随着经济发展与人民生活水平的提高，鸡肉已成为我国仅次于猪肉的第二大肉类消费品^[1]。近年来，规模化立体笼养已成为肉鸡饲养模式发展的必然趋势。但在规模化、集约化养殖条件下，饲养密度大，饲养管理如不到位极易造成肉鸡疫病大面积流行，从而给养殖场造成较大的经济损失^[2]。体温是衡量肉鸡健康与否的重要指标之一^[3-5]。通过实时监测肉鸡体温可以反映其因病理或应激响应带来的健康问题，从而使养殖人员及时进行疾病防治。如何及时、快速、精准地感知鸡群体温状况，降低饲养人员劳动强度，提高饲养管理自动化、智能化水平，对于我国肉鸡养殖业健康发展具有重要意义。

传统肉鸡体温测量方法多为人工接触式测量，使用汞温度计或电子体温计测量直肠温度，费时费力且极易造成鸡只感染和笼内恐慌，显然已不适用于当前的大规模养殖环境。有学者基于温度传感器与无线通信技术建立了家禽实时体温检测系统^[6-8]。但此种测温方法仍为接触式测量，存在测温装置易脱落、设备易受潮失灵、易造成畜禽疾病感染等弊端，不符合福利养殖要求。

近年来，红外热成像技术凭借无应激、无损伤的优势，在畜禽体温测量及疾病检测应用方面正逐步取代传统测温方法^[9-11]。目前，针对猪、牛等大体型、少体毛家畜，将热红外技术与图像处理技术相结合，较容易实现感兴趣区域（Region of interest，ROI）提取与识别，以完成非接触式温度测量或动物行为分析^[12-15]。

在家禽热成像体温检测方面，因家禽具有体型小、羽毛厚、养殖密度大等特点，目前研究难点主要有：1)规模化商业养殖环境下红外热像上的特征区域识别较困难；2)鸡只红外体表温度是否可精准代表其体内温度等问题。陆辉山等^[16]和李沛等^[17]采用红外热成像技术与回归分析方法，对蛋鸡体表温度与翼下温度之间的关系进行研究，建立了体温预测模型，结果表明蛋鸡体表无羽区域红外热像可用于其翅下体温预测，从而反映鸡只体温情况。沈明霞等^[18]通过深度学习提取红外热像ROI温度，结合环境温度、湿度，利用回归算法得出了肉鸡翼下温度反演模型，达到肉鸡体温检测的目的，但是该研究采用无遮挡的单只鸡站立侧面图像来提取头部和腿部特征区域，与商业养殖场肉鸡笼养模式相比显然较理想化。实际生产中随周龄增大肉鸡姿态多为卧姿，腿部信息难以获取，且鸡只经常拥挤在一起并易受到笼子、饮水线等物遮挡，从而造成特征区域提取困难。Bloch等^[19]采用低成本红外相机与Lasso回归预测模型，设计了一个针对商业肉鸡场个体肉鸡的红外体温检测系统，试验结果表明，该系统有可能代替环境温度传感器有效应用于鸡舍环境控制。然而该项研究针对的是地面散养肉鸡，测温系统安装于喂食器处，只有当某只鸡采食时，才获取该鸡的体温数据，不适用于规模化笼养肉鸡的鸡群整体体温与健康实时监测。

本文针对商业笼养肉鸡养殖环境，利用红外热成像技术获取笼养肉鸡图像，基于YOLOv5s提取鸡头特征区域温度，分别采用线性回归与非线性回归2种方法建立翅下体温预测模型，为舍内笼养肉鸡健康自动巡检设备建造奠定前期研究基础，从而促进禽畜养殖产业自动化、智能化发展。

1.   材料与方法

1.1   试验材料与数据采集

试验数据采集地点为河北省保定市玖兴肉鸡养殖场，试验对象为5周龄‘罗斯308’白羽肉鸡。试验选用FLIRE60型红外热像仪、汞温度计和GSP-8电子温湿度计等设备。数据采集所选白羽肉鸡平均体质量为2 kg，采集时间为08:00—17:00，每间隔1 h进行1次数据采集。将白羽肉鸡放在鸡舍中随机选取的某个上层鸡笼内，选取上层鸡笼的目的是便于数据采集，鸡笼长102 cm，宽73 cm，高40 cm。测温前将红外热像仪放置于笼前40 cm处，为了获得精准的温度数据，对红外热像仪进行标定，设置热像仪的镜头参数和发射率参数，待鸡只稳定后，利用热成像仪连续拍摄3次红外图像，用于提取体表特征区域温度；拍摄结束后，将汞温度计贴近肉鸡翅下等待5 min后取出并读取温度，重复测取3次温度数据，取平均值记录。在每只鸡数据采集完成之后，读取温湿度计记录此时鸡舍的温度和湿度。数据采集示意图如图1所示。

图  1  笼养肉鸡数据采集示意图

1：红外热像仪；2：三脚架；3：下层鸡笼；4：上层鸡笼；5：饮水装置；6：饲料槽

Figure  1.  Schematic diagram of data collection for caged broilers

1: Infrared thermal imaging instrument; 2: Tripod; 3: Lower layer chicken cage; 4: Upper layer chicken cage; 5: Drinking water plant; 6: Feed trough

下载: 全尺寸图片 幻灯片

1.2   体表特征区域选择与分析

在红外图像中不同温度的物体呈现不同的颜色，笼内肉鸡红外图像如图2所示，A、B、C 3个区域分别为鸡只头部、胸部及腿部，与鸡只身体其他部分颜色相比，此3处区域颜色明显较为明亮，可考虑选取此3处作为体表特征区域进行下一步研究。因肉鸡胸部有羽毛遮挡，且不同鸡只的羽毛覆盖率不同，导致温度提取时差异较大。且陆辉山等^[16]发现鸡只羽毛覆盖区的体表温度受环境温度影响巨大，对衡量鸡只的真实体温没有实际价值，所以不选用鸡胸作为ROI研究。由图2中可看出，鸡只腿部并不容易被红外相机所捕获，所以最终选取鸡只头部作为试验的特征区域，即ROI，并取特征区域中最高温度和平均温度作为ROI温度展开研究。

图  2  笼养肉鸡红外图像

A：头部；B：胸部；C：腿部

Figure  2.  Infrared image of a caged broiler

A: Head; B: Breast; C: Leg

下载: 全尺寸图片 幻灯片

1.3   基于YOLOv5的体表特征区域温度提取方法

由于鸡舍环境复杂，拍摄的笼内肉鸡红外图像不容易通过简单的图像处理方法得到ROI，故而通过使用深度学习来提取ROI。YOLOv5凭借着优秀的检测性能被广泛应用于目标检测领域^[20-22]，根据不同的深度与宽度，YOLOv5又分为YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x这4种不同的版本模型。由于YOLOv5s模型具有更快的检测速度和更小的模型体积，故本文选用YOLOv5s进行ROI提取试验研究。根据模型输出结果，获取ROI矩形框的4个顶点坐标，通过坐标信息从存有图像温度数据的CSV文件提取温度的最大值与平均值，达到ROI温度提取的目的。

1.3.1   YOLOv5s网络结构

YOLOv5s由输入端、主干网络、颈部网络和输出端4个部分组成，其网络结构如图3所示。在整个目标检测网络中，输入端主要通过Mosaic数据增强、自适应锚框计算和自适应图片缩放3种方式对输入图片进行预处理。

图  3  YOLOv5网络结构图

Figure  3.  Structural diagram of YOLOv5 network

下载: 全尺寸图片 幻灯片

主干网络为特征提取网络，主要包括Focus结构、跨阶段局部网络(Cross stage paritial，CSP)结构、卷积模块(Conv+BN+Leaky_relu，CBL)和空间金字塔池化模块(Spatial pyramid pooling module，SSP)。Focus结构对图片进行切片，经过一系列操作得到4张图片，而后将图片拼接起来，这样相对于原先的RGB三通道模式变成了12个通道，再经过1次卷积操作，使得特征提取更加充分。CSP结构分为CSP1和CSP2，CSP1是特征提取部分，用于增强网络的学习能力，减少计算量和网络参数，保证较高的准确率。

颈部网络为特征融合网络，其采用FPN+PAN网络结构。利用自上而下与自下而上联合的特征双向融合方式，可以更好地对主干网络和检测网络提取的特征信息进行融合，然后将特征信息传入到预测层，加强网络特征融合的能力。颈部网络中采用CSP2结构，在降低计算量的同时，使得网络对特征的融合能力得到加强，保留了更丰富的特征信息。

YOLOv5s的输出端，采用GIOU_Loss作为Bounding box的损失函数。同时针对较多目标框的筛选，采用GIOU_nms非极大值抑制的方式筛选目标位置的边框坐标。

1.3.2   训练集制作

共采集图像4865幅，将训练所需图像通过Labelimg软件进行标注，获取对应的xml文件。xml文件内容包括图片的存储路径、文件名、标注类别、所标注位置对角坐标等信息。

1.3.3   模型训练

用于深度学习模型搭建与训练的硬件平台为CPU：Intel(R) Core(TM) i7-10700 CPU @ 2.90 GHz，GPU：GeForce RDTX 3070、8.0 GB独立显存和16.0 GB内存。软件环境为Windows 10、Cuda11.5、采用Pytorch深度学习框架，在Python3.7环境下对模型进行训练。训练参数Epoch为300，Batch_Size值为16；优化器为Adam，初始学习率为0.01，冲量为0.937，权重衰减(Weight decay)为0.0005。

1.4   肉鸡温度数据处理方法

由采集数据可知，1天内肉鸡翅下温度基本保持恒定，但体表温度随环境变化而发生改变。本试验共采集翅下温度、鸡头最高温度、鸡头平均温度、环境温度、环境湿度5类数据。为分析各类数据之间的相关性，采用Excel进行多元线性回归分析，采用SPSS进行多元非线性回归分析，对60组数据进行模型拟合及拟合结果测试，得出翅下温度与其他变量之间的函数关系，并应用决定系数($ {R}^{2} $)及误差检验其拟合效果。

2.   结果与分析

2.1   基于YOLOv5的特征区域模型结果分析

采用精准率($ {{P}} $_r)、召回率($ {{R}} $)、F1值和每秒传输帧数(FPS)这4项指标来评价基于YOLOv5s训练的ROI模型的性能，具体计算公式如下：

式中，$ {\rm{TP}} $表示正确检测到的肉鸡鸡头，$ {\rm{FP}} $表示错误检测到的肉鸡鸡头，$ {\rm{FN}} $表示未被正确检测到的肉鸡鸡头，F1值为精准率和召回率的调和平均数。FPS表示模型每秒可以处理的图像数量，FPS越高，检测速度越快。

将60张待测试红外图像输入到训练后的YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x模型中进行检测并记录结果。计算各算法模型对笼内肉鸡红外图像识别结果的精准率P_r、召回率R、F1值和FPS，各算法模型测试结果对比如表1所示。在本试验中，设置的检测阈值(IOU)为0.5，当模型预测的目标边界与测试集对应的标注数据中的边界框的IOU大于或等于设定阈值时，则认为检测结果正确，否则视为检测错误。通过分析4种不同算法模型的测试结果，可以看出YOLOv5s算法模型在保证检测精度的同时，FPS达到65，综合对比检测精度和检测速度，YOLOv5s算法模型具有更好的综合检测性能。最终经过测试统计，YOLOv5s模型对ROI识别精准率为93.8%，召回率为95.8%。

表  1  各算法模型测试结果对比

Table  1.  Comparison of test results of different algorithm models

模型 Model	精准率/% Precision (Pr)	召回率/% Recall (R)	F1	每秒传输帧数 Frame per second (FPS)
YOLOv5s	93.8	95.8	94.8	65
YOLOv5m	93.8	96.2	95.2	58
YOLOv5l	91.8	89.1	90.4	53
YOLOv5x	93.5	90.6	92.0	50

下载: 导出CSV 

| 显示表格

图4为YOLOv5s模型对测试图像的检测结果。图4a中3只鸡的ROI均被正确识别；图4b中共检测出2个ROI，但其中1个ROI为模型将鸡只胸部误识别为头部；图4c中共有2个ROI，但模型仅识别出1个ROI，另外1个没有被识别。原因可能在于误识别区域特征与头部特征类似、模型没有完全学习到未识别区域特征。为减少误识别和识别遗漏情况的发生，后续可增加训练集数量，使模型更加充分地学习到ROI特征。

图  4  模型对测试图像的检测结果

Figure  4.  Detection results of the model on the test image

下载: 全尺寸图片 幻灯片

2.2   白羽肉鸡温度预测模型结果分析

本文选用多元线性回归和多元非线性回归2种方法建立反演模型，并对模型结果进行对比分析。不同时刻肉鸡翅下温度和特征区域温度及环境温、湿度试验数据如表2所示。其中翅下温度由温度计测得，鸡头最高温度及平均温度由红外热成像测得，环境温度和环境湿度由温湿度计测得。

表  2  不同时刻肉鸡翅下温度、头部温度及环境温湿度试验数据

Table  2.  Test data of temperature under wing of broiler, head temperature as well as ambient temperature and humidity at different time

时刻 Time moment	翅下温度/℃ Temperature under wing	头部最高温度/℃ Maximum head temperature	头部平均温度/℃ Average head temperature	环境温度/℃ Ambient temperature	环境湿度/% Ambient humidity
08:00	41.0	36.5	35.1	22.0	45
09:00	41.3	36.2	34.9	22.1	45
10:00	41.1	36.8	35.3	22.1	45
11:00	41.1	36.3	34.9	22.1	45
12:00	41.2	36.6	35.2	22.0	45
13:00	41.4	36.5	35.1	22.2	45
14:00	41.5	36.7	35.4	22.2	45
15:00	40.9	36.1	34.6	22.3	45
16:00	41.6	37.0	35.4	22.2	45
17:00	40.8	36.9	35.1	22.0	45

下载: 导出CSV 

| 显示表格

2.2.1   多元线性回归预测模型

多元线性回归是用来研究1个因变量与2个或2个以上对其有主要影响的自变量之间关系的一种方法。通过P和R²来判断回归模型的拟合度和相关性。P越接近0，则自变量与因变量相关性越大^[23-24]；R²越接近1，则模型的拟合效果越好，预测结果越准确。本模型中共有4个自变量，为了得到准确的预测结果，采用逐步回归方法进行分析，共建立3种多元线性回归模型（表3）。

表  3  肉鸡翅下温度的预测模型

Table  3.  Prediction model of temperature under wing of broiler

模型 Model	df	P	R2	平均差值/℃ Average difference
1	4	0.001	0.68	0.118
2	3	0.001	0.48	0.160
3	3	0.001	0.68	0.123

下载: 导出CSV 

| 显示表格

模型1为头部最高温度、环境温度、环境湿度与肉鸡翅下温度的关系。模型2为头部平均温度、环境温度、环境湿度与肉鸡翅下温度的关系。模型3为头部最高温度、头部平均温度、环境温度、环境湿度与肉鸡翅下温度的关系。由表3可知，3种模型的P均为0.001，接近于0，表明4种自变量均与翅下温度相关。模型1与模型3的R²相同且均大于模型2，表明模型1与模型3拟合效果更好，满足多元线性回归分析的要求。模型1与模型3的回归系数(B)及显著性分析如表4所示。

表  4  模型1和3的回归系数及显著性分析

Table  4.  Regression coefficients and significance analyses of model 1 and 3

模型 Model	参数 Parameter	常量 Constant	头部最高温度 Maximum head temperature	头部平均温度 Average head temperature	环境温度 Ambient temperature	环境湿度 Ambient humidity
1	B	22.84	0.48		0.03	−0.03
	P	0.001	0.001		0.51	0.001
3	B	22.97	0.47	0.01	0.03	−0.03
	P	0.001	0.001	0.83	0.49	0.001

下载: 导出CSV 

| 显示表格

经过显著性分析可知，模型1中常量、头部最高温度和环境湿度的P<0.01，表明其相关性较强，不可去除，变量环境温度的P为0.51 (P>0.05)表明其对因变量影响较小。模型3中常量、头部最高温度和环境湿度的P<0.01，表明其相关性较强，不可去除，变量头部平均温度和环境温度的P均大于0.05，表明其对因变量影响较小，相关性弱。

由表4回归系数可以得到模型1和模型3多元线性回归模型方程为：

式中，Y1和Y2为肉鸡翅下温度；x_1、x_2、x₃和x₄分别为肉鸡头部最高温度、肉鸡头部平均温度、环境温度和环境湿度。

为了进一步比较模型1与模型3的性能，选取60组测试数据进行拟合。并将预测值与实测值进行对比，计算相对误差。经计算，模型1平均误差为0.118 ℃，平均相对误差为0.28%，最大差值为0.34 ℃。模型3平均误差为0.123 ℃，平均相对误差为0.29%，最大差值为0.35 ℃。对比可知，模型1的拟合度优于模型3，模型1具有更高的精准度，更能反应肉鸡翅下的真实温度。模型1下60组测试数据的实测值与预测值的对比结果如图5所示。

图  5  线性回归模型1测试组实测值与预测值对比图

Figure  5.  Comparison between the measured value and predicted value of the test group in linear regression model 1

下载: 全尺寸图片 幻灯片

2.2.2   多元非线性回归预测模型

多元非线性回归分析是指包含2个以上变量的非线性回归模型。通过上述线性回归分析可知，线性回归分析中模型1性能最好，且头部平均温度对因变量影响最不显著，故而选择对模型1中头部最高温度、环境温度、环境湿度3种自变量进行曲线拟合。选用SPSS软件进行非线性回归分析，采用多项式回归方程建立因变量与自变量的非线性回归数学模型：

式中，Y为肉鸡翅下温度；a₀、a₁、a₂、a₃、a₄、a₅和a₆为非线性模型回归系数；x₁、x₃和x₄分别为肉鸡头部最高温度、环境温度和环境湿度。

采用双重迭代的拟合方法利用式(5)对试验数据进行非线性拟合，此方法通过每次迭代中建立的二次规划来确定优化方向，不断把估计参数带入损失函数中求值，以R²和残差平方和进行评定。最终模型函数迭代27次时R²=0.71，残差平方和达到最小值1.192时计算截止。拟合得到肉鸡翅下温度最优预测模型：

选取与线性模型相同的60组测试数据对非线性回归模型进行检验。并将预测值与实测值进行对比，计算误差。经计算，非线性模型平均误差为0.113 ℃，平均相对误差为0.27%，最大差值为0.32 ℃，优于线性模型。非线性回归下60组测试数据的实测值与预测值的对比结果如图6所示。

图  6  非线性回归模型测试组实测值与预测值对比图

Figure  6.  Comparison between the measured value and predicted value of the test group in the nonlinear regression model

下载: 全尺寸图片 幻灯片

2.2.3   模型对比分析

由上述分析可知，线性回归模型1的R²为0.68，非线性回归模型的R²为0.71，表明多元非线性回归模型拟合效果优于线性回归模型。对比图5和图6可知，图6预测值明显比图5预测值更接近于实测值，根据60组测试数据的误差分析结果，非线性模型优于线性模型，能更准确地预测出肉鸡翅下温度。

3.   结论

1)本文提出了一种基于深度学习及多元线性回归的肉鸡温度预测方法。利用YOLOv5框架进行深度学习，以笼内肉鸡头部作为ROI训练识别模型，可以准确地提取红外图像中鸡只头部最高温度与平均温度，试验结果表明，该识别模型在测试集中的精准率和召回率分别为93.8%和95.8%。

2)分别利用多元线性回归模型和多元非线性回归模型对白羽肉鸡翅下温度进行了分析，结果表明，线性回归中模型1(鸡头最高温度，环境温度，环境湿度)平均相对误差与最大差值为3种模型中最低的，分别为0.28%和0.34 ℃，非线性模型平均相对误差与最大差值分别为0.27%和0.32 ℃，在一定程度上2种模型均可满足肉鸡体温测量要求。