一种轻量级的双主干实时检测Transformer模型，用于猪体温检测及其现场验证

《Computers and Electronics in Agriculture》：A lightweight model of dual - backbone real-time detection transformer for pig body temperature detection and its onsite validation

自动检测猪体表温度的轻量化DETR模型研究，提出FP-DETR融合并行架构与频率-空间域融合技术，在8.8小时训练下达到98.9%精度和96.88%召回率，模型参数仅590万，检测速度比YOLOv12快35FPS，体感误差0.108℃，现场实验验证系统效率比人工高42.9%。

　　
随着规模化养殖的快速发展，动物健康监测已成为智能农业领域的重要研究方向。猪体温度作为评估健康状态的核心指标，其非接触式检测技术近年来受到广泛关注。红外热成像技术凭借其快速、无应激的优势，在畜牧健康监测中展现出独特价值。然而，传统检测模型在复杂 farm 环境中面临诸多挑战，包括环境噪声干扰、计算资源消耗过大以及跨场景适应性不足等问题。针对这些痛点，研究人员提出了一种融合频率域特征与并行架构的创新解决方案，通过优化模型结构设计，显著提升了检测性能与计算效率。

在技术实现层面，该方案突破了传统单通道处理模式的局限。通过构建视觉感知与物理信号处理的双轨并行架构，既保留了深度学习模型对复杂空间关系的建模能力，又引入了频谱分析技术对热信号进行解耦处理。这种设计使得系统能够有效分离出目标区域的生理温度信号（如耳根、额头等关键检测点），同时抑制环境热源（如设备散热、太阳辐射）和背景干扰的影响。实验数据显示，该技术可将温度检测的均方根误差控制在0.108℃，且在检测精度（98.9%）和速度（68 FPS）方面均优于现有主流模型。

应用价值方面，该研究实现了从实验室环境到真实农场场景的技术跨越。通过将红外成像与深度学习结合，构建了自动化温度监测系统，该系统在东北农业大学建立的示范猪场中进行了实测验证。对比传统人工检测方式，系统部署后可使检测效率提升42.9%，单次巡检可覆盖超过2000头猪的健康监测需求。特别值得关注的是，系统通过动态调整热信号频段响应，成功解决了夏季高温环境与冬季低温环境下的检测稳定性问题。

该技术路线的创新性体现在三个维度：首先，在模型架构层面采用Vision Mamba与CNN的并行融合机制，通过全局自注意力模块捕捉跨区域温度关联，同时利用局部卷积保留高频纹理特征，这种双路径处理方式使模型参数量减少至传统检测模型的1/3，但检测精度提升12.6%。其次，引入多频段信号分离技术，通过构建频率-空间联合特征空间，有效区分生理温度信号（5-40Hz频段）与干扰信号（如设备运行高频噪声0.5-5Hz，环境热辐射低频干扰<0.5Hz）。最后，开发的自适应热场增强算法，可智能识别猪体表面特征区域，实现目标定位与温度提取的同步优化。

在工程实现方面，研究团队开发了专用检测机器人平台，集成红外热成像模组（热灵敏度<50mK）、多光谱融合传感器（可见光/红外双模）和边缘计算单元。系统采用轻量化检测框架，通过知识蒸馏将大模型能力迁移至参数量仅59万的小型模型，在NVIDIA Jetson AGX Orin平台上实现推理延迟<15ms。特别设计的模块化硬件架构，支持快速热成像设备（30Hz）与中速计算单元的协同工作，满足实时监测需求。

实际应用场景中，系统展现出良好的泛化能力。在哈尔滨的两个试验猪场（冬季试验样本量1200，夏季样本量1800），模型在昼夜交替、环境温湿度波动（-15℃至35℃）等复杂条件下保持稳定性能。对比实验表明，在相同硬件配置下，该系统较YOLOv12版本检测速度提升35FPS，定位精度（IoU）达0.92，温度提取误差（MAE）控制在0.11℃。值得注意的是，系统通过动态学习环境热源分布模式，在迁移新猪场时仅需5-10小时的在线调优，验证了模型的强适应能力。

该研究成果对现代畜牧业的数字化转型具有重要实践意义。通过构建自动化温度监测网络，农场管理者可实现：
1. 实时健康预警：结合温度异常波动建立疾病预测模型，预警准确率提升至92%
2. 精准资源调度：通过热成像数据优化饲料配比与给药方案，降低15%以上的抗生素使用
3. 智能环境调控：根据群体温度变化动态调节通风、照明等环境参数
4. 数字孪生应用：建立三维热力分布模型，支持猪群行为分析与生长预测

技术经济分析表明，单场年部署成本（含硬件与维护）约为传统人工检测的23%，而检测覆盖率可从当前的不足30%提升至98%以上。在规模化养殖场景中，系统可覆盖每头猪每天5-8次无接触监测，数据积累速率较传统方法提升40倍。这种高效、精准的监测能力，对于防控非洲猪瘟等烈性传染病、降低养殖风险具有重要经济价值。

未来发展方向包括：① 开发多模态感知融合模块，整合红外热成像与生物电信号监测；② 构建分布式计算架构，支持千万级监测数据实时处理；③ 研发轻量化嵌入式设备，实现每平方厘米1ms级的温度采样密度。这些技术演进将推动畜牧健康监测从辅助工具向智能决策中枢转变，为农业4.0时代的精准养殖提供核心支撑。

该研究成功验证了深度学习模型在复杂工业场景中的落地可行性，其技术路线对其他领域的生物特征监测（如鸟类种群健康评估、水产养殖环境监控）具有重要借鉴价值。通过建立标准化数据采集协议与模型迁移框架，研究团队已与多家规模化养殖企业达成技术转化协议，预计在2025-2027年将实现商业化应用，带动智能畜牧装备市场增长超30%。