贾桂锋, 武 墩, 蒙俊宇, 王自唱, 高 云,冯耀泽

(1.华中农业大学 工学院,湖北 武汉 430070；2.农业部长江中下游农业装备重点实验室,湖北 武汉 430070)

0 引 言

红外热成像(infrared thermography,IRT)测温技术是一种非接触式的体表温度测量方法,因其非侵入、灵敏度高且响应时间短等优点在疾病筛查与监护领域中备受关注[1]。其测量原理是利用非制冷红外探测器捕获动物体表辐射的红外线并将辐射强度按一定的空间分辨率转换为数字图像,以反映体表各点温度的高低与分布[2],且不会对动物造成应激反应[3]。

然而,IRT技术的测温精度受多种因素影响,其中被测目标与红外探测器之间的距离对测温精度影响较大(即光学成像系统中的物距),且测试距离越小,对测温影响越大[4,5],会降低发热诊断的灵敏度。在养殖场实际应用中,由于猪的随机活动和依从性差等因素,导致IRT测试距离具有不确定性,从而使得IRT测量温度与实际温度存在偏差。因此,为改善生猪体表测温精度,需定量研究测试距离对IRT体表温度测量的影响规律及补偿校正方法。

在体温评估中,不同部位的表面温度与体温关系的密切程度不同[6],研究表明耳根表面温度与机体内部温度有密切的相关性,可作为非接触式发热诊断技术的主要指标。因此耳根部位常作为生猪的关键感兴趣区域(regions of interest,ROI)进行研究,如朱伟兴课题组通过研究红外与可见光的匹配技术开发出猪的耳根识别算法[7],陈志、苑严伟课题组采用改进的Otsu算法研究耳部的自动识别方法[8],这些工作表明耳根表面温度可指示发热状态。

综上所述,本文以猪的耳根区域为ROI研究测试距离对IRT测温的作用规律,同时探索不同测试距离下的耳根温度校正方法,以提高发热诊断的灵敏度。

1 试验材料与方法

1.1 试验材料

试验动物为同一窝出生的4头仔猪,品种为长白猪,猪龄为60 d左右,纳入同窝生猪可避免因品种、月龄等因素而产生的影响。试验地点在安徽省临泉县老集镇某生猪养殖户。猪舍中的空气温度和湿度由环境指标测量仪(胜利,VC231)检测和记录。耳根表面温度用手持式红外热成像仪(Fluke,Ti-300)检测,该仪器搭载有激光测距装置,可测量被测目标到探测器的距离。生猪直肠温度用兽用水银温度计测量。试验中各测量指标、使用的仪器及特性参数如表1所示。

表1 动物试验中各指标的测量方法及特性

1.2 试验方法

动物试验方法设计为单因素试验,将测试距离作为考察因素。由于IRT测量时间短暂,可假设在试验过程中,生猪耳根区域的表面温度、环境温度、空气湿度等指标不变或变化微小,即视为常量,不影响IRT测温。此外,为了确保猪的体温正常,采用水银温度计监测每头猪的直肠温度,以避免不同体温对测试的影响。

试验方案为在不同的测试距离下用红外热像仪测量生猪的体表温度,热图像采集方式为侧向拍摄,拍摄方向始终与生猪左侧面垂直,采集过程未改变拍摄角度,激光测距时产生的光束统一打在前腹处。测试距离范围定为1～4 m,从1 m处开始采集生猪热图像,每间隔0.1 m采集一次,即每头猪共采集31幅热图像。在IRT测量前需要设定发射率和背景温度,由相关研究可知猪的体表发射率为0.96～0.98[9,10],本试验中取其均值0.97,同时将环境指标测量仪测得的环境温度设置为热像仪的背景温度,通过测量共获取124幅热成像数据。

1.3 试验数据提取

试验场的环境温度为(28.1±0.3)℃,空气湿度为(84.9±0.8)%,4头仔猪的平均体温为(39.6±0.1)℃,其中,最小值和最大值分别为39.5℃和39.8℃。根据体温数据可判断4头仔猪体温正常。如前所述,本文以猪的耳根区域为研究对象,故着重关注耳根区域的温度分布及高低并提取温度数据。通过观察耳根区域的温度分布,耳根与脖子的连接处存在形状不规则的高温区域,向四周方向呈逐渐下降趋势。因此耳根的最高温度易于被选中,而最低温度总是处于选取区域的边缘,与区域选择大小有关。由于区域形状及大小因个体差异而不同,为准确刻画耳根的温度特征,可选择高温区的最高温度作为耳根为温度指标。

耳根区域的最高温度采用SmartView软件读取,在SmartView软件中用椭圆选择工具选取猪的耳根部位,读取选中区域最大值及对应的测试距离并记录,共获取4×31=124个温度数据,按不同距离水平分为31组,每组4个观测值(对应4头仔猪)。

2 试验结果分析与IRT温度校正

2.1 试验结果与数据分析

4头仔猪的耳根温度随测试距离的变化如图1所示,由图可知生猪耳根区域的最高温度随距离的逐渐增加而呈下降趋势,且在下降过程中出现起伏波动。说明基于IRT的耳根测温技术受测试距离的影响,单次测量值存在随机误差,需多次测量取平均值或中值以消除随机测量误差。

图1 不同测试距离下的生猪耳根温度

为进一步确定测试距离对红外测温影响的显著性,以测试距离为变量对4头猪的耳根温度数据进行单因素方差分析。分析结果如表2所示,其中刻画显著性水平的p值远小于0.01,说明测试距离对红外测温的影响非常显著。为提高IRT的测温精度,必须对测温数据进行校正。

2.2 温度—测试距离模型建立与校正方法

为定量分析测试距离对测温数据的影响,需建立耳根温度和测试距离之间的数学模型。Pearson相关性分析结果显示测试距离与耳根温度呈显著负相关(每头猪的温度与测试距离的Pearson相关系数平均值为r=-0.923 6,p<0.01)。由此可知两者之间主要呈线性关系,故采用线性和多项式数学模型进行回归建模,并以决定系数R-square和均方根误差为指标评价模型质量。此外,支持向量机(support vector machine,SVM)、神经网络等机器学习算法也广泛用于农业工程领域的建模分析[11～14],其中SVM在回归建模中对样本集的预测更为精确[12]。本文同时也采用线性、多项式和RBF核函数的SVM进行建模,模型结果见表3,模型曲线如图2所示。

表2 测试距离对红外测温的方差分析结果

表3 不同方法的耳根温度—测试距离建模结果

图2 测试距离与耳根温度的关系模型

根据表3可知,除基于多项式核函数的SVM模型外,其余RMSE均为0.37,二次、三次多项式和RBF核函数的决定系数R2均为0.71,几种模型指标表现一致,而常数项有较大差别。常数项与距离无关,表征的是生猪真实的耳根温度,试验中4头仔猪的平均体温为39.6 ℃,而耳根温度通常比体温度低0.5 ℃左右,故耳根实际温度约为39.1 ℃。由此可知,二次多项式模型的常数项最接近该温度,说明该模型可准确刻画耳根温度—测试距离的关系

T=39.03-0.84x+0.04x2

(1)

式中T为IRT测量值,℃；x为测量距离,m。常数项为4头仔猪的耳根实际温度,含有x的项则表示测量距离对IRT测温的作用规律。通常生猪实际耳根温度存在差异,可用变量T’表示,则模型为

T=T’-0.84x+0.04x2

(2)

为校正测量温度,需写出模型中实际值T’的表达式,即为IRT测温的校正方法

T’=T+0.84x-0.04x2

(3)

使用该方法对4头仔猪不同测试距离的测量的温度值进行校正,对校正后的数据T’分别进行方差分析和相关分析。方差分析仍然对不同测量距离进行分组,计算结果为不显著(p=1),而T’与测量距离x的Pearson相关系数也接近于零(r=0.01,p=0.90)。说明距离校正后各组之间的温度值已与测试距离无关,即式(3)的校正方法可消除测试距离对红外测温值的影响。

3 结 论

对校正后的测温数据进行单因素方差分析和相关性分析,结果表明：各组数据之间已无差异且与测试距离不相关,说明提出的校正方法可消除测试距离对IRT测温的影响,提高了红外热成像方法的测温精度。