賈桂鋒, 武 墩, 蒙俊宇, 王自唱, 高 云,馮耀澤

(1.華中農業(yè)大學 工學院,湖北 武漢 430070；2.農業(yè)部長江中下游農業(yè)裝備重點實驗室,湖北 武漢 430070)

0 引 言

紅外熱成像(infrared thermography,IRT)測溫技術是一種非接觸式的體表溫度測量方法,因其非侵入、靈敏度高且響應時間短等優(yōu)點在疾病篩查與監(jiān)護領域中備受關注[1]。其測量原理是利用非制冷紅外探測器捕獲動物體表輻射的紅外線并將輻射強度按一定的空間分辨率轉換為數(shù)字圖像,以反映體表各點溫度的高低與分布[2],且不會對動物造成應激反應[3]。

然而,IRT技術的測溫精度受多種因素影響,其中被測目標與紅外探測器之間的距離對測溫精度影響較大(即光學成像系統(tǒng)中的物距),且測試距離越小,對測溫影響越大[4,5],會降低發(fā)熱診斷的靈敏度。在養(yǎng)殖場實際應用中,由于豬的隨機活動和依從性差等因素,導致IRT測試距離具有不確定性,從而使得IRT測量溫度與實際溫度存在偏差。因此,為改善生豬體表測溫精度,需定量研究測試距離對IRT體表溫度測量的影響規(guī)律及補償校正方法。

在體溫評估中,不同部位的表面溫度與體溫關系的密切程度不同[6],研究表明耳根表面溫度與機體內部溫度有密切的相關性,可作為非接觸式發(fā)熱診斷技術的主要指標。因此耳根部位常作為生豬的關鍵感興趣區(qū)域(regions of interest,ROI)進行研究,如朱偉興課題組通過研究紅外與可見光的匹配技術開發(fā)出豬的耳根識別算法[7],陳志、苑嚴偉課題組采用改進的Otsu算法研究耳部的自動識別方法[8],這些工作表明耳根表面溫度可指示發(fā)熱狀態(tài)。

綜上所述,本文以豬的耳根區(qū)域為ROI研究測試距離對IRT測溫的作用規(guī)律,同時探索不同測試距離下的耳根溫度校正方法,以提高發(fā)熱診斷的靈敏度。

1 試驗材料與方法

1.1 試驗材料

試驗動物為同一窩出生的4頭仔豬,品種為長白豬,豬齡為60 d左右,納入同窩生豬可避免因品種、月齡等因素而產生的影響。試驗地點在安徽省臨泉縣老集鎮(zhèn)某生豬養(yǎng)殖戶。豬舍中的空氣溫度和濕度由環(huán)境指標測量儀(勝利,VC231)檢測和記錄。耳根表面溫度用手持式紅外熱成像儀(Fluke,Ti-300)檢測,該儀器搭載有激光測距裝置,可測量被測目標到探測器的距離。生豬直腸溫度用獸用水銀溫度計測量。試驗中各測量指標、使用的儀器及特性參數(shù)如表1所示。

表1 動物試驗中各指標的測量方法及特性

1.2 試驗方法

動物試驗方法設計為單因素試驗,將測試距離作為考察因素。由于IRT測量時間短暫,可假設在試驗過程中,生豬耳根區(qū)域的表面溫度、環(huán)境溫度、空氣濕度等指標不變或變化微小,即視為常量,不影響IRT測溫。此外,為了確保豬的體溫正常,采用水銀溫度計監(jiān)測每頭豬的直腸溫度,以避免不同體溫對測試的影響。

試驗方案為在不同的測試距離下用紅外熱像儀測量生豬的體表溫度,熱圖像采集方式為側向拍攝,拍攝方向始終與生豬左側面垂直,采集過程未改變拍攝角度,激光測距時產生的光束統(tǒng)一打在前腹處。測試距離范圍定為1～4 m,從1 m處開始采集生豬熱圖像,每間隔0.1 m采集一次,即每頭豬共采集31幅熱圖像。在IRT測量前需要設定發(fā)射率和背景溫度,由相關研究可知豬的體表發(fā)射率為0.96～0.98[9,10],本試驗中取其均值0.97,同時將環(huán)境指標測量儀測得的環(huán)境溫度設置為熱像儀的背景溫度,通過測量共獲取124幅熱成像數(shù)據(jù)。

1.3 試驗數(shù)據(jù)提取

試驗場的環(huán)境溫度為(28.1±0.3)℃,空氣濕度為(84.9±0.8)%,4頭仔豬的平均體溫為(39.6±0.1)℃,其中,最小值和最大值分別為39.5℃和39.8℃。根據(jù)體溫數(shù)據(jù)可判斷4頭仔豬體溫正常。如前所述,本文以豬的耳根區(qū)域為研究對象,故著重關注耳根區(qū)域的溫度分布及高低并提取溫度數(shù)據(jù)。通過觀察耳根區(qū)域的溫度分布,耳根與脖子的連接處存在形狀不規(guī)則的高溫區(qū)域,向四周方向呈逐漸下降趨勢。因此耳根的最高溫度易于被選中,而最低溫度總是處于選取區(qū)域的邊緣,與區(qū)域選擇大小有關。由于區(qū)域形狀及大小因個體差異而不同,為準確刻畫耳根的溫度特征,可選擇高溫區(qū)的最高溫度作為耳根為溫度指標。

耳根區(qū)域的最高溫度采用SmartView軟件讀取,在SmartView軟件中用橢圓選擇工具選取豬的耳根部位,讀取選中區(qū)域最大值及對應的測試距離并記錄,共獲取4×31=124個溫度數(shù)據(jù),按不同距離水平分為31組,每組4個觀測值(對應4頭仔豬)。

2 試驗結果分析與IRT溫度校正

2.1 試驗結果與數(shù)據(jù)分析

4頭仔豬的耳根溫度隨測試距離的變化如圖1所示,由圖可知生豬耳根區(qū)域的最高溫度隨距離的逐漸增加而呈下降趨勢,且在下降過程中出現(xiàn)起伏波動。說明基于IRT的耳根測溫技術受測試距離的影響,單次測量值存在隨機誤差,需多次測量取平均值或中值以消除隨機測量誤差。

圖1 不同測試距離下的生豬耳根溫度

為進一步確定測試距離對紅外測溫影響的顯著性,以測試距離為變量對4頭豬的耳根溫度數(shù)據(jù)進行單因素方差分析。分析結果如表2所示,其中刻畫顯著性水平的p值遠小于0.01,說明測試距離對紅外測溫的影響非常顯著。為提高IRT的測溫精度,必須對測溫數(shù)據(jù)進行校正。

2.2 溫度—測試距離模型建立與校正方法

為定量分析測試距離對測溫數(shù)據(jù)的影響,需建立耳根溫度和測試距離之間的數(shù)學模型。Pearson相關性分析結果顯示測試距離與耳根溫度呈顯著負相關(每頭豬的溫度與測試距離的Pearson相關系數(shù)平均值為r=-0.923 6,p<0.01)。由此可知兩者之間主要呈線性關系,故采用線性和多項式數(shù)學模型進行回歸建模,并以決定系數(shù)R-square和均方根誤差為指標評價模型質量。此外,支持向量機(support vector machine,SVM)、神經網(wǎng)絡等機器學習算法也廣泛用于農業(yè)工程領域的建模分析[11～14],其中SVM在回歸建模中對樣本集的預測更為精確[12]。本文同時也采用線性、多項式和RBF核函數(shù)的SVM進行建模,模型結果見表3,模型曲線如圖2所示。

表2 測試距離對紅外測溫的方差分析結果

表3 不同方法的耳根溫度—測試距離建模結果

圖2 測試距離與耳根溫度的關系模型

根據(jù)表3可知,除基于多項式核函數(shù)的SVM模型外,其余RMSE均為0.37,二次、三次多項式和RBF核函數(shù)的決定系數(shù)R2均為0.71,幾種模型指標表現(xiàn)一致,而常數(shù)項有較大差別。常數(shù)項與距離無關,表征的是生豬真實的耳根溫度,試驗中4頭仔豬的平均體溫為39.6 ℃,而耳根溫度通常比體溫度低0.5 ℃左右,故耳根實際溫度約為39.1 ℃。由此可知,二次多項式模型的常數(shù)項最接近該溫度,說明該模型可準確刻畫耳根溫度—測試距離的關系

T=39.03-0.84x+0.04x2

(1)

式中T為IRT測量值,℃；x為測量距離,m。常數(shù)項為4頭仔豬的耳根實際溫度,含有x的項則表示測量距離對IRT測溫的作用規(guī)律。通常生豬實際耳根溫度存在差異,可用變量T’表示,則模型為

T=T’-0.84x+0.04x2

(2)

為校正測量溫度,需寫出模型中實際值T’的表達式,即為IRT測溫的校正方法

T’=T+0.84x-0.04x2

(3)

使用該方法對4頭仔豬不同測試距離的測量的溫度值進行校正,對校正后的數(shù)據(jù)T’分別進行方差分析和相關分析。方差分析仍然對不同測量距離進行分組,計算結果為不顯著(p=1),而T’與測量距離x的Pearson相關系數(shù)也接近于零(r=0.01,p=0.90)。說明距離校正后各組之間的溫度值已與測試距離無關,即式(3)的校正方法可消除測試距離對紅外測溫值的影響。

3 結 論

對校正后的測溫數(shù)據(jù)進行單因素方差分析和相關性分析,結果表明：各組數(shù)據(jù)之間已無差異且與測試距離不相關,說明提出的校正方法可消除測試距離對IRT測溫的影響,提高了紅外熱成像方法的測溫精度。