CN117173640B - 一种肉牛温度异常检测方法 - Google Patents

Abstract

本发明涉及异常预测技术领域，具体涉及一种肉牛温度异常检测方法。该方法涉及对肉牛红外图像分析确定初始簇数量；对肉牛红外图像中的像素点进行聚类，得到一级类簇，并筛选出初筛连通域；根据一级类簇和对应不同初筛连通域之间的离散情况和灰度差异，确定一级类簇的初筛连通域之间的聚类关系值；基于聚类关系值合并一级类簇的初筛连通域，得到二级类簇；结合二级类簇内像素点的灰度大小和数量，确定二级类簇的过渡概率；基于过渡概率确定二筛类簇；合并二筛类簇，得到重点待测簇；对重点待测簇对应的肉牛红外图像中的区域异常监测。本发明根据不同位置和不同温度的类簇分析，得到更精准的检测结果，提高了对肉牛进行异常监测的效果。

Description

一种肉牛温度异常检测方法

技术领域

本发明涉及异常预测技术领域，具体涉及一种肉牛温度异常检测方法。

背景技术

红色热成像是应用热红外敏感元件对物体进行成像，反映物体表面的温度场，是一种非接触式的测温方法。其在工业、医学等很多领域已经得到广泛应用。近年来，随着红外热成像技术的发展升级，在养殖业领域，由于热成像可以快速、准确地测量牲畜的体温，通过热成像技术记录检测牲畜体温的应用越来越广泛。牲畜体温为反映其健康状况的重要指标。应用水银体温计或电子体温计的传统测温方式不仅费时费力、容易造成个体间交叉感染，且不能用于对大规模养殖畜禽个体的温度监测。红外热成像技术的发展使得非接触的快速测温成为可能。

在实际肉牛养殖场景下的红外热成像过程中，当肉牛身体出现异常时，如局部缺血或受伤感染时，其在体表的温度表现与正常体温对比通常会降低或升高。而红外图像中通常会将不同温度的图像区域通过不同颜色进行表示，因此，精准区分不同区域的图像颜色并将该部分标注出来，可以快速监测牛身体部位的异常情况。

目前，常见的对肉牛的体温进行异常监测的方法为，根据传统聚类算法为肉牛的红外热成像图进行聚类分析，得到分类结果，基于分类结果对应的区域对肉牛进行异常监测。传统聚类算法的参数通常是人为事先设置的，其难以估计，故聚类出的聚类簇的分类效果较差，进而会导致检测人员对聚类簇对应的区域进行肉牛异常检测时，其异常检测效果较差。

发明内容

为了解决利用传统聚类算法对肉牛的红热成像图中的像素点进行分类，对分类结果对应的区域进行异常监测的效果较差技术问题，本发明的目的在于提供一种肉牛温度异常检测方法，所采用的技术方案具体如下：

获取肉牛红外图像；

基于肉牛红外图像中灰度值的出现频率确定初始簇数量；对肉牛红外图像中的像素点进行聚类，得到一级类簇；根据一级类簇筛选出初筛连通域；

根据一级类簇和对应不同初筛连通域之间的离散情况和灰度差异，确定一级类簇的初筛连通域之间的聚类关系值；基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇；

结合二级类簇内像素点的灰度大小和数量，确定二级类簇的过渡概率；基于过渡概率确定二筛类簇；合并二筛类簇，得到重点待测簇；

对重点待测簇对应的肉牛红外图像中的区域进行异常监测。

优选的，聚类关系值的计算公式为：

其中，k为一级类簇的数量；为第i个一级类簇的聚类中心的灰度值；/>为第i+1个一级类簇的聚簇中心的灰度值；/>为将第i个一级类簇投影在图像上，该第i个一级类簇下第j组对应的两个初筛连通域之间的质心距离；/>为第i个一级类簇对应的两两初筛连通域的质心距离的均值；/>为第i个一级类簇对应的初筛连通域的两两组合的数量；/>为第r个一级类簇中第a个初筛连通域中的灰度极大值；/>为第r个一级类簇中第b个初筛连通域中的灰度极大值；/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域之间的质心距离；/>为第一关系指标；/>为第二关系指标；/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域之间的聚类关系值。

优选的，所述过渡概率的计算公式为：

其中，为第i个二级类簇对应的过渡概率；/>为第i个二级类簇中的像素点数量；为第i个二级类簇所属的一级类簇中的二级类簇的最大像素点数量；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小像素点数量；/>为第i个二级类簇中像素点的灰度均值；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小灰度均值；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小灰度均值。

优选的，所述合并二筛类簇，得到重点待测簇，包括：

从二筛类簇中选取质心位置最接近肉牛红外图像的边缘的二筛类簇，作为初始簇；获取质心与初筛簇的质心距离最近的二筛类簇，记为第二簇；除初始簇外，获取质心与第二簇的质心距离最近的二筛类簇，记为第三簇；除初始簇和第二簇外，获取质心与第三簇的质心距离最近的二筛类簇，记为第四簇，依次遍历，直至不存在未遍历的二筛类簇为止，将质心距离按照遍历顺序放置在遍历序列中，获取遍历序列中的极大值的均值和极大值的中数，作为极大值均值和极大值中数；将小于等于极大值均值和极大值中值的极大值进行标记，将相邻的被标记的极大值之间对应的二筛类簇进行合并，得到重点待测簇。

优选的，所述基于肉牛红外图像中灰度值的出现频率确定初始簇数量，包括：

获取肉牛红外图像的灰度直方图，将灰度直方图中的极大值点的数量作为肉牛红外图像的初始簇数量。

优选的，所述对肉牛红外图像中的像素点进行聚类，得到一级类簇，包括：

以肉牛红外图像中灰度直方图中极大值处对应的像素点为聚簇中心，基于像素点的灰度值，对肉牛红外图像中的像素点进行聚类，得到一级类簇。

优选的，所述根据一级类簇筛选出初筛连通域，包括：

由各一级类簇内的像素点构成连通域，将连通域内部的像素点数量小于预设数量阈值的连通域，作为初筛连通域。

优选的，所述基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇，包括：

将聚类关系值小于预设聚类阈值的初筛连通域进行合并，得到二级连通域，由二级连通域和二级连通域内的像素点构成二级类簇。

优选的，所述基于过渡概率确定二筛类簇，包括：

将过渡概率大于预设概率阈值的二级类簇，作为二筛类簇。

优选的，所述对重点待测簇对应的肉牛红外图像中的区域进行异常监测，包括：

对重点待测簇对应的肉牛红外图像中的区域进行标记，使异常监测人员对标记的区域进行异常监测。

本发明实施例至少具有如下有益效果：

本发明涉及异常预测技术领域。基于获取的肉牛红外图像中灰度值的出现频率确定初始簇数量，根据灰度值的出现频率确定初始簇数量，符合肉牛温度由高到底向外辐射的自然规律；对肉牛红外图像中的像素点进行聚类，得到一级类簇和对应的初筛连通域，一级类簇实现了对肉牛红外图像的粗分类，为后续对同一一级类簇内的像素点再结合距离进行细分打下了基础，提高后续对异常区域的判定的准确性；结合一级类簇和对应不同初筛连通域之间的离散情况和灰度差异，确定一级类簇的初筛连通域之间的聚类关系值，通过距离反映离散情况，考虑离散情况和灰度两个指标，其中，因为是对肉牛红外图像进行分析，灰度反映了肉牛的体温，在内部优化聚类时考虑像素值的权重较高，对于各初筛连通域空间离散性较大的情况，则考虑距离的权重应该较高；基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇；在二级类簇中，可能会将这部分“过渡区域”分为多个二级类簇，由于其图像特征可能会使辨认标记误差，因此应该尽可能将其合并为一个二级类簇，保留该部分的完整图像特征，以避免误差出现，故确定二级类簇的过渡概率，基于过渡概率确定二筛类簇；合并二筛类簇，得到重点待测簇；对重点待测簇对应的肉牛红外图像中的区域进行异常监测。本发明通过图像特征对肉牛红外图像进行聚类，通过特征分析以及特征权重自适应的方式对一级类簇进行再聚类，并合并可能导致检测产生误差的类簇，最终将肉牛红外图像根据不同特征分为不同类簇。至此可根据不同位置、不同温度的类簇获得更精准的检测结果，提高了对检测结果对应的区域进行异常监测的效果，也即提高了对肉牛进行异常监测的效果。

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。

图1为本发明一个实施例所提供的一种肉牛温度异常检测方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种肉牛温度异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种肉牛温度异常检测方法的具体实施方法，该方法适用于肉牛异常预测检测技术场景。该场景下通过图像采集设备获取肉牛的红外热成像图像，在本发明图像采集设备为红外热像仪。为了解决利用传统聚类算法对肉牛的红热成像图中的像素点进行分类，对分类结果对应的区域进行异常监测的效果较差技术问题。本发明根据不同位置、不同温度的类簇获得更精准的检测结果，提高了对肉牛进行异常监测的效果。

下面结合附图具体的说明本发明所提供的一种肉牛温度异常检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种肉牛温度异常检测方法的步骤流程图，该方法包括以下步骤：

步骤S100，获取肉牛红外图像。

在肉牛养殖过程中，体温是反应其健康状况的关键指标，因此及时获取肉牛的体温状况是养殖过程中不可或缺的一环。不同的潜在病变区域在图像中的温度表现不同，因此通过热成像机器获取肉牛的体温图像之后，可以利用聚类算法获取不同温度、区域的图像部分，并将可能存在异常的部分标记输出。

首先本发明需要图像采集设备，用于获取肉牛的红外热成像图像，记为肉牛红外图像。需要说明的是，红外热成像图像为灰度图像。

肉牛的正常体温相对均匀，当身体局部温度出现较高或较低的区域时，则需要对具体情况进行检查。获取肉牛红外图像后，为方便下步骤计算，制作其肉牛红外图像的灰度直方图。

步骤S200，基于肉牛红外图像中灰度值的出现频率确定初始簇数量；对肉牛红外图像中的像素点进行聚类，得到一级类簇；根据一级类簇筛选出初筛连通域。

关于k值的选取，可结合肉牛红外图像的灰度直方图的拟合曲线进行计算，在灰度图像中，温度不同的区域对应不同灰度区间，因此可对灰度直方图进行分析，得到大致聚簇中心。

基于肉牛红外图像度中灰度值的出现频率确定初筛簇数量，具体的：获取肉牛红外图像的灰度直方图，将灰度直方图中的极大值点的数量作为肉牛红外图像的初始簇数量。也即灰度直方图的拟合曲线中的极大值点，并将极大值点的数量设置为初始K值，初始K值也即为初始簇数量。

将每个极大值点作为聚簇中心，不考虑像素点的距离因素，利用每个像素点的灰度值作为聚簇指标，将图像像素点分为初始簇数量个一级类簇。也即以肉牛红外图像中灰度直方图中极大值处对应的像素点为聚簇中心，基于像素点的灰度值，对肉牛红外图像中的像素点进行聚类，得到多个一级类簇。需要说明的是，获取灰度直方图中的极大值，等同于获取灰度直方图对应的拟合曲线上的极大值。

选取极大值点作为聚簇中心，符合温度由高到底向外辐射的自然规律。根据K-means聚类算法，在后续聚类过程中，聚簇中心会不断的进行更新，直至所有像素点被归类。

得到的一级类簇实质上是对肉牛红外图像中的像素点进行了粗分类，为下一步对属于同一个一级类簇内的像素点再结合距离进行细分打下了基础，以提高后续对异常区域的判定的准确性。

由于后续是根据距离更新初始K值，由于基于初始K值得到的一级类簇，在图像空间可以是相互不联通的，故对应属于同一一级类簇的像素点进行连通域检测，一个一类簇可能被粗分为几个不同的连通域。但是在肉牛红外图像中可能存在部分过小的区域和离散点，故需要根据连通域内像素点的数量对过小的连通域进行筛除，过小的连通域内部包含的信息较少，且本身大小不适合作为关于距离的聚类关系的聚簇中心。因此可以在更新初始K值时筛除过小的连通域，具体的：由各一级类簇内的像素点构成连通域，将连通域内部的像素点数量小于预设数量阈值的连通域，作为初筛连通域。在本发明实施例中预设数量阈值的取值为25，在其他实施例中由实施者根据实际情况调整该取值。

将初筛连通域的数量作为更新后的K值，对肉牛红外图像中的像素点重新聚类，得到更新后的一级类簇。

得到更新后的一级类簇，后续步骤中所提及的一级类簇，均为更新后的一级类簇。

步骤S300，根据一级类簇和对应不同初筛连通域之间的离散情况和灰度差异，确定一级类簇的初筛连通域之间的聚类关系值；基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇。

由于是在相同一级类簇中分割得到不同的连通域，故需要进一步的引入空间距离作为建立聚类关系模型的参数质疑，根据同一一级类簇内部的不同连通域之前的空间关系，对K值进行更新。

根据一级类簇中不同初筛连通域之间的离散情况和灰度差异，确定一级类簇之间的聚类关系值。

该聚类关系值的计算公式为：

其中，k为一级类簇的数量；为第i个一级类簇的聚类中心的灰度值；/>为第i+1个一级类簇的聚簇中心的灰度值；/>为将第i个一级类簇投影在图像上，该第i个一级类簇下第j组对应的两个初筛连通域之间的质心距离；/>为第i个一级类簇对应的两两初筛连通域的质心距离的均值；/>为第i个一级类簇对应的初筛连通域的两两组合的数量；/>为第r个一级类簇中第a个初筛连通域中的灰度极大值；/>为第r个一级类簇中第b个初筛连通域中的灰度极大值；/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域之间的质心距离；/>为第一关系指标；/>为第二关系指标；/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域之间的聚类关系值。

其中，反映灰度直方图上相邻两个极大值点对应的灰度差异，/>时取值为0。/>为更新后的一级类簇的相邻簇类差异平方的均值，对其进行平方计算的目的是为了与后续质心距离方差统一量纲。/>为第i个一级类簇的所有初筛连通域质心距离的方差，因为共有k个初筛连通域，故/>反映了所有一级类簇的初筛连通域质心距离方差的均值。该/>和/>分别体现的是更新后的一级类簇之间的灰度差异以及一级类簇内的空间离散型。对于一级类簇中灰度差异较大的图像，在进行内部优化聚类时考虑像素值的权重较高；对于一级类簇内各初筛连通域空间离散性较大的情况，则考虑距离的权重应该较高。

其中，第一关系指标和第二关系指标/>分别对两者进行归一化计算，基于肉牛红外图像本身，得到两个特征之间的相对侧重。归一化后的第一关系指标和第二关系指标作为聚类关系值计算时的权重值。/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域中灰度极大值的差异，/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域之间的质心距离，该质心距离为欧式距离，进而得到聚类关系值。

在得到一级类簇之间的聚类关系值之后，基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇，具体的：将聚类关系值小于预设聚类阈值的初筛连通域进行合并，得到二级连通域，由二级连通域和二级连通域内的像素点构成二级类簇。其中，一个二级连通域和二级连通域内的像素点对应一个二级类簇，多个二级连通域对应多个二级类簇。在本发明实施例中预设聚类阈值的取值为30，在其他实施例中由实施者根据实际情况调整该取值。

步骤S400，结合二级类簇内像素点的灰度大小和数量，确定二级类簇的过渡概率；基于过渡概率确定二筛类簇；合并二筛类簇，得到重点待测簇。

对得到的二级类簇，结合实际肉牛红外图像再次优化聚类结果。因为已经根据距离和一级类簇的结果进行了再次聚类，但是在实际的肉牛红外图像中，可能存在一小部分色彩不同的“过渡区域”，这部分过渡区域在成像中显示为大面积离散的部分。

在二级类簇中，可能会将这部分“过渡区域”分为多个二级类簇，由于其图像特征可能会使辨认标记误差，因此应该尽可能将其合并为一个二级类簇，保留该部分的完整图像特征，以避免误差出现。

选取这部分可能导致结果误判的二级类簇需要考虑的因素，从其形成原因来看有以下几点：首先是该二级类簇的面积大小，由于在步骤S200中得到的初筛连通域均在其质心设置了聚簇中心，但是在“过渡区域”，可能存在一些大于25个像素但是仍相对较小的二级类簇，正是这些相对较小且不连续的二级类簇构成了“过渡区域”。其次则是像素值，对于“过渡区域”内部的二级类簇来说，由于温度扩散的自然规律，该二级类簇的像素值应该与本一级类簇中的其他二级类簇存在一定差距。

进一步的，基于图像规律，结合二级类簇内像素点的灰度大小和数量，确定二级类簇的过渡概率。

该过渡概率的计算公式为：

其中，为第i个二级类簇对应的过渡概率；/>为第i个二级类簇中的像素点数量；为第i个二级类簇所属的一级类簇中的二级类簇的最大像素点数量；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小像素点数量；/>为第i个二级类簇中像素点的灰度均值；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小灰度均值；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小灰度均值。

该过渡概率的计算公式将分析的影响因素进行了归一化，也即对二级类簇内像素点的数量和像素点的灰度值分析，确定二级类簇的过渡概率。当像素点数量越大，则该二级类簇为过渡区域的概率越小，当二级类簇的灰度均值越大，则对应二级类簇为过渡区域的概率越小，计算了该二级类簇可能出现在过渡区域的概率，通过该过渡概率将距离相近的二级类簇进行合并。

基于过渡概率确定二筛类簇，具体的：将过渡概率大于预设概率阈值的二级类簇，作为二筛类簇。在本发明实施例中预设概率阈值为0.8，在本发明实施例中由实施者根据实际情况调整该取值。

进一步的，合并二筛类簇，得到重点待测簇。具体的：

从二筛类簇中选取质心位置最接近肉牛红外图像的边缘的二筛类簇，作为初始簇。获取质心与初筛簇的质心距离最近的二筛类簇，记为第二簇；除初始簇外，获取质心与第二簇的质心距离最近的二筛类簇，记为第三簇；除初始簇和第二簇外，获取质心与第三簇的质心距离最近的二筛类簇，记为第四簇，依次遍历，直至不存在未遍历的二筛类簇为止，将质心距离按照遍历顺序放置在遍历序列中，获取遍历序列中的极大值的均值和极大值的中数，作为极大值均值和极大值中数。其中，该遍历序列中的元素数量应该是二筛类簇中的数量减去1。将小于等于极大值均值和极大值中值的极大值进行标记，将相邻的被标记的极大值之间对应的二筛类簇进行合并，得到重点待测簇。

也即为对于过渡概率大于0.8的二筛类簇，选取一个质心位置最偏边缘的二筛类簇v1，计算与二筛类簇v1的质心距离最近二筛类簇v2质心的距离，再计算除二筛类簇v1之外，与二筛类簇v2的质心距离最近二筛类簇v3质心的距离，然后计算除二筛类簇v1和v2之外，与二筛类簇v3的质心距离最近二筛类簇v4质心的距离，直至不存在其他未被遍历的二筛类簇。将计算所得的所有质心的距离按照遍历顺序存储在遍历序列W中，遍历序列中的元素数量应该为二筛类簇中的数量减去1，每个元素与类簇按照遍历顺序对应，最后一个类簇在遍历序列中没有对应的元素，第一个二筛类簇在遍历序列中有对应的元素，也即遍历序列中第一个元素即为第一个二筛类簇和第二个二筛类簇之间的质心距离，将其记为第一个二筛类簇对应的元素。获取遍历序列W中离散数据的极大值，并对多个极大值作比较进行二次筛选，将同时不小于极大值均值和中位数的极大值标记出来，将标记过的极大值与前一个标记过的极大值之间对应的二级类簇合并，对于顺序第一个极大值则直接将第一个极大值与其之前元素对应的二筛类簇合并，对于最后一个极大值，将后面最后一个极大值的所有元素对应的二筛类簇合并。

实现了对结合距离再聚类的二级类簇进行优化合并，降低标记过程中可能出错的概率。

步骤S500，对重点待测簇对应的肉牛红外图像中的区域进行异常监测。

分析最终的聚类结果，也即重点待测簇。不同的一级类簇中包括多个不同的二级类簇，其中一级类簇直接由区域在肉牛红外图像中表现的灰度值区分，而二级类簇将一级类簇中的不同区域结合距离和所处的区域类型再聚类。对于一级类簇代表的温度不属于正常体温范围的区域直接标记。如果一级类簇中有部分温度不属于正常值，则深入判断二级类簇，对二级类簇进行分析，得到重点待测簇并标记，便于后续对其进行异常监测；也即对重点待测簇对应的肉牛红外图像中的区域进行标记，使异常监测人员对标记的区域进行异常监测。如果一级类簇中温度均处在正常范围，则结合二级类簇的位置分布结合牛体温分布的先验知识进行判断。

集合聚类结果和肉牛体温分布的先验知识，更精确的对可能存在异常的区域进行标记，降低了直接进行比对的成本，提升检测效率。获取标注图像后将标记后的图像输出，使异常监测人员对标记的区域进行异常监测。

综上所述，本发明涉及异常预测技术领域。获取肉牛红外图像；基于肉牛红外图像中灰度值的出现频率确定初始簇数量；对肉牛红外图像中的像素点进行聚类，得到一级类簇；根据一级类簇筛选出初筛连通域；根据一级类簇和对应不同初筛连通域之间的离散情况和灰度差异，确定一级类簇的初筛连通域之间的聚类关系值；基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇；结合二级类簇内像素点的灰度大小和数量，确定二级类簇的过渡概率；基于过渡概率确定二筛类簇；合并二筛类簇，得到重点待测簇；对重点待测簇对应的肉牛红外图像中的区域进行异常监测。本发明通过图像特征对肉牛红外图像进行聚类，通过特征分析以及特征权重自适应的方式对一级类簇进行再聚类，并合并可能导致检测产生误差的类簇，最终将肉牛红外图像根据不同特征分为不同类簇。至此可根据不同位置、不同温度的类簇获得更精准的检测结果。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种肉牛温度异常检测方法，其特征在于，该方法包括以下步骤：

获取肉牛红外图像；

基于肉牛红外图像中灰度值的出现频率确定初始簇数量；对肉牛红外图像中的像素点进行聚类，得到一级类簇；根据一级类簇筛选出初筛连通域；

根据一级类簇和对应不同所述初筛连通域之间的离散情况和灰度差异，确定一级类簇的初筛连通域之间的聚类关系值；基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇；

结合二级类簇内像素点的灰度大小和数量，确定二级类簇的过渡概率；基于过渡概率确定二筛类簇；合并二筛类簇，得到重点待测簇；

对重点待测簇对应的肉牛红外图像中的区域进行异常监测；

其中，所述聚类关系值的计算公式为：

其中，k为一级类簇的数量；为第i个一级类簇的聚类中心的灰度值；/>为第i+1个一级类簇的聚簇中心的灰度值；/>为将第i个一级类簇投影在图像上，该第i个一级类簇下第j组对应的两个初筛连通域之间的质心距离；/>为第i个一级类簇对应的两两初筛连通域的质心距离的均值；/>为第i个一级类簇对应的初筛连通域的两两组合的数量；/>为第r个一级类簇中第a个初筛连通域中的灰度极大值；/>为第r个一级类簇中第b个初筛连通域中的灰度极大值；/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域之间的质心距离；为第一关系指标；/>为第二关系指标；/>为第r个一级类簇中第a个初筛连通域和第b个初筛连通域之间的聚类关系值。

2.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述过渡概率的计算公式为：

其中，为第i个二级类簇对应的过渡概率；/>为第i个二级类簇中的像素点数量；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小像素点数量；/>为第i个二级类簇所属的一级类簇中的二级类簇的最大像素点数量；/>为第i个二级类簇中像素点的灰度均值；/>为第i个二级类簇所属的一级类簇中的二级类簇的最小灰度均值；/>为第i个二级类簇所属的一级类簇中的二级类簇的最大灰度均值。

3.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述合并二筛类簇，得到重点待测簇，包括：

从二筛类簇中选取质心位置最接近肉牛红外图像的边缘的二筛类簇，作为初始簇；获取质心与初筛簇的质心距离最近的二筛类簇，记为第二簇；除初始簇外，获取质心与第二簇的质心距离最近的二筛类簇，记为第三簇；除初始簇和第二簇外，获取质心与第三簇的质心距离最近的二筛类簇，记为第四簇，依次遍历，直至不存在未遍历的二筛类簇为止，将质心距离按照遍历顺序放置在遍历序列中，获取遍历序列中的极大值的均值和极大值的中数，作为极大值均值和极大值中数；将小于等于极大值均值和极大值中值的极大值进行标记，将相邻的被标记的极大值之间对应的二筛类簇进行合并，得到重点待测簇。

4.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述基于肉牛红外图像中灰度值的出现频率确定初始簇数量，包括：

获取肉牛红外图像的灰度直方图，将灰度直方图中的极大值点的数量作为肉牛红外图像的初始簇数量。

5.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述对肉牛红外图像中的像素点进行聚类，得到一级类簇，包括：

以肉牛红外图像中灰度直方图中极大值处对应的像素点为聚簇中心，基于像素点的灰度值，对肉牛红外图像中的像素点进行聚类，得到一级类簇。

6.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述根据一级类簇筛选出初筛连通域，包括：

由各一级类簇内的像素点构成连通域，将连通域内部的像素点数量小于预设数量阈值的连通域，作为初筛连通域。

7.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述基于聚类关系值，合并一级类簇的初筛连通域，得到二级类簇，包括：

将聚类关系值小于预设聚类阈值的初筛连通域进行合并，得到二级连通域，由二级连通域和二级连通域内的像素点构成二级类簇。

8.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述基于过渡概率确定二筛类簇，包括：

将过渡概率大于预设概率阈值的二级类簇，作为二筛类簇。

9.根据权利要求1所述的一种肉牛温度异常检测方法，其特征在于，所述对重点待测簇对应的肉牛红外图像中的区域进行异常监测，包括：

对重点待测簇对应的肉牛红外图像中的区域进行标记，使异常监测人员对标记的区域进行异常监测。