动物自发性疼痛症状与人类慢性疼痛症状相关,可以较好地反映出人类对疼痛的感知。在生物医学领域研发新镇痛药时,老鼠等啮齿动物常常被用于感知和评估疼痛程度。考虑到啮齿动物和其他哺乳动物的面部狰狞特征与其疼痛程度密切相关,研究人员通常通过观察啮齿动物的面部狰狞特征实现疼痛程度的度量。本文以老鼠的面部疼痛特征图像为研究对象,利用深度学习方法实现疼痛程度的自动实时评估,具体研究工作如下:1.根据老鼠疼痛度量标准(Mouse Grimace Scale,MGS),制作了一种老鼠图像数据集,该数据集可用于目标检测模型的训练以及测试。将老鼠的面部疼痛特征(眼眶区域变窄、鼻子隆起、耳朵后拉、晶须向后)综合起来作为训练数据集的标签。2.针对人工为大量动物图像进行评分很耗费人力并且带有主观性的问题,本文提出一种基于一阶多框检测模型(Single Shot Multi Box Detector,SSD)自动判断老鼠疼痛方法,该方法能够准确判断老鼠疼痛还是无痛状态,并且运用在3种不同的数据集上,实验结果表明在同一数据集中置信度为0.9的情况下,准确率高达95%,说明SSD模型能够有效对评估老鼠疼痛状态。3.为了更加准确地度量老鼠的疼痛程度,本文提出了改进的一阶快速检测模型(You Only Look Once,YOLOv3),通过引进标签平滑参数来提高模型的鲁棒性和泛化能力,通过引进Focal损失函数使得预测更加准确,通过将批标准化层(Batch Normalization,BN)合并到卷积层来提高网络收敛速率。实验结果表明,基于改进的YOLOv3模型的动物疼痛程度自动度量方法运用在老鼠数据集,在误差绝对值为1.5的情况下准确率达84%,每秒能够评估62张老鼠图片,具有高准确率和实时性,不仅能对老鼠脸部进行准确定位,并且不同颜色的鼠种都能准确度量其疼痛程度。