Temperature detection method of caged white feather broilers based on infrared image
-
摘要:目的
针对大规模笼养肉鸡体温自动检测困难的问题，提出一种深度学习与回归分析相结合的肉鸡体温检测方法。
方法采用红外热成像仪采集肉鸡的红外图像，通过YOLOv5s深度学习算法训练感兴趣区域(肉鸡鸡头)模型，分别引入多元线性回归和多元非线性回归以建立肉鸡感兴趣区域温度与翅下温度的预测模型，从而实现自动体温检测。
结果基于深度学习的感兴趣区域模型的精准率与召回率分别为93.8%和95.8%，多元线性回归温度预测模型1和多元非线性回归温度预测模型的平均相对误差分别为0.28%和0.27%，温度预测值与真实值的最大差值分别为0.34和0.32 ℃。
结论非线性模型预测肉鸡体温的准确率更高，可为日后舍内鸡只温度自动巡检设备提供技术支撑及前期研究基础。
Abstract:ObjectiveTo address the challenge of automatic temperature detection for large-scale caged broilers, a method combining deep learning and regression analysis was proposed.
MethodAn infrared thermal imager was used to capture infrared images of broiler chickens, the YOLOv5s deep learning algorithm was used to train the model for the region of interest (broiler chicken head). Multiple linear regression and multiple nonlinear regression were respectively introduced to establish prediction models between the temperature of the broiler’s region of interest and the temperature under its wings, ultimately achieving the goal of automatic body temperature detection.
ResultThe test results showed that the precision and recall of the region of interest model based on deep learning were 93.8% and 95.8% respectively. The average relative errors of the multiple linear regression 1 and multiple nonlinear regression temperature prediction models were 0.28% and 0.27% respectively, and the maximum differences between the predicted and actual temperature values were 0.34 and 0.32 ℃ respectively.
ConclusionThe nonlinear model has a higher accuracy rate in predicting the body temperature of broilers, providing technical support and a preliminary research basis for automated in-house temperature inspection equipment for chicken farming.
-
Keywords:
- Deep learning /
- Infrared thermal imaging /
- Temperature detection /
- Broiler /
- Inversion
-
水稻Oryza sativa L.是我国最重要的粮食作物之一，提高水稻产量是水稻研究者的主要育种任务之一。水稻的有效穗数、穗粒数和粒质量是决定其产量的重要因素[1]。穗长是与产量相关的性状之一，与水稻产量密切相关，可作为产量育种的选择标准[2]。穗长是典型的数量性状，并由主数量性状座位(Quantitative trait locus，QTL)和次QTL控制[3]。据统计(http://www.gramene.org)，到目前为止，已检测到超过250个穗长QTL，分布在12条染色体上。然而，只有少数基因被克隆并应用于水稻育种中。DEP1基因是一个控制我国水稻产量的关键多效基因，其能促进细胞分裂，通过缩短穗节间长度使稻穗变密、枝梗数増加，同时增加穗粒数，从而提高产量[4]。SP1编码一个可能的多肽转运蛋白(Peptide transporter, PTR)，通过调节穗分生组织的活性来调节水稻的穗长[5]。DEP2 编码一个目前功能未知的植物特有蛋白，通过影响穗指数生长时期的细胞增殖决定穗的生长和伸长[6]。DEP3编码一个含有马铃薯糖蛋白样磷脂酶A2 (Phospholipase A2，PLA2)超家族结构域的蛋白，在高产中发挥着重要作用[7]。大穗基因LP(EP3)编码含有Kelch重复序列的F-box蛋白，LP可能参与调节植物组织中的细胞分裂素水平从而影响穗长、一级枝梗数和籽粒数[8]。同时，许多穗部性状基因也是多效性的，例如MOC1[9]、LAX1[10]和IPA1(OsSPL14、WFP)[11]等基因同时影响着穗长、分枝数和分蘖等多个性状；而OsSPL18的缺陷降低了粒宽、粒厚和穗长，但增加了分蘖[12]。
穗长的遗传因素及其对水稻产量提高的影响尚未得到充分认识[13-14]。深入挖掘与穗长相关的新基因将有助于揭示决定各种类型的品种特异性穗结构的基本机制，对于水稻穗型塑造及提高水稻产量有着重要意义。
本研究以2个优良亲本‘R8605’和‘ZP37’及其杂交衍生的208个高世代重组自交系(Recombinant inbred lines，RILs)为作图群体，利用通过全基因组重测序构建的包含2193个bin标记高密度连锁图谱，在3种不同环境下定位和分析穗长QTL，寻找新的、可稳定遗传的的位点，同时分析他们的聚合效应，以期为水稻穗长相关基因的精细定位、克隆及分子育种提供依据。
1. 材料与方法
1.1 试验材料
‘ZP37’来自广西农业科学院水稻研究所抗性育种研究室收集的一个地方品种，具有茎秆粗壮、穗长短、二次支梗极多和抗病性强等特点；‘R8605’是由广西农业科学院水稻研究所选育的籼粳型恢复系，具有稻穗极长、耐冷和优质高产等特点。以‘R8605’为父本、‘ZP37’为母本杂交获得F1，收获F1代种子后多代自交，使用单粒传法构建了一套包含208个家系的重组自交系群体(F8:9代)。亲本和RILs均于2019年早造和2020年晚造种植于广西南宁市，以及2022年晚造种植于广西桂平市，3种环境分别命名为2019、2020和2022，早造的播种和插秧时间分别为每年的3月1日和4月2日，晚造的则分别为7月18日和8月4日。每个RIL或亲本采用块体设计，每个株系种6行，每行6株，行株距为20 cm×20 cm。单苗栽插，田间管理同当地大田栽培管理。
1.2 表型调查和数据分析
水稻成熟时，每株选取3个较大的穗子，测量穗长，即穗颈节至穗顶(不含芒)的长度，计平均值。每个株系随机选取3株单株，以3株的平均值为最终的表型值。
用WPS office Excel对数据进行记录、分析处理以及绘制RIL群体的不同性状在多个环境下的直方图。以DPS v9.01进行统计分析，采用LSD法检测差异显著性。
1.3 QTL定位
前期我们对‘R8605’和‘ZP37’及其杂交衍生的208个高世代重组自交系群体分别进行全基因组重测序，以‘日本晴’基因组(IRGSP 1.0)作为SNP检测的参考基因组，获得526957个高质量、双等位基因、纯合的SNP标记。使用滑动窗口方法，构建了一个高密度遗传图谱，共包含2193个bin标记。12条染色体的总图距1542.27 cM，每条染色体平均标记数为182.75个；遗传距离为68.68~193.02 cM，平均遗传距离为128.52 cM，相邻2个bin标记间的平均遗传距离和物理距离分别为0.76 cM和201.29 kb[15]。利用QTL IciMapping软件3.4版，采用完备区间作图法(Inclusive composite interval mapping，ICIM)[16-17]，设定PIN为0.001，以1 cM为步长，对目的性状进行全基因组扫描，设定似然函数比对数值(Log of odds，LOD)阈值为3.0。以LOD峰值作为该QTL的LOD值，以LOD峰值位置的Bin标记估算QTL的效应，并计算各个QTL的加性效应和对该性状的贡献率，遵循Mccouch等[18]的原则命名QTL。加性效应为正表明增效等位基因来自亲本‘ZP37’，为负则表明来自亲本‘R8605’。
1.4 稳定QTL位点的聚合效应分析
将在2个及2个以上环境下能重复检测到的位点称为稳定QTL位点。分析稳定QTL位点定位区间内的bin标记的基因型，记为ZP37型、R8605型以及少数存在的杂合类型。分析RIL群体中增效等位基因的分布情况，将聚合不同数量有利基因的RIL群体进行分组，通过评价各组别的性状表现以分析聚合不同数量有利基因的聚合效应。
2. 结果与分析
2.1 亲本‘ZP37’‘R8605’及RIL群体的穗长表型分析
对亲本‘ZP37’‘R8605’和208个RIL株系在3个不同的环境下的穗长进行考查和统计分析。‘ZP37’的穗长分别为23.10、23.57和23.48 cm，而‘R8605’的穗长分别为37.56、34.63和32.05 cm，3个环境下‘R8605’的穗长均极显著高于‘ZP37’(图1、表1)。
![]()
图 1 2020年亲本‘ZP37’‘R8605’及部分重组自交系穗长差异Figure 1. Panicle length differences of ‘ZP37’, ‘R8605’ and some RILs in 2020表 1 穗长在RIL群体中的分布情况Table 1. Distribution of panicle length traits in RIL population环境
Environment亲本穗长/cm
Parent panicle length重组自交系穗长
RIL panicle lengthZP37 R86051) 平均值/cm
Mean变幅/cm
Range偏度
Skewness峰度
Kurtosis变异系数/%
CV2019 23.10 37.56** 29.08 23.20~38.67 0.42 −0.13 0.11 2020 23.57 34.63** 26.50 19.87~37.20 0.50 1.04 0.11 2022 23.48 32.05** 26.29 20.86~33.80 0.29 0.18 0.08 1)“**”表示与‘ZP37’株系相比差异显著(P < 0.01，t 检验)
1) “**” indicates significant difference from ‘ZP37’ strains (P < 0.01, t test)重组自交系群体在3个环境下穗长的平均值分别为29.08、26.50、26.29 cm，变幅分别为23.20~38.67、19.87~37.20、20.86~33.80 cm，呈现出广泛的变异和明显的超亲现象(图1)。对穗长的频率分布及峰值进行分析发现，3个环境下重组自交系群体的穗长峰度和偏度的绝对值都小于1，呈现连续变异的近正态分布，且3个环境下的变化趋势相似，说明为多基因控制的数量性状，符合QTL区间作图的要求(表1、图2)。
![]()
图 2 不同环境下RIL群体穗长分布Figure 2. Distribution of panicle length in the RIL population in different environments2.2 穗长QTL定位
对在3个不同环境下种植的RIL群体的穗长进行QTL分析，共检测到11个QTL(表2)。其中，2019年共检测到 5个 QTL，分别位于第4、8、9和12 染色体上，LOD 为 3.07~5.99，单个贡献率介于 2.17%~5.87%。2020 年共检测到5个 QTL，分别位于第3、4、7 和8 染色体，LOD 为 3.11~12.87 ，单个贡献率介于2.28%~10.94%。2022 年共检测到5个 QTL，分别位于第4、7、8和9染色体，LOD值为3.12~6.33，单个贡献率介于2.75%~6.39%。其中4个QTL(qPL4-2、qPL7-1、qPL8-1和qPL9)是在2个不同的环境下均被检测到。
表 2 不同环境下水稻穗长QTL 分析Table 2. QTL analysis of panicle length under different environments位点
QTL染色体
Chr.物理位置/bp
Physical position2019 2020 2022 LOD 加性效应
Additive
effect贡献率/%
PVELOD 加性效应
Additive
effect贡献率/%
PVELOD 加性效应
Additive
effect贡献率/%
PVEqPL3-1 3 6992384—7197429 3.11 −0.63 2.28 qPL3-2 3 7324223—7890278 3.43 −0.71 2.89 qPL4-1 4 20619799—20702562 6.22 −0.68 4.54 qPL4-2 4 24259618—24399641 3.81 −0.69 2.17 3.94 −0.68 2.66 qPL7-1 7 14356324—14982725 5.21 0.66 2.45 3.14 0.53 2.75 qPL7-2 7 17321645—17418744 3.12 0.53 2.77 qPL8-1 8 25112712—26010194 12.87 −1.39 10.94 6.33 −0.80 6.39 qPL8-2 8 27500184—27682717 5.99 −1.13 5.87 qPL9 9 20564403—20770874 3.22 −0.82 3.08 5.42 −0.70 4.88 qPL12-1 12 7167759—7401747 3.31 −0.94 4.02 qPL12-2 12 14722574—14918715 3.07 −0.77 2.70 qPL4-2位于第4染色体的24.26—24.40 Mb处，在2019和2020年2个环境中均被检测到，表现出较强的稳定性。在2019和2020年环境下检测到的LOD分别为3.81和3.94，可分别解释2.17%和2.66%的表型变异。
qPL7-1位于第7染色体的14.36—14.98 Mb处，在2020和2022年2个环境中均被检测到，表现出较强的稳定性。在2020和2022年环境下检测到的LOD分别为5.21和3.14，可分别解释2.45%和2.75%的表型变异。
qPL8-1位于第8染色体的25.11—26.01 Mb处，在2020和2022年2个环境中均被检测到，表现出较强的稳定性。在2020、2022年环境下检测到的LOD分别为12.87和6.33，可分别解释10.94%和6.39%的表型变异。
qPL9位于第9染色体的20.56—20.77 Mb处，在2019和2022年2个环境中均被检测到，表现出较强的稳定性。在2019和2022年环境下检测到的LOD分别为3.22和5.42，可分别解释3.08%和4.88%的表型变异。
第3染色体上共定位到2个穗长相关的QTL，分别位于6.99—7.20 Mb和7.32—7.89 Mb处，均是在2020年环境下检测到的，增效基因均来自于‘R8605’。qPL3-1的LOD约为3.11，贡献率为2.28%。qPL3-2的LOD约为3.43，贡献率为2.89%。
第4染色体上除定位到了在2个环境下检测到的qPL4-2，还在2022年环境下检测到了qPL4-1，定位于20.62—20.70 Mb处，增效基因来自于‘R8605’，LOD约为6.22，贡献率为4.54%。
第7染色体上除定位到了在2个环境下检测到的qPL7-1，还在2022年环境下检测到了qPL7-2，定位于17.32—17.42 Mb处，增效基因来自于‘ZP37’，LOD约为3.12，贡献率为2.77%。
第8染色体上除定位到了在2个环境下检测到的qPL8-1，还在2019年环境下检测到了qPL8-2，定位于27.50—27.68 Mb处，增效基因来自于‘R8605’，LOD约为5.99，贡献率为5.87%。
第12染色体上共定位到2个穗长相关的QTL，分别位于7.17—7.40 Mb和14.72—14.92 Mb处，均是在2019年环境下检测到的，增效基因均来自于‘R8605’。qPL12-1的LOD约为3.31，贡献率为4.02%。qPL12-2的LOD约为3.07，贡献率为2.70%。
以上QTL的增效等位基因大部分来自大穗亲本‘R8605’，说明大穗亲本中的QTL位点对穗长具有明显的增效作用(表2)。
2.3 3个稳定QTL位点的聚合效应分析
在所定位到的11个穗长相关QTL中，有4个QTL即qPL4-2、qPL7-1、qPL8-1和qPL9在2个不同环境下均被检测到，表现出稳定的遗传效应。本研究对其中的3个QTL(qPL4-2、qPL8-1和qPL9)的聚合效应进行分析，根据3个位点的bin标记基因型，先去除杂合类型，然后将RIL群体分为8种组合类型，依次命名为Hap1~Hap 8 (表3)。对不同组合类型的表型值和增效等位位点的数量关系进行分析，结果表明：在3个不同的环境下，随着不同株系中增效等位QTL的增加，穗长表现出了累加效应，穗长增加，且大部分株系之间差异显著(表3)。
表 3 穗长QTL的聚合效应分析1)Table 3. Pyramiding effect of the QTLs for panicle length株系类型 QTL RIL数量
No. of RILs不同年份穗长/cm Panicle length in different years qPL4-2 qPL8-1 qPL9 2019 2020 2022 Hap 1 + + + 24 32.57a 29.86a 28.75a Hap 2 − + + 18 29.48bc 27.15b 26.92bc Hap 3 + + − 17 30.39b 27.80b 27.23b Hap 4 + − + 34 29.63bc 26.81bc 26.91bc Hap 5 − + − 15 28.91bcd 26.34bcd 25.71cd Hap 6 − − + 30 28.47cde 25.61cde 25.62d Hap 7 + − − 37 27.89de 25.43de 25.57d Hap 8 − − − 20 26.91e 24.44e 24.19e 1) “+”和“−”分别表明含有和不含增效等位基因；同列数据后的不同小写字母表示相同环境下不同株系类型之间差异显著(P < 0.05, LSD法)
1) “+” and “−” indicate the presence and absence of favorable alleles respectively; Different lowercase letters of the same column indicate significant differences among different types of strains under the same environment (P < 0.05，LSD method)3. 讨论与结论
水稻复杂性状QTL定位的效率主要取决于标记密度，增加标记密度是提高QTL定位分辨率的有效方法[19-20]。以往采用RFLP、SSR、InDel等传统分子标记构建的遗传图谱，精度约为1~10 Mb[21]，受标记数量、覆盖密度的限制，定位区间较大且精确度不高。随着高通量测序技术的快速发展，近年来研究者基于高密度bin图谱成功定位了多个粒型、耐低氧萌发、叶绿素含量等水稻复杂性状QTL，大大提高了水稻数量性状遗传分析的效率[22-27]。水稻穗长主要为多基因控制，是受基因和环境的共同影响的复杂数量性状[28]。本研究使用了一个包含2193个bin标记的高密度遗传图谱，定位到了11个穗长QTL位点，其中定位到的4个稳定的穗长QTL位点的物理区间平均只有约470 kb。与以往通过RFLP、SSR、InDel等传统分子标记构建的遗传图谱进行的水稻农艺性状QTL定位结果相比，这一距离已经显著缩小[29-30]。
产量长期以来都是水稻育种过程中的重要目标之一，并受到许多在不同生物过程中发挥作用的QTL/基因的控制，这些QTL/基因的鉴定将有助于在水稻育种中应用优良的等位基因。穗型相关性状是影响水稻产量的直接因素。一般而言，穗长过短，会导致一次枝梗多而紧密，二次枝梗发育受阻；穗长过长会使穗分枝稀疏分布，引起枝梗着粒密度降低，穗粒数减少，影响水稻产量。因此，适宜的穗长可以形成穗枝梗排列适中、着粒密度均匀、穗粒数合适的优良穗型，有利于水稻产量的提高[31]。然而，穗长的遗传因素及其对水稻产量的影响尚未得到很好的认识[32]。深入挖掘水稻重要穗长QTL可为水稻高产育种提供遗传资源和理论依据。本研究利用2个优良亲本‘R8605’和‘ZP37’及其RIL群体构建的高密度遗传图谱，对在3个不同环境下种植的穗长进行QTL分析，共检测到11个QTL，其中7个QTL是新的位点，目前还未见报道，其余4个QTL位点与已报道的穗长基因/QTL位置重叠或相近。如QTL qPL8-1，位于第8染色体25.11—26.01 Mb处，该区域克隆了一个与穗长相关的理想株型基因IPA1(OsSPL14、WFP)[11]，其正调控水稻直立型密穗基因DEP1，调节水稻株高和穗长，同时还抑制水稻分蘖的发生；qPL4-2与徐华山等[33]以‘9311’为背景、导入‘日本晴’片段的代换系群体定位到穗长QTL pl4、以及魏少博等[34]以‘成恢727’和‘9311’为亲本构建的重组自交系群体定位到的穗长QTL qPL4-1位置重叠；qPL8-2与Zhang等[35]定位到的与RM23466及InDel8-7标记连锁的穗长QTL qPL8位置接近；qPL9与徐华山等[33]定位到的穗长QTL pl9位置接近。共定位的结果也在一定程度上证明了本研究结果的可靠性。
在育种实践中，穗长已被广泛调查，但在阐明潜在基因及其与产量构成因素的关系方面却没有引起太多关注。目前有一些已报道的穗部结构基因如NAL1，已应用于水稻育种[36-37]。通过利用同一作图群体在多种不同环境下进行QTL定位，检测到受环境影响小、能重复定位到的稳定QTL对聚合育种具有重要的意义[38]。本研究定位的QTL中，有4个是多个不同的环境下稳定表达的QTL，可以有效增加水稻穗长。这些都是重要的QTL，具有较高的研究价值，这些位点值得进一步进行精细定位和候选基因分析，以最终应用于标记辅助选择育种。
许多研究[39-41]表明，利用分子标记进行辅助聚合育种对性状的改良是很有效的，尤其是涉及数量性状或复杂性状的改良。本研究鉴定的4个遗传效应稳定的穗长相关位点，对其中3个位点的聚合效应的分析结果与我们预期一致，聚集多个有利等位基因可以有效改善表型性状，且增效等位位点的聚合主要表现为累加效应，证明这些位点可以运用于水稻聚合育种中，为提高水稻产量和理想植株的培育提供机会。
-
![]()
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
![]()
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
![]()
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
![]()
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
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
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
humidity08:00 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
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
Modeldf P R2 平均差值/℃
Average
difference1 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
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 humidity1 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
-
[1] 张瑞娟. 中国肉鸡产业发展现状及趋势[J]. 江苏农业科学, 2016, 44(1): 448-451. [2] 马苏芬. 肉鸡规模化养殖疾病流行特点与防控[J]. 畜牧兽医科学, 2020(8): 46-47. [3] 谢秋菊, 刘学飞, 郑萍, 等. 畜禽体温自动监测技术及应用研究进展[J]. 农业工程学报, 2022, 38(15): 212-225. [4] 姬莉莉, 胡伟龙, 石永宏, 等. 基于无线传感网络的哨兵鸡体温监测系统设计[J]. 畜牧与兽医, 2022, 54(11): 44-50. [5] 胡家骏. 红外非接触测温系统设计与实现[D]. 哈尔滨: 黑龙江大学, 2016. [6] 杨威. 蛋鸡穿戴式无线体温感知设备的开发及体温监测实验研究[D]. 杭州: 浙江大学, 2017. [7] 李丽华. 蛋鸡体温与生产性能参数动态监测关键技术研究及应用[D]. 保定: 河北农业大学, 2014. [8] 尹祥宇, 王艳君, 白杰, 等. 基于Tsic506和Zigbee的蛋鸡体温无线监测系统设计[J]. 中国农机化学报, 2014, 35(2): 281-285. [9] ZHANG X D, KANG X, FENG N N, et al. Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector[J]. Computers and Electronics in Agriculture, 2020, 178: 105754. doi: 10.1016/j.compag.2020.105754
[10] 刘国强. 基于红外图像奶牛发情信息监测装置的研究[D]. 呼和浩特: 内蒙古农业大学, 2021. [11] 李沛. 红外热成像下家禽体温监测、预测方法与装置研究[D]. 太原: 中北大学, 2022. [12] 贾桂锋, 蒙俊宇, 武墩, 等. 被毛对热成像检测生猪体表温度精度的影响及噪声滤除方法[J]. 农业工程学报, 2019, 35(4): 162-167. [13] 赵海涛. 基于红外热成像技术的猪体温检测与关键测温部位识别[D]. 武汉: 华中农业大学, 2019. [14] COOK N J, CHABOT B, LUI T, et al. Infrared thermography detects febrile and behavioural responses to vaccination of weaned piglets.[J]. Animal: An International Journal of Animal Bioscience, 2015, 9(2): 339-346. doi: 10.1017/S1751731114002481
[15] 周丽萍, 陈志, 陈达, 等. 基于改进Otsu算法的生猪热红外图像耳根特征区域检测[J]. 农业机械学报, 2016, 47(4): 228-232. [16] 陆辉山, 刘修林, 刘烨虹, 等. 蛋鸡体表温度与翼下温度的关系模型研究[J]. 中国家禽, 2018, 40(1): 56-58. [17] 李沛, 陆辉山, 赵守耀, 等. 基于红外热成像的育成期蛋鸡体温检测方法[J]. 中国农业大学学报, 2021, 26(5): 186-193. doi: 10.11841/j.issn.1007-4333.2021.05.18 [18] 沈明霞, 陆鹏宇, 刘龙申, 等. 基于红外热成像的白羽肉鸡体温检测方法[J]. 农业机械学报, 2019, 50(10): 222-229. doi: 10.6041/j.issn.1000-1298.2019.10.025 [19] BLOCH V, BARCHILON N, HALACHMI I, et al. Automatic broiler temperature measuring by thermal camera[J]. Biosystems Engineering, 2020, 199: 127-134. doi: 10.1016/j.biosystemseng.2019.08.011
[20] 胡根生, 吴继甜, 鲍文霞, 等. 基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测[J]. 农业工程学报, 2021, 37(21): 191-198. doi: 10.11975/j.issn.1002-6819.2021.21.022 [21] 张志远, 罗铭毅, 郭树欣, 等. 基于改进YOLO v5的自然环境下樱桃果实识别方法[J]. 农业机械学报, 2022, 53(S1): 232-240. [22] YAN B, FAN P, LEI X, et al. A real-time apple targets detection method for picking robot based on improved YOLOv5[J]. Remote Sensing, 2021, 13(9): 1619. doi: 10.3390/rs13091619
[23] 宋小园, 朱仲元, 刘艳伟, 等. 通径分析在SPSS逐步线性回归中的实现[J]. 干旱区研究, 2016, 33(1): 108-113. [24] 顾刘金. 应用SPSS软件实现多重线性回归分析[J]. 预防医学, 2018, 30(3): 323-324. doi: 10.3969/j.issn.1007-0931.2018.03.032 -
期刊类型引用(1)
1. 祝小雅，闫蕴韬，桂金鑫，石居斌，张海清，贺记外. 基于全基因组关联分析的水稻穗长QTL定位及其候选基因分析. 湖南农业大学学报(自然科学版). 2024(04): 1-9 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 2
