郭艷嬌，楊圣慧，遲 宇，吳聰明，許紅巖，沈建忠，鄭永軍,4※

（1. 中國農(nóng)業(yè)大學工學院，北京 100083；2. 中國農(nóng)業(yè)大學動物醫(yī)學院，動物源食品安全檢測技術(shù)北京市重點實驗室，北京 100193；3. 內(nèi)蒙古伊利實業(yè)集團股份有限公司，呼和浩特 010110；4. 現(xiàn)代農(nóng)業(yè)裝備與設(shè)施教育部工程研究中心，北京 100083）

0 引 言

奶牛乳房炎是由多種病原微生物侵襲乳腺組織而引發(fā)的炎癥，是影響奶牛健康的三大疾病之首，直接影響奶質(zhì)和產(chǎn)奶量，甚至危及奶牛生命。因此，實時監(jiān)測、及時準確識別奶牛乳房健康情況，對于奶牛乳房炎防治和降低養(yǎng)殖戶經(jīng)濟損失有實際意義。

加州乳房炎檢測（California Mastitis Test，CMT）法、體細胞計數(shù)（Somatic Cell Count，SCC）法、乳汁pH法、乳汁電導(dǎo)率（Electric Conductivity，EC）法等是檢測奶牛乳房炎常用的生化試驗方法，需經(jīng)歷牛奶取樣、實驗室檢測分析等繁瑣過程，檢測周期長，結(jié)果滯后。通過生產(chǎn)實踐與臨床診斷表明，奶?；加腥榉垦讜r，其患病部位的溫度會升高。紅外熱成像（Infrared Thermography，IRT）作為一種快速、直觀、準確的非接觸測溫技術(shù)，可測量物體表面溫度場，目前已有乳房炎檢測的應(yīng)用研究。

Metzner等對奶牛熱紅外圖像采用手動標記法定位乳房區(qū)域，自動化水平低，經(jīng)濟成本高，難以實現(xiàn)奶牛乳房炎的快速檢測。此外，Polat等選擇在擠奶前測定奶牛乳區(qū)皮膚溫度，而Berry 等選擇擠奶結(jié)束后測定乳區(qū)皮膚溫度，并未確定溫度測定的最佳時間。楊春合等通過對比左右乳房的溫差檢測奶牛乳房炎，可初步判斷溫度升高一側(cè)發(fā)生隱性乳房炎，但雙側(cè)乳房同時患病時無法檢測；Sathiyabarathi等、張旭東等主要探討了奶牛眼睛與乳房區(qū)域的識別方法，通過獲取單側(cè)的對應(yīng)區(qū)域溫度，對比眼睛與乳房表面的溫差來檢測乳房炎，其溫度采集過程復(fù)雜，且不能對左右乳區(qū)健康情況同時分析。

本文通過熱紅外圖像分析擠奶操作前后的健康狀況和患病奶牛乳區(qū)溫度，確定識別乳房炎的數(shù)據(jù)最佳采集時間，采用線剖法實現(xiàn)奶牛左右乳區(qū)乳房炎自動識別，為快速在線識別奶牛乳房炎提供了有效的技術(shù)手段。

1 數(shù)據(jù)采集

1.1 采集環(huán)境

2021年4月中旬，在內(nèi)蒙古自治區(qū)呼和浩特市某奶牛養(yǎng)殖廠1和養(yǎng)殖廠2的擠奶廳分別進行數(shù)據(jù)采集。健康與患病奶牛的擠奶廳與設(shè)備分區(qū)隔離，健康奶牛在擠奶廳1中采用轉(zhuǎn)盤式擠奶機（圖 1a）擠奶，患病奶牛在擠奶廳2中采用并列式擠奶機（圖1b）擠奶，環(huán)境溫度為9～15 ℃，相對濕度范圍為20%～40%。

圖1 擠奶機類型 Fig.1 Milking machine type

1.2 采集對象

采用CMT對189頭泌乳期荷斯坦奶牛進行檢測，其中健康142頭，患乳房炎47頭；奶牛每天均擠奶4次，分別在上午9:00—11:30與下午13:30—17:00這兩次擠奶過程中進行數(shù)據(jù)采集。

1.3 采集設(shè)備與方案

試驗選用Fotric-625c紅外熱像儀（中國）為圖像采集設(shè)備，其具體參數(shù)如下：波長范圍為7.5～14m，探測器類型為焦平面陣列，圖像分辨率為320×240像素，溫度測量范圍為-20 ～150 ℃，熱靈敏度<50mK。該設(shè)備通過HTTP協(xié)議與計算機（windows10系統(tǒng)）通信，實現(xiàn)控制命令、圖像、視頻流和全輻射溫度數(shù)據(jù)的傳輸。

由于采集場地的局限性，難以采集奶牛前乳區(qū)的熱紅外圖像，故僅對后乳區(qū)圖像進行采集。采集過程如圖2所示，紅外熱像儀垂直放置在后乳區(qū)2 m處，使后乳區(qū)充滿拍攝視場。當奶牛進入擠奶臺和到達擠奶臺出口時，分別采集擠奶前后的奶牛后乳區(qū)視頻。

圖2 奶牛熱紅外圖像采集示意圖 Fig.2 Schematic diagram of cow thermal infrared image collection

1.4 熱紅外圖像與溫度數(shù)據(jù)提取

采集的奶牛后乳區(qū)熱紅外視頻以“.IRS”格式存儲，幀速率為每秒20幀（fps）。通過圖像分析軟件AnalyzIR導(dǎo)出320×240像素的熱紅外圖像和320列×240行的溫度數(shù)據(jù)表，像素與溫度數(shù)據(jù)一一對應(yīng)，分別以“.bmp”和“.csv”的格式存儲。

2 最佳數(shù)據(jù)采集時間的確定

目前并未有確定采集奶牛乳區(qū)溫度的最佳時間的方法。為了更好地識別奶牛乳房炎，對擠奶前與擠奶后的乳區(qū)溫度變化進行分析，確定數(shù)據(jù)采集的最佳時間。

2.1 特征區(qū)域溫度獲取方法

按解剖結(jié)構(gòu)，左右后乳區(qū)各分為乳頭池、乳腺池以及乳腺3部分，如圖3a所示。由于乳頭藥浴、欄桿遮擋等因素，導(dǎo)致乳頭池溫度降低或難以測量，因此以奶牛后乳區(qū)的乳腺區(qū)和乳腺池區(qū)為特征區(qū)域，研究其溫度分布。為獲取奶牛乳腺區(qū)與乳腺池區(qū)的溫度，使用熱紅外圖像處理軟件AnalyzIR的區(qū)域溫度測量功能，在乳腺池區(qū)使用圓形工具繪制橢圓，如圖3b中的Ar1、Ar2所示；在乳腺區(qū)使用矩形工具，找出乳腺組織的最大矩形，如圖3b中的Ar3、Ar4所示。分別記錄Ar1～Ar4區(qū)域內(nèi)的平均溫度、最高溫度和最低溫度。

圖3 奶牛特征區(qū)域的確定與溫度獲取 Fig.3 Determination and temperature acquisition of cow characteristic areas

2.2 擠奶前后溫度對比分析方法

采集健康與患病奶牛擠奶前后的熱紅外圖像，處理得到特征區(qū)域的平均溫度、最高溫度和最低溫度；分別使用公式（1）、（2）計算健康、患病奶牛擠奶前后溫度均值的差值、；使用Origin 2018對采集的溫度數(shù)據(jù)進行單因素方差分析，判別擠奶操作對特征區(qū)域的溫度影響。由于樣本量均大于30，故采用檢驗，顯著性水平為0.05。

式中為健康奶牛在擠奶前后溫度均值的差值，℃；為擠奶前采集的頭健康奶牛溫度均值，℃；為擠奶后采集的頭健康奶牛溫度均值，℃；為擠奶前采集的第頭健康奶牛溫度，℃；為擠奶后采集的第頭健康奶牛溫度，℃；、分別為擠奶前后健康奶牛的數(shù)量，頭（下同）。 式中為患病奶牛在擠奶前后溫度均值的差值，℃；為擠奶前采集的頭患病奶牛溫度均值，℃；為擠奶后采集的頭患病奶牛溫度均值，℃；為擠奶前采集的第頭患病奶牛溫度，℃；為擠奶后采集的第頭患病奶牛溫度，℃；、分別為擠奶前后患病奶牛的數(shù)量，頭（下同）。

為進一步分析擠奶操作對健康奶牛特征區(qū)域溫度的影響是否干擾對患病情況的判別，使用公式（3）計算擠奶前采集的健康與患病奶牛溫度均值，得到擠奶前采集的健康與患病奶牛溫度均值的差值；同理，使用公式（4）得到擠奶后健康與患病奶牛溫度均值的差值。

式中為擠奶前采集的健康與患病奶牛溫度均值差值，℃；

式中為擠奶后采集的健康與患病奶牛溫度均值差值，℃；

2.3 最佳采集時間確定

將經(jīng)過CMT檢測的189頭奶牛為試驗對象，在擠奶前采集62頭健康奶牛的熱紅外圖像，擠奶后采集80頭健康奶牛的熱紅外圖像，由于擠奶前與擠奶后采集的不是同一批奶牛，因此共采集了142頭健康奶牛的熱紅外圖像；在擠奶前采集38頭患病奶牛的熱紅外圖像，在擠奶后采集47頭患病奶牛的熱紅外圖像，由于采集的患病奶牛屬于同一批，因此共采集了47頭患病奶牛的熱紅外圖像。

使用公式（1）～（2）計算健康奶牛、患病奶牛擠奶前后溫度均值的差值、，并對擠奶前后采集的溫度數(shù)據(jù)進行方差分析，結(jié)果如表1所示。經(jīng)分析表明：健康奶牛擠奶后的乳區(qū)溫度大于擠奶前，擠奶操作對健康奶牛特征區(qū)域的溫度影響顯著（<0.05）；患病奶牛擠奶后的乳區(qū)溫度與擠奶前相差較小，擠奶操作對患病奶牛特征區(qū)域的溫度影響不顯 著。

表1 健康、患病奶牛擠奶前后溫度均值差值表 Table 1 Table of mean temperature difference between healthy and mastitis cows before and after milking

使用公式（3）～（4）計算擠奶前、擠奶后健康與患病奶牛溫度均值的差值、如表1所示。結(jié)果表明，擠奶前，患病奶牛比健康奶牛溫度高0.2～2℃。擠奶后，乳腺池區(qū)患病比健康奶牛溫度高0.1～0.5℃，而在乳腺區(qū)出現(xiàn)健康奶牛溫度高于患病奶牛的情況。因此，擠奶操作對奶?；疾∏闆r的判別存在干擾。

綜上，若采集擠奶后特征區(qū)域的熱紅外圖像，無法判別奶牛是否患病。因此，須在擠奶操作前采集圖像。故后續(xù)只對擠奶前采集的62頭健康奶牛與38頭患病奶牛進行分析。

3 乳房炎識別方法構(gòu)建

3.1 特征區(qū)域內(nèi)的溫度差異

為研究乳腺區(qū)與乳腺池區(qū)溫差，獲取擠奶前采集的62頭健康奶牛與38頭患病奶牛的特征區(qū)域溫度，分別使用公式（5）、（6）計算健康、患病奶牛乳腺區(qū)與乳腺池區(qū)的溫差并求均值，同時進行檢驗（顯著性水平為0.05），分析溫度差異。

式中為健康奶牛的乳腺與乳腺池溫差均值，℃；為第頭健康奶牛的乳腺池溫度，℃；為第頭健康奶牛的乳腺溫度，℃；為擠奶前采集的健康奶牛的數(shù)量，=62。

式中為患病奶牛的乳腺與乳腺池溫差均值，℃；為第頭患病奶牛的乳腺池溫度，℃；為第頭患病奶牛的乳腺溫度，℃；為擠奶前采集的患病奶牛的數(shù)量，=38頭。

結(jié)果如表2所示，健康奶牛的乳腺池區(qū)溫度低于乳腺區(qū)且溫度差異不顯著，患病奶牛乳腺池區(qū)溫度高于乳腺區(qū)且溫度差異顯著（<0.05）。因此，可以利用上述差異建立相關(guān)方法，對患病奶牛進行識別。

表2 乳腺區(qū)與乳腺池區(qū)溫差均值表 Table 2 Table of mean temperature difference between mammary gland area and mammary gland pool area

3.2 基于線剖法的奶牛乳房炎識別

根據(jù)特征區(qū)域內(nèi)乳腺區(qū)與乳腺池區(qū)溫差規(guī)律，分別在奶牛左右后乳區(qū)從乳腺區(qū)至乳腺池區(qū)繪制最長剖線，即從軀體近端到遠端繪制，如圖4a中的Li1、Li2所示。所繪制的剖線上的每個像素點均對應(yīng)一個溫度值，將剖線上第一個像素對應(yīng)的溫度點位置記為1，第二個記為2，以此類推，觀察剖線上所有溫度點，研究特征區(qū)域內(nèi)的溫度分布規(guī)律。由于鐵圍欄對溫度分布分析有影響（圖 4b），故手動將有鐵圍欄數(shù)據(jù)刪除后再進行溫度分析（圖4c）。

圖4 特征區(qū)域內(nèi)剖線上的溫度處理 Fig.4 Temperature treatment on section lines within characteristic areas

由于奶牛特征區(qū)域大小不同，導(dǎo)致所繪制的剖線長短不同，根據(jù)所繪制的剖線上的每個像素點均對應(yīng)一個溫度值，從而造成剖線上的溫度點數(shù)量不同。對擠奶前采集的62頭健康奶牛和38頭患病奶牛的特征區(qū)域內(nèi)均繪制剖線，經(jīng)統(tǒng)計，剖線上的溫度點數(shù)量在45～85之間。因此，為方便分析，根據(jù)剖線上溫度點數(shù)量區(qū)分剖線的長度，劃分4個區(qū)間：45～54，55～64，65～75，76～85。各區(qū)間內(nèi)奶牛數(shù)量如表3所示。

表3 各區(qū)間內(nèi)奶牛數(shù)量 Table 3 Number of cows in each interval 頭

分別在以上4個區(qū)間內(nèi)任選一頭健康奶牛（cow1～4）與一頭患病奶牛（m_cow1～4），通過線剖法，獲取剖線上的溫度，觀察剖線上溫度的分布趨勢，并將剖線上的溫度進行擬合，分析健康奶牛與患病奶牛溫度分布情況的差異，建立乳房炎識別方法。最后對4個區(qū)間內(nèi)的所有奶牛進行分析，驗證該識別方法的準確性。

3.3 識別結(jié)果分析

采用線剖法，分別獲取健康奶牛（cow1～4）與患病奶牛（m_cow1～4）的剖線上的溫度，得到溫度散點圖，如圖5所示。通過分析剖線上的溫度分布趨勢，可直觀看出：健康奶牛的特征區(qū)域溫度分布呈逐漸降低的趨勢，而患病奶牛的趨勢相反。

將剖線上的溫度進行線性擬合，建立溫度分布擬合方程，擬合直線如圖5所示。對擬合直線的斜率的值進行對比分析，結(jié)果如表4所示，表明：不同的奶牛個體，溫度擬合線的斜率大小不同。但對于健康奶牛，溫度擬 合線的斜率小于0，患病奶牛則相反。

表4 奶牛特征區(qū)域內(nèi)溫度線性擬合的斜率 Table 4 Slope of linear fitting of temperature in characteristic area of dairy cow

圖5 奶牛特征區(qū)域溫度線性擬合結(jié)果 Fig.5 Results of linear fitting of temperature in characteristic areas of dairy cows

最后，對4個區(qū)間中所有奶牛均進行處理，獲得各區(qū)間內(nèi)所有奶牛的溫度擬合線斜率的值，如圖6所示。觀察發(fā)現(xiàn)，以斜率=0為分界線，絕大多數(shù)的健康奶牛溫度擬合線的斜率小于0，斜率范圍為-0.083～-0.001；絕大多數(shù)的患病奶牛溫度擬合線的斜率大于0，斜率范圍為0.001～0.093。

圖6 基于剖線長度劃分的4個區(qū)間內(nèi)的奶牛特征區(qū)域溫度擬合線斜率值圖 Fig.6 Slope value plot of temperature fitting line in the characteristic area of dairy cows within the four intervals divided based on section line length

對各區(qū)間內(nèi)所有奶牛的溫度擬合線斜率的值進行統(tǒng)計，結(jié)果如表5所示。結(jié)果表明：91.9%的健康奶牛溫度擬合線的斜率小于0，92.1%的患病奶牛溫度擬合線的斜率大于0，因此，根據(jù)溫度擬合線斜率的正負可判斷奶牛乳房的健康狀況。

表5 奶牛特征區(qū)域內(nèi)溫度擬合線斜率統(tǒng)計表 Table 5 Statistical table of the slope of the temperature fitting line in the characteristic area of the cow

4 奶牛乳房炎自動識別及試驗驗證

采用MATLAB編寫相關(guān)算法程序，將擠奶前采集到的熱紅外圖像經(jīng)閾值分割后，實現(xiàn)奶牛后乳區(qū)的提取與左右乳區(qū)的劃分，根據(jù)本文提出的奶牛乳房炎識別方法，分別繪制奶牛左右后乳區(qū)的剖線，分析繪制的剖線溫度，并將剖線溫度進行線性擬合，判斷擬合直線斜率的正負，從而實現(xiàn)奶牛乳房炎的自動識別。流程圖如圖 7所示。

圖7 奶牛乳房炎自動識別流程圖 Fig.7 Flow chart of automatic identification of cow mastitis

4.1 奶牛后乳區(qū)的提取與劃分

首先將熱紅外圖像灰度化，通過裁剪去除圖像中的圖標和溫度欄，消除其對目標識別的影響，裁剪后的圖像大小為222×221像素，然后采用直方圖均衡化對像素強度進行歸一化處理，實現(xiàn)圖像預(yù)處理，使具有顯著溫度差異的前景區(qū)域和背景區(qū)域呈現(xiàn)不同的灰度。奶牛乳房灰度值高于背景灰度（見圖8），因此采用灰度閾值分割完成奶牛乳房區(qū)域的提取。

圖8 奶牛后乳區(qū)圖像預(yù)處理 Fig.8 Image preprocessing of cow udder area

采用圖像數(shù)據(jù)標注工具LabelMe、灰度閾值分割算法分別實現(xiàn)奶牛后乳區(qū)形狀的手工提取與算法分割提取。對于任意一張奶牛后乳區(qū)熱紅外圖像，若以矩形表示整張圖像，以虛線橢圓區(qū)域表示手工標定的后乳區(qū)，以實線橢圓區(qū)域表示各算法得到的后乳區(qū)，則該圖像可分為4個區(qū)域：TN（True Negative）、FN（False Negative）、TP（True Positive）和 FP（False Positive）。TP表示實質(zhì)是后乳區(qū)區(qū)域，同時也被算法識別成后乳區(qū)；TN表示實質(zhì)不是后乳區(qū)區(qū)域，同時也被算法識別成不是后乳區(qū)；FP表示實質(zhì)不是后乳區(qū)區(qū)域，但被算法識別成是后乳區(qū)；FN表示實質(zhì)是后乳區(qū)區(qū)域，但被算法識別成不是奶牛后乳區(qū)。

檢出率（Detection Rate，DR）、誤檢率（False Alarm Rate，F(xiàn)AR）、準確率（Accuracy，ACC）的計算分別由公式（7）～（9）得出。

檢出率（DR）反映了算法分割后乳區(qū)的完整程度，誤檢率（FAR）反映出算法將不是后乳區(qū)區(qū)域誤檢為后乳區(qū)的概率，準確率（ACC）是評價算法的綜合指標。將預(yù)處理后189張的熱紅外圖像分別采用固定閾值法、迭代算法、最大類間方差法進行處理，計算得到檢出率、誤檢率、準確率，并求平均值（表6）。結(jié)果表明，固定閾值法的檢出率、誤檢率、準確率均優(yōu)于其他2種分割算法，故選擇固定閾值法進行圖像閾值分割，閾值設(shè)為0.93。

表6 3種閾值算法分割結(jié)果評價指標均值 Table 6 Average value of the evaluation index of the segmentation results of three threshold algorithms %

采用固定閾值算法對預(yù)處理后的圖像進行分割，得到二值化圖像（圖9b）。受乳區(qū)臟污因素的影響，導(dǎo)致奶牛后乳區(qū)的某些區(qū)域溫度低，若按固定閾值處理，這些區(qū)域可能被去除，故采用閉運算進行填補（圖9c）。為移除非后乳區(qū)的高溫區(qū)域，刪除圖片中像素面積小于250的小連通區(qū)域（圖9d）。根據(jù)奶牛左右乳區(qū)對稱，以奶牛后乳區(qū)最大寬度的中心軸為分割線，劃分左右乳區(qū)（圖9e）。

圖9 奶牛左右后乳區(qū)識別劃分 Fig.9 Recognition and division of the left and right udders of dairy cows

上述算法可有效應(yīng)對欄桿遮擋奶牛乳房區(qū)域的情況，有效識別奶牛的乳房區(qū)域。同時，該算法對采集角度改變的圖像的檢測結(jié)果良好（圖10），避免了奶牛姿勢變化造成區(qū)域識別不準確的問題。

圖10 采集角度變化的奶牛乳房識別結(jié)果圖 Fig.10 Image of dairy cow udder recognition results with changes in acquisition angle

4.2 對比試驗驗證

為驗證奶牛乳房炎自動識別方法的準確性，在擠奶前重新采集139頭奶牛后乳區(qū)的熱紅外圖像，采用閾值分割提取并劃分左右后乳區(qū)，同時分別遍歷搜索左右后乳區(qū)內(nèi)的最長剖線，并獲取剖線上的溫度，自動識別結(jié)果如圖11a所示。對剖線上的溫度進行擬合獲得擬合線斜率，經(jīng)判斷，實現(xiàn)奶牛左右乳區(qū)是否患病的判別，部分識別結(jié)果如圖11b所示。

圖11 奶牛乳房炎自動識別結(jié)果 Fig.11 Results of automatic identification of cow mastitis

根據(jù)2010年7月20日中華人民共和國農(nóng)業(yè)部印發(fā)的《奶牛乳房炎防治技術(shù)指南（試行）》通知，CMT已成為診斷奶牛乳房炎的常用檢測方法之一，因此采用CMT對139頭奶牛進行檢測，其中健康奶牛為107頭，患病奶牛為32頭。將左右乳區(qū)自動識別結(jié)果與CMT檢測結(jié)果對比，計算準確率，結(jié)果如表7。試驗結(jié)果表明：在107頭健康奶牛中，可平均準確識出健康奶牛81頭，平均誤診為患病奶牛26頭；對于32頭患病奶牛，可準確識別患病奶牛24頭，誤診為健康奶8頭。健康奶牛左右乳區(qū)的平均識別準確率為76%，患病奶牛左右乳區(qū)的平均識別準確率為75%。

表7 奶牛乳房炎識別結(jié)果 Table 7 Cow mastitis recognition results

本文提出的奶牛乳房炎識別方法，可以分析奶牛左右后乳區(qū)健康狀況，實現(xiàn)奶牛乳房炎自動識別。

5 討 論

本文通過分析奶牛后乳區(qū)的特征區(qū)域的溫度分布趨勢實現(xiàn)奶牛乳房炎的識別，可對奶牛的左乳區(qū)和右乳區(qū)的患病情況分別進行判斷，與通過對比左右乳房的溫差來檢測奶牛乳房炎的方法相比，解決了左右乳房同時患病時無法檢測的問題。還有一些研究通過牛的眼睛表面與乳房表面的溫差來檢測乳房炎，由于奶牛體格較大，紅外熱像儀視場角的限制，需要分別對奶牛乳房區(qū)域和眼睛區(qū)域進行采集與識別，步驟繁瑣，識別復(fù)雜；而本文提出的奶牛乳房炎識別方法僅需對奶牛乳房區(qū)域進行采集、識別與分析，步驟簡單方便，可以實現(xiàn)患病奶牛的快速篩選。

在實際生產(chǎn)過程中，奶牛后乳區(qū)會沾有糞便、水等其他雜物，對奶牛后乳區(qū)溫度分布造成影響，導(dǎo)致本文提出的識別方法準確率下降，因此，在進行數(shù)據(jù)采集時，需去除奶牛乳區(qū)表面的雜物，保證奶牛乳區(qū)的干凈程度。為提高識別準確率，后續(xù)可將奶牛的患病等級進行劃分，分析奶牛在不同患病等級下的溫度特征，便于實現(xiàn)奶牛乳房炎快速、準確識別。

6 結(jié) 論

本文采用紅外熱成像技術(shù)分析奶牛后乳區(qū)的特征區(qū)域內(nèi)溫度分布趨勢，實現(xiàn)奶牛乳房炎的快速識別，得出如下結(jié)論：

1）擠奶操作會導(dǎo)致健康奶牛后乳區(qū)的特征區(qū)域溫度升高，從而導(dǎo)致患病引起的溫度升高現(xiàn)象不明顯，故選擇在擠奶前進行數(shù)據(jù)的采集。

2）健康奶牛乳腺池區(qū)溫度低于乳腺區(qū)，患病奶牛乳腺池區(qū)溫度高于乳腺區(qū)。健康奶牛特征區(qū)域內(nèi)的溫度分布呈現(xiàn)“逐漸降低”的特征；而患病奶牛呈現(xiàn)“逐漸升高”的相反特征。對特征區(qū)域內(nèi)的溫度進行線性擬合，91.9%的健康奶牛溫度擬合線的斜率小于0，斜率范圍為-0.083～-0.001；92.1%的患病奶牛溫度擬合線的斜率大于0，斜率范圍為0.001～0.093，因此，根據(jù)溫度擬合線斜率的正負可判斷奶牛乳房的健康狀況。

3）經(jīng)奶牛乳房炎自動識別，健康奶牛左右后乳區(qū)的識別準確率均值為76%，患病奶牛的左右后乳區(qū)識別準確率均值為75%。

本文提出的奶牛乳房炎自動識別方法，識別準確率較好，可用于實際生產(chǎn)過程中患病奶牛的篩選，為快速、非接觸、在線識別奶牛乳房炎提供了技術(shù)手段。