CN109919005A - 牲畜身份识别方法、电子装置及可读存储介质 - Google Patents
牲畜身份识别方法、电子装置及可读存储介质 Download PDFInfo
- Publication number
- CN109919005A CN109919005A CN201910064337.1A CN201910064337A CN109919005A CN 109919005 A CN109919005 A CN 109919005A CN 201910064337 A CN201910064337 A CN 201910064337A CN 109919005 A CN109919005 A CN 109919005A
- Authority
- CN
- China
- Prior art keywords
- livestock
- picture
- identification
- training
- circumscribed rectangle
- 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
- 244000144972 livestock Species 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 35
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 15
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 107
- 238000000605 extraction Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 230000009977 dual effect Effects 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 13
- 241001465754 Metazoa Species 0.000 description 10
- 238000013507 mapping Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000004807 localization Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000283073 Equus caballus Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000283074 Equus asinus Species 0.000 description 1
- 241001331845 Equus asinus x caballus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及智能决策技术领域，揭露了一种牲畜身份识别方法，装置及存储介质。该方法通过获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果，接着，将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量，最后，将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。利用本发明揭露的技术方案，能更加快速、高效、精准地对牲畜的身份进行自动识别。
Description
技术领域
本发明涉及智能决策技术领域，尤其涉及一种牲畜身份识别方法、电子装置及可读存储介质。
背景技术
牲畜保险指的是以牛、马、骡、驴、牲畜等牲畜为保险标的的保险。牲畜保险是农业保险的一种，承担牲畜因疾病或其他意外事故(风、雨、水、火灾等)而死亡的损失。根据被保险人的需要，可加保各种附加险，如牲畜伤残和医疗费用险、屠宰险(屠宰后发现不符合卫生当局规定的要求)、产仔险、阉割险、流行性疾病险、流行性疾病的后果损失险、牲畜运输险、展览险等。
对牲畜进行投保以及理赔时，需要准确确定每个牲畜的身份以进行理赔。然而，现存的对牲畜，如牲畜、牛、马等身份的识别基本都是通过人的肉眼，根据自己养殖的经验及牲畜的大小外形等进行判断。这样的人工判定方法存在很大的误差，无法准确地确定牲畜的身份，况且当牲畜的数量很多时，不仅人会很劳累而且效率极其低下，出错的概率也会大大增加。
经过观察可知，牲畜的外貌特征从幼年到几个月后会发生巨大的变化，但几个月后，外貌将基本保持稳定，为解决牲畜的身份识别问题，亟需提出一种牲畜身份的学习方案，能够智能地对牲畜的身份进行识别。
发明内容
鉴于以上内容，本发明的主要目的在于提供一种牲畜身份识别方法、装置及存储介质，以更加快速、高效、精准地对牲畜的身份进行自动识别。
为实现上述目的，本发明提供一种牲畜身份识别方法，该方法包括：
获取初始化识别结果步骤：获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果；
生成向量步骤：将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
识别牲畜身份步骤：将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。
优选地，所述预先训练的识别模型包括第一识别模型、第二识别模型、第三识别模型、第四识别模型，各个预先训练的识别模型的训练过程包括：
在收到针对一个牲畜身份标识对应的牲畜的模型训练请求后，获取该牲畜的第一数量的样本照片，并对各个样本照片中的牲畜最小外接矩形图片进行识别和提取，提取出第二数量的牲畜最小外接矩形图片，所述第二数量小于或者等于第一数量；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第一图片分组，并分别从各个第一图片分组中随机选择一个牲畜最小外接矩形图片作为第一训练图片，每个第一图片分组中包含第三数量的牲畜最小外接矩形图片，不同第一图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第一图片分组；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第二图片分组，并分别从各个第二图片分组中随机选择一个牲畜最小外接矩形图片作为第二训练图片，每个第二图片分组中包含第四数量的牲畜最小外接矩形图片，不同第二图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第二图片分组；
利用各个所述第一训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第一识别模型，并利用各个所述第一训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第二识别模型；
利用各个所述第二训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第三识别模型，并利用各个所述第二训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第四识别模型。
优选地，所述预先训练的综合识别模型的训练过程包括：
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第三图片分组，并分别从各个第三图片分组中随机选择一个牲畜最小外接矩形图片作为第三训练图片，每个第三图片分组中包含第三数量的牲畜最小外接矩形图片，不同第三图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第三图片分组；
分别将每个第三训练图片输入各个多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果，并将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
利用生成的各个所述预设格式向量训练所述综合识别模型，生成训练好的与该牲畜身份标识对应的综合识别模型。
优选地，所述第一预设类型模型为107层的双路径网络；所述第二预设类型模型为98层的双路径网络。
优选地，所述综合识别模型为包含有两个隐藏层和一个输出层的全连接神经网络。
为实现上述目的，本发明还提供一种电子装置，所述电子装置包括存储器和处理器。所述存储器上存储有可在所述处理器上运行的牲畜身份识别程序，所述牲畜身份识别程序被所述处理器执行时实现如下步骤：
获取初始化识别结果步骤：获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果；
生成向量步骤：将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
识别牲畜身份步骤：将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。
优选地，所述预先训练的识别模型包括第一识别模型、第二识别模型、第三识别模型、第四识别模型，各个预先训练的识别模型的训练过程包括：
在收到针对一个牲畜身份标识对应的牲畜的模型训练请求后，获取该牲畜的第一数量的样本照片，并对各个样本照片中的牲畜最小外接矩形图片进行识别和提取，提取出第二数量的牲畜最小外接矩形图片，所述第二数量小于或者等于第一数量；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第一图片分组，并分别从各个第一图片分组中随机选择一个牲畜最小外接矩形图片作为第一训练图片，每个第一图片分组中包含第三数量的牲畜最小外接矩形图片，不同第一图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第一图片分组；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第二图片分组，并分别从各个第二图片分组中随机选择一个牲畜最小外接矩形图片作为第二训练图片，每个第二图片分组中包含第四数量的牲畜最小外接矩形图片，不同第二图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第二图片分组；
利用各个所述第一训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第一识别模型，并利用各个所述第一训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第二识别模型；
利用各个所述第二训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第三识别模型，并利用各个所述第二训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第四识别模型。
优选地，所述预先训练的综合识别模型的训练过程包括：
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第三图片分组，并分别从各个第三图片分组中随机选择一个牲畜最小外接矩形图片作为第三训练图片，每个第三图片分组中包含第三数量的牲畜最小外接矩形图片，不同第三图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第三图片分组；
分别将每个第三训练图片输入各个多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果，并将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
利用生成的各个所述预设格式向量训练所述综合识别模型，生成训练好的与该牲畜身份标识对应的综合识别模型。
优选地，所述第一预设类型模型为107层的双路径网络模型；所述第二预设类型模型为98层的双路径网络模型；所述综合识别模型为包含有两个隐藏层和一个输出层的全连接神经网络模型。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括牲畜身份识别程序，该牲畜身份识别程序被处理器执行时实现上述牲畜身份识别方法的步骤。
相较现有技术，本发明通过获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果，将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量，将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，有效实现了对牲畜身份的更加快速、高效、精准的自动识别。
附图说明
图1为本发明实现牲畜身份识别的电子装置一实施例的硬件结构图；
图2为图1中牲畜身份识别程序10一实施例的功能模块图；
图3为本发明牲畜身份识别方法一实施例的实施流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1所示，为本发明实现牲畜身份识别的电子装置一实施例的硬件结构图。在本实施例中，电子装置1包括存储器11、处理器12、存储器11中存储有可被处理器12执行的牲畜身份识别程序10。
所述电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有存储和运算功能的终端设备。在本发明的一个实施例中，当电子装置1为服务器时，该服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等的一种或几种。
所述存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述可读存储介质可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述可读存储介质也可以是所述电子装置1的外部存储器11，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
所述处理器12可以是中央处理器(Central Processing Unit，CPU)，微处理器或其他任意适用的数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行牲畜身份识别程序10等。
图1仅示出了具有组件11-12以及牲畜身份识别程序10的电子装置1，但是应理解的是，电子装置1可以包括更多或者更少的组件。
在本发明的一个实施例中，处理器12执行存储器11中存储的牲畜身份识别程序10时实现如下步骤：
获取初始化识别结果步骤：获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果；
生成向量步骤：将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
识别牲畜身份步骤：将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。
为了更好的阐述说明所述电子装置1中各个组成部件的功能及相互间的功能配合关系，以下结合图2-3进行详细描述。
参照图2所示，为图1中牲畜身份识别程序10一实施例的功能模块图。所述牲畜身份识别程序10被分割为多个功能模块，该多个功能模块被存储于存储器11中，并由处理器12执行，以更加快速、高效、精准地对牲畜的身份进行自动识别。本发明所称的“模块”是指能够完成特定功能的一系列计算机程序指令集。
在本实施例中，所述牲畜身份识别程序10被分割为：获取模块110、生成模块120及识别模块130。应该理解的是：在本实施例中，将所述牲畜身份识别程序10分割成获取模块110、生成模块120及识别模块130，仅仅是为了更清楚的表达出所述牲畜身份识别程序10所能实现的功能，并不用于限定所述牲畜身份识别程序10仅能或者必须分割成获取模块110、生成模块120及识别模块130，对本领域的技术人员来说，可以在其他实施例中，轻易将所述牲畜身份识别程序10分割成与本实施例不同的功能模块，在此不做赘述。
所述获取模块110，用于获取待识别牲畜的身份标识(例如，唯一身份ID，可以在投保时由保险公司提供该唯一身份ID)和待识别的牲畜照片(例如，可以从客户端接收上传的照片，也可以在收到客户端发送的牲畜身份识别请求后，控制客户端设备的拍摄单元拍摄待身份识别的牲畜照片)，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果(例如，该初始化识别结果可以是“1”，代表是照片与身份标识相符；该初始化识别结果可以是“0”，代表是照片与身份标识不符)。
所述生成模块120，用于将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量(例如，该向量的维数与预先训练的识别模型的数量一致，例如，若A1模型识别结果是1，A2模型识别结果是1，A3模型识别结果是0，A4模型识别结果是1，则该预设格式向量可以是(1,1,0,1))。
所述识别模块130，用于将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。
可选地，所述预先训练的识别模型包括第一识别模型、第二识别模型、第三识别模型、第四识别模型，各个预先训练的识别模型的训练过程包括：
在收到针对一个牲畜身份标识对应的牲畜的模型训练请求后，获取该牲畜的第一数量(例如，1.2万张)的样本照片，并对各个样本照片中的牲畜最小外接矩形图片进行识别和提取(例如，所述最小外接矩形指的是包含该牲畜全部部位的最小面积的矩形)，提取出第二数量(例如，1万张)的牲畜最小外接矩形图片，所述第二数量小于或者等于第一数量(因为有的样本图片中可能没有牲畜)。
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第一图片分组，并分别从各个第一图片分组中随机选择一个牲畜最小外接矩形图片作为第一训练图片，每个第一图片分组中包含第三数量(例如，5张)的牲畜最小外接矩形图片，不同第一图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第一图片分组(例如，若第三数量为5张，则1万张牲畜最小外接矩形图片可分为2000个第一图片分组，记为G1_i，其中i为从1到2000的自然数，每个第一图片分组G1_i中的5个图片中又随机选出一个图片，记为P_x，其中x为从1到2000的自然数,将所有P_x集合在一起，数量也是2000，形成第一训练图片)。
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第二图片分组，并分别从各个第二图片分组中随机选择一个牲畜最小外接矩形图片作为第二训练图片，每个第二图片分组中包含第四数量(例如，8张)的牲畜最小外接矩形图片，不同第二图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第二图片分组(例如，若第四数量为8张，则1万张牲畜最小外接矩形图片可分为1250个第二图片分组，记为G2_j，其中j为从1到1250的自然数，第其中每个第二图片分组G2_j中的8个图片中又随机选出一个图片，记为P_y，其中y为从1到1250的自然数,将所有P_y集合在一起，数量也是1250，形成第二训练图片)。
利用各个所述第一训练图片训练第一预设类型模型(例如，107层的DPN(DualPath Networks，双路径网络模型))，生成训练好的与该牲畜身份标识对应的第一识别模型，并利用各个所述第一训练图片训练第二预设类型模型(例如，98层的DPN模型)，生成训练好的与该牲畜身份标识对应的第二识别模型。
利用各个所述第二训练图片训练第一预设类型模型(例如，107层的DPN模型)，生成训练好的与该牲畜身份标识对应的第三识别模型，并利用各个所述第二训练图片训练第二预设类型模型，(例如，98层的DPN模型)生成训练好的与该牲畜身份标识对应的第四识别模型。
可选地，所述预先训练的综合识别模型的训练过程包括：
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第三图片分组，并分别从各个第三图片分组中随机选择一个牲畜最小外接矩形图片作为第三训练图片，每个第三图片分组中包含第五数量(例如，3张)的牲畜最小外接矩形图片，不同第三图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第三图片分组。(例如，若第五数量为3张，则1万张牲畜最小外接矩形图片可分为3333个第三图片分组，记为G3_k，其中k为从1到3333的自然数，其中每个第二图片分组G3_k中的3个图片中又随机选出一个图片，记为P_z，其中z为从1到3333的自然数,将所有P_z集合在一起，数量也是3333，形成第三训练图片)。
分别将每个第三训练图片输入各个多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果，并将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量。
利用生成的各个所述预设格式向量训练所述综合识别模型，生成训练好的与该牲畜身份标识对应的综合识别模型。
可选地，所述预先训练的综合识别模型可以是全连接神经网络模型，该全连接神经网络模型包括两个隐藏层和一个输出层，第一个隐藏层的激活函数为双曲线正切函数Tanh，第二个隐藏层的激活函数为S型生长曲线函数Sigmoid，两个隐藏层的节点数均为预设数量，例如1024个，随后通过落脱技术(Dropout)防止过拟合，最后通过归一化指数函数softmax层后进行分类，识别出牲畜的类别，即该牲畜对应的身份。
隐藏层(Hidden layer)，简称“隐层”，是输入层和输出层之间众多神经元和链接组成的各个层面。输出层(Output layer)，讯息在神经元链接中传输、分析、权衡，形成输出结果。输出的讯息称为输出向量。Dropout是非常有用和成功的一种技术，能够有效控制过拟合(overfitting)问题。一般来说，Dropout会随机删除一些神经元，以在不同批量上训练不同的神经网络架构。套袋法Bagging是通过结合多个模型降低泛化误差的技术，主要的做法是分别训练几个不同的模型，然后让所有模型表决测试样例的输出。而Dropout可以被认为是集成了大量深层神经网络的Bagging方法，因此它提供了一种廉价的Bagging集成近似方法，能够训练和评估指数级数量的神经网络。
具体来说，Dropout指暂时丢弃一部分神经元及其连接。随机丢弃神经元可以防止过拟合，同时指数级、高效地连接不同网络架构。神经元被丢弃的概率为1-keep_prob(神经元被选中的概率值)，且关闭的神经元不参与前向传播计算与参数更新。隐藏层通常以0.5的概率丢弃神经元。使用完整网络(每个节点的输出权重为p)对所有2^n个dropout神经元的样本平均值进行近似计算。每当我们关闭一些神经元，我们实际上修改了原模型的结构，那么每次迭代都训练一个不同的架构，参数更新也更加关注激活的神经元。这种正则化方法可以看成是一种集成方法，即集成每个批量所训练的不同网络架构。Dropout显著降低了过拟合，同时通过避免在训练数据上的训练节点提高了算法的学习速度。
在训练神经网络时，神经网络的一些神经元会被删除，而在测试时，所有的神经元都会被激活，每一个单元的参数要预乘以keep_prob。
Dropout的使用与效果：使用20-50％的dropout，建议输入20％太低，影响可以忽略；太高，可能欠拟合。在输入层和隐藏层上使用dropout。这已被证明可以提高深度学习的性能。
使用伴有衰减的较大的学习速率，以及较大的动量。限制权重！较大的学习速率会导致梯度爆炸。通过对网络权值施加约束(如大小为5的最大范数正则化)可以改善结果。使用更大的网络。在较大的网络上使用dropout可能会获得更好的性能，从而使模型有更多的机会学习独立的表征。
其中，所述牲畜最小外接矩形由目标检测算法(single-shot multiboxdetector，SSD)模型计算得出，所述目标检测算法模型是一种直接预测目标类别和边界框(bounding box)的多目标检测算法模型，测速度快。SSD模型的说明如下：
SSD模型的第一环节是特征提取。特征提取可以采用主流的一些卷积模型(如VGG，Inception等)，特征提取时的不同卷积层的特征二维图片(feature map)的输出将同时送到到下一环节检测。
SSD模型的第二环节是检测。检测环节采用一系列的小卷积模块(3*3，1*1)来预测物体的类别与坐标。由于上一层输入的不同层数的feature map有不同的感受野(receptive field)，因此检测环节可以认为是对不同尺寸的图像进行回归和分类。检测环节可以细分成如下几个子模块(箱体生成器模块(box generator)、分类模块(classification)、对应模块(localization))：
箱体生成器模块(box generator):用于针对不同卷积层(如19*19，10*10)的特征二维图片单元(feature map cell)，也就是feature map中的每个小格子，产生不同尺寸(scale)、不同纵横比(aspect ratios)的缺省箱体(default boxes)；
分类模块(classification):用于针对上述的default boxes预测对应的featuremap cell的类别(C+1类别，C为所有分类，1为背景)；
对应模块(localization):上述的default boxes通过localization预测对应feature map cell的坐标。
SSD模型的第三环节是损失计算。该环节主要用于训练过程，损失函数包括分类损失(Classification loss)和对应损失(Localization losses)。通过损失的最小化，缩短Classification和Localization的预测误差。
SSD模型的第四环节是后处理。该环节主要用于验证过程，通过非极大值抑制(Non-Maximum Suppression，NMS)，筛选出置信度最高、存在目标的区域。
在本发明优选实施例中，所述预设类型识别模型使用了的双路径网络(Dual PathNetwork，DPN)，其中第一预设类型识别模型为107层的DPN模型，第二预设类型识别模型为98层的DPN模型。
所述DPN是一种结合了残差网络(Residual Network，ResNet)和密集连接网络(DenseNet)优势的新型卷积网络结构。所述残差网络通过残差旁支通路再利用特征，但残差通道不善于探索新特征。所述密集连接网络通过密集连接通路探索新特征，但有高冗余度。所述DPN网络是通过堆叠多个模块化的微模块创建的，在此网络结构中，每一个微模块的结构都是以瓶颈的方式来设计的，首先是一个1×1的卷积层，然后连接一个3×3的卷积层，并且以一个1×1的卷积层来结束。前一个1×1卷积层的输出被分成两个部分：第一部分是以元素方式添加到残差路径，第二部分与密集型连接通路相连接。为了提高每一个微模块的倾斜容量，在第二层使用了组合卷积层。考虑到在实际应用当中，残差网络比密集型连接网络应用得更加广泛，因此选择了残差网络作为主干，而且填加了一条细薄的密集型连接路径以建造双路径网络。这样的设计有助于减缓密集型连接通路的宽度增量和图形处理器(Graphics Processing Unit，GPU)的内存消耗。
DPN应用了残差网络，为说明其必要性，这里介绍一下残差网络的技术背景。通过实验可以发现：随着网络层级的不断增加，模型精度不断得到提升，而当网络层级增加到一定的数目以后，训练精度和测试精度迅速下降，这说明当网络变得很深以后，深度网络就变得更加难以训练了。
接下来解释一下网络层级越深，模型效果却变差的原因，一个简单神经网络是由输入层、隐含层、输出层构成，根据神经网络反向传播的原理，先通过正向传播计算出结果output，然后与样本比较得出误差值Etotal，根据误差结果，利用著名的“链式法则”求偏导，使结果误差反向传播从而得出权重w调整的梯度。在输出结果到隐含层的反向传播过程(隐含层到输入层的反向传播过程也是类似)，通过不断迭代，对参数矩阵进行不断调整后，使得输出结果的误差值更小，使输出结果与事实更加接近。
从上面的过程可以看出，神经网络在反向传播过程中要不断地传播梯度，而当网络层数加深时，梯度在传播过程中会逐渐消失，假如采用S型生长曲线(Sigmoid函数)，对于幅度为1的信号，每向后传递一层，梯度就衰减为原来的0.25，层数越多，衰减越厉害，导致无法对前面网络层的权重进行有效的调整。为了同时达到加深网络层数、解决梯度消失问题、提升模型精度，就需要残差网络。
上面的过程描述了一个实验结果现象，在不断加神经网络的深度时，模型准确率会先上升然后达到饱和，再持续增加深度时则会导致准确率下降，这里我们作这样一个假设：假设现有一个比较浅的网络(Shallow Net)已达到了饱和的准确率，这时在它后面再加上几个恒等映射层(Identity mapping，也即y＝x，输出等于输入)，这样就增加了网络的深度，并且起码误差不会增加，也即更深的网络不应该带来训练集上误差的上升。而这里提到的使用恒等映射直接将前一层输出传到后面的思想，便是残差网络(ResNet)的原理来源。
ResNet借鉴了高速网络(Highway Network)的跨层链接思想，但对其进行改进(残差项原本是带权值的，但ResNet用恒等映射代替之)。
假定某段神经网络的输入是x，期望输出是H(x)，即H(x)是期望的复杂潜在映射，如果是要学习这样的模型，则训练难度会比较大；
依据前面的假设，如果已经学习到较饱和的准确率(或者当发现下层的误差变大时)，那么接下来的学习目标就转变为恒等映射的学习，也就是使输入x近似于输出H(x)，以保持在后面的层次中不会造成精度下降。通过“捷径连接(shortcut connections)”的方式，直接把输入x传到输出作为初始结果，输出结果为H(x)＝F(x)+x，当F(x)＝0时，那么H(x)＝x，也就是上面所提到的恒等映射。于是，ResNet相当于将学习目标改变了，不再是学习一个完整的输出，而是目标值H(X)和x的差值，也就是所谓的残差F(x):＝H(x)-x，因此，后面的训练目标就是要将残差结果逼近于0，使到随着网络加深，准确率不下降。
这种残差跳跃式的结构，打破了传统的神经网络n-1层的输出只能给n层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为叠加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
至此，神经网络的层数可以超越之前的约束，达到几十层、上百层甚至千层，为高级语义特征提取和分类提供了可行性，经检验，残差网络的确解决了退化问题。
DPN还应用了密集连接网络(DenseNet)，所述DenseNet是一种全新的连接模式，在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来。
DenseNet的核心思想在于建立了不同层之间的连接关系，充分利用了特征feature，进一步减轻了梯度消失问题，加深网络不是问题，而且训练效果非常好。另外，利用瓶颈层(bottleneck layer)，变换层(Translation layer)以及较小的增长速率(growthrate)使得网络变窄，参数减少，有效抑制了过拟合，同时计算量也减少了。DenseNet优点很多，而且在和ResNet的对比中优势还是非常明显的。
卷积层，用于局部感知：人的大脑识别图片的过程中，并不是一下子整张图同时识别，而是对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息。
池化层，用于池化(Pooling)：也称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。主要有：Max Pooling：最大池化，Average Pooling：平均池化。
DPN98与DPN107神经网络的结构具体见表1
表1
所述DPN98的结构包括最开始的是卷积核为7*7、步长为2的卷积层和池化核为3*3，步长为2的最大池化层，然后是4个子网络，第一个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有3个，第二个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有6个，第三个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有20个，最后一个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有3个，再接着是一个全局平均池化层和全连接层，最后是归一化指数函数(softmax)层。
所述DPN107的网络结构类似，最开始包含的是卷积核为7*7、步长为2的卷积层和池化核为3*3，步长为2的最大池化层，然后是4个子网络，第一个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有4个，第二个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有8个，第三个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有20个，最后一个子网络包含大小分别为1*1、3*3、1*1的三种不同卷积核并且每种卷积核都有3个，再接着是一个全局平均池化层和全连接层，最后是softmax层。
所述DPN98和DPN107区别在于：每个子网络相同1*1核大小的卷积核对应的核个数不相同并且两个神经网络包含的层数不同。选用这两种不同的神经网络主要在于结合不同的神经网络更提取到图像更丰富的特征。
参照图3所示，为本发明牲畜身份识别方法一实施例的实施流程图。
S300,获取模块110获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果。
可选地，所述预先训练的识别模型包括第一识别模型、第二识别模型、第三识别模型、第四识别模型，各个预先训练的识别模型的训练过程包括：
在收到针对一个牲畜身份标识对应的牲畜的模型训练请求后，获取该牲畜的第一数量(例如，1.2万张)的样本照片，并对各个样本照片中的牲畜最小外接矩形图片进行识别和提取(例如，所述最小外接矩形指的是包含该牲畜全部部位的最小面积的矩形)，提取出第二数量(例如，1万张)的牲畜最小外接矩形图片，所述第二数量小于或者等于第一数量(因为有的样本图片中可能没有牲畜)。
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第一图片分组，并分别从各个第一图片分组中随机选择一个牲畜最小外接矩形图片作为第一训练图片，每个第一图片分组中包含第三数量(例如，5张)的牲畜最小外接矩形图片，不同第一图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第一图片分组。
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第二图片分组，并分别从各个第二图片分组中随机选择一个牲畜最小外接矩形图片作为第二训练图片，每个第二图片分组中包含第四数量(例如，8张)的牲畜最小外接矩形图片，不同第二图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第二图片分组。
利用各个所述第一训练图片训练第一预设类型模型(例如，107层的DPN(DualPath Networks，双路径网络模型))，生成训练好的与该牲畜身份标识对应的第一识别模型，并利用各个所述第一训练图片训练第二预设类型模型(例如，98层的DPN模型)，生成训练好的与该牲畜身份标识对应的第二识别模型。
利用各个所述第二训练图片训练第一预设类型模型(例如，107层的DPN模型)，生成训练好的与该牲畜身份标识对应的第三识别模型，并利用各个所述第二训练图片训练第二预设类型模型，(例如，98层的DPN模型)生成训练好的与该牲畜身份标识对应的第四识别模型。
可选地，所述预先训练的综合识别模型的训练过程包括：
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第三图片分组，并分别从各个第三图片分组中随机选择一个牲畜最小外接矩形图片作为第三训练图片，每个第三图片分组中包含第五数量(例如，3张)的牲畜最小外接矩形图片，不同第三图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第三图片分组。
S310,生成模块120将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量(例如，该向量的维数与预先训练的识别模型的数量一致，例如，若A1模型识别结果是1，A2模型识别结果是1，A3模型识别结果是0，A4模型识别结果是1，则该预设格式向量可以是(1,1,0,1))。
S320,识别模块130将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。
所述综合识别模型可以是全连接神经网络模型，该全连接神经网络模型包括两个隐藏层和一个输出层，第一个隐藏层的激活函数为双曲线正切函数Tanh，第二个隐藏层的激活函数为S型生长曲线函数Sigmoid，两个隐藏层的节点数均为预设数量，例如1024个，随后通过Dropout防止过拟合，最后通过归一化指数函数softmax层后进行分类，识别出牲畜的类别，即该牲畜对应的身份。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多状态下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种牲畜身份识别方法，应用于电子装置，其特征在于，所述方法包括：
获取初始化识别结果步骤：获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果；
生成向量步骤：将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
识别牲畜身份步骤：将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。
2.根据权利要求1所述的牲畜身份识别方法，其特征在于，所述预先训练的识别模型包括第一识别模型、第二识别模型、第三识别模型、第四识别模型，各个预先训练的识别模型的训练过程包括：
在收到针对一个牲畜身份标识对应的牲畜的模型训练请求后，获取该牲畜的第一数量的样本照片，并对各个样本照片中的牲畜最小外接矩形图片进行识别和提取，提取出第二数量的牲畜最小外接矩形图片，所述第二数量小于或者等于第一数量；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第一图片分组，并分别从各个第一图片分组中随机选择一个牲畜最小外接矩形图片作为第一训练图片，每个第一图片分组中包含第三数量的牲畜最小外接矩形图片，不同第一图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第一图片分组；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第二图片分组，并分别从各个第二图片分组中随机选择一个牲畜最小外接矩形图片作为第二训练图片，每个第二图片分组中包含第四数量的牲畜最小外接矩形图片，不同第二图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第二图片分组；
利用各个所述第一训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第一识别模型，并利用各个所述第一训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第二识别模型；
利用各个所述第二训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第三识别模型，并利用各个所述第二训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第四识别模型。
3.根据权利要求1所述的牲畜身份识别方法，其特征在于，所述预先训练的综合识别模型的训练过程包括：
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第三图片分组，并分别从各个第三图片分组中随机选择一个牲畜最小外接矩形图片作为第三训练图片，每个第三图片分组中包含第五数量的牲畜最小外接矩形图片，不同第三图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第三图片分组；
分别将每个第三训练图片输入各个多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果，并将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
利用生成的各个所述预设格式向量训练所述综合识别模型，生成训练好的与该牲畜身份标识对应的综合识别模型。
4.根据权利要求1所述的牲畜身份识别方法，其特征在于，所述第一预设类型模型为107层的双路径网络模型；所述第二预设类型模型为98层的双路径网络模型。
5.根据权利要求1至4任一项所述的牲畜身份识别方法，其特征在于，所述综合识别模型为包含有两个隐藏层和一个输出层的全连接神经网络模型。
6.一种电子装置，所述电子装置包括存储器和处理器，其特征在于，所述存储器上存储有可在所述处理器上运行的牲畜身份识别程序，所述牲畜身份识别程序被所述处理器执行时实现如下步骤：
获取初始化识别结果步骤：获取待识别牲畜的身份标识和待识别的牲畜照片，将获取的牲畜照片分别输入多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果；
生成向量步骤：将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
识别牲畜身份步骤：将生成的预设格式向量输入预先训练的综合识别模型中进行综合识别，输出最终识别结果，该最终识别结果包括识别通过和识别失败。
7.如权利要求6所述的电子装置，其特征在于，所述预先训练的识别模型包括第一识别模型、第二识别模型、第三识别模型、第四识别模型，各个预先训练的识别模型的训练过程包括：
在收到针对一个牲畜身份标识对应的牲畜的模型训练请求后，获取该牲畜的第一数量的样本照片，并对各个样本照片中的牲畜最小外接矩形图片进行识别和提取，提取出第二数量的牲畜最小外接矩形图片，所述第二数量小于或者等于第一数量；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第一图片分组，并分别从各个第一图片分组中随机选择一个牲畜最小外接矩形图片作为第一训练图片，每个第一图片分组中包含第三数量的牲畜最小外接矩形图片，不同第一图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第一图片分组；
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第二图片分组，并分别从各个第二图片分组中随机选择一个牲畜最小外接矩形图片作为第二训练图片，每个第二图片分组中包含第四数量的牲畜最小外接矩形图片，不同第二图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第二图片分组；
利用各个所述第一训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第一识别模型，并利用各个所述第一训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第二识别模型；
利用各个所述第二训练图片训练第一预设类型模型，生成训练好的与该牲畜身份标识对应的第三识别模型，并利用各个所述第二训练图片训练第二预设类型模型，生成训练好的与该牲畜身份标识对应的第四识别模型。
8.如权利要求6所述的电子装置，其特征在于，所述预先训练的综合识别模型的训练过程包括：
将提取的牲畜最小外接矩形图片进行随机分组，获得多个第三图片分组，并分别从各个第三图片分组中随机选择一个牲畜最小外接矩形图片作为第三训练图片，每个第三图片分组中包含第五数量的牲畜最小外接矩形图片，不同第三图片分组中的牲畜最小外接矩形图片不同，不同的牲畜最小外接矩形图片分到不同的第三图片分组；
分别将每个第三训练图片输入各个多个预先训练的识别模型中，获得各个预先训练的识别模型对应的初始化识别结果，并将各个预先训练的识别模型对应的初始化识别结果生成预设格式向量；
利用生成的各个所述预设格式向量训练所述综合识别模型，生成训练好的与该牲畜身份标识对应的综合识别模型。
9.如权利要求6至8任一项所述的电子装置，其特征在于，所述第一预设类型模型为107层的双路径网络模型；所述第二预设类型模型为98层的双路径网络模型；所述综合识别模型为包含有两个隐藏层和一个输出层的全连接神经网络模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有牲畜身份识别程序，所述牲畜身份识别程序被处理器所执行时实现如权利要求1-4中任一项所述的牲畜身份识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910064337.1A CN109919005A (zh) | 2019-01-23 | 2019-01-23 | 牲畜身份识别方法、电子装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910064337.1A CN109919005A (zh) | 2019-01-23 | 2019-01-23 | 牲畜身份识别方法、电子装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919005A true CN109919005A (zh) | 2019-06-21 |
Family
ID=66960591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910064337.1A Pending CN109919005A (zh) | 2019-01-23 | 2019-01-23 | 牲畜身份识别方法、电子装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919005A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
| CN110751944A (zh) * | 2019-09-19 | 2020-02-04 | 平安科技（深圳）有限公司 | 构建语音识别模型的方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389061A (zh) * | 2018-03-19 | 2018-08-10 | 平安科技（深圳）有限公司 | 电子装置、基于区块链的牲畜保险理赔方法及存储介质 |
| CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
| CN108764045A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技（深圳）有限公司 | 牲畜识别方法、装置及存储介质 |
| CN108830138A (zh) * | 2018-04-26 | 2018-11-16 | 平安科技（深圳）有限公司 | 牲畜识别方法、装置及存储介质 |
| CN108875811A (zh) * | 2018-06-01 | 2018-11-23 | 平安科技（深圳）有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
-
2019
- 2019-01-23 CN CN201910064337.1A patent/CN109919005A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
| CN108389061A (zh) * | 2018-03-19 | 2018-08-10 | 平安科技（深圳）有限公司 | 电子装置、基于区块链的牲畜保险理赔方法及存储介质 |
| CN108764045A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技（深圳）有限公司 | 牲畜识别方法、装置及存储介质 |
| CN108830138A (zh) * | 2018-04-26 | 2018-11-16 | 平安科技（深圳）有限公司 | 牲畜识别方法、装置及存储介质 |
| CN108875811A (zh) * | 2018-06-01 | 2018-11-23 | 平安科技（深圳）有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 赵婷婷;周哲峰;李东喜;刘松;李明;: "基于改进的Cifar-10深度学习模型的金钱豹个体识别研究", 太原理工大学学报, no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
| CN110751944A (zh) * | 2019-09-19 | 2020-02-04 | 平安科技（深圳）有限公司 | 构建语音识别模型的方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Altaheri et al. | Date fruit classification for robotic harvesting in a natural environment using deep learning | |
| US11402496B2 (en) | Method and apparatus for enhancing semantic features of SAR image oriented small set of samples | |
| CN109299716A (zh) | 神经网络的训练方法、图像分割方法、装置、设备及介质 | |
| CN110032926A (zh) | 一种基于深度学习的视频分类方法以及设备 | |
| CN110929610B (zh) | 基于cnn模型和迁移学习的植物病害识别方法及系统 | |
| CN108399380A (zh) | 一种基于三维卷积和Faster RCNN的视频动作检测方法 | |
| CN110070107A (zh) | 物体识别方法及装置 | |
| CN104866810A (zh) | 一种深度卷积神经网络的人脸识别方法 | |
| Surya et al. | Cassava leaf disease detection using convolutional neural networks | |
| CN110222717A (zh) | 图像处理方法和装置 | |
| CN112529146B (zh) | 神经网络模型训练的方法和装置 | |
| CN111797895A (zh) | 一种分类器的训练方法、数据处理方法、系统以及设备 | |
| Verma et al. | Residual squeeze CNDS deep learning CNN model for very large scale places image recognition | |
| CN106778910A (zh) | 基于本地训练的深度学习系统和方法 | |
| CN109919005A (zh) | 牲畜身份识别方法、电子装置及可读存储介质 | |
| Sun et al. | YOLO-P: An efficient method for pear fast detection in complex orchard picking environment | |
| Taslim et al. | Plant leaf identification system using convolutional neural network | |
| Uddin et al. | Traditional bengali food classification using convolutional neural network | |
| CN110210380A (zh) | 基于表情识别与心理学测试生成性格的分析方法 | |
| Li et al. | Detection of Animal Behind Cages Using Convolutional Neural Network | |
| Wijaya et al. | Modified lenet-5 architecture to classify high variety of tourism object: A case study of tourism object for education in Tinalah Village | |
| Zhang et al. | A novel DenseNet Generative Adversarial network for Heterogenous low-Light image enhancement | |
| Ma et al. | Sprouting potato recognition based on deep neural network GoogLeNet | |
| Nanni et al. | Building ensemble of deep networks: convolutional networks and transformers | |
| Sharmila et al. | Fruit Recognition Approach by Incorporating MultilayerConvolution Neural Network |
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 |