度之間差異比較明顯,可以作為肉雞腿部異常識(shí)別的重要特征。

表2 肉雞腿部最大溫度數(shù)據(jù)統(tǒng)計(jì)(部分)Table 2 Statistics of maximum temperature data of broiler legs(part)

2 腿部溫度特征提取

使用紅外熱圖像分析軟件SmartView 4.3將源圖像導(dǎo)出為JPG格式,以及導(dǎo)出包含有紅外熱圖像中每個(gè)像素點(diǎn)溫度數(shù)據(jù)的CSV文件。

2.1 腿部區(qū)域識(shí)別模型訓(xùn)練

2.1.1 數(shù)據(jù)集制作1)數(shù)據(jù)來源:本試驗(yàn)共采集紅外熱圖像1 062張,剔除無效數(shù)據(jù)后,得到有效圖像980張。

2)數(shù)據(jù)標(biāo)注:使用開源工具LabelImg對(duì)肉雞腿部區(qū)域進(jìn)行人工標(biāo)注,圖片標(biāo)注后會(huì)生成后綴為.xml的同名文件,該文件記錄了標(biāo)注框的位置和目標(biāo)類別等信息。

3)劃分?jǐn)?shù)據(jù)集:為了更好地優(yōu)化模型參數(shù)和提高模型性能,將標(biāo)注好的980幅圖像按照8∶1∶1進(jìn)行劃分[11],即將數(shù)據(jù)集總體看成10份,其中8份作為訓(xùn)練集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型,保證訓(xùn)練集中數(shù)據(jù)量充分,增強(qiáng)模型的識(shí)別能力。另外2份數(shù)據(jù)分別作為驗(yàn)證集和測(cè)試集,前者用于訓(xùn)練過程中驗(yàn)證模型的有效性和調(diào)整網(wǎng)絡(luò)超參數(shù),以獲得最佳效果的模型;后者用于測(cè)試模型的泛化能力。劃分后得到訓(xùn)練集784張,驗(yàn)證集98張,測(cè)試集98張。

4)數(shù)據(jù)集格式化:將劃分好的數(shù)據(jù)集制作成PASCAL VOC標(biāo)準(zhǔn)格式數(shù)據(jù)集,用于模型訓(xùn)練和預(yù)測(cè)。

2.1.2 模型訓(xùn)練與測(cè)試YOLO v3(You only look once v3)[12]是基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)模型,該模型采用類殘差網(wǎng)絡(luò)構(gòu)成的Darknet-53作為基礎(chǔ)網(wǎng)絡(luò),并且融合特征金字塔網(wǎng)絡(luò),改善目標(biāo)檢測(cè)的性能,尤其適合小目標(biāo)的檢測(cè)[13],具有精度高、速度快等優(yōu)點(diǎn)。因此,從目標(biāo)檢測(cè)的精度和效率綜合考慮,本文選用YOLO v3模型檢測(cè)肉雞腿部區(qū)域。

本次模型訓(xùn)練最大迭代次數(shù)為20 000;采用batch值為64的mini-batch隨機(jī)梯度下降法訓(xùn)練;學(xué)習(xí)策略為步進(jìn)型,初始學(xué)習(xí)率為0.001,沖量為0.9,衰減因子為0.000 5。

2.1.3 模型評(píng)價(jià)本文采用查準(zhǔn)率(P)和查全率(R)對(duì)識(shí)別結(jié)果進(jìn)行評(píng)價(jià),計(jì)算公式如下:

(1)

式中:TP為真正樣本(真陽性);FP為假正樣本(假陽性);FN為假負(fù)樣本(假陰性)。

通過上述YOLO v3深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到最終的目標(biāo)檢測(cè)模型,測(cè)試集中的圖像檢測(cè)結(jié)構(gòu)如圖3所示。模型對(duì)測(cè)試集的98張圖像實(shí)測(cè)得到查準(zhǔn)率和查全率分別為98.43%和100.00%。

圖3 YOLO v3目標(biāo)檢測(cè)結(jié)構(gòu)圖Fig.3 YOLO v3 target detection structure diagram

2.2 感興趣區(qū)域溫度的讀取

在得到肉雞腿部的預(yù)測(cè)框之后,需要輸出預(yù)測(cè)框的頂點(diǎn)坐標(biāo),根據(jù)左上頂點(diǎn)和右下頂點(diǎn)在CSV文件中讀取對(duì)應(yīng)范圍內(nèi)最大值,即腿部最大溫度。

YOLO v3通過提取不同尺寸的特征圖,如13×13、26×26、52×52,將輸入圖像分成對(duì)應(yīng)個(gè)數(shù)的網(wǎng)絡(luò)柵格,每個(gè)網(wǎng)絡(luò)柵格都會(huì)被分配3個(gè)先驗(yàn)框,其中交并比(intersect over union,IOU)[14]最大的邊框用來預(yù)測(cè)目標(biāo)。預(yù)測(cè)邊框的輸出公式[15]為:

(2)

式中:tx、ty、tw、th為模型的預(yù)測(cè)輸出;cx、cy為網(wǎng)絡(luò)柵格的坐標(biāo);pw、ph為預(yù)測(cè)前邊框的尺寸;bx、by、bw、bh為預(yù)測(cè)框的中心坐標(biāo)和寬、高尺寸。本文中測(cè)試圖片尺寸為320×240,肉雞腿部預(yù)測(cè)邊框的中心坐標(biāo)為(145,184),寬為134,高為83,從而得到邊框左上頂點(diǎn)坐標(biāo)為(78,143),右下頂點(diǎn)坐標(biāo)為(212,226)。

3 姿態(tài)特征提取

對(duì)于有炎癥病變的腿部跛行(如跗關(guān)節(jié)腫脹、腿部關(guān)節(jié)腫大)能夠監(jiān)測(cè)到溫度變化,而對(duì)于跛行但非炎癥病變(如脛骨遠(yuǎn)端和趾骨近端彎曲)的腿部異常則無法監(jiān)測(cè)到溫度變化,僅僅通過提取溫度特征不能有效識(shí)別腿部異常。因此,本文還將提取質(zhì)心高度、前傾角、偏轉(zhuǎn)角等姿態(tài)特征,通過多特征融合的方式綜合判斷肉雞腿部異常。

3.1 圖像預(yù)處理

肉雞姿態(tài)特征的提取基于二值圖像,在二值化之前需要將原圖像轉(zhuǎn)換到其他顏色空間,如HSV、Lab、RGB等。本文采用RGB顏色空間,其中R通道更利于肉雞目標(biāo)和背景的分割,對(duì)R通道的灰度圖進(jìn)行中值濾波,模板大小為5×5,以去除椒鹽噪點(diǎn);通過OTSU自適應(yīng)閾值分割算法得到二值化圖像;經(jīng)過形態(tài)學(xué)開、閉運(yùn)算(開運(yùn)算和閉運(yùn)算的結(jié)構(gòu)元素形狀均為橢圓,結(jié)構(gòu)大小分別為13×13和11×11),可以去除小連通域和填充孔洞,實(shí)現(xiàn)完整的二值圖像提取,如圖4所示。

3.2 計(jì)算身體質(zhì)心高度

獲取目標(biāo)連通域質(zhì)心和輪廓邊界矩形是提取質(zhì)心高度特征的前提。本文選用零階矩和一階矩的方法計(jì)算肉雞二值圖像的質(zhì)心。零階矩M00以及一階矩M01、M10的計(jì)算公式[16]為:

(3)

式中:V(i,j)為坐標(biāo)點(diǎn)(i,j)的像素值。

(4)

質(zhì)心坐標(biāo)可表示為:

(5)

式中:xi、yi分別表示像素點(diǎn)橫、縱坐標(biāo);pi表示該點(diǎn)的像素值。

得到質(zhì)心坐標(biāo)之后需要確定肉雞輪廓的直邊界矩形,然后計(jì)算質(zhì)心到直邊界矩形底邊的垂直距離,如圖4-e所示。其中,直邊界矩形是通過對(duì)輪廓上所有點(diǎn)進(jìn)行積分運(yùn)算而得到的1個(gè)粗略特征。對(duì)于圖像函數(shù)f(x,y),其p+q階幾何矩和中心距定義如下:

(6)

3.3 計(jì)算身體姿態(tài)角

(7)

除此之外,還計(jì)算了直線AB的傾斜角,即肉雞身體偏轉(zhuǎn)角度ARol。已知點(diǎn)A(x1,y1)和點(diǎn)B(x2,y2),則ARol計(jì)算公式如下:

(8)

4 特征分布和相關(guān)性分析

4.1 特征數(shù)據(jù)分布

利用上述方法對(duì)980個(gè)有效樣本圖像的肉雞腿部最大溫度(TLeg)、肉雞身體質(zhì)心高度(HGra)、肉雞身體前傾角度(ACro)和肉雞身體偏轉(zhuǎn)角度(ARol)這4個(gè)特征進(jìn)行提取,并將特征數(shù)據(jù)繪制成箱線圖,如圖5所示。通過箱線圖可以直觀了解到不同腿部異常等級(jí)(abnormal grade)肉雞的不同特征分布范圍情況。對(duì)于特征TLeg,正常等級(jí)的分布范圍最小,與其他等級(jí)之間有明顯的差異,而輕微異常和中度異常重合較多。對(duì)于特征HGra和ARol,中度異常等級(jí)要明顯區(qū)分于其他等級(jí),各等級(jí)之間有較好的區(qū)分性,總體上呈現(xiàn)異常等級(jí)越高則特征值越小的特點(diǎn)。對(duì)于特征ACro,各等級(jí)之間重合部分較多,但分布范圍上限各不相同,有一定的區(qū)分性。

圖5 特征數(shù)據(jù)箱線分布圖Fig.5 Characteristic data box line distribution map0. 正常 Normal;1. 輕微異常 Slight anomaly;2. 中度異常 Moderate anomaly.

4.2 特征相關(guān)性分析

皮爾森相關(guān)系數(shù)是用來反映2個(gè)變量之間相似程度的統(tǒng)計(jì)量,在機(jī)器學(xué)習(xí)中可以用來計(jì)算各特征變量和異常等級(jí)之間的相似度,即判斷所提取的特征變量和異常等級(jí)之間是正相關(guān)、負(fù)相關(guān)還是沒有相關(guān)性。對(duì)于變量X=[x1,x2,…,xn]T和Y=[y1,y2,…,yn]T,其皮爾森相關(guān)系數(shù)(r)計(jì)算公式[17]為:

(9)

如表3所示:本文計(jì)算了TLeg、HGra、ACro、ARol這4個(gè)特征變量和異常等級(jí)之間的皮爾森相關(guān)系數(shù)。通過分析可知:HGra分別與異常等級(jí)、ARol呈極強(qiáng)相關(guān),而與TLeg、ACro呈中等程度相關(guān);TLeg與異常等級(jí)呈強(qiáng)相關(guān),而與ACro呈弱相關(guān);ARol分別與異常等級(jí)、ACro呈強(qiáng)相關(guān),而與TLeg呈中等程度相關(guān)。總的來看,提取的4個(gè)特征變量,除了ACro與異常等級(jí)之間呈中等程度相關(guān)外,其余特征變量皆與異常等級(jí)呈強(qiáng)相關(guān)或以上,因此,可以將這4個(gè)特征變量作為分類模型的訓(xùn)練參數(shù)輸入。

表3 不同特征變量和異常等級(jí)的皮爾森相關(guān)系數(shù)Table 3 Pearson correlation coefficients of different

5 建立肉雞腿部異常分類模型

經(jīng)過上述特征分析后,本文將選擇TLeg、HGra、ACro、ARol這4個(gè)特征變量作為輸入?yún)?shù)進(jìn)行分類模型訓(xùn)練。

5.1 隨機(jī)森林

隨機(jī)森林(randomforest,RF)算法是Breiman[18]于2001年提出的一種分類和預(yù)測(cè)算法,可以很好地預(yù)測(cè)多達(dá)幾千個(gè)解釋變量的作用[19],在運(yùn)算量沒有顯著提高的情況下提高了預(yù)測(cè)精度。隨機(jī)森林的生成過程如圖6所示。

圖6 隨機(jī)森林結(jié)構(gòu)圖Fig.6 Random forest structure map

隨機(jī)森林進(jìn)行特征選擇的方式有信息增益、信息增益率、基尼系數(shù),本文選用基尼系數(shù)(Gini)作為決策樹中根節(jié)點(diǎn)劃分的依據(jù)。Gini系數(shù)選擇的標(biāo)準(zhǔn)為每個(gè)子節(jié)點(diǎn)達(dá)到最高的純度,即落在子節(jié)點(diǎn)中的所有觀察都屬于同一個(gè)分類,此時(shí)基尼系數(shù)最小,純度最高。對(duì)于樣本集合D,其Gini系數(shù)(不確定性)的計(jì)算公式為:

(10)

式中:Gini(D)的取值范圍為[0,1];N為樣本中的類別總數(shù),本文中N=4;pi為樣本屬于第i類的概率。

每棵CART決策樹在遍歷每個(gè)特征屬性的所有可能分割點(diǎn)時(shí),本文測(cè)試屬性集合A={TLeg,HGra,ACro,ARol},若使用測(cè)試屬性A=TLeg,將樣本集合D二元?jiǎng)澐諨1(滿足A=TLeg)和D2(不滿足A=TLeg),則樣本集合D經(jīng)過屬性A=TLeg分割后的基尼系數(shù)為:

(11)

通過遍歷屬性集合A得到每個(gè)分裂屬性的Gini系數(shù),選擇分裂后Gini系數(shù)最小的屬性作為最優(yōu)劃分特征,即:

A*=argminGini(D,A)

(12)

5.2 模型訓(xùn)練

5.2.1 數(shù)據(jù)劃分隨機(jī)森林屬于Bagging集成算法,采用Bootstrap方法從訓(xùn)練數(shù)據(jù)集中有放回地抽取樣本[20],每次采樣都會(huì)產(chǎn)生袋外數(shù)據(jù)(out of bag,OOB),OOB是一種可以取代測(cè)試集的誤差估計(jì)方法[21],可用于訓(xùn)練過程中的模型驗(yàn)證。因此,在隨機(jī)森林算法中不需要再進(jìn)行交叉驗(yàn)證來獲取測(cè)試集誤差的無偏估計(jì)。

本次試驗(yàn)共采集有效紅外熱圖像980張,通過特征提取形成980條記錄,每條記錄由5列組成,前4列為特征變量,分別對(duì)應(yīng)肉雞腿部最大溫度(TLeg)、身體質(zhì)心高度(HGra)、身體前傾角度(ACro)、身體偏轉(zhuǎn)角度(ARol),第5列為異常等級(jí),用0(正常)、1(輕微異常)、2(中度異常)表示。為保證分類模型的識(shí)別能力以及對(duì)外部數(shù)據(jù)的檢測(cè)精度,將數(shù)據(jù)集劃分為7∶3,即686條記錄作為訓(xùn)練集(包括OOB),另外294條記錄作為測(cè)試集。測(cè)試集是模型“從未見過”的數(shù)據(jù),可用于評(píng)判模型在新數(shù)據(jù)集上的泛化性能。數(shù)據(jù)分布見表4。

表4 訓(xùn)練集與測(cè)試集的數(shù)據(jù)劃分Table 4 Data partition of train set and test set

5.2.2 訓(xùn)練結(jié)果本文使用隨機(jī)森林模型對(duì)訓(xùn)練集先進(jìn)行兩兩特征組合訓(xùn)練,模型訓(xùn)練分類效果如圖7所示。其中TLeg和HGra組合訓(xùn)練效果最佳,OOB得分為0.95,測(cè)試集準(zhǔn)確率為91.13%,均為最高;而ACro和ARol的組合訓(xùn)練效果最差,OOB得分為0.69,測(cè)試集準(zhǔn)確率為73.41%;其他特征組合的測(cè)試集準(zhǔn)確率均在85%以下。

圖7 特征組合訓(xùn)練分類效果圖Fig.7 Classification effect map of feature combination training

為了找到最優(yōu)的特征訓(xùn)練組合,本文又使用隨機(jī)森林對(duì)4個(gè)特征變量進(jìn)行同時(shí)訓(xùn)練,模型在準(zhǔn)確率(Accuracy,A)、查準(zhǔn)率(Precision,P)、召回率(Recall,R)以及F1得分上都取得了較好的效果(表5)。其中,F1得分是對(duì)查準(zhǔn)率和召回率的調(diào)和平均,計(jì)算公式如下:

(13)

表5 模型總體準(zhǔn)確率以及各類別準(zhǔn)確率Table 5 The overall accuracy of the model and the accuracy of various categories

5.3 模型對(duì)比與評(píng)估

根據(jù)模型訓(xùn)練的結(jié)果可知,隨機(jī)森林模型在肉雞腿部異常等級(jí)分類中表現(xiàn)較好,各類別準(zhǔn)確率分別達(dá)到了97.46%、91.13%和94.93%,總體準(zhǔn)確率為96.16%。為了進(jìn)一步驗(yàn)證隨機(jī)森林模型是本研究中性能最優(yōu)的模型,對(duì)常用的5種分類器模型進(jìn)行了ROC曲線(receiver operating characteristic curve)[22]對(duì)比。

ROC曲線以FPR(假正類率)為橫軸,以TPR(真正類率)為縱軸,通過不斷調(diào)整分類器閾值獲得坐標(biāo)軸上一組不同的(FPR,TPR)點(diǎn),將點(diǎn)連接成線即形成分類器的ROC曲線,AUC值為ROC曲線包裹的面積,可以作為評(píng)價(jià)分類器性能的指標(biāo)[23]。

如圖8所示:本文對(duì)比了梯度下降樹(GBDT)、邏輯回歸(LR)、隨機(jī)森林(RF)、支持向量機(jī)(SVM)和鄰近算法(KNN)5種常用的分類模型算法,根據(jù)AUC值大小可知,RF要優(yōu)于其他模型。

圖8 5種常用分類器ROC曲線對(duì)比Fig.8 Comparison of receiver operating characteristic curves of five commonly used classifiers GBDT:梯度提升決策樹 Gradient boosting decision tree;LR:邏輯回歸Logistic regression;RF:隨機(jī)森林 Random forest;SVM:支持向量機(jī) Support vector machine;KNN:K最近鄰 K-nearest neighbor.

6 結(jié)論

1)通過紅外熱圖像可以提取肉雞腿部異常時(shí)的溫度特征,而對(duì)于非炎癥類病變的腿病肉雞可以結(jié)合姿態(tài)特征來綜合判斷是否發(fā)生腿部異常。

2)基于YOLO v3和隨機(jī)森林建立了肉雞腿部異常自動(dòng)檢測(cè)模型,該模型以肉雞腿部最大溫度、身體質(zhì)心高度、身體前傾角、身體偏轉(zhuǎn)角為特征輸入,對(duì)正常、輕微異常、中度異常3個(gè)類別的測(cè)試集準(zhǔn)確率依次達(dá)到了97.46%、91.13%、94.93%,總體準(zhǔn)確率為96.16%。

3)下一階段將針對(duì)不同日齡、不同品種以及不同環(huán)境等情況下的肉雞腿部異常檢測(cè)模型進(jìn)行研究,并嘗試更多的目標(biāo)檢測(cè)模型以及選擇器模型,以進(jìn)一步完善基于紅外熱圖像的肉雞腿部異常自動(dòng)檢測(cè)方法。