CN110333692A - 基于热红外的猪只发热自动监测诊断系统 - Google Patents

Abstract

本发明公开了一种基于热红外的猪只发热自动监测诊断系统，其特征在于它包括：无线网桥接收端、服务器、计算机、热红外图像信息采集模块、滑座、四合一环境信息采集节点、蓄电池、无线网桥发射端、无线充电模块、伺服电机、环形导轨、PLC控制器、无线充电模块发射端。本发明可以动态的全天候的采集猪只的热红外图像，对此图像进行分析可以监测猪只的体温变化，结合猪只热红外图像，温湿度，二氧化碳浓度，光照强度等环境信息建立模型，获取猪只的体温变化图，进而判断猪只的健康状况，饲养员可以根据猪只的体温状况，及时地对患病猪只采取相应措施，避免猪只疫情的传染和扩散，减少经济损失和人工管理费用，降低人工劳动的强度。

Description

基于热红外的猪只发热自动监测诊断系统

技术领域

本发明涉及环形导轨巡航技术，无线传感网技术，热红外图像采集技术，无线充电技术，无线网桥传输等技术领域，具体是一种基于热红外的猪只发热自动监测诊断系统。

背景技术

我国是一个猪肉生产的大国，也是一个猪肉消费的大国，猪肉的产值占整个畜牧总产值的47％，猪肉在中国居民肉类的消费中占据着主导的地位，猪只的健康状况极大的关系到国民的饮食健康，随着食品安全问题备受关注，国民对生猪养殖和生产提出了更高的要求，因此保证猪肉品质是食品安全的重点。

猪只患病会对猪肉的品质产生很大的影响，降低猪只的发病率对于减少抗生素类药物的使用、提高猪肉品质有很大的帮助，当猪只患病时体温会明显的升高，目前猪场主要依靠养殖人员肉眼观察猪只的行为，用温度计测量猪只的肛肠温度来判断猪只是否患病，该方法劳动强度大，操作难度高，易引起猪只的应激反应，增大测温误差，并且容易造成猪只肠道的二次感染。因此，针对患病猪只体温升高这一主要症状，利用自动化监测技术，设计使用自动巡航式猪只热红外图像采集装置采集猪只热红外图像，并结合相关环境信息，实时的获取猪只体温变化情况，同时根据采集装置采集图像位置信息，可精准定位到患病猪只位置，及时对患病猪只进行诊断和治疗，提高猪只的健康化养殖，福利化养殖，智能化养殖水平，进而改善猪肉品质，对提高国民的饮食健康具有重要意义。

发明内容

本发明针对技术背景中所提出的问题，为实现猪只的福利化和精细化养殖，提出了一种基于热红外的猪只发热自动监测诊断系统。

技术方案：

一种基于热红外的猪只发热自动监测诊断系统，它包括：无线网桥接收端、服务器、计算机、热红外图像信息采集模块、滑座、四合一环境信息采集节点、蓄电池、无线网桥发射端、无线充电模块、伺服电机、环形导轨、PLC控制器、无线充电模块发射端，其中：

环型导轨固定在猪场的顶部天花板上，滑座在环型导轨下方滑动，滑座选用的是固定中心式承载滑座；热红外图像信息采集模块、四合一环境信息采集节点、蓄电池、无线网桥发射端、无线充电模块均固定在滑座下方，其中热红外图像信息采集模块设置在端部；四合一环境信息采集节点采集温度、湿度、二氧化碳浓度、光照强度信息；

PLC控制器、无线充电模块发射端设置在猪场的侧壁上，PLC控制器控制伺服电机运转，伺服电机带动滑座循环运转；无线充电模块发射端设置在信息采集起点为无线充电模块充电；

无线网桥接收端、服务器、计算机设置在猪场外，基于无线网桥接收端和无线网桥发射端配合，计算机获得热红外图像信息；服务器中建立数据库，用于存储采集信息。

优选的，所述滑座巡航一周2n min，n为猪栏数量；滑座到达每个猪栏时，静止t1S，t1包括滑座的负载稳定时间、热红外图像信息采集模块的图像采集时间。

优选的，滑座的停启时间由PLC控制器控制；蓄电池在信息采集起点受检测电量是否低于阈值：若低于阈值，则系统待机，蓄电池充电；若高出阈值，则进行下一周期的信息采集。

优选的，它还包括激光测距传感器，激光测距传感器设置在信息采集起点，当滑座到达该位置时，激光测距传感器的红外线被滑座遮挡，触发激光测距传感器反馈遮挡信息，蓄电池受检测电量是否低于阈值。

优选的，所述计算机执行以下程序：

S1、热红外图像的猪只耳根区域识别：将猪只的热红外图像信息输入猪只耳根区域的分割模型；

S2、猪只耳根区域的分割模型输出分割结果和猪只耳根区域温度；

S3、将分割后的猪只的热红外图像进行处理，结合环境信息建立猪只温度反演模型；

S4、输出猪只的健康状况评级。

具体的，所述S1中，猪只耳根区域的分割模型的建立方法为：将人为标注感兴趣区域的热红外图像作为训练集，对SSD算法进行训练，该算法通过深度卷积网络调整提取层提取多层图像特征，逐步采用stride＝2的卷积或者pool来降低特征图大小，从而获取不同尺寸下的特征参数，之后将多个卷积层的特征输入其中，进行回归计算和分类评分，最终完成模型的训练。

具体的，所述S2中，猪只耳根区域温度的获取流程为：热红外图像输入上述训练模型中，即可获得感兴趣区域，即猪耳根区域的坐标值，利用图像分割算法将感兴趣区域分割提取，并与csv表格中的温度数据进行一一对应，进而获取实测猪只耳根区域温度。

具体的，所述S3中，采用误差逆传播算法训练的多层前馈网络的BP猪只温度反演神经网络模型：

首先对四合一环境信息采集节点获得的环境参数数据和热红外图像信息采集模块获得的红外温度数据进行预处理，采用min-max规范化方法将数据归一化操作，将线性变换结果映像于[0,1]区间，min-max规范化表达式为：

式中，yi代表归一化处理后的数据结果，x_i代表待处理数据，min{x_j}代表所有待处理数据的最小值，max{x_j}代表所有待处理数据的最小值；

其次，建立猪只温度反演神经网络结构，设计一种三层拓扑结构，包括输入层，输出层，以及一个隐藏层，目标变量影响因素为5个，分别为环境温度，环境湿度，光照，二氧化碳浓度，红外温度，故设立输入层的神经元层数为5层，目标变量是猪只的肛肠温度，故输出层神经元个数为1，根据对猪只温度反演神经网络模型的反复测试，不断地进行结构调整和参数优化，将隐藏层神经元个数定为50；使用TensorFlow中带有的随机数生成函数建立BP猪只温度反演神经网络的权值和阈值，其中隐藏层和输出层均有阈值，输入层没有阈值，假设隐藏层的第m个神经元的阈值为a_m，输出层的神经元的阈值为b,假设输入层的第n个神经元与隐藏层的第m个神经元的连接权值为w_nm，隐藏层的的第m个神经元和输出层的连接权值为v_m；第m个隐藏层神经元的总输入为：

式中，w_nm代表输入层的第n个神经元与隐藏层的第m个神经元的连接权值，x_i代表输入层的第i个神经元；

输出层神经元的总输入为：

式中，β代表输出层神经元的总输入，v_m代表隐藏层的的第m个神经元和输出层的连接权值，h_m代表隐藏层的第m个神经元；

为了将特征充分的融合，前向传播过程使用sigmoid作为激活函数，均方误差作为损失函数计算误差值，并使用梯度下降法进行神经网络的反向传播优化，sigmoid激活函数如下：

式中，α_m代表第m个隐藏层神经元的总输入；

假设训练样本为(x_t y_t)，输出层的神经元为：

式中，β代表输出层神经元的总输入，b代表输出层的神经元的阈值；

该神经网络模型在训练样本(x_t y_t)上使用的损失函数计算为均方误差，其计算公式如下：

式中，E_t代表均方误差，代表反演出的猪只温度，y^t代表猪只的肛肠温度；为了提高输出值的精确度，在之后的每一轮迭代中，采用广义的感知机学习规律进行参数的更新估计，不断提高预测猪只温度的准确度，直到小于给定的误差值，猪只温度反演神经网络训练结束，猪只体温反演模型建立。

其中参数的个数为：

s＝(1+e+f)g+e

式中，e代表输出层的神经元个数，f代表输入层神经元个数，g代表隐藏层的神经元个数。

具体的，所述S4中，输出猪只的健康状况评级判断过程为：

获取各参数，包括：

(1)高温峰值：指一天中采集获取猪只热红外图像温度的最大值；

(2)温度极差：一天中采集获取猪只热红外图像温度的最大值与最小值的差值；

(3)温度梯度和：获取的温度折线图每一段的梯度的绝对值的代数和；

(4)高温持续频率：根据猪只的日龄和猪只的品种、以及环境的各项参数，确定一个高温设定温度，然后统计一天内猪只的高于设定温度的数据次数；

将各个参量统一于0-10，以α为猪只温度评价指数来表示猪只的温度状况，评价模型为：

α＝M₁A+M₂B+M₃C+M₄D

式中：α为猪只温度评价指数，A为归一化后的高温峰值；B代表归一化后的温度极差；C代表归一化后的温度梯度和；D代表归一化后的高温持续频率，M₁、M₂、M₃、M₄为各自变量的权重，且M₁+M₂+M₃+M₄＝1,将M₁A记为F,定义为高温峰值度，将M₂B记为J,定义为温度极差度，将M₃C记为T,定义为温度极差度，将M₄D记为C,定义为高温持续频率度，依据不同的猪只品种和日龄进行权重赋值的参数调整；

对得到的α对猪只健康状态的输出分级结果：

(1)健康态猪只：α在0-0.3范围内，健康猪只能在一定范围内根据舍内温度进行温度的自我调节，出现应激反应后温度能平稳下降，正常采食；

(2)微热猪只：α在0.3-0.5范围内，对于低热猪只，体温一般为40℃～41℃，无需治疗，发挥猪只免疫的功能，提高猪只的抗病能力，多通风消毒，减少猪只的应激反应，饲喂易消化的饲料；

(3)中热态猪只：α在0.5-0.7范围内，体温一般为41℃～42℃，急性病毒性传染病居多，猪只萎靡不振，眼角膜潮红；

高热态猪只：α在0.7-1范围内，体温一般大于42℃，对于此状态的猪只，患该病的猪只持续高温，伏地不起，口渴嗜睡，醒时烦躁不安，一般是急性传染病，该患病类型的猪只应及时隔离，控制人员的进入，加强消毒和免疫，提高猪只的抗病能力。

本发明的有益效果

本发明可以动态的全天候的采集猪只的热红外图像，对此图像进行分析可以监测猪只的体温变化，结合猪只热红外图像，温湿度，二氧化碳浓度，光照强度等环境信息建立模型，获取猪只的体温变化图，进而判断猪只的健康状况，饲养员可以根据猪只的体温状况，及时地对患病猪只采取相应措施，避免猪只疫情的传染和扩散，减少经济损失和人工管理费用，降低人工劳动的强度。

本发明采用XKT801-34无线充电模块和QCA9563无线网桥芯片，减少了猪场的布线，避免了人工充电的繁琐，确保系统能够持续高效的运行。

本发明与传统的体温测量方法相比，采用非接触式的测量方式，减少因直接接触猪只而引起应激反应，降低了体温监测的误差，提高了监测效率。

本发明采用自动巡航采集热红外图像，提高了热红外信息采集模块的复用性。

本发明采用服务器存储和APP移动终端管理，能将猪只的温度信息和位置，环境信息等及时准确地反馈给管理员。

附图说明

图1为本发明总体结构示意图

图2为本发明的系统工作流程图

图3为热红外图像采集系统工作流程图

图4为本发明的环形导轨示意图

图5为滑座搭载装置示意图

图6为本发明的无线充电流程图

图7为环境信息采集系统总体示意图

图8为环境信息采集节点连接图

图9为SSD猪只耳根部位识别算法框架

图10为基于深度学习的猪只热红外图像分析流程图

图11为BP神经网络结构简图

图12为某次猪只温度状况分级评价柱状图

具体实施方式

下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此：

结合图1，一种基于热红外的猪只发热自动监测诊断系统，它包括：无线网桥接收端1、服务器2、计算机3、热红外图像信息采集模块5、滑座6、四合一环境信息采集节点7、蓄电池8、无线网桥发射端9、无线充电模块10、伺服电机11、环形导轨12、PLC控制器13、激光测距传感器14、无线充电模块发射端15，其中：滑座6选用的是固定中心式承载滑座。

结合图2，对本发明的实施流程进行说明，将本装置固定于猪场的天花板上，每天为昼夜不间断巡航,巡航一周用时24分钟(针对12个猪栏)，每一个猪栏巡航用时2分钟，系统开始工作时，滑座6搭载热红外图像信息采集模块5和四合一环境信息采集节点7，开始绕环形导轨12运行，对于四合一环境信息采集节点7，可以将环境信息(包括:温度，湿度，二氧化碳浓度，光照强度)实时的发送给服务器2，当滑座6到达第一个猪栏的时候，PLC控制器13控制机构制动滑座6，使滑座6静止t1(25秒钟)，前五秒用于稳定热红外图像信息采集模块5，然后热红外图像信息采集模块5开始采集图像，每隔t2(10秒钟)采集一张猪只的俯视热红外图像，采集的图像通过无线网桥向服务器2发送，然后到达下一个猪栏，依此类推，直至采集到最后一个猪栏的猪只热红外图像信息。

结合图3，热红外信息采集模块5固定于滑座6下，每当滑座6停到一个猪栏中部的上方时，PLC控制器控制机构制动滑座6，热红外信息采集模块开始每隔t2(10秒钟)采集一张热红外图像，一共采集三张热红外图像，借助无线网桥10进行图像的实时传输，图像数据实时上传至服务器2，服务器2对收到的图像信息进行编号、预处理，并存入服务器端数据库，同时通过管理员手机端APP和计算机3进行数据的显示。

结合图4和图5，选用矩形轨道系统，整个系统固定在可称重的天花板4上，其中滑座6用于搭载热红外信息采集模块5和四合一环境信息采集节点7，滑座6选用的是固定中心式承载，通过PLC控制柜控制伺服电机11运转，伺服电机11带动整个机构循环运转。通过PLC控制器14控制电机11让滑座6系统在每个猪栏上方停留t1(25s)，然后继续运行到下一个猪栏，如此循环往复，直至蓄电池8的电量降低到设定电量(此设置电量值可以使该装置完整运行2周)，信息采集系统正常完成该周期的信息采集后，滑座6携带蓄电池8到达无线充电区域(信息采集起点16)进行充电，同时信息采集系统进入待机状态。

结合图6，预先设定电量为8％,该电量可以确保信息采集系统完成2周的信息采集，红外线测距传感器14设置在无线充电处16，当滑座6到达该位置时，由于滑座6遮挡红外线反射，从而触发红外线测距传感器14给STM32发送信息，之后控制AD数据采集模块实时的检测蓄电池的电量，当12V的蓄电池的的电量降低到设定电量时，控制滑座6完成本次循环，到达充电区充电，反之，继续自动巡航。

结合图7和图8，所述环境信息采集部分，以MSP430F149微处理器作为主控制芯片，环境信息采集节点搭载SHT11温湿度传感器，BH1750FVI光照传感器，MH-Z14二氧化碳传感器，该部分采用CC2530F256无线通讯模块，实时地将传感器采集的温度湿度，光照强度和二氧化碳浓度信息发送给信息汇聚网关，信息汇聚网关将环境信息发送至服务器2。在服务器2中建立热红外图像及环境信息存储数据库，将采集信息对应存储，便于数据分析。

结合图10，给出了基于深度学习的猪只热红外图像分析流程。

在服务器接收到采集的猪只热红外图像后，首先以当前时间加猪栏编号，采集图片的次序进行编号，如：2019-05-06-6-2-15-2-2,表示在2019年5月6日，6时2分15s对第二个猪栏采集的第二张图像，然后服务器对图像处理之后就能够将处理后反演的每个猪只温度实时的发送给管理员手机APP，这样管理员就能够确定患病猪只的位置和患病的大致时间。本专利中使用的热红外成像模块的像素为，其发送至服务器的热红外图像保存格式为raw，该文件可拆分为以csv格式的温度数据以及png格式的红外图像。在png图像中，每一个像素点与csv格式中相同左边的温度数据一一对应，其中csv表格中的温度为华氏温度，在预处理中将华氏温度转换为摄氏温度，便于管理人员理解。计算机3执行以下程序：

S1、热红外图像的猪只耳根区域识别：将猪只的热红外图像信息输入猪只耳根区域的分割模型；

对于俯拍的猪只热红外图像中，包含了猪只整体的红外图像，但是实际与猪只体温相关性较高的只有猪只耳根温度，因此为了减少无效数据及干扰数据，需要准确的识别出俯拍图像中的猪只耳根所在位置，并利用分割算法将感兴趣区域分割提取。结合图9，在本专利中，采用SSD目标检测算法，该算法是一种直接预测识别感兴趣区域的深度学习神经网络算法。利用SSD算法对猪只耳根区域进行目标检测及定位识别，将人为标注感兴趣区域的热红外图像作为训练集，对SSD算法进行训练，该算法通过深度卷积网络调整提取层提取多层图像特征，逐步采用stride＝2的卷积或者pool来降低特征图大小，从而获取不同尺寸下的特征参数，之后将多个卷积层的特征输入其中，进行回归计算和分类评分，最终完成模型的训练。

S2、猪只耳根区域的分割模型输出分割结果和猪只耳根区域温度；

热红外图像输入上述训练模型中，即可获得感兴趣区域，即猪耳根区域的坐标值，利用图像分割算法将感兴趣区域分割提取，并与csv表格中的温度数据进行一一对应，进而获取实测猪只耳根区域温度。

S3、将分割后的猪只的热红外图像进行处理，结合环境信息建立猪只温度反演模型；

采用误差逆传播算法训练的多层前馈网络的BP猪只温度反演神经网络模型：

在本专利中，采用误差逆传播算法训练的多层前馈网络的BP神经网络模型，首先对数据进行预处理，采用min-max规范化方法将数据归一化操作，将线性变换结果映像于[0,1]区间，min-max规范化表达式为：

其次，建立神经网络结构，设计一种三层拓扑结构，包括输入层，输出层，隐藏层，目标变量影响因素为5个，故设立输入层的神经元层数为5层，输出层神经元个数为1，根据神经网络模型的反复测试，不断地进行结构调整和参数优化，将隐藏层神经元个数定为50。系统网络结构如图11所示。

使用TensorFlow中带有的随机数生成函数建立BP神经网络的权值和阈值。定义的前向传播过程使用sigmoid作为激活函数，均方误差作为损失函数计算误差值，并使用梯度下降法进行神经网络的反向传播优化，sigmoid激活函数如下：

假设训练样本为(x_t y_t)该神经网络模型的输出为：

输出层的单个神经元为：

该神经网络模型在训练样本(x_t y_t)上使用的损失函数计算为均方误差，其计算公式如下：

在之后的每一轮迭代中，采用广义的感知机学习规律进行(1+e+f)g+e个参数的更新估计，不断提高输出值的准确度，直到小于给定的误差值，神经网络训练结束，模型建立。

基于TensorFlow的BP神经模型建立后，将模型估测温度和实际测量温度值进行对比，验证模型的准确性，这里使用的模型最大误差小于3％，平均误差值小于1.12％，，相比于其他反演模型，该模型预测效果好，符合实际需求。

S4、输出猪只的健康状况评级。

根据巡航采集的该猪只高温图像，结合环境信息猪只是否患病，以及发病严重程度进行判别，系统可根据猪只的品种和猪只的日龄，以及环境参数信息对猪只健康数学的评价参数进行调整。事先将每组三张热红外图像获取到的温度求均值，将每日的温度制成一张折线图，获取如下自变量。

(1)高温峰值：指一天中采集获取猪只热红外图像温度的最大值。

(2)温度极差：一天中采集获取猪只热红外图像温度的最大值与最小值的差值。

(3)温度梯度和：获取的温度折线图每一段的梯度的绝对值的代数和。

(4)高温持续频率：根据猪只的日龄和猪只的品种、以及环境的各项参数，确定一个高温设定温度，然后统计一天内猪只的高于设定温度的数据次数。

将各个参量统一于0-10，本专利以α为猪只温度评价指数来表示猪只的温度状况，结合兽医评价和评价权重的多次调整，对猪只划分健康态、微热态，中热态，高热态四种数学评价指标，其评价模型为。

α＝M₁A+M₂B+M₃C+M₄D

式中：α为猪只温度评价指数，A为归一化后的高温峰值；B代表归一化后的温度极差；C代表归一化后的温度梯度和；D代表归一化后的高温持续频率，M₁、M₂、M₃、M₄为各自变量的权重，且M₁+M₂+M₃+M₄＝1,将M₁A记为F,定义为高温峰值度，将M₂B记为J,定义为温度极差度，将M₃C记为T,定义为温度极差度，将M₄D记为C,定义为高温持续频率度，依据不同的猪只品种和日龄进行权重赋值的参数调整。

对得到的α对猪只健康状态的进行分级，作为兽医辅助诊断猪只疾病的一个参数，如图12所示。

(1)健康态猪只：α在0-0.3范围内，健康猪只能在一定范围内根据舍内温度进行温度的自我调节，出现应激反应后温度能平稳下降，正常采食。

(2)微热猪只：α在0.3-0.5范围内，对于低热猪只，体温一般为40℃～41℃，无需治疗，发挥猪只免疫的功能，提高猪只的抗病能力，多通风消毒，减少猪只的应激反应，饲喂易消化的饲料。

(3)中热态猪只：α在0.5-0.7范围内，体温一般为41℃～42℃，急性病毒性传染病居多，猪只萎靡不振，眼角膜潮红。

(4)高热态猪只：α在0.7-1范围内，体温一般大于42℃，对于此状态的猪只，患该病的猪只持续高温，伏地不起，口渴嗜睡，醒时烦躁不安，一般是急性传染病，该患病类型的猪只应及时隔离，控制人员的进入，加强消毒和免疫，提高猪只的抗病能力。

结合患病猪只日折线图进而绘制成周折线图，进而辅助诊断，确诊是稽留热，驰张热，间歇热，不定型热等发热类型。

(1)稽留热：高温持续时间长，并且昼夜变化小于1℃。

(2)驰张热：猪只温度持续在正常温度以上，并且昼夜变化超过1℃。

(3)间歇热：猪只的发热期与无热期交替发生。

(4)不定型热：猪只温度变化毫无规律，谨慎预防非洲猪瘟的发生。

本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种基于热红外的猪只发热自动监测诊断系统，其特征在于它包括：无线网桥接收端(1)、服务器(2)、计算机(3)、热红外图像信息采集模块(5)、滑座(6)、四合一环境信息采集节点(7)、蓄电池(8)、无线网桥发射端(9)、无线充电模块(10)、伺服电机(11)、环形导轨(12)、PLC控制器(13)、无线充电模块发射端(15)，其中：

环型导轨(12)固定在猪场的顶部天花板(4)上，滑座(6)在环型导轨(12)下方滑动；热红外图像信息采集模块(5)、四合一环境信息采集节点(7)、蓄电池(8)、无线网桥发射端(9)、无线充电模块(10)均固定在滑座(6)下方，其中热红外图像信息采集模块(5)设置在端部；四合一环境信息采集节点(7)采集温度、湿度、二氧化碳浓度、光照强度信息；

PLC控制器(13)、无线充电模块发射端(15)设置在猪场的侧壁上，PLC控制器(13)控制伺服电机(11)运转，伺服电机(11)带动滑座(6)循环运转；无线充电模块发射端(15)设置在信息采集起点(16)为无线充电模块(10)充电；

无线网桥接收端(1)、服务器(2)、计算机(3)设置在猪场外，基于无线网桥接收端(1)和无线网桥发射端(9)配合，计算机(3)获得热红外图像信息；服务器(2)中建立数据库，用于存储采集信息。

2.根据权利要求1所述的系统，其特征在于所述滑座(6)巡航一周2n min，n为猪栏数量；滑座(6)到达每个猪栏时，静止t1S，t1包括滑座(6)的负载稳定时间、热红外图像信息采集模块(5)的图像采集时间。

3.根据权利要求2所述的系统，其特征在于滑座(6)的停启时间由PLC控制器(13)控制；蓄电池(8)在信息采集起点(16)受检测电量是否低于阈值：若低于阈值，则系统待机，蓄电池(8)充电；若高出阈值，则进行下一周期的信息采集。

4.根据权利要求3所述的系统，其特征在于它还包括激光测距传感器(14)，激光测距传感器(14)设置在信息采集起点(16)，当滑座(6)到达该位置时，激光测距传感器(14)的红外线被滑座(6)遮挡，触发激光测距传感器(14)反馈遮挡信息，蓄电池(8)受检测电量是否低于阈值。

5.根据权利要求1所述的系统，其特征在于所述计算机(3)执行以下程序：

S1、热红外图像的猪只耳根区域识别：将猪只的热红外图像信息输入猪只耳根区域的分割模型；

S2、猪只耳根区域的分割模型输出分割结果和猪只耳根区域温度；

S3、将分割后的猪只的热红外图像进行处理，结合环境信息建立猪只温度反演模型；

S4、输出猪只的健康状况评级。

6.根据权利要求5所述的系统，其特征在于所述S1中，猪只耳根区域的分割模型的建立方法为：将人为标注感兴趣区域的热红外图像作为训练集，对SSD算法进行训练，该算法通过深度卷积网络调整提取层提取多层图像特征，逐步采用stride＝2的卷积或者pool来降低特征图大小，从而获取不同尺寸下的特征参数，之后将多个卷积层的特征输入其中，进行回归计算和分类评分，最终完成模型的训练。

7.根据权利要求5所述的系统，其特征在于所述S2中，猪只耳根区域温度的获取流程为：热红外图像输入上述训练模型中，即可获得感兴趣区域，即猪耳根区域的坐标值，利用图像分割算法将感兴趣区域分割提取，并与csv表格中的温度数据进行一一对应，进而获取实测猪只耳根区域温度。

8.根据权利要求5所述的系统，其特征在于所述S3中，采用误差逆传播算法训练的多层前馈网络的BP猪只温度反演神经网络模型：

首先对四合一环境信息采集节点获得的环境参数数据和热红外图像信息采集模块获得的红外温度数据进行预处理，采用min-max规范化方法将数据归一化操作，将线性变换结果映像于[0,1]区间，min-max规范化表达式为：

式中，yi代表归一化处理后的数据结果，x_i代表待处理数据，min{x_j}代表所有待处理数据的最小值，max{x_j}代表所有待处理数据的最小值；

其次，建立猪只温度反演神经网络结构，设计一种三层拓扑结构，包括输入层，输出层，以及一个隐藏层，目标变量影响因素为5个，分别为环境温度，环境湿度，光照，二氧化碳浓度，红外温度，故设立输入层的神经元层数为5层，目标变量是猪只的肛肠温度，故输出层神经元个数为1，根据对猪只温度反演神经网络模型的反复测试，不断地进行结构调整和参数优化，将隐藏层神经元个数定为50；使用TensorFlow中带有的随机数生成函数建立BP猪只温度反演神经网络的权值和阈值，其中隐藏层和输出层均有阈值，输入层没有阈值，假设隐藏层的第m个神经元的阈值为a_m，输出层的神经元的阈值为b,假设输入层的第n个神经元与隐藏层的第m个神经元的连接权值为w_nm，隐藏层的的第m个神经元和输出层的连接权值为v_m；第m个隐藏层神经元的总输入为：

式中，w_nm代表输入层的第n个神经元与隐藏层的第m个神经元的连接权值，x_i代表输入层的第i个神经元；

输出层神经元的总输入为：

式中，β代表输出层神经元的总输入，v_m代表隐藏层的的第m个神经元和输出层的连接权值，h_m代表隐藏层的第m个神经元；

为了将特征充分的融合，前向传播过程使用sigmoid作为激活函数，均方误差作为损失函数计算误差值，并使用梯度下降法进行神经网络的反向传播优化，sigmoid激活函数如下：

式中，α_m代表第m个隐藏层神经元的总输入；

假设训练样本为(x_t y_t)，输出层的神经元为：

式中，β代表输出层神经元的总输入，b代表输出层的神经元的阈值；

该神经网络模型在训练样本(x_t y_t)上使用的损失函数计算为均方误差，其计算公式如下：

E_t代表均方误差，代表反演出的猪只温度，y^t代表猪只的肛肠温度；为了提高输出值的精确度，在之后的每一轮迭代中，采用广义的感知机学习规律进行参数的更新估计，不断提高预测猪只温度的准确度，直到小于给定的误差值，猪只温度反演神经网络训练结束，猪只体温反演模型建立；

其中参数的个数s为：

s＝(1+e+f)g+e

式中，e代表输出层的神经元个数，f代表输入层神经元个数，g代表隐藏层的神经元个数。

9.根据权利要求5所述的系统，其特征在于所述S4中，输出猪只的健康状况评级判断过程为：获取各参数，包括：

(1)高温峰值：指一天中采集获取猪只热红外图像温度的最大值；

(2)温度极差：一天中采集获取猪只热红外图像温度的最大值与最小值的差值；

(3)温度梯度和：获取的温度折线图每一段的梯度的绝对值的代数和；

(4)高温持续频率：根据猪只的日龄和猪只的品种、以及环境的各项参数，确定一个高温设定温度，然后统计一天内猪只的高于设定温度的数据次数；

将各个参量统一于0-10，以α为猪只温度评价指数来表示猪只的温度状况，评价模型为：

α＝M₁A+M₂B+M₃C+M₄D

式中：α为猪只温度评价指数，A为归一化后的高温峰值；B代表归一化后的温度极差；C代表归一化后的温度梯度和；D代表归一化后的高温持续频率，M₁、M₂、M₃、M₄为各自变量的权重，且M₁+M₂+M₃+M₄＝1,将M₁A记为F,定义为高温峰值度，将M₂B记为J,定义为温度极差度，将M₃C记为T,定义为温度极差度，将M₄D记为C,定义为高温持续频率度，依据不同的猪只品种和日龄进行权重赋值的参数调整；

对得到的α对猪只健康状态的输出分级结果：

(1)健康态猪只：α在0-0.3范围内，健康猪只能在一定范围内根据舍内温度进行温度的自我调节，出现应激反应后温度能平稳下降，正常采食；

(2)微热猪只：α在0.3-0.5范围内，对于低热猪只，体温一般为40℃～41℃，无需治疗，发挥猪只免疫的功能，提高猪只的抗病能力，多通风消毒，减少猪只的应激反应，饲喂易消化的饲料；

(3)中热态猪只：α在0.5-0.7范围内，体温一般为41℃～42℃，急性病毒性传染病居多，猪只萎靡不振，眼角膜潮红；

(4)高热态猪只：α在0.7-1范围内，体温一般大于42℃，对于此状态的猪只，患该病的猪只持续高温，伏地不起，口渴嗜睡，醒时烦躁不安，一般是急性传染病，该患病类型的猪只应及时隔离，控制人员的进入，加强消毒和免疫，提高猪只的抗病能力。