基于深度学习和红外热成像的亚洲象耳廓表面温度自动监测

《Animals》：Automated Auricular Surface Temperature Monitoring in Asian Elephants Using Deep Learning and Infrared Thermography

　　

亚洲象（Elephas maximus）因体型庞大、相对体表面积较小、毛发稀疏且缺乏功能性汗腺，面临显著的热调节限制。可靠的体温测量对于评估野生及圈养种群的体温状态和福利至关重要，但传统的直肠测温法需要近距离物理接触、动物训练及反复人工操作，使得高频、连续和大规模监测难以实现。本研究开发了一种非侵入性框架，用于在红外热像图中自动检测外耳并提取耳廓表面温度。研究人员对八头半圈养亚洲象同步测量了直肠温度、区域表面温度、环境温度和相对湿度，共获得425组匹配观测数据。采用重复测量相关分析（repeated-measures correlation）处理重复观测的非独立性，评估直肠温度与三个解剖区域（头部、外耳、躯干及四肢）表面温度之间的关联。结果显示，外耳平均温度与直肠温度的个体内关联最强（rrm = 0.395，p < 0.001），表明外耳是后续自动化监测的最佳热窗口。研究训练了八种轻量级YOLO模型——YOLOv5n、YOLOv5s、YOLOv8n、YOLOv8s、YOLO11n、YOLO11s、YOLO26n和YOLO26s，使用2178张标注红外图像进行训练，并在包含额外个体的194张独立测试图像上评估。模型性能通过检测指标、推理速度、Bland–Altman一致性、Taylor图统计量以及结合蒙特卡洛敏感性分析的加权多准则评分进行评估。YOLO11n综合表现最佳，mAP50达到0.933，推理速度为每秒164帧。该框架为自动化耳廓温度监测提供了高效方法，在象类福利管理和远程生理监测方面具有潜在应用价值。

论文解读：基于深度学习和红外热成像的亚洲象耳廓表面温度自动监测研究

一、研究背景与问题提出

亚洲象（Elephas maximus）作为大型恒温哺乳动物，必须持续通过行为和生理机制调节热交换以维持热平衡。然而，其较小的体表面积与体积比、稀疏的体毛以及几乎完全缺失的汗腺，严重限制了通过皮肤散热的能力。亚洲象主要栖息于热带和亚热带地区，这些区域的环境温度可能接近甚至超过体温。在气候变化背景下，其原始栖息地预计将变得更加温暖和干燥，极端高温和低温事件可能更加频繁，这对野生亚洲象的生存和人工饲养条件下象群的福利均构成潜在威胁。

评估亚洲象热适应能力需要可靠的核心体温测量。以往研究报道亚洲象平均核心体温约为36.1°C，范围在35.9–37.1°C之间。传统上，亚洲象核心体温通过人工测量直肠温度来近似获取，但这种方法要求动物在清醒状态下接受训练并配合操作，涉及近距离接触和反复处理，不适用于大量高频数据的采集。虽然已有植入式微芯片、生物传感器以及可吞咽的温度记录装置等自动化监测方法，但这些方法均存在实际限制，如咀嚼损伤、胃肠道通过时间不确定以及设备随粪便排出后丢失等问题。因此，需要一种更高效、侵入性更小的象类体温状态监测方法。

红外热成像（Infrared Thermography, IRT）作为一种非侵入性技术，能够可视化表面温度的空间分布，具有远程操作、数据采集快速、对动物干扰小等优势，已越来越多地应用于哺乳动物生理监测。以往研究已证实耳廓因其丰富的血管网络和较大的暴露表面积，是象类重要的热窗口。然而，从单张热像图中人工定义感兴趣区域并提取温度值耗时费力，延迟了实时监测。基于人工智能的计算机视觉方法，特别是YOLO（You Only Look Once）系列单阶段目标检测模型，具有推理速度快、在复杂场景中识别性能稳健的特点，适合实时应用。但目前仍存在两个关键知识空白：一是大多数自动化热成像研究直接选择解剖目标而未事先系统验证其与核心体温的生理关联；二是尚未有研究为亚洲象这一具有独特热调节限制的物种开发自动化热监测框架。

二、研究目的

本研究旨在：（1）比较直肠温度与头部、外耳、躯干及四肢三个解剖区域表面温度的关系，确定最适合自动化监测的区域；（2）训练并比较八种轻量级YOLO模型在红外图像中自动检测选定区域的能力；（3）通过将模型生成的边界框映射到原始温度矩阵，提取检测区域的平均和最高温度；（4）综合检测性能、推理速度和自动与人工提取温度的一致性，评估并排序各模型。该研究发表于《Animals》期刊。

三、关键技术方法

研究人员于2025年8月至2026年6月在中国云南省西双版纳傣族自治州景洪市勐养镇野象谷景区开展研究，研究对象为云南亚洲象救护与繁育中心的八头半圈养亚洲象，包括五头雌性和三头雄性，年龄从3岁至约40岁不等。数据采集使用iButton DS1922L温度记录仪测量直肠温度、Fluke TiS55+红外热像仪获取体表热像图、BENETECH GM1365温湿度记录仪监测环境条件。研究共获得425组时间匹配的直肠温度、体表温度、环境温度和相对湿度数据。此外，研究还纳入了同一研究组在同一研究地点于2016年3月至2020年1月及2023年11月至2024年10月期间采集的历史红外热像图，涵盖半圈养、圈养和野生亚洲象，最终形成2372张红外热像图的完整数据集。研究采用重复测量相关分析（repeated-measures correlation, rmcorr）评估区域表面温度与直肠温度的个体内关联；使用LabelImg工具人工标注外耳区域；训练了四个YOLO世代（YOLOv5、YOLOv8、YOLO11、YOLO26）各两种轻量级规模（n和s）共八种模型；通过Bland–Altman分析和Taylor图评估自动与人工提取温度的一致性；采用加权多准则模型选择框架并结合蒙特卡洛敏感性分析确定最优模型。

四、研究结果

4.1 最佳热监测区域的选择

重复测量相关分析显示，所有测试变量与直肠温度均存在统计学显著的个体内关联（df = 417，所有p < 0.001）。在解剖区域衍生指标中，外耳平均温度（ET_avg）与直肠温度的个体内相关性最强（r_rm = 0.395，95%CI [0.30, 0.48]），其次是头部平均温度（r_rm = 0.392）和躯干及四肢平均温度（r_rm = 0.381）。各区域最高温度指标的r_rm值相对较弱。根据预设选择标准，外耳平均温度被确定为后续自动化检测和温度提取的目标指标。

4.2 外耳区域的自动检测

八种训练模型均能成功识别红外热像图中的外耳区域，但检测置信度和边界框位置存在差异。在验证集上的内在检测性能方面，所有模型均达到至少0.920的mAP50。YOLOv8s展现出最强的精确率与召回率综合表现，精确率为92.9%，召回率为92.4%，F1分数为92.6%。YOLO26s获得最高mAP50值0.947，其次是YOLOv8s的0.940。推理速度方面，轻量级n模型普遍快于对应s模型，YOLOv5n达到最高每秒213帧，其次是YOLO26n的189帧和YOLO11n的164帧。

4.3 自动温度提取与一致性评估

对于平均外耳温度提取，所有模型的绝对平均偏差均低于0.15°C，表明自动与人工提取之间几乎没有系统性偏差。YOLOv5n偏差最小（?0.02°C），YOLO26s产生最窄的95%一致性界限（?0.641至0.489°C）。对于最高外耳温度提取，各模型的偏差和一致性界限普遍大于平均温度提取。YOLOv8s偏差最小（?0.125°C）且一致性界限最窄（?1.138至0.889°C），而YOLOv5n和YOLO11s的一致性界限显著较宽。Taylor图分析显示，在平均温度提取中，YOLO11n表现最强，相关系数为0.9986，标准差比为1.014，RMSD为0.262°C；在最高温度提取中，YOLOv8s最接近参考点，相关系数为0.984，标准差比为1.009，RMSD为0.565°C。

4.4 加权多准则模型排序

在平均温度提取任务中，YOLO11n获得最高综合得分0.727，YOLOv8n排名第二（0.628）。在最高温度提取任务中，YOLOv8n得分最高（0.861），YOLO26n排名第二（0.815），YOLO11n排名第三（0.776）。YOLOv5s在两个任务中均排名最后。蒙特卡洛敏感性分析显示，在1000次权重扰动中，YOLO11n在平均温度任务中100%排名第一，YOLOv8n在最高温度任务中始终排名第一。综合跨任务排名稳定性、推理速度和边缘部署适用性，YOLO11n被选为自动外耳温度提取的首选模型。

五、讨论与结论

5.1 讨论部分总结

研究结果表明，外耳温度与直肠温度在相对温和的静息条件下仍保持关联，说明外耳不仅是运动或极端环境暴露期间主动散热的部位，也是常规生理监测中具有潜在信息价值的区域。然而，耳廓温度与核心体温的关联为中等强度而非足够强，不能直接替代核心体温测量，应将其解释为受血管调节、环境条件、行为和个体特征影响的外周热指标。

研究的一个重要方法学发现是，传统目标检测精度与温度提取性能并不必然等同。模型生成的边界框可能满足mAP计算的交并比阈值，但仍包含或排除影响提取温度的关键像素，这一问题对最高温度提取尤为重要，因为结果可能仅由一个或少数高温像素决定。轻量级n模型在加权评估中普遍优于对应s模型，这可能是因为某些轻量模型产生了更一致的边界框位置。

研究存在若干方法学局限：矩形边界框无法精确贴合象耳的不规则轮廓，可能包含相邻头部、躯干或热背景区域；红外表面温度测量受环境温度、相对湿度、风速、太阳辐射、表面湿度、相机距离、视角、发射率和反射背景辐射等因素影响，研究未在温度提取后进行系统校正；环境温湿度在距地面10厘米高度记录，不能完全代表耳廓高度的空气条件；发射率设定为0.98基于人体皮肤常用值，尚未独立验证其对亚洲象皮肤的适用性；Bland–Altman分析验证的是两种区域选择程序之间的一致性，而非红外相机测量真实物理温度的绝对精度；重复测量相关分析未在统计上控制环境协变量。

5.2 研究结论

本研究开发并验证了一种非侵入性深度学习框架，用于从亚洲象红外热像图中自动检测外耳并提取耳廓表面温度，其核心创新在于将热靶区域的先验生理验证整合到自动化检测流程开发中。在研究的三个体表区域中，外耳与直肠温度的正向关联最强，支持其作为非侵入性热监测的生理信息区域。然而，这种关联的中等强度意味着耳廓温度不能直接替代核心体温，应被解释为外周热指标。八种轻量级YOLO模型均展现出较强的外耳检测性能。一个关键方法学发现是，仅凭传统目标检测指标不足以选择用于热成像测量应用的模型，因为边界框位置的微小差异可能显著影响提取的热值，尤其是最高温度。YOLO11n在检测精度、温度提取一致性和推理速度之间提供了最均衡的综合表现，被选为实际部署的首选模型。该框架为圈养亚洲象的标准化耳廓表面温度监测提供了一种快速、非侵入且计算高效的方法，其直接应用在于自动化提取外周热测量值，而非直接预测核心体温或临床诊断发热和热应激。在更广泛种群和环境条件下的进一步验证将支持其向更广泛应用场景的拓展。