CN111626985A - 基于图像融合的家禽体温检测方法及禽舍巡检系统 - Google Patents

Abstract

本发明涉及家禽养殖技术领域，公开了一种基于图像融合的家禽体温检测方法及禽舍巡检系统，其家禽体温检测方法包括：获取家禽的热成像图像与可见光图像；对热成像图像与可见光图像进行图像融合，获取融合图像；建立深度神经网络模型，对融合图像中家禽的关键部位进行特征识别，获取融合图像上家禽的关键部位的温度信息，根据家禽的关键部位的温度信息换算获得家禽的体温信息；本发明基于对热成像与可见光的图像融合，并通过深度神经网络模型的特征识别及相应的温度换算，实现了对家禽体温的智能化检测，确保了检测结果的准确性，满足了各种养殖环境下禽舍的巡检需求，并大幅度提升了对禽舍的巡检效率，节约了家禽养殖成本。

Description

基于图像融合的家禽体温检测方法及禽舍巡检系统

技术领域

本发明涉及家禽养殖技术领域，特别是涉及一种基于图像融合的家禽体温检测方法及禽舍巡检系统。

背景技术

在家禽养殖过程中，对禽舍内的家禽巡检是基本工作，日常巡检可以随时了解家禽的健康状况，发现饲养过程中存在的问题，便于及时对家禽采取防范措施，提高养殖效益。对家禽的巡检工作主要包括查看家禽的精神状态、运动状态、禽舍的温湿度、通风情况、饮水情况、饲喂情况、光照和粪便等。禽舍巡检对巡检人员要求高，要求巡检人员具备一定的专业知识。

目前，对禽舍的巡检主要是人工巡检，存在巡检人力成本高、效率低、人工工作环境恶劣、易造成生物接触交叉感染等问题，急需通过设备或机器人代替人工巡检来解决以上问题，其中，如何针对禽舍家禽的行为和生理异常辨识成为关键的核心问题。

在家禽养殖中，蛋鸡作为其中一种家禽，已通过禽舍实现规模化养殖，并提出了如下所示的巡检机器人或巡检方案：

在现有的巡检机器人中，其中一种为地面行走式，它搭载了人工智能程序和包括2D和3D的电子图像记录器，支持在禽舍内行走的基础结构，并能够辨别鸡只、设备以及定位地板上鸡蛋的位置和死亡鸡只；而另一种为吊顶式，它可以在禽舍内部简易的轨道上移动，监测禽舍的管理问题，例如：蛋鸡的健康问题、定位死亡禽只等。

在现有的巡检方案中，既有针对蛋鸡的健康行为监测机器人图像底层算法，确定了一种适合现代蛋鸡养殖工艺快速识别病死鸡的方法，又有采用机器视觉的方法来识别单只蛋鸡的行为，以蛋鸡为研究对象，通过图像分割方法和滤波处理技术对采集的图像进行预处理，并对蛋鸡行为进行识别和分类，还有基于机器视觉识别鸡冠颜色而提出的一种自动检测病鸡的方法，通过Otus分割方法对禽舍内光线不一的情况进行处理，通过膨胀腐蚀处理，减少噪声干扰，然后通过支持向量机训练分类器对处理后图像信息进行训练分类，通过分类器闽值筛选疑似病鸡，并定位位置和报警。

然而，对于蛋鸡而言，体温作为反映蛋鸡健康状态的重要指标，在现有的巡检方案中仅仅通过热成像相机来简易地采集蛋鸡的体温。由于禽舍养殖的特性，通常鸡舍需要的光源比较少，鸡舍相对比较黑暗。尽管热成像受天气和外界环境光源的影响小，但是对周围环境温度湿度变化比较敏感，并且基于红外热成像只是对单一的整个画面最高点温度的异常检测，不能实现对整个画面各个鸡只的体温监测。可见光图像不受环境温度影响，但是比较容易受到外界环境光源影响，而通常家禽养殖舍光源比较暗淡。由此，当前在对蛋鸡体温巡检时，只使用到红外热成像上的温度信息，而没有考虑到可见光图像所包含的丰富的有用信息，这不仅没有结合红外热成像和可见光图像相应信息的优势，也没有考虑到环境温湿度因素对热成像的影响，导致蛋鸡体温数据采集的不准确，并影响到对蛋鸡健康状态的准确判断。与此同时，尽管当前对一些融合算法作出了初步的研究，但是这些融合算法没有考虑到权重因素并且无法分析源图像的内容，通常会导致融合图像信息缺失和变形，从而在实践中没能采用相应的技术手段将红外热成像和可见光图像融合，进而也就得不到满足巡检需求的图像，并较为准确的获取蛋鸡的体温信息。

发明内容

本发明实施例在一方面提供一种基于图像融合的家禽体温检测方法，用于解决当前在禽舍巡检中仅仅通过热成像难以准确地获取家禽体温的问题。

本发明实施例在另一方面提供一种基于图像融合的家禽体温检测方法的禽舍巡检系统。

为了解决上述技术问题，本发明实施例一方面提供了一种基于图像融合的家禽体温检测方法，包括：S1，获取家禽的热成像图像与可见光图像；S2，对所述热成像图像与所述可见光图像进行图像融合，获取包含有家禽的热源特征信息与可见光信息的融合图像；S3，建立深度神经网络模型，对所述融合图像中家禽的关键部位进行特征识别，获取融合图像上家禽的关键部位的温度信息，并根据家禽的关键部位的温度信息换算获得家禽的体温信息，其中，所述深度神经网络模型是以S2中获取的融合图像作为样本，以与所述融合图像相对应的标记有家禽关键部位的融合图像作为标签，进行训练获得。

其中，还包括：S4，将家禽的体温信息与家禽相应生长期的正常体温阈值进行对比，识别出体温异常的家禽。

其中，S2中所述对所述热成像图像与所述可见光图像进行图像融合进一步包括：S21，进行图像预处理，获取相同尺寸的所述热成像图像与所述可见光图像；S22，以所述可见光图像为基础图像，以所述热成像图像为输入图像进行图像注册；S23，将所述基础图像与所述输入图像采用二叉树离散小波变换进行图像分解，对分解的图像进行小波系数融合，并利用翻转二叉树离散小波变换得到所述融合图像。

其中，S23中包括采用如下公式对分解的图像进行小波系数融合：

为小波融合系数，M(x,y)为预处理的可见光图像，N(x,y)为预处理的热成像图像，w₁为M(x,y)的权重，w₂为 N(x,y)的权重，其中，w₁和w₂的权重值通过自校正粒子群优化算法确定。

其中，还包括：采用所述自校正粒子群优化算法优化小波融合系数，获取如下公式所示的关于w₁和w₂的权重矩阵，在确定所述融合图像达到预设匹配度并且收敛时，获取所述权重矩阵中w₁和w₂最优的一组权重值：

其中，w为最大融合图像的熵，w_1i为w₁的第i个权重值，w_2i为w₂的第i个权重值，1≤i≤Y，Y为大于1的自然数。

其中，所述深度神经网络模型是基于YOLO图像识别算法建立的，其中，所述家禽的关键部位包括家禽的头部。

其中，还包括：在S2中获取关于多个目标家禽的融合图像，在S3 中获取所述融合图像中各个目标家禽关键部位的温度图谱，分别对各个目标家禽关键部位的温度图谱求取均值，并基于当前的环境温度确定多个目标家禽相应的体温图谱。

本发明实施例另一方面还提供了一种禽舍巡检系统，包括巡检机器人，所述巡检机器人上装有第一传感组件和第二传感组件；所述巡检机器人采用如上所述的基于图像融合的家禽体温检测方法对禽舍进行巡检，获取巡检信息；其中，所述第一传感组件用于采集禽舍内家禽的热成像图像与可见光图像信息，所述第二传感组件用于采集禽舍当前的环境参数信息，所述巡检信息包括家禽的体温信息与所述环境参数信息。

其中，所述巡检机器人通过无线网络将所述巡检信息发送至云服务器。

本发明实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：

本发明实施例提供的基于图像融合的家禽体温检测方法，综合考虑了热成像图像与可见光图像的物理特征，通过图像融合获取能够全面地表征家禽的热源特征信息与可见光信息的融合图像，并通过深度神经网络模型对家禽的关键部位进行特征识别，获取各个家禽关键部位的温度图谱信息，从而可根据家禽关键部位的温度图谱信息以此来换算家禽的体温信息。

由上可知，本发明基于对热成像与可见光的图像融合，并通过深度神经网络模型的特征识别及相应的温度换算，实现了对家禽体温的智能化检测，确保了检测结果的准确性，并满足了各种养殖环境下禽舍的巡检需求。

本发明实施例提供的禽舍巡检系统，由于采用了上述基于图像融合的家禽体温检测方法，在确保巡检信息准确性的基础上，还大幅度提升了对禽舍的巡检效率，相对于人工巡检而言，有效减少了巡检人员的巡检劳动强度，避免巡检人员对多个禽舍的巡检而产生交叉感染的风险，尤其解决了当前巡检人员缺口大的问题，节约了家禽养殖成本，提高了家禽养殖的经济效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所示的基于图像融合的家禽体温检测方法的流程图；

图2为本发明实施例所示的对家禽的关键部位进行特征识别的流程图；

图3为本发明实施例所示的采用自校正粒子群优化算法优化图像融合的流程图；

图4为本发明实施例所示的对鸡只进行体温巡检的流程图；

图5为本发明实施例所示的巡检机器人的结构示意图。

图中：1、移动平台；2、升降机构；3、第一传感组件；4、第二传感组件；5、传感采集终端。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参见图1，本实施例提供了一种基于图像融合的家禽体温检测方法，包括：S1，获取家禽的热成像图像与可见光图像；S2，对热成像图像与可见光图像进行图像融合，获取包含有家禽的热源特征信息与可见光信息的融合图像；S3，建立深度神经网络模型，对融合图像中家禽的关键部位进行特征识别，获取融合图像上家禽的关键部位的温度信息，并根据家禽的关键部位的温度信息换算获得家禽的体温信息，其中，深度神经网络模型是以S2中获取的融合图像作为样本，以与融合图像相对应的标记有家禽关键部位的融合图像作为标签，进行训练获得。

具体的，本实施例所示的家禽体温检测方法，综合考虑了热成像图像与可见光图像的物理特征，通过图像融合获取能够全面地表征家禽的热源特征信息与可见光信息的融合图像，并通过深度神经网络模型对家禽的关键部位进行特征识别，获取融合图像上家禽关键部位的温度图谱信息，从而可根据家禽关键部位的温度图谱信息以此来换算家禽的体温信息。

由上可知，本发明基于对热成像与可见光的图像融合，并通过深度神经网络模型的特征识别及相应的温度换算，实现了对家禽体温的智能化检测，确保了检测结果的准确性，并满足了各种养殖环境下禽舍的巡检需求。

在此应指出的是，本实施例所示的家禽包括鸡、鸭、鹅等，由于蛋鸡通常是在鸡舍内以笼养的方式养殖，从而本实施例所示的家禽体温检测方法尤其适用于对蛋鸡的体温检测。

与此同时，家禽的关键部位指家禽身体上有特征形状以便于识别和拍照的部位，例如家禽的头部、翅膀等，由于家禽的头部相比于其翅膀而言，便于识别和拍照，尤其对于鸡只而言，其体表温度最高的地方在鸡头部位，也更加便于在融合图像中进行识别，从而通过深度神经网络模型对融合图像进行特征识别时，本实施例所示的关键部位优选为融合图像中相应于家禽头部的图像位置。

在换算家禽的体温信息时，可基于家禽关键部位的温度信息与家禽的体温信息的映射关系进行换算，为了进一步确保换算结果的准确性，还可参考禽舍当前的环境温度，对换算的结果进行修正。

另外，在采用如下实施例所示的巡检机器人对禽舍进行巡检时，在巡检机器人上分别安装热成像摄像机与可见光摄像头，通过热成像摄像机采集禽舍内家禽的热成像图像，通过可见光摄像头采集禽舍内家禽的可见光图像。

其中，热成像摄像机进一步优选为非制冷式热成像摄像机，由于非制冷式热成像摄像机并未采用低温制冷工作原理，从而可使用相对简单的温度控制器，使温度稳定在或接近于环境温度，这种非制冷式热成像相机成本低、服务期限更长，可连续工作几年时间，更适用于禽舍移动巡检。

其中，热成像摄像机采用锗片来保护镜头，由于红外测温仪器和热成像仪在使用时需要用到中远红外的滤光片，红外测温仪器和热成像仪一般工作波段在2-13μm，而锗片刚好在中远红外具有很好的透光性，普通的光学玻璃在这些波段透过率极低。在锗片上镀上一层光学薄膜，可以大大增加起的透过率，减少锗玻璃表面的反射率。锗片在可见光波段是不透过的。因此，选用锗片作为热成像相机的保护镜片，以防止禽舍灰尘直接把热成像镜头弄脏而影响监测的准确度，并且使用锗片也方便擦拭。

其中，选用热成像相机的温度监测范围覆盖-20℃到60℃的监测范围。考虑在禽舍内通道两边的巡检，设计热成像相机的视场角大于 30度，在一定范围内视场角越大约好。要求被检测家禽的头部的热成像图像至少大于2个像素，最好大于10个像素以上。热成像相机的帧频选择可调帧频大于1HZ即可满足需求。考虑到热成像的成本，本实施例选用一个热成像相机，如果不考虑成本可以使用多个。同时，还要求热成像相机的底座可调，并调节成以便与可见光融合的角度，即将热成像相机通过可调底座安装在巡检机器人上。另外，还要求热成像相机既可以监测禽舍通道两侧的家禽，也可以监测单侧的家禽，并在监测时与可见光摄像头的监测范围一致，以便进行热成像图像与可见光图像的双模融合。

其中，可见光摄像头采用能够适应低可见度情况下的摄像头，其近红外灯要求不能够点亮，以防对家禽产生应激。可见光摄像头的镜头焦距要求小于4mm，以便近距离拍清楚家禽。与此同时，可见光摄像头采用无球星失真摄像头，其视场角范围要求能够覆盖单侧的家禽。可见光摄像头安装两个,分别用于监测通道两旁家禽。另外，可见光摄像头还用于监测禽舍的整体情况，比如：对家禽的喂食情况、家禽粪便情况、家禽的饮水情况等。

优选地，本实施例中还包括：S4，将家禽的体温信息与家禽相应生长期的正常体温阈值进行对比，识别出体温异常的家禽。

具体的，家禽在不同的生长期所表现出的正常体温是不一致的，从而可基于家禽不同生长期正常体温的历史统计数据，建立家禽相应生长期的正常体温阈值，以将步骤S3中获取家禽的体温信息与其相应生长期的正常体温阈值进行对比，从而可识别出体温异常的家禽，以便饲养人员及时发现并研究饲养过程中存在的问题，并及时采取相应的防范措施，提高养殖效益。

优选地，如图2所示，本实施例中S2中对热成像图像与可见光图像进行图像融合进一步包括：S21，进行图像预处理，获取相同尺寸的热成像图像与可见光图像；S22，以可见光图像为基础图像，以热成像图像为输入图像进行图像注册；S23，将基础图像与输入图像采用二叉树离散小波变换进行图像分解，对分解的图像进行小波系数融合，并利用翻转二叉树离散小波变换得到融合图像。

具体的，步骤S21通过对热成像图像与可见光图像进行预处理，确保这两类图像具有相同的尺寸，是为了满足步骤S22的图像注册与步骤S23的图像融合的基本要求。

在步骤S22中对热成像图像与可见光图像均通过仿射变换注册。

由于二叉树离散小波变换对于处理大尺寸图像有较好的表现，二叉树离散小波变换提供相信息，并且具备方向选择性和位移不变性的特征，从而在步骤S23中采用二叉树离散小波变换进行图像分解，以将完成注册的图像均分解成高频和低频的子带。

设定图像Q的二叉树离散小波变换可以用f表示，f以不同的比例可表示为：f＝{f¹,f²,f³,...,f^δ,Q^δ}，其中，Q^δ代表最后分解级别的近似或低频子带，f^δ表示δ级别的高频子带。f^δ由12种定向子带组成，其中，6种是真实的，6种是虚构的，具体如下述公式所示：

其中，

分别表示一种真实的和一种虚构的定向子带，依次类推，可获知上述定向子带组中其它五种真实的定向子带和其它五种虚构的定向子带。

与此同时，步骤S23中，包括采用如下公式对分解的图像进行小波系数融合：

为小波融合系数，M(x,y) 为预处理的可见光图像，N(x,y)为预处理的热成像图像，w₁为M(x,y) 的权重，w₂为N(x,y)的权重，其中，w₁和w₂的权重值通过自校正粒子群优化算法确定。由此，w₁和w₂决定了可见光图像和热成像图像系数在融合图像中所占的百分比，并能够减少信息损失和图像光谱特性的变化。

进一步地，通过采用自校正粒子群优化算法来确定w₁和w₂的权重值，自校正粒子群优化算法可对小波系数融合模型增加熵值和减少根均方误差。本实施例采用所述自校正粒子群优化算法优化小波融合系数，获取如下公式所示的关于w₁和w₂的权重矩阵，在确定融合图像达到预设匹配度并且收敛时，获取所述权重矩阵中w₁和w₂最优的一组权重值：

其中，w为最大融合图像的熵，w_1i为w₁的第i个权重值，w_2i为w₂的第i个权重值，1≤i≤Y，Y为大于1的自然数。

由此，在确定小波系数融合时，可获取w₁和w₂最优的一组权重值，以此有效获取得到信息并减少损失。

具体地，图3示意了采用自校正粒子群优化算法优化图像融合的流程图。在进行图像融合时，首先初始化w₁和w₂的权重值，并向小波系数融合模型输入分解获得的可见光与热成像相应的频率子带，自校正粒子群优化算法优化小波系数融合模型，并得到一组w₁和w₂的权重值，然后利用翻转二叉树离散小波变换得到融合图像，再检查融合图像的匹配度，并确定是否收敛，如果不收敛，则表明本次计算无效，需返回重新通过自校正粒子群优化算法优化小波系数融合模型，再次计算得到一组w₁和w₂的权重值，并重复以上步骤，直至最终确定计算结果收敛，从而获得一组最优的w₁和w₂的权重值，并对其进行存储。

本实施例在获得一组最优的w₁和w₂的权重值后，采用如下公式进行翻转二叉树离散小波变换以得到融合图像：

其中，P为融合图像，T为二叉树离散小波变换。

优选地，本实施例在S3中建立深度神经网络模型进一步包括：

S31，将多张家禽的融合图像分为训练集和测试集；

S32，将训练集输入深度神经网络模型训练，以提取家禽关键部位的特征信息，根据所述特征信息获取的关键部位的位置，满足设置的迭代次数后生成深度神经网络模型的网络参数；

S33，利用测试集对深度神经网络模型的网络参数进行测试，当测试的平均精度和召回率满足设定的阈值时，获取最优网络参数的最优深度神经网络模型。

优选地，本实施例中深度神经网络模型是基于YOLO图像识别算法建立的，并用于识别的家禽的关键部位包括家禽的头部。

具体的，考虑到巡检机器人检测识别的实时性及算法计算量的要求，选取YOLO图像识别算法作为目标识别环节的核心算法，其中， YOLO图像识别算法作为一种简化目标候选框提名过程的深度卷积神经网络构架，将目标物体的检测问题模拟为一个回归问题的卷积神经网络，该网络模型由区域划分输入层、卷积层、池化层、全连接层与输出层组成。

YOLO图像识别算法首先将目标图片分割成多个网格，每个网格将分别输入到输入层并向后传递计算。若目标物的中心落在某个网格中，则该网格就将对这个区域内的目标物进行检测。置信值表示当前网格中是否包含目标物以及目标物位置的准确性，根据每个网格所得出的置信值评分，确定网格中是否存在目标物(例如：家禽的头部)，从而完成目标物的确定与识别。

优选地，本实施例中还包括：在S2中获取关于多个目标家禽的融合图像，在S3中获取融合图像中各个目标家禽关键部位的温度图谱，分别对各个目标家禽关键部位的温度图谱求取均值，并使用当前的环境温度校正相应地得到多个目标家禽的体温图谱。

具体的，由于禽舍内饲养的家禽通常密集地分布在一起，在实际拍摄时，每张热成像图像与每张可见光图像中均可能同时包含了多个目标家禽的图像信息，从而基于步骤S2中的图像融合处理，可获取同时包含多个目标家禽的融合图像，进而在通过深度神经网络模型进行特征识别时，可在融合图像上一次性对多只目标家禽的关键部位同时进行识别，由此，可根据家禽的关键部位(头部)温度与其体温的映射对比关系，并基于当前的环境温度校正，相应地换算得到融合图像中多个目标家禽的体温图谱，从而大幅度地提升了对禽舍内家禽体温检测的效率，还确保了检测结果的准确性，其中，对各个目标家禽关键部位的温度图谱求取均值，也有利于进一步确保获取的家禽的关键部位温度信息的准确性。

如图4所示，以家禽中常见的鸡只进行体温巡检为例，对本实施例再次进行具体说明，其检测过程如下：

检测开始后，采集鸡只的热成像图像与可见光图像；然后进行图像预处理与注册，并对注册得到的热成像图像与可见光图像进行图像融合，获取包含有鸡只的热源特征信息与可见光信息的融合图像；然后将融合图像传入深度神经网络模型进行鸡头目标识别，在完成识别后，进行鸡头区域温度均值计算，并进行目标图片内各鸡头温度和体温温度的换算，得到鸡只的体温信息；接着，将鸡只的体温信息与其相应生长期的正常体温阈值进行对比，以识别出体温异常的鸡只；最后，记录异常体温的鸡只在图片中的位置和巡检机器人位置，并记录红外热成像，完成异常识别，结束。

优选地，如图5所示，本实施例还提供了一种禽舍巡检系统，包括巡检机器人，巡检机器人上装有第一传感组件3和第二传感组件4；巡检机器人采用如上所述的基于图像融合的家禽体温检测方法对禽舍进行巡检，获取巡检信息；其中，第一传感组件用于采集禽舍内家禽的热成像图像与可见光图像信息，第二传感组件用于采集禽舍当前的环境参数信息，巡检信息包括家禽的体温信息与环境参数信息，其中，巡检机器人还可基于家禽的体温信息判别体温异常的家禽，并进一步基于体温异常的家禽在融合图像中的位置确定体温异常的家禽的位置信息。

具体的，本实施例提供的禽舍巡检系统，由于采用了上述基于图像融合的家禽体温检测方法，在确保巡检信息准确性的基础上，还大幅度提升了对禽舍的巡检效率，相对于人工巡检而言，有效减少了巡检人员的巡检劳动强度，避免巡检人员对多个禽舍的巡检而产生交叉感染的风险，尤其解决了当前巡检人员缺口大的问题，节约了家禽养殖成本，并提高了家禽养殖的经济效益。

在此应指出的是，本实施例中第一传感组件3包括上述实施例所示的热成像摄像机与可见光摄像头，以分别实现对禽舍内家禽的热成像图像与可见光图像信息的采集。

与此同时，第二传感组件4采集禽舍当前的环境参数信息包括温度、湿度、有害气体及声音等环境参数信息，其相应的传感检测设备可依次为本领域所公知的温度传感器、湿度传感器、有害气体传感器及声音传感器，其中，第二传感组件4相应的各个传感检测设备分别通讯连接传感采集终端5，传感采集终端5包括本领域所公知的数据变送单元，以对第二传感组件4相应的各个传感检测设备检测到的数据进行数据转换。禽舍内的有害气体包括氨气、硫化氢气体、二氧化碳气体等，这些有害气体均可采用相应类型的有害气体传感器进行采集；声音传感器的作用相当于本领域所公知的用于接收声波的话筒，通过采集家禽的声音信息，可用于进一步进行异常声音分析，以判断家禽的饲养状态。

如图5所示，本实施例所示的巡检机器人包括移动平台1和升降机构2，第一传感组件3与第二传感组件4分装在升降机构2上，以在升降机构2的驱动下分别达到相应的预设高度，如此能够较好地的满足禽舍不同位置处不同高度的家禽健康巡检需求；其中，升降机构2可优选本领域所公知的丝杠升降机构，它包括步进电机、丝杠、滑轨、升降滑台等，步进电机与丝杠构成驱动连接，丝杠与滑轨均沿竖直方向布置，升降滑台可设置两个，两个升降滑台上分别安装第一传感组件 3与第二传感组件4，且升降滑台在与滑轨滑动连接的同时还与丝杠螺纹配合。

与此同时，可在巡检机器人上安装深度相机，以便对家禽的体重进行估算；另外，巡检机器人还具备行走路径自主规划功能、自动避障功能及自动充电功能，以满足自动巡检的需求。

本实施例中巡检机器人通过无线网络将巡检信息发送至云服务器。

具体的，本实施例所示的巡检机器人还包括控制器和无线通讯模块，控制器分别通讯连接第一传感组件3和第二传感组件4，其中，控制器可通过上述所示的传感采集终端5通讯连接第二传感组件4，并通过无线通讯模块通讯连接云服务器，并具体以WIFI、3G、4G、5G等无线网络将巡检信息发送至云服务器，其中，每个巡检机器人设有单独唯一地址，方便在云服务器注册，在云服务器建立账号，注册的巡检机器人与禽舍绑定。由此，巡检人员通过电脑或手持终端访问云服务器，并远程查看巡检机器人的禽舍当前位置信息、体温异常的家禽巡检到的图片信息等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像融合的家禽体温检测方法，其特征在于，包括：

S1，获取家禽的热成像图像与可见光图像；

S2，对所述热成像图像与所述可见光图像进行图像融合，获取包含有家禽的热源特征信息与可见光信息的融合图像；

S3，建立深度神经网络模型，对所述融合图像中家禽的关键部位进行特征识别，获取融合图像上家禽的关键部位的温度信息，并根据家禽的关键部位的温度信息换算获得家禽的体温信息；

其中，所述深度神经网络模型是以S2中获取的融合图像作为样本，以与所述融合图像相对应的标记有家禽关键部位的融合图像作为标签，进行训练获得。

2.根据权利要求1所述的基于图像融合的家禽体温检测方法，其特征在于，还包括：S4，将家禽的体温信息与家禽相应生长期的正常体温阈值进行对比，识别出体温异常的家禽。

3.根据权利要求1所述的基于图像融合的家禽体温检测方法，其特征在于，S2中所述对所述热成像图像与所述可见光图像进行图像融合进一步包括：

S21，进行图像预处理，获取相同尺寸的所述热成像图像与所述可见光图像；

S22，以所述可见光图像为基础图像，以所述热成像图像为输入图像进行图像注册；

S23，将所述基础图像与所述输入图像采用二叉树离散小波变换进行图像分解，对分解的图像进行小波系数融合，并利用翻转二叉树离散小波变换得到所述融合图像。

4.根据权利要求1所述的基于图像融合的家禽体温检测方法，其特征在于，S23中包括采用如下公式对分解的图像进行小波系数融合：

为小波融合系数，M(x,y)为预处理的可见光图像，N(x,y)为预处理的热成像图像，w₁为M(x,y)的权重，w₂为N(x,y)的权重，其中，w₁和w₂的权重值通过自校正粒子群优化算法确定。

5.根据权利要求4所述的基于图像融合的家禽体温检测方法，其特征在于，还包括：采用所述自校正粒子群优化算法优化小波融合系数，获取如下公式所示的w₁和w₂的权重矩阵，在确定所述融合图像达到预设匹配度并且收敛时，获取所述权重矩阵中w₁和w₂最优的一组权重值：

其中，w为最大融合图像的熵，w_1i为w₁的第i个权重值，w_2i为w₂的第i个权重值，1≤i≤Y，Y为大于1的自然数。

6.根据权利要求1所述的基于图像融合的家禽体温检测方法，其特征在于，所述深度神经网络模型是基于YOLO图像识别算法建立的，其中，所述家禽的关键部位包括家禽的头部。

7.根据权利要求1所述的基于图像融合的家禽体温检测方法，其特征在于，还包括：在S2中获取关于多个目标家禽的融合图像，在S3中获取所述融合图像中各个目标家禽关键部位的温度图谱，分别对各个目标家禽关键部位的温度图谱求取均值，并基于当前的环境温度确定多个目标家禽相应的体温图谱。

8.一种禽舍巡检系统，包括巡检机器人，其特征在于，

所述巡检机器人上装有第一传感组件和第二传感组件；

所述巡检机器人采用如权利要求1至7任一所述的基于图像融合的家禽体温检测方法对禽舍进行巡检，获取巡检信息；

其中，所述第一传感组件用于采集禽舍内家禽的热成像图像与可见光图像信息，所述第二传感组件用于采集禽舍当前的环境参数信息，所述巡检信息包括家禽的体温信息与所述环境参数信息。

9.根据权利要求8所述的禽舍巡检系统，其特征在于，

所述巡检机器人通过无线网络将所述巡检信息发送至云服务器。

Images