CN108664878A - 基于卷积神经网络的猪只身份识别方法 - Google Patents
基于卷积神经网络的猪只身份识别方法 Download PDFInfo
- Publication number
- CN108664878A CN108664878A CN201810207372.XA CN201810207372A CN108664878A CN 108664878 A CN108664878 A CN 108664878A CN 201810207372 A CN201810207372 A CN 201810207372A CN 108664878 A CN108664878 A CN 108664878A
- Authority
- CN
- China
- Prior art keywords
- pig
- neural networks
- convolutional neural
- face
- condition code
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Abstract
本发明公开了一种基于卷积神经网络的猪只身份识别方法,包括构建卷积神经网络结构、获取猪只识别图片集、对卷积神经网络的训练,根据训练的得到的卷积神经网络结构生成得到猪只脸部特征码生成器,通过猪只脸部特征码生成器生成猪只特征码库,最后以猪只特征码库作为二次训练样本对卷积神经网络进行训练,并最后得到用于判别待识别的猪只是否为新猪的猪脸分类器。本发明采用基于卷积神经网络技术实现了自动提取猪只脸部特征和自动对比识别待识别的猪只是否为新猪的功能。与现有技术相比,其集自动编码和自动识别的功能为一体,具有识别准确性高、自能化程度高、识别的效率高的有益特点;且无需设置任何标签设备,有利于节省成本。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种基于卷积神经网络的猪只身份识别方法。
背景技术
卷积神经网络(Convolutional Neural Network,CNN),是一种前馈神经网络,一般包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现;此外,以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,卷积神经网络的布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。尽管卷积神经网络最初是为解决计算机视觉等问题而设计的,但随着卷积神经网络快速发展,现其应用范围不仅广泛应用于图像和视频领域,还应用于音频信号等。
养猪业是我国农业中的重要产业,对保障肉食品安全供应有重要作用。目前我国养猪业正由传统养猪业向现代养猪业转变,无论是养殖模式、区域布局还是生产方式、生产能力都在发生显著变化。大型养猪场对于猪只的身份管理没有一个准确有效的识别方法,使得在卖猪只、猪只配种等过程常常出现猪只混乱和出现错误的情况。为防止这些情况的发生,一般在猪身上标记/安装电子耳标或耳牌(例如RFID射频技术),然后通过读取电子耳标或者耳牌来确认猪只的身份。采用电子耳标或者耳牌进行猪只身份识别会存在如下缺陷:
1)在猪的耳朵上打电子耳标或者耳牌,会对猪只造成身体上的伤害;
2)安装在猪只身上的电子耳标或者耳牌,若从猪只身上掉落或者被毁坏,那么猪只的身份信息将会丢失,识别效果差;
3)电子耳标或者耳牌安装麻烦且使用寿命短,无法重复利用,增加了养猪场的生产管理成本。
发明内容
针对上述的不足,本发明所要解决的技术问题是提供一种基于卷积神经网络的猪只身份识别方法,其通过构建卷积神经网络模型并进行训练后实现猪只脸部特征的自动提取,从而达到无需添加/设置标签设备的情况下,快速、准确地识别出猪只的身份。
为达到上述目的,本发明通过以下技术方案实现:
基于卷积神经网络的猪只身份识别方法,包括以下步骤:
S1:首先构建用于自动提取猪只脸部特征的卷积神经网络,并设定卷积神经网络的训练参数;然后采集带有正脸和侧脸的猪只识别图片集作为一次训练样本,利用建立的一次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪只脸部特征码生成器;
S2:将某一已知猪只的正脸及侧脸图片集作为数据源输入猪只脸部特征码生成器中,经信号处理后猪只脸部特征码生成器的输出端输出该猪只对应的特征码和猪只ID;
S3:重复上述步骤S2,则分别得到各已知猪只的特征码和其对应的猪只ID,各个已知猪只的特征码和猪只ID即构成猪只特征码库;
S4:利用猪只特征码库作为二次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪脸分类器;
S5:将待识别猪只的猪脸图片的特征码输入猪脸分类器中,通过猪脸分类器的输出端输出该猪只是否为新猪。由于新猪的正脸和侧脸图片集未被录入进猪只脸部特征码生成器中,在猪只特征码库和猪脸分类器中均未有记录。
上述方案中,步骤S1中,所述卷积神经网络结构可包括n个卷积层、m个池化层和k个全链接层,所述卷积层与池化层交叉依次设置,且池化层采用基于最大值的池化方法,其中n、m、k均为≥1的整数。n、m和k的值可以是同一个相同数值,也可以是相互不同或者是两两相同的数值。
上述方案中,进一步优选地,步骤S1中,n、m、k的值均为3,即通过三个全连接层来对提取出猪只特征码的特征响应图进行数值预测,得到相似度分数,并输出匹配结果;然后利用匹配结果与真实结果之间的误差,采用误差反向传播算法来训练所述卷积神经网络的训练参数。
上述方案中,损失函数采用平均交叉熵方法,用以表示全连接层输出的匹配结果与真实结果之间的误差,其计算公式如下(1)所示。
其中,N表示每一次训练的猪脸图片数量,M表示猪只种类数目,y_和y分别表示N个猪脸图片的实际类别及通过卷积网络后softmax值。
上述方案中,进一步地,Softmax值的计算公式如下(2)所示,
其中xi表示最后一个全连接层输出结果中的第i个元素的值。
上述方案中,为了实现猪只管理数据库的实时更新,保证猪只身份的识别准确性,在步骤S3中,当待识别的猪只为新猪时,将该猪只ID及对应的特征码按步骤S2的操作添加到猪只特征码库中;或当已有猪只被移出时,应从猪只特征码库中移除该猪只所对应的特征码和猪只ID,以完成猪只特征码库的数据更新。
上述方案中,为了实现前后识别数据的统一和进一步保证猪只识别身份的准确性,可在完成上述猪只特征码库的更新后,按步骤S4的操作对猪脸分类器进行同步更新。
本发明的有益效果为:
1)本发明针对现有大型养猪场对于猪只的身份管理没有一个准确有效的识别方法,从而造成在卖猪只、猪只配种等过程出现猪只混乱和出现错误的不良后果。本发明采用基于卷积神经网络技术实现自动提取猪只脸部特征和自动对比识别待识别的猪只是否为新猪,同时还能根据识别结果和使用情况实时更新猪只特征码库和猪脸分类器。与传统的RFID技术或二维码技术相比,其集自动编码和自动识别的功能为一体,具有识别准确性高、自能化程度高、识别的效率高的有益特点,且能够适用不同的猪只生长环境。
2)本猪只识别方法,不采用任何的标签设备,无需在猪只上安装或标记相对应的标记设备/标签,避免了打电子耳标程序,有利于节省成本,大大提高了猪只管理效率,且本猪只身份识别均为智能化数据库,可及时更新或修改。
附图说明
图1为所述猪只脸部特征码生成器的生成示意框图。
图2为所述猪只特征码库生成的示意框图。
图3为猪脸分类器生成的示意框图。
图4为基于卷积神经网络的猪只身份识别方法的工作流程图。
具体实施方式
基于卷积神经网络的猪只身份识别方法,包括以下步骤:
S1:首先构建用于自动提取猪只脸部特征的卷积神经网络,并设定卷积神经网络的训练参数。所述训练参数具体是指训练最大次数和训练目标准确率。然后采集带有正脸和侧脸的猪只识别图片集作为一次训练样本,利用建立的一次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪只脸部特征码生成器,如图1所示。该猪只脸部特征码生成器可将一个图片或图片集编码为相对应的特征向量或特征矩阵。
所述猪只识别图片集可通过在猪只生活环境中安装摄像机来实时获得,例如将摄像机安装在猪栏入口、喂猪的猪槽一侧等位置。为了能够对采集到的图片集进行快速的存储,采用Opencv标准库的方法保存猪只识别图片集。由于采集到图像有猪只正脸、侧脸、猪只尾巴、耳朵等各种猪只视图的图像,因此,将含有猪只正脸与侧脸的图像归为有效图像,反之非猪只正脸与侧脸的图像为无效图像。因此为了保证猪只识别的准确性和减少卷积神经网络处理的信息量、以提高识别效率,可对采集得到的猪只识别图片集进行筛选。具体可先将猪只识别图片集分为训练图片集、验证图片集和测试图片集,训练图片集作为一次训练样本对卷积神经网络进行训练,验证图片集用以验证训练得到的卷积神经网络结构是否达到设定的训练参数,而测试图片集则作为输入、用于验证生成的猪只脸部特征码生成器提取猪只脸部特征的有效性和输出结果的准确性。
本实施例中,对于采集得到的猪只识别图片集是有效图像还是无效图像,具体通过现有技术中人工智能深度学习技术(Tensorflow系统)进行智能地批量筛选,即将经学习和训练后的Tensorflow系统与用于存储猪只识别图片集的Opencv标准库进行连接。Tensorflow系统自动筛分有效图片集包括以下步骤:
1)通过Tensorflow系统判断输入的猪脸图片是否包含有效的猪脸图片并返回判断结果;2)根据返回的判断结果决定是否将该猪脸图片保存为有效的猪脸图片。即将猪只图片输入,经Tensorflow系统自动处理后,识别出该猪脸图片是否为有效图像,是则保存为有效的猪脸图片,同时将筛选得到的有效猪脸图片集作为一次训练样本;若Tensorflow系统输出结果为无效的猪脸图片时,则将该猪脸图片删除或进行指定存储。
本实施例中,所述卷积神经网络结构具体包括n个卷积层、m个池化层和k个全链接层,其中n、m、k均为≥1的整数。所述卷积层与池化层交叉依次设置,且池化层采用基于最大值的池化方法。同时采用relu函数作为卷积层与池化层之间的激活函数。
其中,n、m、k的值均为3,即通过三个全连接层来对提取出猪只特征码的特征响应图进行数值预测,得到相似度分数,并输出匹配结果;然后利用匹配结果与真实结果之间的误差,接着采用误差反向传播算法来训练所述卷积神经网络的训练参数。所述卷积神经网络的结构和相关卷积元素如下表1:
表1
上表中的相关卷积元素和n、m、k的值还可以根据待处理的图像及视频进行选择对应的数值,上述具体值仅针对猪只识别图片集而进行的最优选择,并不用以限制本发明。
进一步地,所述卷积神经网络涉及的损失函数采用平均交叉熵方法,用以表示全连接层输出的匹配结果与真实结果之间的误差,其计算公式如下(1)所示。
其中,N表示每一次训练的猪脸图片数量,M表示猪只种类数目,y_和y分别表示N个猪脸图片的实际类别及通过卷积网络后softmax值。
优选地,Softmax值的计算公式如下(2)所示,
其中xi表示最后一个全连接层(即第九层)输出结果中的第i个元素的值。
同时,本卷积神经网络所采用的优化目标函数为梯度下降优化算法。
S2:将某一已知猪只的正脸及侧脸图片集作为数据源输入猪只脸部特征码生成器中,经信号处理后猪只脸部特征码生成器的输出端输出该猪只对应的特征码和猪只ID;
S3:重复上述步骤S2,则分别得到各已知猪只的特征码和其对应的猪只ID,各个已知猪只的特征码和猪只ID即构成猪只特征码库;如图2所示。
S4:如图3所示,利用猪只特征码库作为二次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪脸分类器。即利用记录有各已知猪只的特征码和其对应猪只ID组成的猪只特征码库来训练全连接神经网络(输出采用逻辑回归),得到用于输出匹配结果的猪脸分类器。
S5:将待识别猪只的猪脸图片的特征码输入猪脸分类器中,通过猪脸分类器的输出端输出该猪只是否为新猪。是否为新猪的识别过程具体如图4所示,
S51:将待识别的猪只的猪脸图像集输入,猪只特征码库根据待识别猪只的图像集搜索并输出与之相匹配的猪只数目,若数目为空,表示系统没有记录有该猪只的信息,则判断该猪只为新猪;
S511:在执行步骤S51后判定为新猪后,该只新猪的猪脸图像集则被输入猪只脸部特征码生成器内,并生成对应该新猪的特征码和猪只ID,然后按步骤S2的操作添加到猪只特征码库中,实现猪只特征码库的数据更新;同时在完成上述特征码库的更新后,按步骤S4的操作对猪脸分类器进行同步更新。
S52:若输出数目不为空,则需要进一步判断是否为新猪,即若输出数目不为空,经步骤S51后生成一个与待识别猪只相对应的特征码,接着该特征码被输入猪脸分类器中、以判断是否为新猪;
S53:步骤S52判断为新猪时,转执行上述步骤S511;若不是新猪,则直接获得该猪只的ID,此时,根据需要来更新猪只特征码库。
上述方案中,当已有猪只被移出时,先从猪只特征码库中移除该猪只所对应的特征码和猪只ID,然后按步骤S2进行卷积神经网络训练后,则得到更新后的猪只特征码库;同时在完成上述特征码库的更新后,按步骤S4的操作对猪脸分类器进行同步更新。
本猪只识别方法在实施过程对应为猪只身份识别系统,即猪只身份识别系统包括摄像模块、前端应用模块和后端识别模块,所述摄像模块用于获取猪脸的图像信息并传送给所述前端应用模块,且在摄像模块与前端应用模块之间连接有Tensorflow系统。所述Tensorflow系统用于将摄像模块采集得到的图像进行筛分,以筛选出真正含有猪只正脸和侧脸的有效图片、并将有效图片传递给前端应用模块。
所述前端应用模块包括基于卷积神经网络的猪只脸部特征码生成器,所述猪只脸部特征码生成器用于自动提取猪脸特征信息并将提取得到的猪脸特征信息与猪只ID进行关联与对应。
所述后端识别模块用于接收前端应用模块发来的有效的猪脸特征信息,并以该猪脸特征信息作为参照物,判断出待识别的猪只是否为新猪。所述后端识别模块包括数据存储模块和猪脸分类器,所述数据存储模块与猪只脸部特征码生成器信号连接,用于将猪只脸部特征码生成器生成的各个已知猪只的特征码和猪只ID进行归整并供猪脸分类器调用。所述猪脸分类器调用数据存储模块的数据信息,并以数据存储模块内的数据信息对卷积神经网络训练,得到智能识别待定猪只是否为新猪的猪脸分类器。
在上述识别方法的基础上构成的本猪只识别系统应用在养殖规模达1000头的养猪场上,扫描猪脸能够100%读取出猪脸信息,猪只身份识别的准确率达到96%以上。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于卷积神经网络的猪只身份识别方法,包括以下步骤:
S1:首先构建用于自动提取猪只脸部特征的卷积神经网络,并设定卷积神经网络的训练参数;然后采集带有正脸和侧脸的猪只识别图片集作为一次训练样本,利用建立的一次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪只脸部特征码生成器;
S2:将某一已知猪只的正脸及侧脸图片集作为数据源输入猪只脸部特征码生成器中,经信号处理后猪只脸部特征码生成器的输出端输出该猪只对应的特征码和猪只ID;
S3:重复上述步骤S2,则分别得到各已知猪只的特征码和其对应的猪只ID,各个已知猪只的特征码和猪只ID即构成猪只特征码库;
S4:利用猪只特征码库作为二次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪脸分类器;
S5:将待识别猪只的猪脸图片的特征码输入猪脸分类器中,通过猪脸分类器的输出端输出该猪只是否为新猪。
2.根据权利要求1所述的基于卷积神经网络的猪只身份识别方法,其特征在于:步骤S1中,所述卷积神经网络结构包括n个卷积层、m个池化层和k个全链接层,所述卷积层与池化层交叉依次设置,且池化层采用基于最大值的池化方法,其中n、m、k均为≥1的整数。
3.根据权利要求2所述的基于卷积神经网络的猪只身份识别方法,其特征在于:步骤S1中,n、m、k的值均为3,即通过三个全连接层来对提取出猪只特征码的特征响应图进行数值预测,得到相似度分数,并输出匹配结果;然后利用匹配结果与真实结果之间的误差,采用误差反向传播算法来训练所述卷积神经网络的训练参数。
4.根据权利要求3所述的基于卷积神经网络的猪只身份识别方法,其特征在于:损失函数采用平均交叉熵方法,用以表示全连接层输出的匹配结果与真实结果之间的误差,其计算公式如(1)所示。
其中,N表示每一次训练的猪脸图片数量,M表示猪只种类数目,y_和y分别表示N个猪脸图片的实际类别及通过卷积网络后softmax值。
5.根据权利要求4所述的基于卷积神经网络的猪只身份识别方法,其特征在于:Softmax值的计算公式如(2)所示,
其中xi表示最后一个全连接层输出结果中的第i个元素的值。
6.根据权利要求1所述的基于卷积神经网络的猪只身份识别方法,其特征在于:步骤S3中,当待识别的猪只为新猪时,将该猪只ID及对应的特征码按步骤S2的操作添加到猪只特征码库中;或当已有猪只被移出时,应从猪只特征码库中移除该猪只所对应的特征码和猪只ID,以完成猪只特征码库的数据更新。
7.根据权利要求6所述的基于卷积神经网络的猪只身份识别方法,其特征在于:在完成上述特征码库的更新后,按步骤S4的操作对猪脸分类器进行同步更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207372.XA CN108664878A (zh) | 2018-03-14 | 2018-03-14 | 基于卷积神经网络的猪只身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207372.XA CN108664878A (zh) | 2018-03-14 | 2018-03-14 | 基于卷积神经网络的猪只身份识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664878A true CN108664878A (zh) | 2018-10-16 |
Family
ID=63785135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810207372.XA Pending CN108664878A (zh) | 2018-03-14 | 2018-03-14 | 基于卷积神经网络的猪只身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664878A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189145A (zh) * | 2019-05-15 | 2019-08-30 | 广州影子科技有限公司 | 追溯方法、追溯装置、追溯系统和计算机可读存储介质 |
CN110414626A (zh) * | 2019-08-06 | 2019-11-05 | 广东工业大学 | 一种猪只品种识别方法、装置和计算机可读存储介质 |
CN110795987A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪脸识别方法和装置 |
CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
CN111967413A (zh) * | 2020-08-21 | 2020-11-20 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
CN112101076A (zh) * | 2019-06-18 | 2020-12-18 | 虹软科技股份有限公司 | 识别猪只的方法和装置 |
CN112150506A (zh) * | 2020-09-27 | 2020-12-29 | 成都睿畜电子科技有限公司 | 一种目标状态的检测方法、装置、介质及电子设备 |
CN113449674A (zh) * | 2021-07-12 | 2021-09-28 | 江苏商贸职业学院 | 一种猪脸识别方法及系统 |
CN113486813A (zh) * | 2021-07-08 | 2021-10-08 | 深圳喜为智慧科技有限公司 | 一种猪只重识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022380A (zh) * | 2016-05-25 | 2016-10-12 | 中国科学院自动化研究所 | 基于深度学习的个体身份识别方法 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
CN107766807A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
-
2018
- 2018-03-14 CN CN201810207372.XA patent/CN108664878A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022380A (zh) * | 2016-05-25 | 2016-10-12 | 中国科学院自动化研究所 | 基于深度学习的个体身份识别方法 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
CN107766807A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
顾佳玲等: "增长式卷积神经网络及其在人脸检测中的应用", 系统仿真学报, vol. 21, no. 8, pages 2441 - 2445 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189145A (zh) * | 2019-05-15 | 2019-08-30 | 广州影子科技有限公司 | 追溯方法、追溯装置、追溯系统和计算机可读存储介质 |
CN112101076A (zh) * | 2019-06-18 | 2020-12-18 | 虹软科技股份有限公司 | 识别猪只的方法和装置 |
CN110795987A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪脸识别方法和装置 |
CN110795987B (zh) * | 2019-07-30 | 2023-12-22 | 重庆渝通合数字科技有限公司 | 猪脸识别方法和装置 |
CN110414626A (zh) * | 2019-08-06 | 2019-11-05 | 广东工业大学 | 一种猪只品种识别方法、装置和计算机可读存储介质 |
CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
CN111291683B (zh) * | 2020-02-08 | 2023-04-18 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
CN111967413A (zh) * | 2020-08-21 | 2020-11-20 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
CN111967413B (zh) * | 2020-08-21 | 2024-04-09 | 广州市微智联科技有限公司 | 一种猪脸识别方法 |
CN112150506A (zh) * | 2020-09-27 | 2020-12-29 | 成都睿畜电子科技有限公司 | 一种目标状态的检测方法、装置、介质及电子设备 |
CN113486813A (zh) * | 2021-07-08 | 2021-10-08 | 深圳喜为智慧科技有限公司 | 一种猪只重识别方法 |
CN113449674A (zh) * | 2021-07-12 | 2021-09-28 | 江苏商贸职业学院 | 一种猪脸识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664878A (zh) | 基于卷积神经网络的猪只身份识别方法 | |
Zhou et al. | Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN111540006B (zh) | 基于深度迁移学习的植物气孔智能检测与识别方法及系统 | |
CN105787466B (zh) | 一种车辆类型的精细识别方法及系统 | |
Xu et al. | Maize diseases identification method based on multi-scale convolutional global pooling neural network | |
CN110135231A (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
CN110931112B (zh) | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 | |
CN114255357A (zh) | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 | |
CN105654141A (zh) | 基于Isomap和SVM算法的俯视群养猪个体识别方法 | |
CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN111382727B (zh) | 一种基于深度学习的犬脸识别方法 | |
CN108388877A (zh) | 一种猪脸的识别方法 | |
CN116935447B (zh) | 基于自适应师生结构的无监督域行人重识别方法及系统 | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
CN110688980A (zh) | 基于计算机视觉的人体姿态分类方法 | |
CN110175519A (zh) | 一种变电站的分合标识仪表识别方法、装置与存储介质 | |
CN104007733A (zh) | 一种对农业集约化生产进行监控的系统及方法 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN108280516B (zh) | 一种多组卷积神经网络之间互博智能进化的优化方法 | |
CN110472608A (zh) | 图像识别跟踪处理方法及系统 | |
CN113420709A (zh) | 牛脸特征提取模型训练方法、系统及牛的保险方法、系统 | |
CN115909403B (zh) | 基于深度学习的低成本高精度猪脸识别方法 | |
Wang et al. | Identification of growing points of cotton main stem based on convolutional neural network | |
CN115713786A (zh) | 一种猪只重识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |