摘要
体温是恒温动物最重要的生理特征，其病理状态下各种并发症都伴随着温度的变化，如2020年至今蔓延全球的新冠疫情等，故可以从家禽体温变化直观地判断其所处健康状况。近年来，随着畜禽养殖业的迅速发展，家禽的饲养密度和数量急剧增加，使得传统接触式测温方式不能满足快速监测家禽体温的需求，同时，由动物体内病原微生物引起的禽流感、H1N1等大部分流行性疾病而产生的疫情也愈发频繁，这不仅使养殖行业受到巨大经济冲击，也对人类的食用健康产生很大影响。基于以上原因，本文以平养绿壳蛋鸡为研究对象进行一系列体温监测试验，利用机器学习和神经网络技术详细探讨了红外图像下蛋鸡特征部位识别模型和体温预测模型的建立过程，并且采用红外热成像技术设计了一种家禽非接触式红外体温感知设备，实现了蛋鸡体温的无接触测量，为预防家禽大规模疫病的爆发提供技术支持。 本论文的研究内容包括： （1）设计类YOLOv3神经网络模型识别蛋鸡特征区域，结果表明：蛋鸡头部区域、腿部区域、身体区域的mAP分别为98.95%、97.80%、95.15%，蛋鸡整体区域的mAP为98.25%，模型整体的mAP为97.54%，识别效果明显。 （2）利用红外图像CSV文件的温度数据，通过特征区域预测框的坐标提取出对应区域的温度值，最后统计在健康和生病状态下不同特征区域的体表温度变化规律，结果表明：当蛋鸡头部区域的红外温度长时间处于41℃以上且身体区域和腿部区域的红外温度长时间处于35℃以下时，可以作为蛋鸡出现病理反应的标志。 （3）通过样本划分判断健康和生病蛋鸡体温分布范围，结果表明：育成期蛋鸡体温的分布范围在39-43℃之间，但当其体温在39-41℃或42-43℃时，蛋鸡会出现生病的趋势，当体温小于39℃或大于43℃时，蛋鸡必定生病，还可能出现死亡的情况，为下一步体温预测模型的建立和测温系统报警阈值的判断提供数据支持。 （4）分析红外温度、环境变量等因素与蛋鸡真实体温之间的相关性，建立多元线性回归、岭回归和BP神经网络模型来预测蛋鸡的真实体温，并通过测试组的平均相对误差来判断各预测模型的优劣。结果表明：BP神经网络模型在训练组中的R2为0.964，并且在两种测试组中的MRE分别为0.287%、0.761%，同时，该模型的预测偏差在0.5℃以内，其泛化能力远强于回归模型和岭回归模型。 （5）家禽非接触式红外体温感知设备整体方案设计。针对蛋鸡羽毛多、体型小以及养殖场空间布局、蛋鸡数量成千上万和环境复杂的特点，设计相应的技术指标。测温系统硬件设计，采用STM32F103芯片作为主控单元，MLX90640作为红外测温模块，VL53L0X作为激光测距模块；测温系统软件设计，使用Qt开发相应的上位机界面，通过串口实现与上位机的通信，实时显示家禽红外温度图像的相关数据。
NETL