基于红外热成像技术的奶牛乳腺炎无创检测：25年研究进展、挑战与趋势

《Biosystems Engineering》：Recent research advances, challenges and trends in non-invasive infrared thermography for the detection of mastitis in dairy cows

　　

乳腺炎（Mastitis）是一种高发且危险的疾病，不仅严重影响奶牛的产奶量与乳品质，还对人体健康构成威胁。奶牛乳房健康状态的无创检测是保障动物福利（Animal Welfare）与提升牧场运营效率的关键手段。然而，标准操作程序（SOPs）与实验室间校准协议的缺失，仍制约着基于红外热成像（IRT）的乳腺炎检测技术的大规模部署。本文综述了过去二十五年间利用红外热成像技术进行奶牛乳腺炎无创检测的研究成果。首先，系统阐明了影响测温精度的关键因素，包括设备参数、环境条件、挤奶方式与数据采集流程。其次，总结了感兴趣区域（ROI）标注策略、智能识别算法鲁棒性以及温度统计量选择对检测性能的影响机制。第三，讨论了基于截断值（Cut-off Value）与基于阈值的分类方法易受个体异质性与场景漂移影响，从而削弱乳腺炎识别的能力与稳定性。最后，本文提出了一种基于增强现实（AR）眼镜及其配套系统的多模态融合框架，面向未来多场景检测，集成了多源数据采集、端侧推理、质量自检、外部验证、漂移监测、模型更新与分级干预反馈，从而支持智能牛舍中更标准化、可扩展的非接触式早期预警。

研究背景方面，乳腺炎是奶牛养殖中的常见疾病，主要由细菌、真菌及支原体等病原微生物经乳头管、乳房损伤、血液循环及淋巴系统等途径感染乳房组织引发炎症反应，导致产奶量下降、乳品质恶化，引发食品安全问题，严重威胁奶牛健康与奶业盈利能力。传统检测方法主要包括化学测定、理化检验与临床观察，这些方法高度依赖主观判断、缺乏标准化、对环境与个体因素敏感，诊断效率低，难以满足大规模养殖条件下早期、快速、连续监测的需求。随着电子信息技术发展，机器视觉技术、自动挤奶系统（AMS）与多传感器技术被用于乳腺炎检测，但机器视觉存在与实验室检测相同的弊端，AMS虽能实时监测但仅在挤奶时触发测量、覆盖有限，奶牛群体改良（DHI）系统通常按月检测且存在2-5天报告延迟，均无法支持实时或连续监测。炎症会增加乳房局部血流与产热，从而提高感染区域皮肤温度，乳房表面温度（UST）与健康状态显著相关，检测准确率为75%-87%，特异度（Sp）与灵敏度（Se）通常超过90%。红外热成像（IRT）可在采集瞬间获取表面温度，借助预设阈值、规则或模型即时判定健康状态，实现事件内乃至连续实时监测。尽管如此，IRT仍存在诸多局限与挑战：数据采集流程与设备配置缺乏标准化，相机参数、成像距离与发射率设置无共识；深度学习（DL）技术用于奶牛红外热图像ROI自动分割与特征提取仍面临数据质量与数量依赖强、可解释性有限、跨动物与跨牧场环境泛化不足、模型性能不稳定等问题；诊断阈值在不同IRT应用场景间不一致，多数方法仍采用固定温度截断值；牧场间可迁移性有限，高诊断性能通常仅在特定牛舍环境、畜群结构与挤奶流程下获得。为此，研究人员开展了此项综述研究，系统梳理25年来IRT用于乳腺炎检测的研究，聚焦设备参数、环境因素、ROI提取、诊断逻辑与未来展望，并提出基于AR眼镜的多模态融合框架。研究结论指出，无创奶牛乳房健康检测是建设智能牧场与保障动物福利的关键研究方向，SOPs与实验室间校准协议的缺失仍是阻碍IRT乳腺炎检测大规模部署的主要限制；本文系统回顾了该领域25年研究进展，分析了现有技术在参数设置、数据采集处理与诊断逻辑方面的不足与挑战，并基于未来多场景检测需求提出了若干实施路径，旨在提高运营效率、降低生产成本、助力产业增效增收，为智能自动化奶牛乳腺炎检测技术的发展与应用规划提供建议。

关键技术方法方面，本文为综述性研究，未涉及原始实验数据采集。研究人员通过系统检索与归纳过去25年相关文献，围绕IRT测温原理与参数（发射率、色板、热灵敏度、测温范围）、数据集构建与影响因素（实验动物准备、乳房健康状态分类方法、挤奶方式、牛舍环境、相机位姿）、温度提取（ROI选择、ROI分割与处理流程、温度统计量）以及乳房健康状态诊断（温度变化趋势、阈值与截断值、判别方法与可行性分析）等方面进行综合分析。文献涉及的样本队列来源包括Sahiwal牛、Murrah水牛、荷斯坦牛（Holstein）、3/4荷斯坦×1/4吉尔牛、3/4荷斯坦×1/4瘤牛等不同品种，以及大肠杆菌（E. coli）内毒素脂多糖（LPS）诱导模型与活菌攻击模型等实验设计。

研究结果方面，第一，关于IRT原理与参数，依据斯特藩-玻尔兹曼定律与普朗克定律，IRT将物体表面发射的红外辐射转换为温度数据，探测器阵列接收760 nm至1 mm波长范围的红外信号并转换为像素温度值生成热图像；发射率设置需仔细校准（通常0.93-0.98，因体表区域而异），奶牛体表黑白毛发分布不均导致反射率存在个体差异，需自适应发射率校准方法；伪彩色热图像对比度丰富、细节清晰，利于ROI与周围区域区分，但内存占用高、计算成本大，灰度热图像内存消耗少、计算更快，更适合实时检测。第二，关于数据集构建与影响因素，实验奶牛可通过自然感染或人工诱导患乳腺炎，人工诱导通过实验接种大肠杆菌与LPS等病原体实现；乳腺炎按美国国家乳腺炎委员会标准分为临床型（CM）与亚临床型（SCM）；挤奶时间与方式显著影响温度提取与诊断结果，机器挤奶牛UST约比手工挤奶牛高1.0 °C，挤奶后左右后乳房温度分别升高1.29 °C与1.31 °C，高产奶牛UST约比低产奶牛高0.98 °C；牛舍环境因素（环境温度、湿度、风速、太阳辐射、空气质量）通过生物热交换影响皮肤-空气界面，温湿指数（THI）越高体表温度越高，建议在环境温度10-25 °C、相对湿度40-70%、风速<0.5 m s^-1条件下采集图像，THI≥72时仅作相对比较并将THI作为协变量，THI>80时不建议采集UST；相机位置方面，测量误差随测量距离增加，小ROI测量距离通常0.3-1 m，大ROI为1-3 m，单相机适用于高通量筛查，多相机适用于双侧采集或三维重建。第三，关于温度提取，ROI可分为眼部、乳房与短挤奶管（SMT）三类，相机光轴与皮肤表面夹角应<15°，视角≤30°时温度误差<0.05 °C，>75°时误差>1.2 °C；ROI分割可手动或自动进行，手动标注耗时且依赖个人细致分析，自动标注与手动标注高度相关（r>0.98），Se与Sp均超过93%；深度学习分割网络中U-Net家族平均交并比（MIoU）接近90%，DeepLab家族约85%，YOLO家族检测平均精度均值（mAP）>95%、帧率（FPS）>100。温度参数中最大温度（Tmax）变异系数最低（0.15%）、测量误差最小，是表征乳房温度的最佳参数，平均温度（Tavg）可作为次要指标，最小温度（Tmin）与温度范围可靠性低、不推荐。第四，关于乳房健康状态诊断，LPS攻击模型中临床症状最早于攻击后2 h出现，直肠温度（Tr）与UST自4 h起同步升高、6 h达峰，UST主要反映全身发热、对极早期局部炎症敏感性低于临床症状；活菌攻击模型中Tr与UST于攻击后11-17 h升高、13 h达峰，Tmax显著性超过Tavg；基于UST的诊断中，Velasco-Bola?os等（2021）利用ROC曲线分析与混合效应线性回归模型优化UST诊断可靠性（AUC>0.85），但SCM诊断灵敏度较低（Se=0.42-0.53）；基于ΔUST的诊断中，健康奶牛左右乳房温度呈正态分布，两侧温差超过1.5 °C时乳中体细胞数（SCC）显著增加，SCM与CM奶牛UST分别为37.9 °C±0.09 °C与38.2 °C±0.10 °C，比健康奶牛高0.8 °C与1.1 °C，UST与SCC（r=0.93）及电导率（EC，r=0.95）显著正相关；基于眼温与乳房表面温差（ET-UST）的诊断中，ET受环境因素影响小、与Tr强相关，Deoni牛诊断阈值为0.58 °C，Karan Fries牛为0.8 °C，结合ΔUST与ET-UST的双重诊断方法可显著提高检测准确率；基于SMTT的诊断中，SMTT与乳腺炎病理状态显著相关（p<0.05），与UST、乳房表面温度（TST）及ET相关系数为0.87-0.98（p<0.01），与SCC及加州乳腺炎试验（CMT）评分显著正相关（r=0.68-0.91，p<0.01），但诊断阈值需随季节调整。第五，关于现有局限与发展趋势，参数设置与图像呈现方面存在体表毛发覆盖差异导致设备参数难以普适、色板选择影响细节可视化与自动分割精度等问题，未来可采用RGB与IRT数据融合策略、温梯区域增强算法与多模态深度融合；数据采集与干扰方面需建立标准化采集方法、同步记录环境参数并开发相机重定位计算模型；深度学习优化方面需标准化多场景多角度图像采集系统、应用生成对抗网络（GANs）或扩散模型生成合成数据、采用迁移学习与域适应提升跨牛舍泛化能力，并结合轻量化模型设计与边云协同计算框架；动态诊断标准与多场景应用方面需构建传统指标与外部影响因素及体表温度的映射关系、设计多模态数据融合网络实现动态诊断，并将各ROI随时间变化的温度信息纳入时间序列分析。最后，讨论部分指出未来可将AR眼镜应用于牛舍实现多场景实时疾病检测，农场工作人员佩戴AR眼镜巡视时可作为动态相机实时采集RGB与IRT图像等多源数据，结合奶牛识别（ID）系统，通过时间序列分析融合处理一段时间内多ROI数据，利用图像数据、环境参数、生理与行为数据构建多模态信息协同预警模型，实现乳腺炎分级风险评估并将干预建议反馈至AR眼镜指导处理；该方案可采用"轻量前端采集、边缘或固定终端计算、实时AR反馈"的分布式架构，AR眼镜主要执行RGB与IRT图像采集、结果显示与人机交互，复杂图像处理、多模态融合与风险评估由边缘服务器或固定终端完成。AR眼镜的主要优势包括：通过免手持原位增强显示使常规巡视同时用于数据采集与验证，减少额外劳动且不改变现有工作流程；设备端执行身份解析与轻量边缘推理进行初步分类与质量自检，计算密集任务延至离线更新，降低现场计算与通信成本；在单一界面内验证多模态一致性，显著降低单模态输入的假阳性并自动将警报映射至SOP；边缘衍生特征与质量标志写回单一每牛状态流，便于季节性重新校准与模型再训练，实现可扩展部署。尽管所提方法具有可行性与应用潜力，AR眼镜用于奶牛乳腺炎早期预警仍面临电池续航、重量与散热难以平衡，黑体校准、跨设备一致性维护与几何-热联合校准带来持续运营支出，个体识别在遮挡及体表特征被泥污粪便遮挡时缺乏鲁棒性，模型性能高度依赖高质量标注与先验约束，田间实施高度依赖SOP依从性且长期多源警报可能诱发警报疲劳等局限，需进一步研究克服。