深度学习增强型热成像技术实现莎希瓦尔牛乳腺炎的早期精准检测

本文推荐一种结合红外热成像（IRT）与卷积神经网络（CNN）的创新方法，用于莎希瓦尔奶牛乳腺炎的早期诊断。研究显示，该模型对临床型乳腺炎（CM）检测准确率达99%，对亚临床型（SCM）达84%，凸显其在提升奶牛精准健康管理（Precision Dairy Farming）中的潜力。

　　

Highlight

微环境与患病率评估

研究在雨季和秋季（7月至10月）开展。期间，平均干球温度（T_db）为29.38?°C，湿球温度（T_wb）为27.86?°C。莎希瓦尔奶牛所在挤奶厅的平均相对湿度（RH_avg）为89.00%。据测算，平均温湿度指数（THI）达到81.81。研究发现，亚临床乳腺炎（SCM）的患病率为37.28%。

讨论

参与本研究的泌乳莎希瓦尔奶牛处于热应激状态，这一结论依据Jeelani等人（2019）提出的THI分类标准得出。实验在莎希瓦尔挤奶厅的受控环境中于清晨进行，以最大限度减少大气变化的干扰。本研究的热成像检测方法参考了Gayathri等人（2023）和Velasco-Bola?os等人（2021）所建立的协议，以确保数据的可比性与科学性。

Conclusions

对乳房热成像图的分析显示，莎希瓦尔奶牛的健康乳区、亚临床乳腺炎（SCM）乳区和临床乳腺炎（CM）乳区的皮肤表面温度均呈现显著上升（p < 0.01）。本研究开发的卷积神经网络（CNN）模型展现出卓越的诊断精度，在训练、验证和测试阶段均实现了高准确率。这些发现突显了深度学习模型在推动早期乳腺炎无创实时诊断方面的变革性潜力。