Машинное зрение и инфракрасная термография для выявления заболеваний копыт у молочных коров: обзор.

ЗАКАЗАТЬ СИСТЕМУ

Инфракрасная термография (ИКТ) — это неинвазивный и безопасный метод отображения температурной карты объектов, который может использоваться для выявления заболеваний копыт и хромоты, что позволяет значительно снизить финансовые затраты и физический стресс у животных.

В данной работе был применен качественный библиометрический метод, основанный на анализе публикаций самими авторами с использованием сложных инструментов научных баз данных. В обзоре представлены основы ИРТ, а также последние разработки в области ИРТ-диагностики в молочном животноводстве, включая предварительную обработку, сегментацию и классификацию объектов на ИРТ-изображениях. Кроме того, рассмотрены последние исследования, посвященные выявлению заболеваний копыт и хромоты с помощью ИРТ.

В результате исследования проведено сопоставление отдельных предыдущих работ с точки зрения технических аспектов ИРТ-измерений, таких как коэффициент излучения, расстояние, температурный диапазон и отраженная температура воздуха. Затем обсуждаются рекомендации для будущих ИРТ-измерений.

1. Введение

Инфракрасная термография (ИКТ) — это неинвазивный и безопасный метод отображения температурной карты объектов, которая затем может быть обработана на компьютере [1]. Благодаря техническому прогрессу этот метод нашел многочисленные применения во многих областях, включая строительство, машиностроение и энергетику, например [2, 3].

Что касается применения ИРТ в гуманной и ветеринарной медицине, то она в основном используется в качестве диагностического инструмента или для мониторинга боли [4, 5, 6]. ИРТ также позволяет эффективно оценивать стресс у животных, как сообщается в [7, 8].

В точном земледелии он в основном используется как индикатор термобиометрических изменений поверхностной температуры животных [9] с применением для оценки беременности у кобыл на поздних сроках [10], благополучия животных, отъема жеребят или для скрининга температуры конечностей [11]. Это связано с тем, что температура конечностей и кожи зависит, помимо прочего, от кровотока и метаболизма тканей [12].

Если происходят изменения кровотока в конечностях, излучаемое тепло изменяется из-за изменений кровотока, что может быть обнаружено с помощью ИК-термографии. Выявление таких изменений может указывать на развитие воспаления в месте поражения или локальные изменения метаболической активности [13].

Однако следует помнить, что температура тела скота постоянно меняется в течение дня. Эти колебания обусловлены не только наличием нежелательных физиологических изменений, но и физической активностью организма и влиянием окружающих климатических условий [14]. Предыдущие исследования также подтвердили, что ИК-термография является эффективным инструментом для определения температуры тела скота и его частей, включая копыта, подверженных ряду заболеваний, проявляющихся на разных стадиях, особенно хромоте [15, 16].

Поскольку хромота широко распространена во всем мире, здоровые копыта важны для животноводства. Заболевания копыт и хромота приводят к значительным финансовым затратам и физическому стрессу для животных [17, 18]. В 90% случаев хромота вызвана аномалиями копыт [19]. Поэтому крайне важно принимать профилактические меры, чтобы избежать значительных экономических потерь, вызванных хромотой.

До настоящего времени состояние копыт и хромота выявлялись с помощью традиционных диагностических методов, включающих визуальный осмотр копыт, наблюдение за поведением животного, использование параллельных силовых платформ, шагомера или акселерометра.

Визуальный осмотр копыт можно проводить, например, во время плановой обрезки копыт. С помощью простого оптического прибора обычно можно диагностировать, например, дигитальный дерматит [20]. Тем не менее, визуальный осмотр копыт особенно затруднен из-за недостаточной гигиены [21]. Поведенческий мониторинг состоит в оценке походки у молочных коров, которая, однако, демонстрирует переменную точность в зависимости от причины хромоты и стадии заболевания [22]. Более того, оценка субъективна и несопоставима между разными оценщиками [23].

Выявление хромоты также может быть достигнуто с помощью более сложных устройств, таких как параллельные силовые платформы, которые измеряют силовые реакции, действующие на землю, когда коровы ходят по этим платформам. Этот метод и другие подобные ему ограничены рядом факторов (положение коровы, скорость наполнения вымени, уровень беременности коровы и т. д.) [24].

Использование шагомера для мониторинга двигательной активности молочных коров может применяться не только для обнаружения течки, но и для раннего выявления хромоты в молочных стадах [25]. В отличие от предыдущих методов, использование шагомера представляется очень перспективным, и предыдущие исследования показали, что этот метод очень точен и подходит для раннего выявления большинства случаев развивающейся хромоты [26].

Аналогично, использование акселерометров, прикрепленных к телу молочной коровы, представляется перспективным. Трехмерные акселерометры, измеряющие ускорение спины и ног молочных коров, могут быть полезным инструментом для выявления хромоты [27].

Вышеупомянутые традиционные методы выявления хромоты у молочных коров могут быть ограничены низкой точностью, субъективностью наблюдателя или низкой совместимостью с компьютерными технологиями. В отличие от них, ИК-термография представляет собой метод, демонстрирующий высокую точность, объективность и возможность внедрения в сложные компьютеризированные системы дистанционного мониторинга заболеваний для заводчиков и ветеринаров [1]. Кроме того, с ИК-термографией можно комбинировать методы визуального наблюдения за копытами и поведенческого наблюдения за молочными коровами [28, 29]. С другой стороны, метод ИК-термографии для выявления хромоты требует углубленных знаний технологии, умения правильно настраивать несколько технических параметров, чтобы полученные изображения были достоверными, сопоставимыми и свободными от нежелательных отражений и других дефектов.

По этой причине целью данного исследования было представить обзор последних исследований, посвященных выявлению хромоты у молочных коров с использованием ИРТ, включая оценку технических аспектов их измерений, что послужит основой для разработки обобщенных рекомендаций по оптимизации технических параметров ИРТ-диагностики.

2. Материалы и методы

Для библиометрического анализа научных публикаций в основном использовались базы данных Web of Science (WoS) и ScienceDirect (SD). Эти базы данных содержат оригинальные исследовательские и обзорные статьи, главы книг и другие публикации высочайшего качества. По этой причине WoS и SD были выбраны в качестве основных источников информации в данном исследовании. Кроме того, публикации, полученные из указанных баз данных, были дополнены статьями, найденными в SpringerLink (индексируется Scopus) и Wiley Online Library.

В сферу исследования в основном вошли публикации издательств Elsevier и Cambridge University Press. Были проанализированы все недавно опубликованные публикации в WoS и SD, найденные с использованием ключевых слов «IRT hoof», «IRT dairy cows», «thermography hoof» и «thermography dairy cows» в категориях «Сельское хозяйство, молочное животноводство» и «Ветеринарные науки». Несколько более старых публикаций были добавлены в связи с их релевантностью.

В работе был применен качественный библиометрический метод, основанный на анализе публикаций самими авторами, частично поддерживаемый сложными инструментами WoS и извлечением библиометрических данных для обработки в табличном программном обеспечении. Использованный методологический подход включал следующие этапы:

• Идентификация публикаций в научных базах данных по ключевым словам: «IRT hoof», «IRT dairy cattle», «thermography hoof» и «thermography dairy cattle».
• Анализ результатов и отбор релевантных публикаций в журналах, посвященных теме статьи, проводился с использованием инструмента «Анализ результатов» (WoS).
• Загрузка всех выбранных релевантных публикаций за анализируемый период и извлечение их библиометрических данных (авторы, название, год выпуска, ключевые слова, дополнительные ключевые слова, издательство) с использованием инструментов «Экспорт в Excel» (WoS) и «Извлечение» (SD).
• Обработка библиометрических данных с использованием программного обеспечения для работы с электронными таблицами MS Excel 2019 (сортировка по требуемым критериям, идентификация статей одних и тех же авторов, анализ ключевых слов для дальнейшего поиска).
• Детальный качественный анализ содержания отобранных публикаций по следующим критериям:

• • исследованная проблема/тема,
  • область применения,
  • используемый тип метода/алгоритма,
  • Полученные результаты и их значимость для решения исследуемой проблемы.

3. Основы теории ответа на вопросы

ИК-термография в настоящее время широко используется во многих областях, и ее значение также незаменимо в медицине человека и ветеринарии [30, 31]. Это неинвазивная методика, при которой физический контакт с измеряемой поверхностью не требуется [32].

ИК-термография основана на фундаментальных законах излучения — законе Стефана-Больцмана, законе смещения Вина и законе Планка [33]. Принцип ИК-термографии заключается в свойстве всех тел с температурой поверхности выше абсолютного нуля излучать электромагнитное излучение [32]. Часть спектра электромагнитного излучения с длинами волн от 780 нм до 1 мм определяется как инфракрасное излучение и может использоваться для измерения температуры поверхности тела [34].

Инфракрасное излучение поглощается тепловизионной камерой и преобразуется в электрические импульсы, которые обрабатываются программным обеспечением и отображаются в виде термограммы в псевдоцветах, представляющих различные температуры в инфракрасном диапазоне [35, 36, 37, 38, 39].

Тепловое изображение, термограмма, — это изображение, полученное с помощью тепловизионной камеры. В зависимости от объема получаемой информации термограммы можно разделить на нерадиометрические и радиометрические [40]. Нерадиометрическая термограмма — это простое изображение распределения температуры [41].

Радиометрическая термограмма содержит информацию о температуре поверхности объекта и свойствах поверхности, влияющих на способность излучать инфракрасное излучение [42]. Эти параметры включают коэффициент излучения  ε, информацию об окружающей атмосфере — видимую отраженную температуру, относительную влажность и расстояние от измеряемого объекта [43].

Излучательная способность — это отношение интенсивности излучения реального тела к интенсивности излучения абсолютно черного тела с той же температурой. Излучательная способность определяет способность тела излучать тепло. Излучательная способность не является постоянной для данной поверхности, а является функцией ряда параметров: угла отклонения от нормали к поверхности, температуры объекта, длины волны, цвета поверхности, текстуры поверхности и ее загрязнения и т. д. [44].

Температура атмосферы, относительная влажность атмосферы и расстояние между тепловизионной камерой и поверхностью измеряемого объекта корректируются для учета влияния атмосферы. Атмосфера ослабляет тепловое излучение от измеряемой поверхности. Ослабление зависит главным образом от относительной влажности и расстояния.

Сама атмосфера является источником теплового излучения. Интенсивность теплового излучения атмосферы зависит главным образом от ее температуры, а также от ее состава. Кажущаяся отраженная температура — это окружающее тепловое излучение, отраженное от поверхности измеряемого объекта и попадающее на датчик тепловизионной камеры. Камера не различает, является ли это тепловое излучение тела или отраженное тепловое излучение.

Влияние отраженной кажущейся температуры тем выше, чем больше отражательная способность поверхности. Чем больше излучательная способность поверхности, тем меньше ее отражательная способность. Расстояние до измеряемого объекта влияет на поле зрения камеры, наименьший обнаруживаемый объект камеры и наименьший измеряемый объект камеры. Поле зрения камеры — это область, видимая датчику. Наименьший обнаруживаемый объект камеры соответствует размеру одного пикселя в зависимости от расстояния. В целом, влияние атмосферы тем больше, чем дальше находятся измеряемые объекты [38].

Термограмма состоит из отдельных пикселей и предоставляет информацию о поверхностном распределении кажущейся температуры на поверхности измеряемого объекта (объектов) [45].

Инфракрасные камеры измеряют температуру не напрямую, а её выходной сигнал, пропорциональный интенсивности падающего излучения. Псевдоцвета (ложные цвета) — это цвета, отличающиеся от тех, которые воспринимает человеческий глаз или датчики, улавливающие свет на тех же длинах волн, что и глаз.

Псевдоцвета можно использовать для отображения данных, полученных в областях электромагнитного спектра, невидимых невооруженному глазу (например, инфракрасное излучение), или для выделения значений (например, путем преобразования оттенков серого в разные цвета). Поскольку обычно используемые датчики не различают длину волны излучения, получаемое изображение является монохроматическим. Полученная термограмма отображается в псевдоцветах.

На основе цветовой палитры различным областям могут быть присвоены оттенки в зависимости от температуры [46]. Радиометрическая термограмма включает палитру — температурную шкалу и соответствующую ей температуру в °C (°F). Анализ монохроматических цветов подходит для одних приложений, а для других — определенная цветовая палитра. Выбор цветовых палитр обеспечивает гибкость анализа.

Стандартными цветовыми палитрами для термограмм являются железная, серая и радужная [47]. В зависимости от производителя цветовые палитры могут иметь разные названия или могут быть добавлены дополнительные типы [48]. Температурная шкала может быть фиксированной или изменяться в зависимости от самой высокой/самой низкой точки температуры. Настройка шкалы может быть выполнена в программном обеспечении для анализа или в соответствующем меню инфракрасной камеры.

Радиометрическая термограмма — это результат сканирования тепловизионной камерой, и каждая точка на ней представляет собой измеренную температуру поверхности [49]. Тепловизионные камеры способны обнаруживать изменения температуры ниже 0,05 °C. При использовании железной палитры самые горячие участки отображаются на термограмме белым или красным цветом, а самые холодные — синим и черным.

Повышенная температура (горячие точки) обычно указывает на воспаление или усиление кровотока, в то время как более низкие температуры (холодные точки) указывают на снижение кровотока [50, 51]. Количество излучаемого инфракрасного излучения различно для каждой части животного [52].

Согласно проведенным исследованиям, рекомендуемый диапазон значений коэффициента излучения составляет 0,95–0,97 для шерстистой кожи млекопитающих, например, см. [53, 54, 55], но, согласно [56], достаточное определение коэффициента излучения шерсти необходимо для получения точных данных о температуре, на которые влияют различные факторы, и поэтому используемый диапазон коэффициента излучения не может быть применен ко всем особям или видам.

4. Последние достижения в области ИК-детектирования

Изображения, полученные с помощью ИК-термографии, предоставляют неоспоримые преимущества для непосредственного получения распределения температуры поверхности наблюдаемого объекта, а также для обнаружения и идентификации объектов, излучающих тепловое излучение в условиях низкой освещенности, когда запись видимого спектра недостаточна [57, 58], или для обнаружения дефектов наблюдаемого объекта, которые не могут быть зарегистрированы обычными фотодатчиками [59, 60, 61].

Однако изображения, полученные с помощью тепловизионных датчиков, в настоящее время все еще имеют значительно более низкое разрешение, чем изображения, полученные с помощью стандартных датчиков изображения, предназначенных для захвата видимого спектра [62].  В таблице 1  показано, что значительное число авторов имели изображения с разрешением 320 × 240 пикселей, что составляет менее 0,1 Мп.

Тепловое изображение с самым высоким разрешением для исследованных источников составляло 640 × 512 пикселей. Еще одним характерным недостатком изображений ИК-спектроскопии является низкий контраст и значительное количество шума, при этом типичной особенностью изображений ИК-спектроскопии являются размытые края наблюдаемого объекта, в отличие от изображения в видимом диапазоне [57, 63].

Таблица 1.  Разрешение тепловых изображений, используемых для обнаружения в животноводстве.

Существует довольно широкий спектр методов обработки изображений в ИК-диапазоне. Однако во многих источниках их классификация не является четкой и исчерпывающей. В литературе можно встретить категоризацию методов в пространственную и частотную области [59, 68, 77], предварительную обработку, сегментацию, извлечение признаков и классификацию [97].

Другая категоризация представлена ​​в [98], где предлагается классификация методов модификации гистограммы, точечных методов и методов обработки с учетом контекста, а Чирич и др. включают сегментацию и классификацию изображений, а также извлечение специфических признаков в число основных областей обработки изображений [99].

Источники также различаются в указании последовательности используемых методов. Например, Флере и др. утверждают, что сегментация представляет собой первый шаг в обработке изображений [100]. В отличие от них, Вакар Акрам и др., Шанмугам и Секаран, а также Сюн и др. Применяйте методы сегментации после завершения других операций [78, 80, 101]. Большинство источников сходятся во мнении об использовании комбинации нескольких методов в обработке изображений IRT.

4.1. Предварительная обработка изображений ИК-спектроскопии

Различные научные группы используют разные методы предварительной обработки изображений. Согласно [61], простейшими методами обработки изображений, которые можно использовать для повышения качества тепловых изображений, являются методы, основанные на регулировке контраста. Для оптимизации контраста изображения обычно применяется выравнивание гистограммы — метод, приводящий к равномерному перераспределению уровней яркости отдельных пикселей, так что результирующая гистограмма становится максимально плоской [98].

Процесс выравнивания гистограммы делится на три части. Первая часть — это вычисление гистограммы, за которым следует вычисление нормализованной суммы гистограммы, а последний шаг — преобразование входного изображения в выходное изображение [101]. Ашиба и др. выбрали гамма-коррекцию, определяемую как нелинейная функция, которая изменяет распределение значений яркости входного изображения, в качестве основной операции, которую они дополнительно объединили с методами сопоставления изображений (сопоставление гистограмм) и адаптивного выравнивания гистограммы с ограничением контраста (CLAHE) [102].

Методы улучшения изображения не только повышают качество изображения, но и позволяют улучшить резкость деталей и уменьшить шум изображения. В пространственной области они работают с прямой манипуляцией пикселями изображения, где изменяются их значения [77]. Линейные фильтры применяются с использованием свертки, то есть новое значение каждого пикселя вычисляется на основе значений пикселей в соседней области исходного пикселя и коэффициентов ядра оператора, который обычно представляет собой квадратную матрицу значений с нечетным числом строк и столбцов [98].

Распространенной операцией, приводящей к улучшению изображения, является шумоподавление, при котором, например, обычно применяется гауссовский фильтр, который относится к группе линейных фильтров и очень эффективно уменьшает шум, сглаживая изображение за счет мелких деталей [66, 78]. Главным представителем нелинейных методов фильтрации является медианный фильтр [94], который заменяет значение каждой точки исходного изображения медианой значений окружающих ее точек, тем самым устраняя изолированные шумовые точки [103].

Медианный фильтр оказывает очень сильное воздействие на подавление шума типа «соль и перец» [85, 104]. Изображение также может быть изменено в частотной области с использованием преобразований Фурье [70], вейвлет-преобразования [105] и косинусного преобразования [106, 107] для преобразования изображения в сигнал. Ахрари и др. и Бомбрун и др. применили вейвлет-преобразование для уменьшения шума изображения, при этом значения шума принимали разные частоты по сравнению с другими точками; затем нежелательные частоты были устранены с помощью фильтров нижних и верхних частот [88, 108].

Следует также упомянуть применение методов, основанных на тепловом контрасте, с использованием инфракрасной термографии, пригодных для идентификации дефектов в наблюдаемом объекте. Классические значения теплового контраста соответствуют разности между температурой исследуемого пикселя или средней температурой группы пикселей и температурой здоровой области, которая является эталонной неповрежденной областью объекта в данный момент времени.

Однако определение здоровой области затруднительно; ее локализация зависит от наличия и распознавания неповрежденных частей объекта, существование которых может быть неизвестно заранее. Ограничения, касающиеся Sa, исчезают с введением метода дифференциального абсолютного контраста, который основан на одномерном решении уравнения диффузии Фурье для полубесконечных поверхностей, подверженных тепловому возбуждению импульсом Дирака [109].

Еще один метод компьютерной обработки изображений — математическая морфология. Примером морфологической обработки изображений является то, что изображение рассматривается как множество (бинарные изображения) или функция (изображения интенсивности). Базовая концепция — это структурирующая характеристика, которая применяется к входному изображению, после чего генерируется выходное изображение.

Основные морфологические операции — это эрозия, дилатация и морфологическое открытие. Вышеуказанные операции применяются к термограммам, полученным из последовательности тепловых изображений. Оценка фона в последующей процедуре обработки изображений проводится для обнаружения дефектов на последующих изображениях исследуемого физического объекта. К ее преимуществам относятся комплексные операции, связанные с анализом формы и относительного расположения объекта, присутствующего на анализируемом изображении [110].

Алгоритм обработки данных в двух доменах, используемый в термическом неразрушающем контроле, анализирует последовательность термограмм как в области изображения, так и во временной области, и также не может быть пропущен. В начале алгоритма применяется математическая морфология или контрастная фильтрация для удаления неравномерного распределения температуры на поверхности исследуемого тела. Затем тот же подход используется для сегментации обнаружения движения с использованием методов глобального или локального порогового значения. На следующих этапах обработки изображения определяется количество дефектов. Глубина и характеристики автоматически оцениваются относительно нижележащего материала [111].

4.2. Сегментация изображений IRT

Основной метод сегментации изображений — пороговая обработка, при которой изображение извлекается на основе заданного порогового значения [58], размер которого может определяться различными способами, например, прямым отбором [64] или путем нахождения пересечения аппроксимаций значений гистограммы функциями нормального распределения с пиками, соответствующими двум самым высоким значениям гистограммы [67].

Василевска и др. использовали пороговую обработку для выделения объекта из фона. Далее они проводили сегментацию на основе многомерной матрицы совместной встречаемости атрибутов, таких как уровень яркости или градиент яркости [79]. Для бинаризации изображений, то есть для сегментации точек на две категории, часто применяется метод Оцу, который автоматически находит оптимальный порог путем корректировки распределения уровней серого (яркости) на два класса с минимальной внутриклассовой дисперсией и максимальной межклассовой дисперсией [65, 88, 89]. Флере и др.

Этот метод считается достаточно качественным для определения фонового изображения [100]. Бинарное изображение также можно получить, установив пороговое значение в виде условия вместо конкретного значения [74]. Д’Хёйс и др. использовали треугольную пороговую обработку для бинаризации изображений, где для каждой точки гистограммы между пиком и конечным значением вычислялось расстояние до линии, проходящей через пик и конечную точку, а пороговое значение определялось как положение, в котором расстояние между точками гистограммы и линией максимально [95].

Алгоритм сегментации K-средних используется в обработке изображений IRT для уменьшения количества цветов путем их разделения на K категорий; таким образом, изображение сегментируется на кластеры, представляющие выбранные категории [78]. В начале сегментации точки случайным образом назначаются кластерам; затем кластеры постоянно обновляются, и точки переназначаются между кластерами так, чтобы сходство значений точек увеличивалось внутри одного кластера и уменьшалось между разными кластерами [94].

Количество кластеров может быть довольно низким, например, три [112], четыре [113] или шесть [80]. Кнапик и Цыганек использовали сегментацию методом K-средних для уменьшения количества прототипных дескрипторов симптомов [63]. Другой тип метода сегментации — это обнаружение границ [92], типичными примерами которого являются детекторы границ Собеля, Превитта или Кэнни [66, 114].Ли и др. включили детектор границ на основе фазового согласования в свой алгоритм автоматического сопоставления инфракрасных и видимых изображений [84]. После обнаружения границ можно обнаружить прямые линии или круги с помощью преобразования Хафа, которое не подвержено шуму и отсутствию данных изображения [71, 90].

4.3. Классификация объектов на изображении ИК-спектроскопии

Согласно [99], классификация объектов на основе признаков является наиболее распространенным способом распознавания и понимания содержимого изображений. Они также отмечают, что значительное количество признаков, таких как цвет, размеры объекта или описание кривой, может быть извлечено из сегментированных объектов для облегчения последующей классификации. Классификация обычно реализуется с использованием искусственных нейронных сетей, которых существует значительное количество типов.

Например, широко используемым типом является нейронная сеть обратного распространения, которая представляет собой многослойную сеть, состоящую из входного слоя, скрытого слоя и выходного слоя, где эти слои полностью соединены друг с другом, но нейроны одного слоя не имеют связи. Индивидуальные связи определяются синаптическими весами, которые могут быть скорректированы в процессе обучения сети [104, 115].

Если достигается пороговое значение нейрона, то есть если сумма произведений входных значений с соответствующими синаптическими весами равна или больше этого значения, выходной сигнал нейрона генерируется функцией активации, предписание которой одинаково для всех нейронов в одном слое. Внутри нескольких слоев функции активации могут различаться, например, в [72] была представлена ​​трехслойная нейронная сеть с различными функциями активации, в которой для скрытого слоя применялась функция гиперболического тангенса, а для выходного слоя — линейная функция.

В отличие от этого, как Ганг и др., так и Ву выбрали одну и ту же функцию активации — стандартную (логистическую) сигмоидную функцию — для скрытого и выходного слоев [104, 115]. Кананадзе использовал сеть Кохонена, содержащую полносвязанные слои, входной слой с числом нейронов, равным числу пикселей изображения, и выходной слой с пятью нейронами, для анализа кластеров на изображении; в качестве функции активации была выбрана функция softmax [73].

Обучение сети осуществляется без учителя, и ее главные преимущества включают инвариантность к вращению и смещению. Искьердо и др. и Ли и др. В своих исследованиях они сосредоточились на классификации с помощью сверточных нейронных сетей (CNN), которые относятся к алгоритмам в области глубоких нейронных сетей и характеризуются способностью выбирать признаки, способные определять контекст между зависимыми и независимыми переменными [60, 86].

Согласно [116] Сверточные нейронные сети (CNN) обычно характеризуются распределением весов и низкой плотностью связей, что приводит к уменьшению количества параметров при обучении сети, а также снижает вычислительные затраты. Сверточные нейронные сети состоят из трех типов слоев: сверточного, пулингового и классификационного.

Сверточные слои используются для извлечения признаков из изображения и состоят из карт признаков, количество которых равно количеству признаков, то есть, если карты признаков имеют размер  M  ×  N , а количество признаков равно  k, размер сверточного слоя равен  M  ×  N  ×  k . За каждым сверточным слоем следует пулинговый слой, который уменьшает размер сверточного слоя в зависимости от размера карт признаков, тем самым избегая переобучения сети.

Таким образом, его размер можно выразить как  M / t  ×  N / u  ×  k, где  t  и  u  — количество секторов в горизонтальном и вертикальном направлениях соответственно, на которые разделен каждый сверточный слой. Классификационный слой имеет форму полносвязной сети; Его задача — распознавать и классифицировать обнаруженные объекты на изображении, используя извлеченные признаки и их комбинации из предыдущих слоев [117, 118]. CNN также может применяться для интерполяции изображений до более высокого разрешения в методах сверхразрешения [62, 119].

5. Использование ИК-термографии в животноводстве

Инфракрасная технология постоянно развивается, расширяет сферу своего применения и используется как ценный инструмент для диагностики боли и заболеваний у животных и людей. В животноводстве это быстрый и эффективный инструмент, предоставляющий информацию о здоровье животных без необходимости физического контакта [52].

В ветеринарной медицине термография может использоваться в качестве диагностического инструмента для выявления изменений в тканях, может быть дополнительным методом к другим диагностическим методам при физическом осмотре или может использоваться для рутинного мониторинга животных для выявления субклинических проблем [120].

Одна из основных функций инфракрасной термографии — обнаружение изменений температуры тела и кровотока на основе визуализации термографических изменений [121, 122]. Преимущество ИКТ заключается в том, что она позволяет точно определить место повреждения или воспаления и диагностировать заболевание до появления клинических симптомов [123], которые обычно развиваются через две недели после появления изменений на термографических изображениях [13].

Инфракрасная термография впервые была применена в ветеринарной медицине в 1965 году на лошадях [124] и со временем стала широко используемой методикой, которую можно применять к сельскохозяйственным, диким, лабораторным животным и животным, содержащимся в неволе.

В контексте животноводства инфракрасная технология может использоваться, например, для обнаружения мастита у коров [51] и овец [125], хромоты у молочных коров [126] и овец [127], эктопаразитов у крупного рогатого скота [128, 129], измерения температуры поверхности у овец во время эстрального цикла [130] или обнаружения эструса и овуляции у коров [131], измерения лихорадочных состояний после вакцинации у свиней [132], диагностики респираторных заболеваний у свиней [133] и телят [134], оценки температуры поверхности тела у свиноматок и поросят [135], термографического исследования опорно-двигательной системы во время тренировок молодых чистокровных лошадей [136], оценки стресса у бройлеров [137], обнаружения реакции на раздражители при обращении с животными у крупного рогатого скота [138], оценки качества спермы у быков. [139]; его можно использовать в качестве индикатора качества мяса, а также для оценки стрессовых факторов, воздействующих на животных перед убоем [140]. В целом, IRT можно использовать для оценки благополучия скота [141].

Выявление хромоты у молочных коров

Хромота у молочных коров является одним из наиболее важных заболеваний, поскольку она снижает благополучие животных, вызывает боль, уменьшает производство молока и негативно влияет на репродуктивную функцию [142].

Экономические потери, вызванные хромотой, могут быть прямыми, связанными со стоимостью лечения и коррекции копыт, или косвенными, связанными с нежеланием молочной коровы двигаться и стоять из-за боли в конечностях [143]. Заболевания копыт могут быть вызваны либо инфекционным воспалением кожи пальцев, с развитием дигитального дерматита, некробациллеза и тимом, способствующих развитию хромоты, либо заболеванием роговой капсулы, приводящим к ламиниту, болезни белой линии или язве стопы [143, 144].

Раннее выявление нарушений походки важно с точки зрения успешного лечения и снижения общей тяжести заболевания [145]. Выявление хромоты на ранних стадиях является наиболее сложной задачей, и первым шагом должна быть оценка распространенности хромоты во всем стаде [146]. Существуют различные традиционные и передовые диагностические методы и инструменты для выявления хромоты и наблюдения за состоянием копыт [147], которые включают оценку походки животного [28], наблюдение за изменениями копыт во время ухода за копытами [148], использование параллельных силовых платформ [149, 150], определение двигательной активности с помощью шагомера ALT [151] или измерение ускорения спины и ног [27].

Наиболее распространенным методом выявления хромоты является визуальный осмотр, который использует пятиуровневую систему оценки локомоции, где оценка 0 соответствует отсутствию поражения; оценка 1 соответствует гиперемированной области с поднятыми волосками; оценка 2 соответствует влажной, экссудативной и гиперемированной области с неповрежденным эпидермисом; оценка 3 соответствует экссудативной области, обнаженному дерму, без признаков заживления; оценка 4 соответствует обнаженному дерму, но находящемуся в процессе заживления, засохшему поражению; и оценка 5 соответствует темно-коричневой корке, полностью или почти полностью зажившему поражению [20, 152, 153, 154, 155].

Недостатками этого метода являются непоследовательность и субъективность оценок наблюдателей [156], трудоемкость метода и наличие поражений на конечности без признаков хромоты [157]. Использование инфракрасной термографии в качестве неинвазивного диагностического инструмента для выявления хромоты в последние годы растет.

Инфракрасная технология помогает обнаружить локализацию участков повышенной температуры, которые могут указывать на воспаление, или, наоборот, участков пониженной температуры (снижение кровотока), при этом термографические устройства способны обнаруживать разницу температур кожи ±0,1 °C [49]. Это позволяет раннее выявление поражений на конечностях до начала хромоты [158].

В своем исследовании Стокс и др. изучили потенциал ИК-термографии для быстрой диагностики дигитального дерматита. Были отобраны молочные коровы с поражениями и без них, и тепловое изображение каждой конечности было получено с подошвенной стороны в надпредплечьевой области. Оцениваемые конечности были разделены на три группы: загрязненные, очищенные и поднятые для визуального осмотра.

Было установлено, что температура существенно не различалась между конечностями, пораженными поражением, и другими поражениями кожи или копыт, независимо от того, были ли конечности загрязнены, очищены или осмотрены визуально. Поскольку ИК-термография оказалась недостаточно чувствительной для обнаружения конкретного поражения, был исследован температурный порог, выше которого можно было обнаружить любое поражение, вызывающее хромоту.

Установка температурного порога на уровне 27 °C для загрязненных конечностей позволила идентифицировать 80% конечностей, пораженных поражением, и 73% конечностей без поражений. Очистка конечностей повысила чувствительность, но снизила специфичность. Установка температурного порога в 22 °C для очищенных конечностей позволила идентифицировать 91% конечностей с поражениями, но только 54% ​​конечностей без поражений.

Аналогично, для очищенных и осмотренных конечностей температурный порог в 21 °C помог правильно идентифицировать 93% поражений, но только 49% конечностей без поражений. Таким образом, наилучшим сочетанием чувствительности и специфичности представляется использование температурного порога в 27 °C для загрязненных конечностей [159].

Альсаод и др. измерили температуру поверхности венечного края (ВК) и кожи (К) передней и задней частей задней конечности. У животных, пораженных дигитальным дерматитом, температура ВК и К была выше, чем у здоровых конечностей. Температура кожи была значительно выше на конечностях с инфекционными поражениями по сравнению с конечностями без поражений. Однако вероятность в венечном крае была незначительной. Распространенность дигитального дерматита составила 44,8% на уровне коров и 87,5% на уровне стада [145].

В исследовании Бобича и др. для обследования были отобраны молочные коровы без клинических признаков хромоты. Корональная температура измерялась с помощью тепловизионной камеры на передних и задних конечностях. Результаты показали, что у 63% молочных коров наблюдались изменения тканей хотя бы в одном копыте, тогда как у 37% они остались без изменений; у 14% молочных коров была диагностирована подошвенная язва, у 24% — межпальцевая гиперплазия, у 62% — дигитальный дерматит [160].

В исследовании Арикана и др. были отобраны хромые молочные коровы, и метод термографии сравнивался с другими методами обнаружения. У молочных коров, у которых ламинит был диагностирован другими методами, наблюдалось повышение температуры на измеренных поверхностях копыт. Программное обеспечение инфракрасной камеры показало повышение локальной температуры на 0,5–1,5 °C между нормальной областью и областью с случаями ламинита [161].

Вильгельм и др. исследовали пригодность ИРТ для раннего выявления субклинического ламинита, а также изучали распределение температуры между копытами. На втором месяце лактации было обнаружено кровотечение из копыт, признак субклинического ламинита. Термография показала значительные различия между температурой передних и задних копыт, а также между латеральными и медиальными копытами [162].

Кокрофт и др. использовали термографию для диагностики септического артрита правого плюснефалангового сустава у телок, и по сравнению со здоровой конечностью у пораженной конечности наблюдалась более высокая температура в месте локализации артрита [163].

Уэй и др. провели измерения с помощью тепловизионной камеры у молочных коров, у которых хромота задних конечностей была обнаружена путем мониторинга движения. У пораженных молочных коров наблюдалось значительное повышение температуры конечностей в области клювовидной капсулы, плюсневых и предплюсневых суставов [164].

Никхах и др. получили инфракрасные изображения молочных коров, пораженных кровоизлияниями в подошву и подтяжкой пяток. Термограмма была получена с дорсальной стороны у молочных коров в начале, середине или конце лактации. Корональная температура была выше у коров в середине лактации при наличии кровоизлияний в подошву по сравнению с поздней фазой. Подтяжка пяток чаще наблюдалась в поздней фазе лактации [165].

Согласно исследованию Манселла и др., разницы температур между здоровыми левой и правой задними конечностями не было, но наблюдалась значительная разница температур между левой и правой задними конечностями при наличии поражения на одной из них [166].

Майн и др. оценили температуру копыт перед лечением с помощью недорогого инфракрасного термометра. Средняя температура конечностей с поражениями составляла 26,8 °C по сравнению с 23,6 °C для конечностей без поражений. Наблюдая максимальную температуру каждой конечности, можно было идентифицировать молочных коров как минимум с одним поражением с чувствительностью и специфичностью 78% при пороговой температуре 25,25 °C [167].

Альсаод и Бюшер исследовали потенциал ИРТ для раннего выявления нарушений конечностей путем измерения температуры поверхности венечного края копыта и кожи у молочных коров без клинических признаков на разных стадиях лактации. Температура копыта была на два градуса выше (31,8 °C) у молочных коров в начале и середине лактации по сравнению с коровами в конце лактации (29,8 °C). При анализе данных до и после обрезки копыт была обнаружена значительная разница в температуре венечного края копыта между коровами с поражениями и без них. ИРТ выявила повышение температуры в конечностях с поражениями [126].

Ренн и др. сравнили метод IRT с методом оценки показателей локомоции у молочных коров. Термограммы показали, что 97% молочных коров страдали от хромоты, по крайней мере, на одной конечности, чаще на задних конечностях, при пороговой температуре 27 °C (у 139 животных из 142 температура превышала 27 °C хотя бы на одной конечности) [168].

В исследовании Редаэлли и др. конечности молочных коров были диагностированы ветеринаром и с помощью термографических измерений. Результаты показали чувствительность 93% и специфичность 38% для задних конечностей и чувствительность 50% и специфичность 93% для передних конечностей [122].

Вуд и др. доказали, что термография с использованием ручного лазерного термометра способна выявлять наличие повышенной температуры, связанной с поражениями конечностей. Мониторинг температуры стопы в течение определенного периода времени показал повышенную температуру за шесть недель до постановки диагноза поражения, а также заметное снижение средней температуры стопы через шесть недель после лечения, после удаления поражения [169].

Родригес и др. оценили эффективность IRT у молочных коров с различными показателями подвижности и обнаружили, что более высокие температуры копыт, измеренные с помощью тепловизионной камеры, были зафиксированы только у коров с показателем локомоции (показателем подвижности) 3 или выше [170].

Джанеселла и др., используя ИРТ, исследовали здоровых и больных молочных коров, страдающих болезнью белой линии, кровоизлияниями в подошву, язвами копыт, горизонтальными и осевыми разрывами. Как у здоровых, так и у больных молочных коров была отмечена повышенная температура в средней и межпальцевой области задней ноги. У молочных коров с пораженными конечностями дополнительно наблюдалась повышенная температура в латеральной и медиальной части копыта задней ноги [171].

6. Обсуждение

На основании анализа научных статей, посвященных применению ИК-термографии в животноводстве, можно утверждать, что ИК-термография позволяет неинвазивно и с высокой степенью надежности выявлять проблемные зоны.  В таблице 2  представлен обзор основных параметров, необходимых для правильной оценки термограммы, которые были проанализированы в этих статьях. При оценке термограмм необходимо следовать принципам термографического измерения. Ключевым элементом измерения является определение коэффициента излучения.

Таблица 2.  Обзор параметров, влияющих на термографическую оценку в предыдущих исследованиях.

Значения коэффициента излучения в диапазоне 0,93–1,00 встречаются в опубликованных текстах [126, 162, 171]. Широкий диапазон значений коэффициента излучения соответствует мониторингу температуры поверхности различных участков копыта коровы. Когти ноги имеют разный коэффициент излучения, а поверхность ноги – разный коэффициент излучения.

Высокое значение коэффициента излучения 0,98 [126] при измерении латерального и медиального копыт соответствует аналогичному значению коэффициента излучения, достигаемому черными матовыми поверхностями, к которым копыта близки по внешнему виду. Для окружающих областей, таких как межпальцевая область, по своей сути необходимы разные значения коэффициента излучения. Невозможно оценить их одновременно, как это сделали авторы исследования [126].

Значение коэффициента излучения 1,00 [162], которое соответствовало бы абсолютному черному телу, вызывает серьезные сомнения. Отсутствие указания коэффициента излучения в [159, 172] в экспериментальном измерении является серьезным препятствием для возможной проверки данных и приводит к ненадежности опубликованных данных. Для измерений с наименьшей неопределенностью измерения можно рекомендовать один из двух наиболее часто используемых методов экспериментального определения коэффициента излучения.

Для проведения измерений у молочных коров, которые могут быть выполнены техниками без обширных знаний в области инфракрасной термографии, рекомендуется процедура определения коэффициента излучения методом сравнительного измерения с помощью контактного термометра. Сначала определяется отраженное излучение, и это значение устанавливается в тепловизоре.

Температура измеряемого объекта измеряется с помощью контактного термометра. Затем температура поверхности измеряется с помощью тепловизора, в котором устанавливается произвольное значение коэффициента излучения. Разница между измеренными температурами при контактном измерении и при измерении с помощью тепловизора обусловлена ​​неправильной настройкой коэффициента излучения.

По мере изменения настройки коэффициента излучения изменяется и измеренная температура. Это повторяется до тех пор, пока тепловизор не покажет то же значение, что и при контактном измерении. В этот момент установленный коэффициент излучения соответствует коэффициенту излучения поверхности измеряемого объекта.

Коэффициент излучения также можно определить путем сравнительного измерения с самим тепловизором. Сначала определяется отраженное излучение, и это значение вводится в тепловизор. К поверхности тела приклеивается лента с заданным коэффициентом излучения. После короткого промежутка времени, необходимого для стабилизации температуры, измеряется температура ленты, приклеенной к поверхности измеряемого объекта. Коэффициент излучения клейкой ленты необходимо установить в тепловизоре. Эта температура является эталонной температурой. Затем значение коэффициента излучения корректируется до тех пор, пока тепловизор не покажет ту же температуру, что и эталонная температура на поверхности без клейкой ленты.

Еще одним ключевым элементом является определение температуры отраженного излучения. Желательно устранить все возможные источники помех вблизи измеряемого объекта, которые могут повлиять на измерение. Тогда можно определить, что температура отраженного излучения равна температуре окружающей среды. Температуру окружающей среды можно определить с помощью контактного термометра. В отдельных исследованиях [145, 171] авторы приводили это значение, что можно считать свидетельством эрудиции в термографических измерениях. К сожалению, в большинстве статей [126, 159, 165, 172] это значение отсутствует.

Атмосферное ослабление можно компенсировать, максимально сократив расстояние от тепловизора до измеряемого объекта. Этот принцип соответствует диапазону значений интервала расстояний от 0,15 до 0,70 м, которые можно проследить, если они приводятся, в отдельных исследованиях [126, 145, 162, 165, 169, 171]. Значение 1,5–2,0 м [165] явно выделяется из соответствующего интервала и может считаться неподходящим из-за своего высокого значения. При оценке поверхностной температуры конечности молочной коровы целесообразно фокусироваться только на интересующей области и избегать попадания в кадр всего тела животного [172]. При сравнении термограмм необходимо сохранять одинаковое расстояние для каждого изображения.

Часто игнорируемым параметром измерения является относительная влажность воздуха. Многие авторы вообще не упоминают её [126, 145, 159, 165]. Необходимо работать с этой переменной и вводить её в тепловизионную камеру после того, как она будет определена калиброванным датчиком.

Для качественного сравнения термограмм необходимо следовать ручной настройке температурной шкалы [126, 145, 165, 171]. Если выбрана автоматическая шкала [159, 162, 169, 172], можно говорить только об эмоциональном наблюдении за распределением температуры поверхности наблюдаемого объекта без более глубокого анализа. Диапазон шкалы, т.е. минимальное и максимальное значения, следует определять как наименьший возможный интервал [145], чтобы наблюдать различия отдельных областей.

7. Выводы

• Для инфракрасных измерений важны стабильные условия окружающей среды. Климат, объекты вокруг измеряемого тела и все другие влияющие факторы не должны меняться во время измерения. Таким образом, внедрение термографических измерений в реальную практику на молочных фермах представляет собой серьезную проблему, поскольку очень сложно обеспечить стабильные условия окружающей среды при неизменной методике измерения.
• Идеальные условия для измерений — стабильная погода, облачность до и во время измерения (при измерении на открытом воздухе), отсутствие прямых солнечных лучей во время и до измерения, отсутствие осадков, сухие теплодоступные поверхности измеряемого объекта, отсутствие ветра, сквозняков, источников мешающего излучения вблизи измеряемого объекта и между объектом и тепловизионной камерой. По возможности, представляется оптимальным проводить термографические измерения внутри помещения для разведения животных, где можно избежать влияния внешних погодных условий.
• В идеале поверхность измеряемого объекта должна обладать высокой и точно известной излучательной способностью, а температура и относительная влажность окружающей среды должны измеряться на подходящем расстоянии от измеряемого объекта с использованием фиксированной и подходящей шкалы. Опыт практических измерений показывает, что основным препятствием для выполнения этих требований является переменная чистота ног молочных коров.
• Для обработки изображений в ИК-диапазоне используется множество методов, от базовой корректировки гистограммы и линейных фильтров до очень сложных алгоритмов сегментации. Коррекция изображений осуществляется как в пространственной, так и в частотной областях, при этом преобразования Фурье и косинусные преобразования являются распространенными методами, используемыми для преобразования изображения в сигнал. Наиболее передовая и в настоящее время все более широко применяемая методика использует глубокие нейронные сети, особенно сверточные нейронные сети, позволяющие автоматически классифицировать наблюдаемые объекты на изображении. Эти методы представляют собой современные подходы к автоматизации и алгоритмизации термографических измерений для выявления заболеваний у молочных коров, включая хромоту и заболевания копыт, которые могут быть реализованы в рамках методов точного земледелия.

Литература

1. Schaeer, A.L.; Cook, N.J.; Bench, C.; Chabot, J.B.; Colyn, J.; Liu, T.; Okine, E.K.; Stewart, M.; Webster, J.R. The non-invasive and automated detection of bovine respiratory disease onset in receiver calves using infrared thermography. Res. Vet. Sci. 2012, 93, 928–935. [Google Scholar] [CrossRef]
2. Guo, Y.-Y.; Hao, S.; Zhang, M.; Zhang, X.; Wang, D. Aquaporins, evaporative water loss and thermoregulation in heat-acclimated Mongolian gerbils (Meriones unguiculatus). J. Therm. Biol. 2020, 91, 102641. [Google Scholar] [CrossRef]
3. Poikalainen, V.; Praks, J.; Veermäe, I.; Kokin, E. Infrared temperature patterns of cow’s body as an indicator for health control at precision cattle farming. Agron. Res. 2012, 10, 187–194. [Google Scholar]
4. Mota-Rojas, D.; Broom, D.M.; Orihuela, A.; Velarde, A.; Napolitano, F.; Alonso-Spilsbury, M. Effects of human-animal relationship on animal productivity and welfare. J. Anim. Behav. Biometeorol. 2020, 8, 196–205. [Google Scholar] [CrossRef]
5. McGowan, N.E.; Scantlebury, D.M.; Maule, A.G.; Marks, N.J. Measuring the emissivity of mammal pelage. Quant. InfraRed Thermogr. J. 2018, 15, 214–222. [Google Scholar] [CrossRef]
6. Pérez-Pedraza, E.; Mota-Rojas, D.; González-Lozano, M.; Guerrero-Legarreta, I.; Martínez-Burnes, J.; Mora-Medina, P.; Cruz-Monterrosa, R.; Ramírez-Necoechea, R. Infrared Thermography and Metabolic Changes in Castrated Piglets due to the Effects of Age and the Number of Incisions in the Testicles. Am. J. Anim. Vet. Sci. 2018, 13, 104–114. [Google Scholar] [CrossRef]
7. Bartolomé, E.; Sánchez, M.J.; Molina, A.; Schaefer, A.L.; Cervantes, I.; Valera, M. Using eye temperature and heart rate for stress assessment in young horses competing in jumping competitions and its possible influence on sport performance. Animal 2013, 7, 2044–2053. [Google Scholar] [CrossRef]
8. McGreevy, P.; Warren-Smith, A.; Guisard, Y. The effect of double bridles and jaw-clamping crank nosebands on temperature of eyes and facial skin of horses. J. Vet. Behav. 2012, 7, 142–148. [Google Scholar] [CrossRef]
9. Eddy, A.L.; Van Hoogmoed, L.M.; Snyder, J.R. The Role of Thermography in the Management of Equine Lameness. Vet. J. 2001, 162, 172–181. [Google Scholar] [CrossRef]
10. Bowers, S.; Gandy, S.; Anderson, B.; Ryan, P.; Willard, S. Assessment of pregnancy in the late-gestation mare using digital infrared thermography. Theriogenology 2009, 72, 372–377. [Google Scholar] [CrossRef] [PubMed]
11. Autio, E.; Neste, R.; Airaksinen, S.; Heiskanen, M.-L. Measuring the Heat Loss in Horses in Different Seasons by Infrared Thermography. J. Appl. Anim. Welf. Sci. 2006, 9, 211–221. [Google Scholar] [CrossRef] [PubMed]
12. Berry, R.J.; Kennedy, A.D.; Scott, S.L.; Kyle, B.L.; Schaefer, A.L. Daily variation in the udder surface temperature of dairy cows measured by infrared thermography: Potential for mastitis detection. Can. J. Anim. Sci. 2003, 83, 687–693. [Google Scholar] [CrossRef]
13. Head, M.J.; Dyson, S. Talking the temperature of Equine Thermography. Vet. J. 2001, 162, 166–167. [Google Scholar] [CrossRef]
14. Holmes, L.C.; Gaughan, E.M.; Gorondy, D.A.; Hogge, S.; Spire, M.F. The effect of perineural anesthesia on infrared thermographic images of the forelimb digits of normal horses. Can. Vet. J. 2003, 44, 392–396. [Google Scholar]
15. Lima, L.R.D.; Barbosa Filho, J.A.D.; Freitas, E.R.; Souza, D.H.; Viana, V.S.S.; Machado, N.A.F.; Nepomuceno, R.C. Effect of Different Breeding Densities and Inclusion of Soybean Oil on Performance, Carcass Trait and Heat Loss in Meat Quails. J. Agric. Sci. 2019, 11, 130. [Google Scholar] [CrossRef][Green Version]
16. da Fonseca, F.N.; Abe, J.M.; de Alencar Nääs, I.; da Silva Cordeiro, A.F.; do Amaral, F.V.; Ungaro, H.C. Automatic prediction of stress in piglets (Sus scrofa) using infrared skin temperature. Comput. Electron. Agric. 2020, 168. [Google Scholar] [CrossRef]
17. Cook, N.B. Prevalence of lameness among dairy cattle in Wisconsin as a function of housing type and stall surface. J. Am. Vet. Med. Assoc. 2003, 223, 1324–1328. [Google Scholar] [CrossRef] [PubMed]
18. Espejo, L.A.; Endres, M.I.; Salfer, J.A. Prevalence of Lameness in High-Producing Holstein Cows Housed in Freestall Barns in Minnesota. J. Dairy Sci. 2006, 89, 3052–3058. [Google Scholar] [CrossRef]
19. Murray, R.D.; Downham, D.Y.; Clarkson, M.J.; Faull, W.B.; Hughes, J.W.; Manson, F.J.; Merritt, J.B.; Russell, W.B.; Sutherst, J.E.; Ward, W.R. Epidemiology of lameness in dairy cattle: Description and analysis of foot lesions. Vet. Rec. 1996, 138, 586–591. [Google Scholar] [CrossRef]
20. Thomsen, P.T.; Klaas, I.C.; Bach, K. Short Communication: Scoring of Digital Dermatitis during Milking as an Alternative to Scoring in a Hoof Trimming Chute. J. Dairy Sci. 2008, 91, 4679–4682. [Google Scholar] [CrossRef]
21. Thomsen, P.T.; Ersbøll, A.K.; Sørensen, J.T. Short communication: Automatic washing of hooves can help control digital dermatitis in dairy cows. J. Dairy Sci. 2012, 95, 7195–7199. [Google Scholar] [CrossRef]
22. O’Callaghan, K.A.; Cripps, P.; Downham, D.Y.; Murray, R.D. Subjective and objective assessment of pain and discomfort due to lameness in dairy cattle. Anim. Welf. 2003, 12, 606–610. [Google Scholar]
23. Flower, F.C.; Sanderson, D.J.; Weary, D.M. Hoof Pathologies Influence Kinematic Measures of Dairy Cow Gait. J. Dairy Sci. 2005, 88, 3166–3173. [Google Scholar] [CrossRef]
24. Rajkondawar, P.G.; Tasch, U.; Lefcourt, A.M.; Erez, B.; Dyer, R.M.; Varner, M.A. A system for identifying lameness in dairy cattle. Appl. Eng. Agric. 2002, 18, 87. [Google Scholar] [CrossRef]
25. Alsaaod, M.; Buescher, W. Early lameness detection in dairy cows with electronic activity sensors. Landtechnik 2009, 64, 413–416. [Google Scholar]
26. Jeyakumar, S.; Vasant, P.J.; Sathiyabarathi, M.; Manimaran, A.; Kumaresan, A.; Pushpadass, H.A.; Sivaram, M.; Ramesha, K.P.; Kataktalware, M.A. Monitoring foot surface temperature using infrared thermal imaging for assessment of hoof health status in cattle: A review. J. Therm. Biol. 2018, 78, 10–21. [Google Scholar]
27. Chapinal, N.; de Passillé, A.M.; Pastell, M.; Hänninen, L.; Munksgaard, L.; Rushen, J. Measurement of acceleration while walking as an automated method for gait assessment in dairy cattle. J. Dairy Sci. 2011, 94, 2895–2901. [Google Scholar] [CrossRef] [PubMed]
28. Orman, A.; Endres, M.I. Use of thermal imaging for identification of foot lesions in dairy cattle. Acta Agric. Scand. A-Anim. Sci. 2016, 66, 1–7. [Google Scholar] [CrossRef]
29. Cramer, G.; Winders, T.; Solano, L.; Kleinschmit, D.H. Evaluation of agreement among digital dermatitis scoring methods in the milking parlor, pen, and hoof trimming chute. J. Dairy Sci. 2018, 101, 2406–2414. [Google Scholar] [CrossRef]
30. Glavaš, H.; Bobić, T.; Dorić, D.; Božić Lenard, D. Infrared thermography camera protection in dairy farming management. Comput. Electron. Agric. 2019, 157, 604–615. [Google Scholar] [CrossRef]
31. White, B.J.; Goehl, D.R.; Amrine, D.E.; Booker, C.; Wildman, B.; Perrett, T. Bayesian evaluation of clinical diagnostic test characteristics of visual observations and remote monitoring to diagnose bovine respiratory disease in beef calves. Prev. Vet. Med. 2016, 126, 74–80. [Google Scholar] [CrossRef]
32. Speakman, J.R.; Ward, S. Infrared thermography: Principles and applications. Zoology 1998, 101, 224–232. [Google Scholar]
33. Ruddock, R.W. Basic Infrared Thermography Principles; Reliabilityweb.com Press: Fort Myers, FL, USA, 2010; ISBN 978-0983225812. [Google Scholar]
34. Minkina, W.; Dudzik, S. Infrared Thermography: Errors and Uncertainties; Wiley: Chichester, UK, 2009; ISBN 978-0470747186. [Google Scholar]
35. Stelletta, C.; Gianesella, M.; Vencato, J.; Fiore, E.; Morgante, M. Thermographic Applications in Veterinary Medicine. In Infrared Thermography; IntechOpen: London, UK, 2012; pp. 117–140. ISBN 978-953-51-0242-7. [Google Scholar]
36. Knížková, I.; Kunc, P.; Gürdil, G.A.K.; Pinar, Y.; Selvi, K.C. Applications of infrared thermography in animal production. J. Fac. Agric. 2007, 22, 329–336. [Google Scholar]
37. Cetinkaya, M.A.; Demirutku, A. Thermography in the assessment of equine lameness. Turk. J. Vet. Anim. Sci. 2012, 36, 43–48. [Google Scholar]
38. Mazur, D.; Eugeniusz-Herbut, J.W. Infrared thermography as a diagnostic method. Rocz. Nauk. Zootech. 2006, 33, 171–181. [Google Scholar]
39. Kunc, P.; Knížková, I.; Přikryl, M.; Maloun, J. Infrared thermography as a tool to study the milking process: A review. Agric. Trop. Subtrop. 2007, 40, 29–32. [Google Scholar]
40. Antón, D.; Amaro-Mellado, J.-L. Engineering Graphics for Thermal Assessment: 3D Thermal Data Visualisation Based on Infrared Thermography, GIS and 3D Point Cloud Processing Software. Symmetry 2021, 13, 335. [Google Scholar] [CrossRef]
41. Zhang, K.; Jiao, L.; Zhao, X.; Dong, D. An instantaneous approach for determining the infrared emissivity of swine surface and the influencing factors. J. Therm. Biol. 2016, 57, 78–83. [Google Scholar] [CrossRef] [PubMed]
42. Lahiri, B.B.; Bagavathiappan, S.; Jayakumar, T.; Philip, J. Medical applications of infrared thermography: A review. Infrared Phys. Technol. 2012, 55, 221–235. [Google Scholar] [CrossRef]
43. Hamrelius, T.; Baird, G.S. Accurate temperature measurement in thermography: An overview of relevant features, parameters, and definitions. In Proceedings of the SPIE 1467, Thermosense XIII, Bellingham, WA, USA, 1 March 1991; pp. 448–457. [Google Scholar]
44. Marinetti, S.; Cesaratto, P.G. Emissivity estimation for accurate quantitative thermography. NDT Int. 2012, 51, 127–134. [Google Scholar] [CrossRef]
45. Vollmer, M.; Möllmann, K. Infrared Thermal Imaging; Wiley-VCH Verlag GmbH & Co. KGaA: Weinheim, Germany, 2018. [Google Scholar]
46. Faust, O.; Rajendra Acharya, U.; Ng, E.Y.K.; Hong, T.J.; Yu, W. Application of infrared thermography in computer aided diagnosis. Infrared Phys. Technol. 2014, 66, 160–175. [Google Scholar] [CrossRef]
47. Lysenko, V. Detektory pro Bezdotykové Měření teplot; BEN-technická Literatura: Praha, Czech Republic, 2005; ISBN 80-730-0180-2. [Google Scholar]
48. Štajnrt, P. Úvod do Práce s Termokamerou Flir i7; Střední Průmyslová Škola Stavební: Opava, Czech Republic, 2014. [Google Scholar]
49. Alsaaod, M.; Schaefer, A.L.; Büscher, W.; Steiner, A. The Role of Infrared Thermography as a Non-Invasive Tool for the Detection of Lameness in Cattle. Sensors 2015, 15, 14513–14525. [Google Scholar] [CrossRef] [PubMed]
50. Lin, Y.-C.; Mullan, S.; Main, D.C.J. Optimising lameness detection in dairy cattle by using handheld infrared thermometers. Vet. Med. Sci. 2018, 4, 218–226. [Google Scholar] [CrossRef]
51. Colak, A.; Polat, B.; Okumus, Z.; Kaya, M.; Yanmaz, L.E.; Hayirli, A. Short communication: Early detection of mastitis using infrared thermography in dairy cows. J. Dairy Sci. 2008, 91, 4244–4248. [Google Scholar] [CrossRef] [PubMed]
52. McManus, C.; Tanure, C.B.; Peripolli, V.; Seixas, L.; Fischer, V.; Gabbi, A.M.; Menegassi, S.R.O.; Stumpf, M.T.; Kolling, G.J.; Dias, E.; et al. Infrared thermography in animal production: An overview. Comput. Electron. Agric. 2016, 123, 10–16. [Google Scholar] [CrossRef]
53. Soerensen, D.D.; Clausen, S.; Mercer, J.B.; Pedersen, L.J. Determining the emissivity of pig skin for accurate infrared thermography. Comput. Electron. Agric. 2014, 109, 52–58. [Google Scholar] [CrossRef]
54. Vishnevetsky, I.; Rotenberg, E.; Kribus, A.; Yakir, D. Method for accurate measurement of infrared emissivity for opaque low-reflectance materials. Appl. Opt. 2019, 58, 4599–4609. [Google Scholar] [CrossRef] [PubMed]
55. McCafferty, D.J. The value of infrared thermography for research on mammals: Previous applications and future directions. Mammal Rev. 2007, 37, 207–223. [Google Scholar] [CrossRef]
56. McGowan, N.E.; Scantlebury, D.M.; Cowan, E.; Burch, K.J.; Maule, A.G.; Marks, N.J. Dietary effects on pelage emissivity in mammals: Implications for infrared thermography. J. Therm. Biol. 2020, 88, 102516. [Google Scholar] [CrossRef] [PubMed]
57. Jeyabharathi, D.; Dejey, D. Efficient background subtraction for thermal images using reflectional symmetry pattern (RSP). Multimed. Tools Appl. 2018, 77, 22567–22586. [Google Scholar] [CrossRef]
58. Sangnoree, A.; Chamnongthai, K. Thermal-image processing and statistical analysis for vehicle category in nighttime traffic. J. Vis. Commun. 2017, 48, 88–109. [Google Scholar] [CrossRef]
59. Chrysafi, A.P.; Athanasopoulos, N.; Siakavellas, N.J. Damage detection on composite materials with active thermography and digital image processing. Int. J. Therm. Sci. 2017, 116, 242–253. [Google Scholar] [CrossRef]
60. Lee, E.J.; Shin, S.Y.; Ko, B.C.; Chang, C. Early sinkhole detection using a drone-based thermal camera and image processing. Infrared Phys. Technol. 2016, 78, 223–232. [Google Scholar] [CrossRef]
61. Mac, V.H.; Tran, Q.H.; Huh, J.; Doan, N.S.; Kang, C.; Han, D. Detection of Delamination with Various Width-to-depth Ratios in Concrete Bridge Deck Using Passive IRT: Limits and Applicability. Materials 2019, 12, 3996. [Google Scholar] [CrossRef] [PubMed]
62. Klapp, I.; Yafin, P.; Oz, N.; Brand, O.; Bahat, I.; Goldshtein, E.; Cohen, Y.; Alchanatis, V.; Sochen, N. Computational end-to-end and super-resolution methods to improve thermal infrared remote sensing for agriculture. Precis. Agric. 2021, 22, 452–474. [Google Scholar] [CrossRef]
63. Knapik, M.; Cyganek, B. Fast eyes detection in thermal images. Multimed. Tools Appl. 2021, 80, 3601–3621. [Google Scholar] [CrossRef]
64. Bloch, V.; Barchilon, N.; Halachmi, I.; Druyan, S. Automatic broiler temperature measuring by thermal camera. Biosyst. Eng. 2020, 199, 127–134. [Google Scholar] [CrossRef]
65. Chen, Y.; Yang, W.; Li, M.; Hao, Z.; Zhou, P.; Sun, H. Research on Pest Image Processing Method Based on Android Thermal Infrared Lens. IFAC-PapersOnLine 2018, 51, 173–178. [Google Scholar] [CrossRef]
66. Chacon-Murguia, M.I.; Villalobos-Montiel, A.J.; Calderon-Contreras, J.D. Thermal Image Processing for Breast Symmetry Detection Oriented to Automatic Breast Cancer Analysis. In Pattern Recognition; Lecture Notes in Computer Science; Springer International Publishing: Cham, Switzerland, 2014; pp. 271–280. [Google Scholar]
67. Asdrubali, F.; Baldinelli, G.; Bianchi, F.; Costarelli, D.; Rotili, A.; Seracini, M.; Vinti, G. Detection of thermal bridges from thermographic images by means of image processing approximation algorithms. Appl. Math. Comput. 2018, 317, 160–171. [Google Scholar] [CrossRef]
68. Cao, J.; Wang, P.; Qi, Y.; Wang, D.; Jiang, Y. Application research of infrared image processing technology in the quality inspection of riveting parts. J. Eng. 2019, 23, 9226–9229. [Google Scholar] [CrossRef]
69. Cucho-Padin, G.; Rinza, J.; Ninanya, J.; Loayza, H.; Quiroz, R.; Ramírez, D.A. Development of an open-source thermal image processing software for improving irrigation management in potato crops (Solanum tuberosum L.). Sensors 2020, 20, 472. [Google Scholar] [CrossRef]
70. Gong, W.; Peng, Y.; He, M.; Wang, J. Thermal image and spectral characterization of roadway failure process in geologically 45° inclined rocks. Tunn. Undergr. Space Technol. 2015, 49, 156–173. [Google Scholar] [CrossRef]
71. Gu, X.; He, M.; Gu, X. Thermal image colorization using Markov decision processes. Memetic Comput. 2017, 9, 15–22. [Google Scholar] [CrossRef]
72. O’Brien, C.M.; Meng, H.; Shmuylovich, L.; Carpenter, J.; Gogineni, P.; Zhang, H.; Bishop, K.; Mondal, S.B.; Sudlow, G.P.; Bethea, C.; et al. Focal dynamic thermal imaging for label-free high-resolution characterization of materials and tissue heterogeneity. Sci. Rep. 2020, 10, 12549. [Google Scholar] [CrossRef]
73. Kananadze, S.S. System for Automated Infrared Image Processing Based on Neural Network Technologies. TEM J. 2020, 9, 1443–1454. [Google Scholar] [CrossRef]
74. Liu, Y.Y. Research on library lighting intelligent control based on infrared image processing techniques. Optik 2015, 126, 1559–1561. [Google Scholar] [CrossRef]
75. Mota-Rojas, D.; Napolitano, F.; Braghieri, A.; Guerrero-Legarreta, I.; Bertoni, A.; Martínez-Burnes, J.; Cruz-Monterrosa, R.; Gómez, J.; Ramírez-Bribiesca, E.; Barrios-García, H.; et al. Thermal biology in river buffalo in the humid tropics: Neurophysiological and behavioral responses assessed by infrared thermography. J. Anim. Behav. Biometeorol. 2021, 9, 1–12. [Google Scholar] [CrossRef]
76. Skouroliakou, A.; Kalatzis, I.; Kalyvas, N.; Grivas, T. Infrared thermography quantitative image processing. J. Phys. Conf. Ser. 2017, 931, 12033. [Google Scholar] [CrossRef]
77. Sreeshan, K.; Dinesh, R.; Renji, K. Nondestructive inspection of aerospace composite laminate using thermal image processing. SN Appl. Sci. 2020, 2, 1830. [Google Scholar] [CrossRef]
78. Waqar Akram, M.; Li, G.; Jin, Y.; Chen, X.; Zhu, C.; Zhao, X.; Aleem, M.; Ahmad, A. Improved outdoor thermography and processing of infrared images for defect detection in PV modules. J. Sol. Energy 2019, 190, 549–560. [Google Scholar] [CrossRef]
79. Wasilewska, A.; Pauk, J.; Ihnatouski, M. Image Processing Techniques for ROI Identification in Rheumatoid Arthritis Patients from Thermal Images. Acta Mech. Autom. 2018, 12, 49–53. [Google Scholar] [CrossRef]
80. Xiong, X.; Lu, M.; Yang, W.; Duan, G.; Yuan, Q.; Shen, M.; Norton, T.; Berckmans, D. An Automatic Head Surface Temperature Extraction Method for Top-View Thermal Image with Individual Broiler. Sensors 2019, 19, 5286. [Google Scholar] [CrossRef] [PubMed]
81. Panella, F.W.; Pirinu, A.; Dattoma, V. A Brief Review and Advances of Thermographic Image—Processing Methods for IRT Inspection: A Case of Study on GFRP Plate. Exp. Tech. 2021, 45, 429–443. [Google Scholar] [CrossRef]
82. Bardhan, S.; Bhowmik, M.K.; Debnath, T.; Bhattacharjee, D. RASIT: Region shrinking based Accurate Segmentation of Inflammatory areas from Thermograms. Biocybern. Biomed. Eng. 2018, 38, 903–917. [Google Scholar] [CrossRef]
83. Döpper, V.; Gränzig, T.; Kleinschmit, B.; Förster, M. Challenges in UAS-Based TIR Imagery Processing: Image Alignment and Uncertainty Quantification. Remote Sens. 2020, 12, 1552. [Google Scholar] [CrossRef]
84. Li, H.; Yin, J.; Zhang, M.; Sigrimis, N.; Gao, Y.; Zheng, W. Automatic diagnosis of strawberry water stress status based on machine vision. Int. J. Agric. Biol. 2019, 12, 159–164. [Google Scholar] [CrossRef]
85. Goulart, C.; Valadão, C.; Delisle-Rodriguez, D.; Funayama, D.; Favarato, A.; Baldo, G.; Binotte, V.; Caldeira, E.; Bastos-Filho, T. Visual and thermal image processing for facial specific landmark detection to infer emotions in a child-robot interaction. Sensors 2019, 19, 2844. [Google Scholar] [CrossRef]
86. Izquierdo, M.; Lastra-Mejías, M.; González-Flores, E.; Cancilla, J.C.; Aroca-Santos, R.; Torrecilla, J.S. Deep thermal imaging to compute the adulteration state of extra virgin olive oil. Comput. Electron. Agric. 2020, 171, 105290. [Google Scholar] [CrossRef]
87. Albrecht, H.; Fiorani, F.; Pieruschka, R.; Müller-Linow, M.; Jedmowski, C.; Schreiber, L.; Schurr, U.; Rascher, U. Quantitative Estimation of Leaf Heat Transfer Coefficients by Active Thermography at Varying Boundary Layer Conditions. Front. Plant Sci. 2020, 10, 1684. [Google Scholar] [CrossRef] [PubMed]
88. Bombrun, M.; Jessop, D.; Harris, A.; Barra, V. An algorithm for the detection and characterisation of volcanic plumes using thermal camera imagery. J. Volcanol. Geotherm. 2018, 352, 26–37. [Google Scholar] [CrossRef]
89. Brzezinski, R.Y.; Ovadia-Blechman, Z.; Lewis, N.; Rabin, N.; Zimmer, Y.; Levin-Kotler, L.; Tepper-Shaihov, O.; Naftali-Shani, N.; Tsoref, O.; Grossman, E.; et al. Non-invasive thermal imaging of cardiac remodeling in mice. Biomed. Opt. Express 2019, 10, 6189–6203. [Google Scholar] [CrossRef] [PubMed]
90. Gan, H.; Lee, W.; Alchanatis, V.; Ehsani, R.; Schueller, J. Immature green citrus fruit detection using color and thermal images. Comput. Electron. Agric. 2018, 152, 117–125. [Google Scholar] [CrossRef]
91. Guo, J.; Tian, G.; Zhou, Y.; Wang, M.; Ling, N.; Shen, Q.; Guo, S. Evaluation of the grain yield and nitrogen nutrient status of wheat (Triticum aestivum L.) using thermal imaging. Field Crops Res. 2016, 196, 463–472. [Google Scholar] [CrossRef]
92. Schmidt, C.; Denkena, B.; Völtzer, K.; Hocke, T. Thermal Image-based Monitoring for the Automated Fiber Placement Process. Procedia CIRP 2017, 62, 27–32. [Google Scholar] [CrossRef]
93. Wen, D.-M.; Chen, M.-X.; Zhao, L.; Ji, T.; Li, M.; Yang, X.-T. Use of thermal imaging and Fourier transform infrared spectroscopy for the pre-symptomatic detection of cucumber downy mildew. Eur. J. Plant Pathol. 2019, 155, 405–416. [Google Scholar] [CrossRef]
94. Wen, D.M.; Ren, A.; Ji, T.; Flores-Parra, I.M.; Yang, X.; Li, M. Segmentation of thermal infrared images of cucumber leaves using K-means clustering for estimating leaf wetness duration. Int. J. Agric. Biol. 2020, 13, 161–167. [Google Scholar] [CrossRef]
95. D’huys, K.; Saeys, W.; De Ketelaere, B. Active Infrared Thermography for Seal Contamination Detection in Heat-Sealed Food Packaging. J. Imaging 2016, 2, 33. [Google Scholar] [CrossRef]
96. Jeong, H.; Kwon, G.R.; Lee, S.W. Deterioration diagnosis of solar module using thermal and visible image processing. Energies 2020, 13, 2856. [Google Scholar] [CrossRef]
97. Wang, A.; Zhang, W.; Wei, X. A review on weed detection using ground-based machine vision and image processing techniques. Comput. Electron. Agric. 2019, 158, 226–240. [Google Scholar] [CrossRef]
98. Sosnowski, T.; Bieszczad, G.; Madura, H. Image Processing in Thermal Cameras. In Advanced Technologies in Practical Applications for National Security; Studies in Systems, Decision and Control; Springer International Publishing: Cham, Switzerland, 2018; pp. 35–57. [Google Scholar]
99. Ciric, I.; Cojbasic, Z.; Ristic-Durrant, D.; Nikolic, V.; Ciric, M.; Simonovic, M.; Pavlovic, I. Thermal vision based intelligent system for human detection and tracking in mobile robot control system. Therm. Sci. 2016, 20, 1553–1559. [Google Scholar] [CrossRef]
100. Fleuret, J.; Ouellet, V.; Moura-Rocha, L.; Charbonneau, E.; Saucier, L.; Faucitano, L.; Maldague, X. A Real Time Animal Detection and Segmentation Algorithm for IRT Images in Indoor Environments. In Proceedings of the 2016 International Conference on Quantitative InfraRed Thermography, Gdańsk, Poland, 4–8 July 2016; QIRT Council: Quebec City, QC, Canada, 2016. [Google Scholar]
101. Shanmugam, C.; Chandira Sekaran, E. IRT image segmentation and enhancement using FCM-MALO approach. Infrared Phys. Technol. 2019, 97, 187–196. [Google Scholar] [CrossRef]
102. Ashiba, M.I.; Tolba, M.S.; El-Fishawy, A.S.; El-Samie, F.E.A. Gamma correction enhancement of infrared night vision images using histogram processing. Multimed. Tools Appl. 2019, 78, 27771–27783. [Google Scholar] [CrossRef]
103. Yang, Z.; Kou, G.; Li, Y.; Tian, G.; Zhang, W.; Zhu, J. Inspection Detectability Improvement for Metal Defects Detected by Pulsed Infrared Thermography. Photonic Sens. 2019, 9, 142–150. [Google Scholar] [CrossRef]
104. Wu, Q. Computer Image Processing and Neural Network Technology for Boiler Thermal Energy Diagnosis. Therm. Sci. 2020, 24, 3059–3068. [Google Scholar] [CrossRef]
105. Binbin, Y. An improved infrared image processing method based on adaptive threshold denoising. Eurasip J. Image Video Process. 2019, 2019, 5. [Google Scholar] [CrossRef]
106. Nakanishi, Y.; Yoshitomi, Y.; Asada, T.; Tabuse, M. Facial Expression Recognition Using Thermal Image Processing and Efficient Preparation of Training-data. Artif. Life Robot. 2015, 2, 79. [Google Scholar] [CrossRef]
107. Yoshitomi, Y.; Tabuse, M.; Asada, T. Facial expression recognition using thermal image processing. In Image Processing: Methods, Applications and Challenges; Nova Science Publishers, Inc.: Hauppauge, NY, USA, 2012; p. 262. [Google Scholar]
108. Ahrari, A.H.; Kiavarz, M.; Hasanlou, M.; Marofi, M. Thermal and visible satellite image fusion using wavelet in remote sensing and satellite. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2017, XLII-4/W4, 11–15. [Google Scholar] [CrossRef]
109. Hidalgo-Gato, R.; Andrés, J.R.; López-Higuera, J.M.; Madruga, F.J. Quantification by Signal to Noise Ratio of Active Infrared Thermography Data Processing Techniques. Opt. Photonics J. 2013, 03, 20–26. [Google Scholar] [CrossRef]
110. Li, X.; Liu, Z.; Jiang, X.; Lodewijks, G. Method for detecting damage in carbon-fibre reinforced plastic-steel structures based on eddy current pulsed thermography. Nondestruct. Test. Eval. 2017, 33, 1–19. [Google Scholar] [CrossRef]
111. Grys, S.; Dudzik, S. Investigation on dual-domain data processing algorithm used in thermal non-destructive evaluation. Quant. InfraRed Thermogr. J. 2020, 1–24. [Google Scholar] [CrossRef]
112. Lu, M.; He, J.; Chen, C.; Okinda, C.; Shen, M.; Liu, L.; Yao, W.; Norton, T.; Berckmans, D. An automatic ear base temperature extraction method for top view piglet thermal image. Comput. Electron. Agric. 2018, 155, 339–347. [Google Scholar] [CrossRef]
113. Moreau, J.; Bouzy, P.; Guillard, J.; Untereiner, V.; Garnotel, R.; Marchal, A.; Gobinet, C.; Terryn, C.; Sockalingum, G.D.; Thiéfin, G. Analysis of hepatic fibrosis characteristics in cirrhotic patients with and without Hepatocellular carcinoma by FTIR spectral imaging. Molecules 2020, 25, 4092. [Google Scholar] [CrossRef]
114. Mousavi, S.H.; Hijmans, J.M.; Rajabi, R.; Diercks, R.; Zwerver, J.; van der Worp, H. Kinematic risk factors for lower limb tendinopathy in distance runners: A systematic review and meta-analysis. Gait Posture 2019, 69, 13–24. [Google Scholar] [CrossRef]
115. Gang, L.; Fei, W.; Zhonghua, L. Infrared aerial small target detection based on digital image processing. Multimed. Tools Appl. 2017, 76, 19809–19823. [Google Scholar] [CrossRef]
116. Kattenborn, T.; Leitloff, J.; Schiefer, F.; Hinz, S. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS J. Photogramm. Remote Sens. 2021, 173, 24–49. [Google Scholar] [CrossRef]
117. Al-Falluji, R.A.; Dalaf Katheeth, Z.; Alathari, B. Automatic Detection of COVID-19 Using Chest X-ray Images and Modified ResNet18-Based Convolution Neural Networks. Comput. Mater. Contin. 2021, 66, 1301–1313. [Google Scholar] [CrossRef]
118. Gao, Y.; Gao, L.; Li, X.; Yan, X. A semi-supervised convolutional neural network-based method for steel surface defect recognition. Robot. Comput. Integr. Manuf. 2020, 61, 101825. [Google Scholar] [CrossRef]
119. Dong, C.; Loy, C.C.; He, K.; Tang, X. Image Super-Resolution Using Deep Convolutional Networks. IEEE Trans. Pattern Anal.Mach. Intell. 2016, 38, 295–307. [Google Scholar] [CrossRef] [PubMed]
120. Kunc, P.; Knížková, I. The Use of Infrared Thermography in Livestock Production and Veterinary Field. In Infrared Thermography Recent Advances and Future Trends; University of Naples Federico II, Bentham eBooks: Sharjah, United Arab Emirates, 2012; pp. 85–101. [Google Scholar]
121. Stewart, M.; Webster, J.R.; Verkerk, G.A.; Schaefer, A.L.; Colyn, J.J.; Stafford, K.J. Noninvasive measurement of stress in dairy cows using infrared thermography. Physiol. Behav. 2007, 92, 520–525. [Google Scholar] [CrossRef]
122. Redaelli, V.; Ludwig, N.; Nanni Costa, L.; Crosta, L.; Riva, J.; Luzi, F. Potential application of thermography (IRT) in animal production and for animal welfare. A case report of working dogs. Annali dell’Istituto Superiore di Sanità 2014, 50, 147–152. [Google Scholar]
123. Kulesza, A.; Shieber, S.M. A learning approach to improving sentence-level MT evaluation. In Proceedings of the 10th Conference on Theoretical and Methodological Issues in Machine Translation of Natural Languages, Baltimore, MD, USA, 4–6 October 2004. [Google Scholar]
124. Delahanty, D.D.; Georgi, J.R. Thermography in equine medicine. J. Am. Vet. Med. Assoc. 1965, 147, 235–238. [Google Scholar] [PubMed]
125. Martins, R.F.; do Prado Paim, T.; de Abreu Cardoso, C.; Stéfano Lima Dallago, B.; de Mělo, C.B.; Louvandini, H.; McManus, C. Mastitis detection in sheep by infrared thermography. Res. Vet. Sci. 2013, 94, 722–724. [Google Scholar] [CrossRef] [PubMed]
126. Alsaaod, M.; Büscher, W. Detection of hoof lesions using digital infrared thermography in dairy cows. J. Dairy Sci. 2012, 95, 735–742. [Google Scholar] [CrossRef]
127. Talukder, S.; Gabai, G.; Celi, P. The use of digital infrared thermography and measurement of oxidative stress biomarkers as tools to diagnose foot lesions in sheep. Small Rumin. Res. 2015, 127, 80–85. [Google Scholar] [CrossRef]
128. Barbedo, J.G.; Gomes, C.C.; Cardoso, F.F.; Domingues, R.; Ramos, J.V.; McManus, C.M. The use of infrared images to detect ticks in cattle and proposal of an algorithm for quantifying the infestation. Vet. Parasitol. 2017, 235, 106–112. [Google Scholar] [CrossRef]
129. Cortivo, P.D.; Dias, E.; Barcellos, J.O.J.; Peripolli, V.; Costa, J.B.G.C., Jr.; Dallago, B.S.L.; McManus, C.M. Use of thermographic images to detect external parasite load in cattle. Comput. Electron. Agric. 2016, 127, 413–417. [Google Scholar] [CrossRef]
130. Barros de Freitas, A.C.; Vega, W.H.O.; Quirino, C.R.; Junior, A.B.; David, C.M.G.; Geraldo, A.T.; Rua, M.A.S.; Rojas, L.F.C.; Filho, L.E.d.A.; Dias, A.J.B. Surface temperature of ewes during estrous cycle measured by infrared thermography. Theriogenology 2018, 119, 245–251. [Google Scholar] [CrossRef]
131. Talukder, S.; Kerrisk, K.L.; Ingenhoff, L.; Thomson, P.C.; Garcia, S.C.; Celi, P. Infrared technology for estrus detection and as a predictor of time of ovulation in dairy cows in a pasture-based system. Theriogenology 2014, 81, 925–935. [Google Scholar] [CrossRef]
132. Cook, N.J.; Chabot, B.; Lui, T.; Bench, C.J.; Schaefer, A.L. Infrared thermography detects febrile and behavioural responses to vaccination of weaned piglets. Animal 2015, 9, 339–346. [Google Scholar] [CrossRef]
133. Menzel, A.; Siewert, C.; Gasse, H.; Seifert, H.; Hoeltig, D.; Hennig-Pauka, I. Infrared thermography of the pig thorax: An assessment of selected regions of interest by computed tomographical and anatomical parameters. Anat. Histol. Embryol. 2015, 44, 107–117. [Google Scholar] [CrossRef]
134. Schaefer, A.L.; Cook, N.J.; Church, J.S.; Basarab, J.; Perry, B.; Miller, C.; Tong, A.K.W. The use of infrared thermography as an early indicator of bovine respiratory disease complex in calves. R. Vet. Sci. 2007, 83, 376–384. [Google Scholar] [CrossRef] [PubMed]
135. Ricci, G.D.; da Titto, K.O.; Gonçalves, C. Infrared thermography as a non-invasive method for the evaluation of heat stress in pigs kept in pens free of cages in the maternity. Comput. Electron. Agric. 2019, 157, 403–409. [Google Scholar] [CrossRef]
136. Prochno, H.C.; Barussi, F.M.; Bastos, F.Z.; Weber, S.H.; Bechara, G.H.; Rehan, I.F.; Michelotto, P.V. Infrared Thermography Applied to Monitoring Musculoskeletal Adaptation to Training in Thoroughbred Race Horses. J. Equine Vet. Sci. 2020, 87, 102935. [Google Scholar] [CrossRef] [PubMed]
137. Weimer, S.L.; Wideman, R.F.; Scanes, C.G.; Mauromoustakos, A.; Christensen, K.D.; Vizzier-Thaxton, Y. Broiler stress responses to light intensity, flooring type, and leg weakness as assessed by heterophil-to-lymphocyte ratios, serum corticosterone, infrared thermography, and latency to lie. Poult. Sci. 2020, 99, 3301–3311. [Google Scholar] [CrossRef] [PubMed]
138. Stewart, M.; Schaefer, A.L.; Haley, D.B.; Colyn, J.; Cook, N.J.; Stafford, K.J.; Webster, J.R. Infrared thermography as a non-invasive method for detecting fear-related responses of cattle to handling procedures. Anim. Welf. 2008, 17, 387–393. [Google Scholar]
139. Menegassi, S.R.O.; Pereira, G.R.; Dias, E.A.; Rocha, M.K.; Carvalho, H.R.; Koetz, C.; Oberst, E.R.; Barcellos, J.O.J. Infrared thermography as a noninvasive method to assess scrotal insulation on sperm production in beef bulls. Andrologia 2018, 50, e12904. [Google Scholar] [CrossRef] [PubMed]
140. Cuthbertson, H.; Tarr, G.; Loudon, K.; Lomax, S.; White, P.; McGreevy, P.; Polkinghorne, R.; González, L.A. Using infrared thermography on farm of origin to predict meat quality and physiological response in cattle (Bos taurus) exposed to transport and marketing. Meat Sci. 2020, 169, 108173. [Google Scholar] [CrossRef] [PubMed]
141. Church, J.S.; Cook, N.J.; Schaefer, A.L. Recent applications of infrared thermography for animal welfare and veterinary research: Everything from chicks to elephants. Proc. Inframation. 2009, 10, 215–224. [Google Scholar]
142. Flower, F.C.; Weary, D.M. Gait assessment in dairy cattle. Animal 2009, 3, 87–95. [Google Scholar] [CrossRef]
143. Huxley, J.; Archer, S.; Bell, N.; Burnell, M.; Green, L.; Potterton, S.; Reader, J. Control of lameness. In Dairy Herd Health; CABI: Wallingford, CT, USA, 2012; pp. 169–204. [Google Scholar]
144. Greenough, P.R. Chapter 19—An Approach to Controlling Lameness in a Dairy Herd. In Bovine Laminitis and Lameness; Saunders: Philadelphia, PA, USA, 2007; pp. 295–304. ISBN 978-0-7020-2780-2. [Google Scholar]
145. Alsaaod, M.; Syring, C.; Dietrich, J.; Doherr, M.G.; Gujan, T.; Steiner, A. A field trial of infrared thermography as a non-invasive diagnostic tool for early detection of digital dermatitis in dairy cows. Vet. J. 2014, 199, 281–285. [Google Scholar] [CrossRef]
146. Nordlund, K.V.; Cook, N.B.; Oetzel, G.R. Investigation strategies for laminitis problem herds. J. Dairy Sci. 2004, 87, 27–35. [Google Scholar] [CrossRef]
147. Stewart, M.; Wilson, M.T.; Schaefer, A.L.; Huddart, F.; Sutherland, M.A. The use of infrared thermography and accelerometers for remote monitoring of dairy cow health and welfare. J. Dairy Sci. 2017, 100, 3893–3901. [Google Scholar] [CrossRef]
148. Holzhauer, M.; Hardenberg, C.; Bartels, C.J.M.; Frankena, K. Herd- and Cow-Level Prevalence of Digital Dermatitis in The Netherlands and Associated Risk Factors. J. Dairy Sci. 2006, 89, 580–588. [Google Scholar] [CrossRef]
149. Rajkondawar, P.G.; Lefcourt, A.M.; Neerchal, N.K.; Dyer, R.M.; Varner, M.A.; Erez, B.; Tasch, U. The development of an objective lameness scoring system for dairy herds: Pilot study. Trans. ASAE 2002, 45, 1123. [Google Scholar] [CrossRef]
150. Ghotoorlar, S.M.; Ghamsari, S.M.; Nowrouzian, I.; Ghotoorlar, S.M.; Ghidary, S.S. Lameness scoring system for dairy cows using force plates and artificial intelligence. Vet. Rec. 2012, 170, 126. [Google Scholar] [CrossRef]
151. Maltz, E. Behaviour sensor to detect physiological and welfare status for dairy cows. In Proceedings of the Fourth International Workshop on Smart Sensors in Livestock Monitoring, Gargnano, Italy, 22–23 September 2006; pp. 19–21. [Google Scholar]
152. Sprecher, D.J.; Hostetler, D.E.; Kaneene, J.B. A lameness scoring system that uses posture and gait to predict dairy cattle reproductive performance. Theriogenology 1997, 47, 1179–1187. [Google Scholar] [CrossRef]
153. Flower, F.C.; Weary, D.M. Effect of Hoof Pathologies on Subjective Assessments of Dairy Cow Gait. J. Dairy Sci. 2006, 89, 139–146. [Google Scholar] [CrossRef]
154. Haskell, M.J.; Rennie, L.J.; Bowell, V.A.; Bell, M.J.; Lawrence, A.B. Housing System, Milk Production, and Zero-Grazing Effects on Lameness and Leg Injury in Dairy Cows. J. Dairy Sci. 2006, 89, 4259–4266. [Google Scholar] [CrossRef]
155. Hulsen, J. Cow Signals; Profi Press: Prague, Czech Republic, 2007; p. 97. [Google Scholar]
156. Shearer, J.K.; Stock, M.L.; Van Amstel, S.R.; Coetzee, J.F. Assessment and Management of Pain Associated with Lameness in Cattle. Vet. Clin. N. Am. Food Anim. 2013, 29, 135–156. [Google Scholar] [CrossRef] [PubMed]
157. Stokes, J.E.; Leach, K.A.; Main, D.C.J.; Whay, H.R. An investigation into the use of infrared thermography (IRT) as a rapid diagnostic tool for foot lesions in dairy cattle. Vet. J. 2012, 193, 674–678. [Google Scholar] [CrossRef]
158. Spire, M.F.; Drouillard, J.S.; Galland, J.C.; Sargeant, J.M. Use of infrared thermography to detect inflammation caused by contaminated growth promotant ear implants in cattle. J. Am. Vet. Med. Assoc. 1999, 215, 1320–1324. [Google Scholar]
159. Stokes, J.E.; Leach, K.A.; Main, D.C.J.; Whay, H.R. The reliability of detecting digital dermatitis in the milking parlour. Vet. J. 2012, 193, 679–684. [Google Scholar] [CrossRef]
160. Bobic, T.; Mijic, P.; Gregic, M.; Bagaric, A.; Gantner, V. Early Detection of the Hoof Diseases in Holstein Cows Using Thermovision Camera. Agric. Conspec. Sci. 2017, 82, 197–200. [Google Scholar]
161. Arican, M.; Hatiplogu, F.; Erol, H.; Kanat, O.; Yavuz, O.; Parlak, K.; Cok, O. Comparison of Thermographic Imaging and Other Diagnostic Techniques in Diagnosis of Cattle with Laminitis. Acta Sci.Vet. 2018, 46, 7. [Google Scholar] [CrossRef]
162. Wilhelm, K.; Wilhelm, J.; Fürll, M. Use of thermography to monitor sole haemorrhages and temperature distribution over the claws of dairy cattle. Vet. Rec. 2015, 176, 146. [Google Scholar] [CrossRef] [PubMed]
163. Cockcroft, P.D.; Henson, F.M.D.; Parker, C. Thermography of a septic metatarsophalangeal joint in a heifer. Vet. Rec. 2000, 146, 258–260. [Google Scholar] [CrossRef]
164. Whay, H.R.; Bell, M.J.; Main, D.C.J. Validation of lame limb identification through thermal imaging. In 13th International Symposium on Lameness in Ruminants; International Symposium on Lameness in Ruminants: Maribor, Slovenia, 2004; pp. 237–238. [Google Scholar]
165. Nikkhah, A.; Plaizier, J.C.; Einarson, M.S.; Berry, R.J.; Scott, S.L.; Kennedy, A.D. Short communication: Infrared thermography and visual examination of hooves of dairy cows in two stages of lactation. J. Dairy Sci. 2005, 88, 2749–2753. [Google Scholar] [CrossRef]
166. Munsell, B. The Use of Infrared Thermography to Determine Surface Temperatures of the Coronary Band of Dairy Cows as a Tool for Lameness Detection. Master’s Thesis, Michigan State University, Ann Arbor, MI, USA, 2006. [Google Scholar]
167. Main, D.C.J.; Stokes, J.E.; Reader, J.D.; Whay, H.R. Detecting hoof lesions in dairy cattle using a hand-held thermometer. Vet. Rec. 2012, 171, 504. [Google Scholar] [CrossRef] [PubMed]
168. Renn, N.; Onyango, J.; McCormick, W. Digital Infrared Thermal Imaging and manual lameness scoring as a means for lameness detection in cattle. Vet. Clin. Sci. 2014, 2, 16–23. [Google Scholar]
169. Wood, S.; Lin, Y.; Knowles, T.G.; Main, D.C. Infrared thermometry for lesion monitoring in cattle lameness. Vet. Rec. 2015, 176, 308–311. [Google Scholar] [CrossRef]
170. Rodríguez, A.R.; Olivares, F.J.; Descouvieres, P.T.; Werner, M.P.; Tadich, N.A.; Bustamante, H.A. Thermographic assessment of hoof temperature in dairy cows with different mobility scores. Livest. Sci. 2016, 184, 92–96. [Google Scholar] [CrossRef]
171. Gianesella, M.; Arfuso, F.; Fiore, E.; Giambelluca, S.; Giudice, E.; Armato, L.; Piccione, G. Infrared thermography as a rapid and non-invasive diagnostic tool to detect inflammatory foot diseases in dairy cows. Pol. J. Vet. Sci. 2018, 21, 299–305. [Google Scholar] [PubMed]
172. Redaelli, V.; Tarantino, S.; Ricci, C.; Luzi, F.; Zecconi, A.; Verga, M. A non invasive method to measure lameness in dairy cow. Ital. J. Anim. Sci. 2009, 8, 671. [Google Scholar]

Авторы: Pavel Kříž, Michaela Horčičková, Roman Bumbálek, Petr Bartoš, Luboš Smutný, Radim Stehlík, Tomáš Zoubek, Pavel Černý, Vladimír Vochozka, Radim Kuneš

ЗАКАЗАТЬ СИСТЕМУ