基于红外热图像的肉鸡腿部异常检测方法

[目的]为解决目前规模化养殖下肉鸡腿病多发、人工检查成本高等问题,提出一种基于红外热图像的肉鸡腿部异常自动检测方法.[方法]根据肉鸡步态评分标准,将肉鸡跛行划分为正常、轻微异常、中度异常、严重异常4个评级;通过YOLO v3神经网络模型获取肉鸡腿部区域的温度数据,并结合OpenCV图像处理方法提取肉鸡身体质心高度、身体前倾角度、身体偏转角度等姿态特征;选用随机森林分类模型进行多特征融合训练,并选取了5种不同分类器进行对比.[结果]随机森林分类模型在准确率、查准率、召回率、F1得分等指标上均占优势,分别为96.16％、96.95％、95.50％和0.965.[结论]该方法可用于肉鸡腿部异常检测,可以有效降低人力成本,为实现白羽肉种鸡疾病早期预防和福利养殖提供技术支撑.