劉 剛 馮彥坤 康 熙

(1.中國(guó)農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083；2.中國(guó)農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100083；3.浙大寧波理工學(xué)院計(jì)算機(jī)與數(shù)據(jù)工程學(xué)院，寧波 315200)

0 引言

隨著生豬規(guī)?；B(yǎng)殖程度的不斷提高，生豬疾病已成為制約養(yǎng)豬產(chǎn)業(yè)健康發(fā)展的一個(gè)重要因素[1-2]。體溫作為生豬的一項(xiàng)重要生理參數(shù)，可用于生豬疾病的預(yù)防和早期診斷[3-4]。此外，體溫也是評(píng)估生豬的健康狀況、育種能力和畜禽舍環(huán)境的重要依據(jù)[5-6]。因此對(duì)生豬體溫的準(zhǔn)確檢測(cè)在規(guī)?；B(yǎng)殖中具有重要意義。

生豬體溫測(cè)量的傳統(tǒng)方法是人工測(cè)量生豬的直腸溫度，這種方法效率低，且易造成生豬的應(yīng)激反應(yīng)[7]。隨著傳感器技術(shù)的快速發(fā)展，一些學(xué)者開(kāi)展了基于溫度傳感器的生豬體溫檢測(cè)技術(shù)研究，將溫度傳感器植入生豬體內(nèi)，這種方式能獲取準(zhǔn)確的體溫?cái)?shù)據(jù)，但成本較高，且對(duì)生豬損害較大[8]。近年來(lái)，紅外熱成像技術(shù)作為一種無(wú)接觸式體表溫度測(cè)量方法，已經(jīng)被廣泛用于畜禽的體溫檢測(cè)和疾病診斷等研究領(lǐng)域[9]。一些研究人員利用熱像儀獲取生豬不同部位的體表溫度，并建立各部位溫度與直腸溫度之間的回歸模型，表明生豬耳根溫度和直腸溫度顯著相關(guān)[10-11]。

在利用紅外熱成像技術(shù)獲取生豬體表溫度的研究中，需要獲取生豬感興趣區(qū)域(Region of interest，ROI)溫度，采用手動(dòng)標(biāo)記方式提取生豬ROI溫度效率較低[12-13]，一些學(xué)者開(kāi)展了基于圖像處理的生豬ROI溫度自動(dòng)檢測(cè)方法研究。朱偉興等[14]基于改進(jìn)主動(dòng)形狀模型檢測(cè)生豬耳部輪廓。周麗萍等[15]利用改進(jìn)Otsu算法檢測(cè)有完整生豬耳部的熱紅外圖像。LU等[16]提出一種基于SVM的仔豬耳根溫度檢測(cè)方法。上述方法實(shí)現(xiàn)了熱紅外圖像中生豬ROI溫度的自動(dòng)提取，但熱紅外圖像均為人工拍攝，不適合在線檢測(cè)。馬麗等[17]選用在線式熱像儀，采集生豬熱紅外視頻數(shù)據(jù)，利用骨架掃描策略改進(jìn)FDSST 算法，自動(dòng)獲取生豬耳根溫度，但該方法對(duì)生豬頭部跟蹤精度較低。

隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，深度卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)上有了較廣泛的應(yīng)用。趙海濤[18]提出一種基于U-Net-4網(wǎng)絡(luò)的生豬眼睛和耳部區(qū)域分割方法。劉勤[19]構(gòu)建了Faster R-CNN網(wǎng)絡(luò)，檢測(cè)熱紅外圖像中生豬耳部區(qū)域。肖德琴等[20]提出一種基于YOLO v4和形態(tài)學(xué)的生豬耳部溫度檢測(cè)算法，實(shí)現(xiàn)了生豬耳部溫度自動(dòng)監(jiān)測(cè)。然而，視頻中多變的生豬頭部姿態(tài)會(huì)影響生豬耳根溫度檢測(cè)的準(zhǔn)確性[21]，視頻中的保育期生豬頭部多動(dòng)，姿態(tài)多變，且耳根區(qū)域較小，使得生豬頭部和耳根區(qū)域的定位精度大大降低，進(jìn)而影響了生豬耳根溫度的精準(zhǔn)檢測(cè)。

針對(duì)以上問(wèn)題，本文以俯視圖下的飼喂欄通道中保育期生豬熱紅外視頻為研究對(duì)象，提出一種基于改進(jìn)YOLO v4的生豬耳根溫度檢測(cè)方法，實(shí)現(xiàn)保育期生豬體溫自動(dòng)化精準(zhǔn)檢測(cè)，為生豬體溫異常監(jiān)測(cè)與預(yù)警提供技術(shù)支撐。

1 試驗(yàn)數(shù)據(jù)采集與數(shù)據(jù)集構(gòu)建

1.1 試驗(yàn)數(shù)據(jù)采集

試驗(yàn)數(shù)據(jù)采集于北京市房山區(qū)西周各莊養(yǎng)殖場(chǎng)，采集對(duì)象為自然穿過(guò)飼喂欄通道的保育期生豬，采集時(shí)間為2021年7—8月。采集系統(tǒng)如圖1所示，生豬進(jìn)食前，需要依次通過(guò)飼喂欄通道進(jìn)入采食區(qū)，在通道出口處安裝RFID識(shí)別器，用于確定視頻中生豬身份。將FLIR-A310型熱像儀安裝在飼喂欄通道中心的上方，熱像儀鏡頭距離飼喂欄1.1 m，以確保可以通過(guò)熱像儀拍攝生豬的頭部和耳根，熱像儀通過(guò)以太網(wǎng)與計(jì)算機(jī)通信。由于熱像儀測(cè)溫本身存在固有誤差，故將黑體放于飼喂欄通道左側(cè)，用于溫度校正。使用HOBO U14-001型智能溫濕度記錄儀，記錄熱像儀安裝處的環(huán)境溫度和相對(duì)濕度，調(diào)整熱像儀的發(fā)射率、溫濕度和鏡頭到物體的距離等參數(shù)，試驗(yàn)中豬舍內(nèi)的平均環(huán)境溫度為28.3℃，平均相對(duì)濕度為81.6%。熱像儀的發(fā)射率設(shè)定為0.95，與文獻(xiàn)[16]中對(duì)仔豬耳根溫度的研究一致。當(dāng)系統(tǒng)輸出數(shù)據(jù)穩(wěn)定后，對(duì)50頭保育期生豬進(jìn)行熱紅外視頻采集，采集的視頻以SEQ的格式存儲(chǔ)于計(jì)算機(jī)硬盤(pán)中。FLIR-A310型熱像儀的分辨率為320像素×240像素，幀率為10 f/s。

圖1 生豬視頻采集示意圖

為了驗(yàn)證本文算法對(duì)生豬耳根溫度檢測(cè)的準(zhǔn)確性，使用HD-1500E型接觸式數(shù)字表面溫度計(jì)人工測(cè)量了50頭保育期生豬左、右耳根溫度，人工測(cè)量50頭生豬耳根溫度3次，并取3次均值作為耳根溫度真實(shí)值，以減少人工測(cè)量誤差。由于部分生豬耳標(biāo)失效，無(wú)法和采集系統(tǒng)中錄制的熱紅外視頻數(shù)據(jù)相對(duì)應(yīng)，最終得到38頭保育期生豬的有效耳根溫度數(shù)據(jù)。

1.2 數(shù)據(jù)集構(gòu)建

從采集的生豬熱紅外視頻中篩選50頭自然行走生豬的視頻，將視頻截取成圖像序列，得到2 000幅包含生豬頭部和耳根的熱紅外圖像，將其按照7∶1∶2的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

熱像儀測(cè)溫是通過(guò)用紅外焦平面陣列傳感器檢測(cè)被測(cè)物體發(fā)出的輻射來(lái)確定溫度，目標(biāo)的遮擋會(huì)影響目標(biāo)的溫度測(cè)量結(jié)果[22]。因此，當(dāng)生豬在飼喂欄通道行走的過(guò)程中，頭部姿態(tài)變化引起的耳根遮擋，會(huì)影響生豬耳根的被測(cè)溫度。為了更準(zhǔn)確的獲取生豬耳根溫度，需要區(qū)分生豬的頭部姿態(tài)，以提取頭部端正姿態(tài)下的耳根溫度。本文構(gòu)建的數(shù)據(jù)集包含 “pigHead0”、“pigHead1”、“pigEl”和“pigEr” 4個(gè)類(lèi)別，分別為“生豬頭部，姿態(tài)歪斜”、“生豬頭部，姿態(tài)端正”、生豬左耳根區(qū)域、“生豬右耳根區(qū)域”。使用LabelImg工具標(biāo)注圖像中的生豬頭部和耳根所在區(qū)域。

2 生豬耳根溫度檢測(cè)方法

2.1 YOLO v4 卷積神經(jīng)網(wǎng)絡(luò)

YOLO v4[23]是性能較好的一階段(one-stage)目標(biāo)檢測(cè)算法，選擇CSPDarknet53作為主干網(wǎng)絡(luò)，引入SPP(Spatial pyramid pooling)模塊，顯著地增加了感受野；采用PAN(Path aggregation network)替換特征金字塔網(wǎng)絡(luò)(Feature pyramid network，F(xiàn)PN)進(jìn)行多通道特征融合，提高模型檢測(cè)精度。此外，進(jìn)行了Mosaic數(shù)據(jù)增強(qiáng)、cmBN以及SAT自對(duì)抗訓(xùn)練等方面的改進(jìn)，提高了YOLO v4模型的準(zhǔn)確率和泛化能力。但在進(jìn)行保育期生豬頭部和耳根區(qū)域定位試驗(yàn)中發(fā)現(xiàn)，YOLO v4模型對(duì)行走過(guò)程中保育期生豬頭部和耳根區(qū)域檢測(cè)精度低。所以本文對(duì)YOLO v4進(jìn)行改進(jìn)，提高保育期生豬頭部和耳根區(qū)域檢測(cè)精度，進(jìn)而提取更準(zhǔn)確耳根溫度。

2.2 YOLO v4網(wǎng)絡(luò)改進(jìn)

2.2.1特征提取網(wǎng)絡(luò)改進(jìn)

YOLO v4采用ResNet作為主干特征提取網(wǎng)絡(luò)，ResNet網(wǎng)絡(luò)的連接方式是建立前面特征層與后面特征層的短路連接，可表示為

xn=Hn(xn-1)+xn-1

(1)

式中xn——第n層輸出

Hn(·)——非線性轉(zhuǎn)換函數(shù)

這種連接方式有效解決了梯度消失問(wèn)題，但是在目標(biāo)檢測(cè)期間，隨著網(wǎng)絡(luò)深度不斷增加，重要的特征信息在卷積和下采樣過(guò)程中可能會(huì)丟失，減少了神經(jīng)網(wǎng)絡(luò)的特征圖。

基于上述問(wèn)題，GAO等[24]提出了DenseNet網(wǎng)絡(luò)，DenseNet網(wǎng)絡(luò)采用密集連接機(jī)制，其中每一層都以前饋模式連接到其他層，第n層能夠從所有先前層x0、x1、…、xn-1的輸入中接收所需的特征信息xn，可表示為

xn=Hn([x0，x1，…，xn-1])

(2)

式中 [x0，x1，…，xn-1]——各層產(chǎn)生的特征圖的拼接

與ResNet網(wǎng)絡(luò)相比，DenseNet網(wǎng)絡(luò)的連接方式保留了重要的特征映射，能重復(fù)利用關(guān)鍵特征信息，增強(qiáng)了網(wǎng)絡(luò)對(duì)重要特征信息的提取能力，有效解決了ResNet網(wǎng)絡(luò)中重要特征信息丟失的問(wèn)題。

針對(duì)本文的生豬熱紅外圖像分辨率低和耳根區(qū)域小的特點(diǎn)，使用密集連接塊有助于促進(jìn)神經(jīng)網(wǎng)絡(luò)中的特征傳遞和梯度轉(zhuǎn)移，并在一定程度上緩解過(guò)度擬合。因此，本文在YOLO v4 的CSPDarknet53主干網(wǎng)絡(luò)中，通過(guò)添加密集連接塊，將兩個(gè)殘差塊CSPR8和CSPR4替換為Dense1-CSPR8和Dense2-CSPR4，得到新的主干網(wǎng)絡(luò)Dense-CSPDarknet53，用于增強(qiáng)最后兩個(gè)特征層S2和S3的特征傳播。此外，SPP模塊與Dense-CSPDarknet53 主干網(wǎng)絡(luò)中最后一個(gè)殘差塊(CSPR4)緊密集成，進(jìn)一步增強(qiáng)主干網(wǎng)絡(luò)感受野并分離出重要的上下文特征。本文提出的Dense-CSPDarknet53示意圖和相應(yīng)的網(wǎng)絡(luò)參數(shù)如圖2所示。

圖2 Dense-CSPDarknet53主干網(wǎng)絡(luò)和參數(shù)示意圖

從圖2可以看出，本文采用深度網(wǎng)絡(luò)替換26×26和13×13下采樣層，傳遞特征圖函數(shù)H1對(duì)x0、x1、…、xn-1層進(jìn)行非線性變換，其中每一層xi由64個(gè)特征層組成。由此，CSPR8前面的Dense1在分辨率為26×26層上執(zhí)行特征傳播和層拼接，最終正向傳播特征層為26×26×512。同理，CSPR4前面的Dense2在分辨率為13×13層上執(zhí)行特征傳播和層拼接，最終正向傳播特征層為13×13×1 024。

在CSPDarknet53主干網(wǎng)絡(luò)中引入密集連接塊，確保了在訓(xùn)練期間，當(dāng)輸入的圖像被傳輸?shù)捷^低分辨率層時(shí)，后面的特征層從前面的層中獲取特征，從而減少特征損失。此外，不同的低分辨率卷積層可以重用它們之間的特征，提高了特征使用率。

2.2.2特征融合網(wǎng)絡(luò)改進(jìn)

密集連接塊的引入，促進(jìn)了重要特征重用，提升了網(wǎng)絡(luò)對(duì)小目標(biāo)檢測(cè)能力，但是隨著殘差塊層數(shù)的增加，其中每一層都與之前的所有層相連，會(huì)造成層與層之間的互連變得更加復(fù)雜。針對(duì)這一問(wèn)題，對(duì)YOLO v4頸部的PANet結(jié)構(gòu)進(jìn)行修改，將PANet結(jié)構(gòu)中組合兩個(gè)特征圖的Concat操作替換為Add操作，如圖3所示。YOLO v4中PANet采用Concat操作，通道數(shù)變?yōu)樵瓉?lái)的兩倍，而采用Add操作組合兩個(gè)特征圖，通道數(shù)不變，修改后的特征融合網(wǎng)絡(luò)，縮短了多尺度特征金字塔圖的高、低融合路徑，減少了網(wǎng)絡(luò)參數(shù)和計(jì)算量，提升了模型檢測(cè)速度。Add操作相比Concat操作會(huì)帶來(lái)一定的信息損失，但由于密集連接塊的引入，已經(jīng)從前層獲取了足夠的特征信息，修改后的模型檢測(cè)精度只是略有下降，降低0.52個(gè)百分點(diǎn)。

圖3 PANet融合方式

2.2.3激活函數(shù)改進(jìn)

激活函數(shù)是神經(jīng)網(wǎng)絡(luò)的關(guān)鍵組成部分，針對(duì)特定問(wèn)題選擇合適的激活函數(shù)，可以用來(lái)提高神經(jīng)網(wǎng)絡(luò)在不同分類(lèi)任務(wù)中的效果。為有效訓(xùn)練改進(jìn)YOLO v4模型，提高模型檢測(cè)性能，本文在訓(xùn)練文件中配置了Leaky ReLU、Swish和Mish 3種激活函數(shù)。

Leaky ReLU是深度卷積神經(jīng)網(wǎng)絡(luò)中流行的激活函數(shù)之一，有效解決了梯度消失問(wèn)題，并在傳播過(guò)程中更新權(quán)重，參數(shù)α用于解決其前身ReLU帶來(lái)的神經(jīng)元死亡的問(wèn)題，保證整個(gè)訓(xùn)練過(guò)程中梯度不為零，從而提高訓(xùn)練性能，Leaky ReLU計(jì)算公式為

(3)

式中x——神經(jīng)元輸入

f(x)——神經(jīng)元輸出

α——梯度調(diào)節(jié)參數(shù)

為了保持負(fù)值以穩(wěn)定網(wǎng)絡(luò)梯度流和死亡神經(jīng)元，進(jìn)而學(xué)習(xí)更具表現(xiàn)力的特征，DIGANTA等[25]提出了激活函數(shù)Mish，它在[-0.31,∞)范圍內(nèi)有下界、無(wú)上界，有助于消除神經(jīng)元飽和問(wèn)題，提高網(wǎng)絡(luò)正則化，較Leaky ReLU激活函數(shù)更為平滑，具有更好的學(xué)習(xí)適應(yīng)能力，其計(jì)算公式為

f(x)=xtan(ln(1+ex))

(4)

Swish與Mish類(lèi)似，具有無(wú)上界、有下界、非單調(diào)和平滑的特性。非單調(diào)性是區(qū)分Swish與ReLU的重要依據(jù)，且平滑的特性有利于模型的生成和優(yōu)化，調(diào)節(jié)訓(xùn)練參數(shù)β可以提高模型檢測(cè)性能，其計(jì)算公式為

f(x)=xsigmoid(βx)

(5)

將上述3種激活函數(shù)與改進(jìn)模型主干和頸部形成不同組合，并用平均精度均值(mAP)和檢測(cè)速度兩個(gè)指標(biāo)對(duì)各個(gè)組合的性能進(jìn)行評(píng)估，其檢測(cè)結(jié)果如表1所示。

表1 激活函數(shù)檢測(cè)性能對(duì)比

從表1中可以得出，在改進(jìn)模型的主干和頸部使用Mish激活函數(shù)時(shí)，在測(cè)試集上的檢測(cè)精度最高，但這種組合增加了檢測(cè)時(shí)間。在改進(jìn)模型的主干和頸部使用Leaky ReLU激活函數(shù)，在測(cè)試集上的檢測(cè)速度最快，但檢測(cè)精度最低。將頸部替換為L(zhǎng)eaky ReLU激活函數(shù)，提高了檢測(cè)速度，但精度也有所下降。由于耳根溫度提取需要更精準(zhǔn)的目標(biāo)檢測(cè)模型，本文在改進(jìn)YOLO v4中，主干網(wǎng)絡(luò)Dense-CSPDarkent53和頸部都選擇Mish激活函數(shù)，這種組合在測(cè)試集上的檢測(cè)精度最高。

2.2.4改進(jìn)YOLO v4網(wǎng)絡(luò)

在YOLO v4的基礎(chǔ)上，通過(guò)本文的一系列改進(jìn)，得到了改進(jìn)YOLO v4(Mish Dense YOLO v4，MD-YOLO v4)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。首先，在YOLO v4主干特征提取網(wǎng)絡(luò)CSPDarknet53中添加密集連接塊，同時(shí)將SPP模塊集成到主干網(wǎng)絡(luò)；其次，在YOLO v4的頸部植入改進(jìn)的PANet；最后，在改進(jìn)YOLO v4的主干和頸部使用Mish激活函數(shù)。此外，為了在訓(xùn)練期間獲得更好的準(zhǔn)確性，輸入數(shù)據(jù)集圖像尺寸調(diào)整為416像素×416像素，檢測(cè)頭大小分別為52×52×27、26×26×27和13×13×27。

圖4 改進(jìn)YOLO v4網(wǎng)絡(luò)結(jié)構(gòu)

2.3 耳根溫度提取方法

利用構(gòu)建好的生豬熱紅外數(shù)據(jù)集對(duì)改進(jìn)YOLO v4網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到生豬頭部和耳根區(qū)域檢測(cè)模型，該模型具有從輸入圖像中檢測(cè)頭部和耳根矩形框坐標(biāo)的功能，圖5為檢測(cè)結(jié)果示例圖。將檢測(cè)的生豬耳根的位置坐標(biāo)映射到熱紅外圖像對(duì)應(yīng)的溫度矩陣，提取耳根區(qū)域的溫度矩陣。

圖5 頭部和耳根檢測(cè)結(jié)果

生豬頭部姿態(tài)歪斜會(huì)導(dǎo)致耳根區(qū)域出現(xiàn)部分或者完全遮擋，從而影響耳根溫度檢測(cè)的準(zhǔn)確性。因此，為了準(zhǔn)確獲取耳根溫度，當(dāng)生豬通過(guò)信息采集通道時(shí)，本文分別提取類(lèi)別為“pigHead1”的圖像中左、右耳根檢測(cè)框內(nèi)的溫度數(shù)據(jù)，左耳根溫度TL和右耳根溫度TR的計(jì)算公式為

(6)

(7)

式中Tl(x,y)——左耳根檢測(cè)框溫度矩陣

Tr(x,y)——右耳根檢測(cè)框溫度矩陣

Max——矩陣元素最大值函數(shù)

N——類(lèi)別為pigHead1的圖像幀數(shù)

為降低輻射率、距離、溫濕度、光照和風(fēng)速等因素對(duì)測(cè)溫結(jié)果的影響，本文使用黑體對(duì)算法提取的耳根溫度進(jìn)行校準(zhǔn)，將校準(zhǔn)后的耳根溫度作為本文算法檢測(cè)結(jié)果。設(shè)定黑體發(fā)射溫度為T(mén)0，根據(jù)黑體的位置坐標(biāo)，提取黑體溫度最大值Tb，測(cè)溫誤差e和校準(zhǔn)后左、右耳根溫度計(jì)算公式為

e=Tb-T0

(8)

Tl=TL-e

(9)

Tr=TR-e

(10)

式中Tl、Tr——校準(zhǔn)后左、右耳根溫度

2.4 模型訓(xùn)練

本文試驗(yàn)所使用的硬件配置為Intel Core i7-9700k 3.60 GHz，32 GB運(yùn)行內(nèi)存，改進(jìn)YOLO v4模型在NVIDIV GeForce RXT 2070 GPU上進(jìn)行訓(xùn)練和測(cè)試，顯存為8 GB，運(yùn)行環(huán)境為64 位Windows 10 操作系統(tǒng)。

改進(jìn)YOLO v4模型在訓(xùn)練前需要進(jìn)行參數(shù)設(shè)置，為了在訓(xùn)練期間獲得更好的準(zhǔn)確性，輸入的數(shù)據(jù)集圖像尺寸被調(diào)整為416像素×416像素，將批量處理尺寸設(shè)置為32，訓(xùn)練共迭代8 000次。調(diào)整初始學(xué)習(xí)率為0.001，并且采用 steps模式更新學(xué)習(xí)率，在訓(xùn)練迭代次數(shù)達(dá)到6 400和7 200時(shí)，將學(xué)習(xí)率分別降低至初始學(xué)習(xí)率的10%和1%，其他超參數(shù)與YOLO v4模型中的原始參數(shù)保持一致。

圖6為改進(jìn)YOLO v4網(wǎng)絡(luò)在訓(xùn)練時(shí)的平均損失值隨迭代次數(shù)的變化曲線。從圖中可以看到，當(dāng)網(wǎng)絡(luò)迭代超過(guò)6 000次后，損失值基本趨于平穩(wěn)，在0.35附近波動(dòng)。從參數(shù)收斂情況來(lái)看，網(wǎng)絡(luò)訓(xùn)練結(jié)果理想。

圖6 損失值變化曲線

2.5 評(píng)價(jià)指標(biāo)

為客觀衡量改進(jìn)模型對(duì)生豬頭部和耳根的檢測(cè)效果，使用準(zhǔn)確率(Precision)、召回率(Recall)、平均精度均值(mAP)和每秒檢測(cè)幀數(shù)(Frames per second，F(xiàn)PS)作為評(píng)價(jià)指標(biāo)，來(lái)評(píng)價(jià)檢測(cè)模型性能。mAP越高說(shuō)明檢測(cè)精度越高，F(xiàn)PS 越大說(shuō)明檢測(cè)速度越快。

3 結(jié)果與討論

3.1 基于MD-YOLO v4的生豬關(guān)鍵部位檢測(cè)

為驗(yàn)證MD-YOLO v4用于檢測(cè)生豬關(guān)鍵部位的準(zhǔn)確性和魯棒性，本文將MD-YOLO v4與Faster R-CNN、SSD、YOLO v4、YOLO v5進(jìn)行對(duì)比分析。試驗(yàn)采用相同生豬熱紅外數(shù)據(jù)集訓(xùn)練模型，訓(xùn)練時(shí)盡量保持超參數(shù)一致，并采用相同測(cè)試集來(lái)評(píng)價(jià)模型性能。5種目標(biāo)檢測(cè)模型在測(cè)試集上的檢測(cè)效果如圖7所示。從圖中可以看出，5種目標(biāo)檢測(cè)模型對(duì)生豬頭部的檢測(cè)均有較好的效果，都能準(zhǔn)確識(shí)別生豬頭部，而對(duì)耳根檢測(cè)效果差異較大，SSD會(huì)出現(xiàn)耳根漏檢的情況，F(xiàn)aster R-CNN存在耳根檢測(cè)框重疊問(wèn)題。

圖7 不同檢測(cè)模型效果對(duì)比

對(duì)上述目標(biāo)檢測(cè)模型檢測(cè)生豬頭部和耳根的準(zhǔn)確率、召回率、平均精度均值和檢測(cè)速度進(jìn)行統(tǒng)計(jì)，結(jié)果如表2所示。由表2可知，在5種目標(biāo)檢測(cè)模型中，SSD和Faster R-CNN的平均精度均值分別為66.23%和75.39%，對(duì)耳根的平均檢測(cè)精度均不到60%，不適用于生豬耳根區(qū)域的定位。相比SSD和Faster R-CNN網(wǎng)絡(luò)，YOLO v4、YOLO v5和MD-YOLO v4網(wǎng)絡(luò)對(duì)耳根檢測(cè)精度更高，對(duì)小尺寸的耳根識(shí)別效果更好，其中MD-YOLO v4網(wǎng)絡(luò)對(duì)耳根檢測(cè)最精準(zhǔn)。MD-YOLO v4比YOLO v5、YOLO v4的平均精度均值分別增加5.39、6.43個(gè)百分點(diǎn)，尤其是提高了對(duì)生豬耳根的檢測(cè)精度，左、右耳根的平均精度分別達(dá)到93.87%和93.54%。與YOLO v4相比，MD-YOLO v4引入密集連接塊、SPP和改進(jìn)的PANet等操作，增強(qiáng)了圖像特征，通過(guò)重復(fù)利用淺層特征減少錯(cuò)誤檢測(cè)，提高了對(duì)小目標(biāo)檢測(cè)的準(zhǔn)確性。在檢測(cè)實(shí)時(shí)性方面，MD-YOLO v4的檢測(cè)速度為60.21 f/s，可以滿(mǎn)足實(shí)時(shí)檢測(cè)生豬頭部和耳根的需求。

表2 5種檢測(cè)算法性能比較

3.2 生豬耳根溫度

將人工測(cè)量的38頭生豬耳根溫度真實(shí)值作為評(píng)價(jià)標(biāo)準(zhǔn)，用于驗(yàn)證本文方法提取耳根溫度的準(zhǔn)確性，生豬左、右耳根溫度真實(shí)值和檢測(cè)值如圖8所示。統(tǒng)計(jì)了每頭生豬左、右耳根溫度真實(shí)值和檢測(cè)值的絕對(duì)誤差、均方根誤差和相對(duì)誤差。結(jié)果表明，本文方法提取的左耳根溫度和真實(shí)值之間的最大絕對(duì)誤差為0.5℃，平均絕對(duì)誤差為0.26℃，均方根誤差為0.29℃；本文方法提取的右耳根溫度和真實(shí)值之間的最大絕對(duì)誤差為0.5℃，平均絕對(duì)誤差為0.21℃，均方根誤差為0.25℃。左耳根溫度測(cè)量的相對(duì)誤差最大為1.32%，平均相對(duì)誤差為0.68%；右耳根溫度測(cè)量的相對(duì)誤差最大為1.30%，平均相對(duì)誤差為0.55%。

圖8 生豬耳根溫度測(cè)量結(jié)果

相關(guān)研究表明，受外界環(huán)境、進(jìn)食和飲水等因素的影響，生豬體溫正常變化在1℃以?xún)?nèi)，當(dāng)生豬體溫變化大于1℃可能發(fā)生異常，上升1.5℃以上判為中熱，上升2.5℃以上判為高熱[26]。本文方法檢測(cè)的生豬左、右耳根溫度和真實(shí)值之間的最大絕對(duì)誤差均為0.5℃，平均絕對(duì)誤差都在0.3℃以?xún)?nèi)，該精度可用于生豬體溫異常監(jiān)測(cè)。

4 結(jié)論

(1)提出了一種基于改進(jìn)YOLO v4的生豬關(guān)鍵部位檢測(cè)模型，實(shí)現(xiàn)對(duì)保育期生豬頭部和耳根區(qū)域精準(zhǔn)定位，改進(jìn)YOLO v4在測(cè)試集上的mAP為95.71%，檢測(cè)速度為60.21 f/s，與YOLO v5和YOLO v4相比，mAP分別提高5.39個(gè)百分點(diǎn)和6.43個(gè)百分點(diǎn)。

(2)在YOLO v4主干特征提取網(wǎng)絡(luò)中引入密集連接塊，重復(fù)利用淺層特征信息，增強(qiáng)了網(wǎng)絡(luò)對(duì)重要特征信息的提取能力，提升了網(wǎng)絡(luò)對(duì)小目標(biāo)檢測(cè)效果；在頸部特征融合網(wǎng)絡(luò)引入改進(jìn)PANet，縮短多尺度特征金字塔圖的高、低融合路徑，提升了檢測(cè)速度。

(3)通過(guò)對(duì)生豬耳根區(qū)域的精準(zhǔn)定位，實(shí)現(xiàn)生豬耳根溫度自動(dòng)提取，以人工測(cè)量的38頭生豬耳根溫度真實(shí)值為評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)估了本文方法提取耳根溫度的準(zhǔn)確性，結(jié)果表明，本文方法提取的生豬左、右耳根溫度平均絕對(duì)誤差分別為0.26℃和0.21℃，為生豬體溫異常監(jiān)測(cè)提供了研究基礎(chǔ)。