上海代写论文网专业提供代写毕业论文、代写本科论文服务
您现在的位置:首页 > 农业论文 > 畜牧兽医论文 >
奶牛个体精准识别中牛脸识别的运用
发布时间:2020-07-03

  摘    要: 奶牛养殖户对每头奶牛的信息的传统记录方式需要耗费大量的人力物力,不足以适应现代发展的需求。本文以卷积神经网络为特征提取牛脸轮廓模型,用牛脸图像训练并测试提高算法的精度和效率,对奶牛个体实现精准识别,建立高效的奶牛信息统计系统。从而实现奶牛养殖环境下面部轮廓自动提取的算法创新、平台实现创新。

  关键词: 牛脸识别; 卷积神经网络; 研究;

  1 、概述

  1.1 、研究背景与意义

  随着社会的进步,传统的养殖方式难以科学有效地对牛群进行照看和管理。人工智能的兴起,对奶牛养殖业的辅助指导产生了重要的影响。而人脸识别、神经网络等技术与养殖业的融合,提高了养殖场的管理效率和经济效益,促进了养殖过程精准化、自动化、智能化,为其他智能畜牧养殖业的发展提供了技术支持。

  1.2、 研究现状

  1.2.1、 项目研究现状

  利用人工智能技术识别牲畜个体及其生活情况、习性等的应用在农业生产中变得越来越广泛。Xia等提出一种基于局部二值模式(local binary patterns,LBP)纹理特征的脸部描述模型[1]。Cai等在人脸识别方法的基础上对LBP进行改进,提出了基于LBP改进后的牛脸模型[2]。但遗憾的是,这两种方法均无法应用在真实的个体牛养殖环境中。

  1.2.2 、算法研究现状

  基于人工智能的牛脸识别的关键是奶牛的面部检测,而神经网络算法的使用有利于牛脸的检测研究。RENS.Q.等在前人的基础上,将检测算法中region proposal的选取算法SS(selective search)改为RPN(region proposal network)网络,进一步提升了检测性能[3]。
 

奶牛个体精准识别中牛脸识别的运用
 

  1.3 、研究目的

  本次研究旨在建立一个奶牛信息统计储备系统。奶牛养殖人员可通过此牛脸识别系统对奶牛建立个体档案,统计奶牛的年龄,性别,健康状况,过往疾病史,每天饲料使用量和产出牛奶的量和奶牛的质量等情况。在每天的养殖过程中,养殖人员用具有该系统的设备,对奶牛进行面部识别,从而进行精准档案录入,并生成对应的数据分析报告反馈给管理者,进行智能养殖。从而便于管理者获取奶牛个体的详细信息,迅速了解牧场情况,降低人工成本,提高管理效率为奶牛养殖主增加经济收益。

  2 、研究内容及研究成果

  2.1、 研究内容

  本文在人脸识别算法的基础上,以卷积神经网络为特征提取模型,根据牛的五官和花纹特征,定义牛脸轮廓模型,用牛脸图像训练并测试提高算法的精度和效率,通过机器视觉技术对奶牛个体进行更加精准的识别,从而提高养殖场的管理效率和经济效益。

  2.2、 研究方法

  卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一[4]。层积神经网络仿造生物的视觉和知觉机制建造,可以进行监督学习,并使用BP框架进行学习,其计算流程在Le Cun(1989)中就已经确定[5]。

  本文首先收集牛的面部特征信息,根据牛的五官和花纹特征,定义牛脸轮廓模型,以卷积神经网络为特征提取模型。

  基于卷积神经网络的图像识别具有以下三个过程:卷积操作,池化操作,以及激活函数、全连接层和目标函数。当原始数据输入到机器之后,会经过多次的卷积池化操作,直到把所有特征都抽取出来。接着,抽取出来的所有特征与全连接层进行对接,得出预测的值,并与目标值进行对比。最后,机器会对二者的差值进行修复,并重新训练。由于卷积神经网络具有特征不变性,防止过度拟合和特征降维等特点,在进行识别时具有良好的效果。图1是卷积神经网络的主要层次。

  图1
图1

  卷积操作是将截取到的图像建立一个矩阵(如图5x5的矩阵),并在矩阵中建立一个卷积核(如图3x3的矩阵),对卷积核中的矩阵进行加权求和放到一个新的矩阵当中,这个新的矩阵被称作卷积特征。这个卷积特征将作为下一个阶段池化操作的输入。

  图2
图2

  在神经元中,图像经过卷积池化操作后,引入激活函数Re LU函数,增加神经网络模型的非线性。Re LU函数实际上是一个分段函数,当函数的值小于0时,不管赋值为多少,都会返回0,而函数值大于等于0时,它返回本身(X):

  考虑到牛与牛之间面部特征的差异不是很明显,在本系统中,我们设立多个卷积层和池化层,用于将每只牛面部的最大特征提取出来,与数据库中奶牛的面部照片做对比,从而达到牛脸识别的目的。

  最后,利用欧式距离目标函数,通过判断距离的大小来判断两张图片是否相似,进而实现牛脸识别的功能。

  2.3、 研究成果

  实验表明,卷积神经网络在牛脸识别上具有很好的效果。利用卷积神经网络的特征不变性使得牛脸的图像在经过多次卷积后,将牛脸的特征提取出来与数据库中图像的特征进行比较。利用特征降维舍弃了图像中一些不重要的特征,节省了计算机的资源,将在复杂的环境中进行的牛脸识别进行了简化。通过牛脸图像的多次训练和测试提高了算法的精度和效率,最终实现了奶牛个体的精准识别。

  3、 结论

  本文以卷积神经网络为特征提取模型,首先收集录入每只牛的面部信息。当原始数据输入到机器之后,经过多次的卷积池化操作,把所有特征都抽取出来。接着,抽取出来的所有特征与全连接层进行对接,得出预测的值,并与目标值进行对比。最后,机器会对二者的差值进行修复,并重新训练,提高算法的精度和效率,对奶牛个体进行更加精准的识别。此外,本研究通过一定的改良还可以进行猪、羊等牲畜的识别。

  参考文献

  [1]蔡骋,宋肖肖,何进荣.基于计算机视觉的牛脸轮廓提取算法及实现[J].农业工程学报,2017,33(11):171-177.
  [2]卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理,2016,31(1):1-17.
  [3] REN S Q,HE K M,GIRSHICK R,et al. FasterR-CNN:towards real-time object detection with region proposal networks[C]∥Proceedings of Advances on.Neural Information Processing Systems,2015:91-99.
  [4] Gu,J.,Wang,Z.,Kuen,J.,Ma,L.,Shahroudy,A.,Shuai,B.,Liu,T.,Wang,X.,Wang,L.,Wang,G.andCai,J.,2015.Recent advances in convolutional neural networks.arXiv preprint arXiv:1512.07108.
  [5]LeCun, Y., Boser, B., Denker, J.S., Henderson, D., Howard,R.E., Hubbard, W. and Jackel, L.D., 1989. Backpropagation applied to handwritten zip code recognition. Neural computation,1(4), pp.541-551.

对应分类:
下一篇:没有了
版权所有:上海论文网专业权威的论文代写、论文发表的网站,秉承信誉至上、用户为首的服务理念,服务好每一位客户
本站部分论文收集于网络,如有不慎侵犯您的权益,请您及时致电或写信告知,我们将第一时间处理,邮箱:shlunwen@163.com