CN110414626A - 一种猪只品种识别方法、装置和计算机可读存储介质 - Google Patents
一种猪只品种识别方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110414626A CN110414626A CN201910722858.1A CN201910722858A CN110414626A CN 110414626 A CN110414626 A CN 110414626A CN 201910722858 A CN201910722858 A CN 201910722858A CN 110414626 A CN110414626 A CN 110414626A
- Authority
- CN
- China
- Prior art keywords
- pig
- image
- trained
- training
- output
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种猪只品种识别方法、装置和计算机可读存储介质,方法包括:获取待识别猪只图像;将待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;将输出的n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对输出的n个第一分类结果进行加权投票,得到识别结果;其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。本发明提供的猪只品种识别方法解决了基于传统的机器视觉的图像识别方法进行猪只识别的识别准确度不高的技术问题。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种猪只品种识别方法、装置和计算机可读存储介质。
背景技术
随着猪肉价钱的上涨,越来越多的人们投入到养猪业中,养殖者在养殖过程中常常需要了解每头猪只的饮食情况、健康状态、生长状况等信息来掌握每头猪只的基本信息,因此识别每头猪只的身份信息有利于养殖者进行管理。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,现有技术中采用传统的基于机器视觉的图像识别方法进行猪只识别,但采用传统的基于机器视觉的图像识别方法的猪只识别准确率不高。
发明内容
本发明提供了一种猪只品种识别方法、装置和计算机可读存储介质,用于解决现有的猪只品种识别准确率不高的技术问题。
本发明第一方面提供了一种猪只品种识别方法,包括:
获取待识别猪只图像;
将所述待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;
将所述n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对所述输出的n个第一分类结果进行加权投票,得到识别结果;
其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
优选地,
所述猪只品种识别方法,还包括:
获取待训练猪只图像,对所述待训练猪只图像进行标注;
对所述标注的待训练猪只图像进行预处理操作,得到预处理后的待训练猪只图像,并对预处理后的待训练猪只图像进行划分,得到n个子训练集;
采用ImageNet对n个卷积神经网络模型进行预训练,得到n个预训练好的卷积神经网络模型;
将所述n个子训练集输入到所述n个预训练好的卷积神经网络模型中进行特征提取,输出n组特征向量;
将所述n组特征向量输入到n个分类器中,输出n个第二分类结果;
将所述输出的n个第二分类结果进行加权投票,获得最终的第二分类结果;
根据所述最终的第二分类结果计算分类准确率,当所述分类准确率高于阈值时,训练完成,得到训练好的分类器。
优选地,
所述预处理操作包括:对图像进行翻转和/或填充和/或平移方式的数据集扩充,并对扩充后的数据集进行归一化。
优选地,
所述分类器包括:SVM、KNN和Softmax分类器。
优选地,
所述将输出的n个第二分类结果进行加权投票,获得最终的第二分类结果之前,还包括:对相同分类器的输出结果进行求均值处理。
本发明第二方面提供了一种猪只品种识别装置,包括:
第一图像获取单元,用于获取待识别猪只图像;
第一特征提取单元,用于将所述待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;
识别单元,用于将所述n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对所述输出的n个第一分类结果进行加权投票,获得识别结果;
其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
优选地,
所述猪只品种识别装置,还包括:
第二图像获取单元,用于获取待训练猪只图像,对所述待训练猪只图像进行标注;
预处理单元,用于对所述标注的待训练猪只图像进行预处理操作,得到预处理后的待训练猪只图像,并对所述预处理后的待训练猪只图像进行划分,得到n个子训练集;
预训练单元,用于采用ImageNet对n个卷积神经网络模型进行预训练,得到n个预训练好的卷积神经网络模型;
第二特征提取单元,用于将所述n个子训练集输入到所述n个预训练好的卷积神经网络模型中进行特征提取,输出n组特征向量;
分类单元,用于将所述n组特征向量输入到n个分类器中,输出n个第二分类结果;
加权投票单元,用于将所述输出的n个第二分类结果进行加权投票,获得最终的第二分类结果;
计算单元,用于根据所述最终的第二分类结果计算分类准确率,当所述分类准确率高于阈值时,训练完成,得到训练好的分类器。
优选地,
所述预处理单元具体用于:
对所述标注的待训练猪只图像进行翻转和/或填充和/或平移方式的数据集扩充,并对扩充后的数据集进行归一化,得到预处理后的待训练猪只图像,并对所述预处理后的待训练猪只图像进行划分,得到n个子训练集。
优选地,
所述猪只品种识别装置,还包括:求均值单元,用于对相同分类器的输出结果进行求均值处理。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面任意一项所述的猪只品种识别方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种猪只品种识别方法,包括:获取待识别猪只图像;将待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;将输出的n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对输出的n个第一分类结果进行加权投票,得到识别结果;其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
本发明中提供的猪只品种识别方法,通过设置两项正则化项在目标函数中不同的比重,从而构造n个卷积神经网络模型,通过n个卷积神经网络模型提取深层次的、丰富的特征信息,以便于分类器充分学习有价值的特征信息;将n个卷积神经网络模型提取的n组特征向量输入到n个异构分类器中进行集成学习和分类,多个异构分类器通过集成学习、共同决策的方法,有利于提高猪只品种识别的准确率,解决了现有的猪只品种识别准确率不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种猪只品种识别方法的一个实施例的流程示意图;
图2为本发明提供的一种猪只品种识别方法的另一个实施例的流程示意图;
图3为本发明提供的一种猪只品种识别装置的一个实施例的结构示意图。
具体实施方式
本发明提供了一种猪只品种识别方法、装置和计算机可读存储介质,用于解决现有的猪只品种识别结果准确率不高的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
为了便于理解,请参阅图1,本发明提供的一种猪只品种识别方法的一个实施例的流程示意图。
本发明提供了一种猪只品种识别方法的第一实施例,包括:
步骤101,获取待识别猪只图像。
待识别的猪只图像可通过在猪只生活环境中安装摄像机来实时获得,对获得的猪只图像还需要进行筛选,留下包含有猪只的正脸和侧脸的有效图像。
步骤102,将待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;
其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
在本实施例中,目标函数中引入两个正则化项和引入的第一正则化项有助于生成稀疏权值矩阵,以便于进行特征选择,提高模型的泛化能力,从而提高猪只识别结果;引入的第二正则化项用于防止模型出现过拟合现象,进一步提高猪只识别结果。
在引入的两个正则化项前乘以系数r,通过设置n个不同的r取值来调整两个正则化项在目标函数中的比重,从而得到n个不同的卷积神经网络模型,将待识别猪只图像输入到n个训练好的预置的卷积神经网络模型中进行特征提取,输出n组特征向量。
步骤103,将输出的n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对输出的n个第一分类结果进行加权投票,得到识别结果。
将输出的n组特征向量随机输入到训练好的预置的n个异构分类器中,包括KNN、SVM和Softmax,对输出的n个第一分类结果进行加权投票,得到识别结果,加权投票公式如下所示:
其中,Y(x)为最终输出的分类结果,wi为第i个分类器的权重,hi(x)为第i个分类器的输出结果,多个异构分类器通过集成学习、共同决策的方法,获得最终的识别结果,因此,多个异构分类器的识别结果优于单个分类器的识别结果。
现有技术中采用传统的基于机器视觉的图像识别方法进行猪只识别,传统的基于机器视觉的图像识别方法提取的特征是浅层特征,分类器不能充分学习到有价值的特征信息,使得分类效果不佳,导致猪只识别准确率不高。
本实施例通过设置两项正则化项在目标函数中不同的比重,从而构造n个卷积神经网络模型,通过n个卷积神经网络模型提取深层次的、丰富的特征信息,以便于分类器充分学习有价值的特征信息;将n个卷积神经网络模型提取的n组特征向量输入到n个异构分类器中进行集成学习和分类,多个异构分类器通过集成学习、共同决策的方法,有利于提高猪只品种识别的准确率,解决了现有的猪只品种识别准确率不高的技术问题。
为了便于理解,请参阅图2,本发明提供的一种猪只品种识别方法的另一个实施例的流程示意图。
本发明提供了一种猪只品种识别方法的第二实施例,包括:
步骤201,获取待训练猪只图像,对待训练猪只图像进行标注。
获取待训练猪只图像与第一实施例中步骤101的内容相同,具体描述可以参见第一实施例步骤101的内容,在此不再赘述。
对采集到的待训练猪只图像进行品种分类和标注,得到标注好的待训练猪只图像数据集。
步骤202,对标注的待训练猪只图像进行预处理,得到预处理后的待训练猪只图像,并对预处理后的待训练猪只图像进行划分,得到n个子训练集。
预处理操作包括对待训练猪只图像进行翻转和/或填充和/或平移操作,以此对训练数据集进行扩充,训练数据集过小容易造成过拟合问题,因此,通过对训练数据集进行扩充能在一定程度上避免卷积神经网络模型的过拟合问题,提高模型的泛化能力,从而提高识别结果;预处理操作还包括对扩充后的训练数据集进行批量归一化,使每一块中像素的平均值接近0,标准差接近1,对训练数据集进行批量归一化有助于训练数据的数值保持在同样量级,使得训练时的数值更加稳定,从而提高模型的泛化能力。
对预处理后的待训练猪只图像随机进行划分,得到n个子训练集。
步骤203,采用ImageNet对n个卷积神经网络模型进行预训练,得到n个预训练好的卷积神经网络模型。
卷积神经网络模型包括输入层、多个卷积层、多个池化层、多个全连接层以及输出层,网络的层数至少为15层,可以采用VGG-16或VGG-19网络模型;输入层是整个卷积神经网络模型的输入部分,输入层的图像可以为彩色图像或灰度图像。
为了让该卷积网络有较多的层数,可以使用较小的卷积核尺度来预防卷积神经网络的过拟合问题,卷积层中可以使用尺寸为3x3的卷积核,步长为[1,1],为了能够使输入与输出的尺寸相同,可以采用padding=‘same’来进行填充,卷积层对输入层输入的图像进行卷积操作,提取卷积特征,提取的卷积特征经过Relu激励函数的非线性映射,在一定程度上给网络带来了稀疏性,减少了参数之间的相互依存关系,缓解了过拟合问题。
池化层可以采用最大值池化或平均值池化,使用的尺寸可以为2x2,步长为[1,1],可以使用padding=‘same’进行填充,通过池化层对卷积特征进行筛选,去除无用的特征信息,保留有价值的特征信息。
全连接层中使用dropout函数来避免过拟合问题,通过随机丢弃中间隐藏层节点,使网络处于不稳定状态,从而有效筛选出特征的关联性,增强网络的泛化能力,有效提高网络的分类能力。
输出层最终采用Softmax函数,可以采用交叉熵作为损失函数,在损失函数中引入两项正则化项作为目标函数,引入两项正则化项后的目标函数如下所示:
其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
卷积神经网络模型越深,需要更多的数据进行训练和学习,采用小规模的数据集对深度卷积神经网络模型进行训练容易出现过拟合问题,导致分类准确率不高,而构建一个大规模的数据库需要耗费大量的人力、物力,成本太高,本实施例采用ImageNet图像数据库对得到的n个卷积神经网络模型分别进行预训练,得到预训练好的n个模型,采用预训练的方式,能有效避免过拟合问题。
步骤204,将获得的n个子训练集输入到n个预训练好的卷积神经网络模型中进行特征提取,输出n组特征向量。
采用预训练好的n个卷积神经网络模型分别对n个子训练集进行特征提取,可以将最后一层全连接层的输出作为卷积神经网络模型最终提取的特征向量,n个卷积神经网络模型输出n组特征向量。
步骤205,将输出的n组特征向量输入到n个分类器中,输出n个第二分类结果。
将输出的n组特征向量随机分配输入到n个异构分类器中进行集成学习,以此提高分类准确率,分类器包括SVM、KNN和Softmax分类器,通过输出的n组特征向量对n个异构分类器进行训练,得到训练好的分类模型,输出n个分类结果。
步骤206,对相同分类器输出的第二分类结果进行求均值处理,分别得到三种分类器的平均第二分类结果。
对相同分类器的输出结果进行求均值处理,分别得到三种分类器的平均第二分类结果,求均值公式如下所示:
其中,Hj(x)为第j种分类器输出的平均第二分类结果,j∈[1,3],T为相同分类器的个数,为第j种分类器的第i个分类器输出的第二分类结果,比如第一种分类器为SVM,SVM的个数为5个,则h1 3(x)为第3个SVM分类器输出的第二分类结果。
需要说明的是,对相同分类器的输出结果进行求均值处理,有利于减少分类结果的偏差,从而提高最终的分类结果。
步骤207,对得到的平均第二分类结果采用加权投票法,获得最终的第二分类结果。
对得到的三个平均第二分类结果进行加权投票,得到最终的第二分类结果,加权投票公式如下所示:
其中,Y(x)为输出的最终第二分类结果,wj为第j个分类器的权重,Hj(x)为第j种分类器输出的第二平均分类结果,多个异构分类器通过集成学习、共同决策的方法,获得最终的识别结果,因此,多个异构分类器的识别结果优于单个分类器的识别结果。
步骤208,根据最终的第二分类结果计算分类准确率,当分类准确率高于阈值时,训练完成,得到训练好的分类器。
分类准确率通过正确分类的训练样本数目与所有训练样本数目的比值计算得到,当分类准确率高于预先设定的阈值时,则认为训练完成,停止训练,得到训练好的分类器。
步骤209,获取待识别猪只图像,对待识别猪只图像进行识别,输出识别结果。
将待识别猪只图像随机输入到预训练好的n个卷积神经网络模型中进行特征提取,将输出的n组特征向量随机输入到训练好的n个分类器中,输出n个分类结果,对相同分类器输出的分类结果进行求均值处理,得到三种分类器的平均分类结果,对得到的平均分类结果采用加权投票法,最终获得识别结果。
为了便于理解,请参阅图3,本发明提供的一种猪只品种识别装置的一个实施例的流程示意图。
本发明提供了一种猪只品种识别装置的一个实施例,包括:
第一图像获取单元301,用于获取待识别猪只图像;
第一特征提取单元302,用于将待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;
识别单元303,用于将n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对输出的n个第一分类结果进行加权投票,获得识别结果;
其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
进一步,还包括:
第二图像获取单元304,用于获取待训练猪只图像,对待训练猪只图像进行标注;
预处理单元305,用于对标注的待训练猪只图像进行预处理操作,得到预处理后的待训练猪只图像,并对预处理后的待训练猪只图像进行划分,得到n个子训练集;
预训练单元306,用于采用ImageNet对n个卷积神经网络模型进行预训练,得到n个预训练好的卷积神经网络模型;
第二特征提取单元307,用于将n个子训练集输入到n个预训练好的卷积神经网络模型中进行特征提取,输出n组特征向量;
分类单元308,用于将n组特征向量输入到n个分类器中,输出n个第二分类结果;
加权投票单元309,用于将输出的n个第二分类结果进行加权投票,获得最终的第二分类结果;
计算单元310,用于根据最终的第二分类结果计算分类准确率,当分类准确率高于阈值时,训练完成,得到训练好的分类器。
预处理单元305具体用于:
对标注的待训练猪只图像进行翻转和/或填充和/或平移方式的数据集扩充,并对扩充后的数据集进行归一化,得到预处理后的待训练猪只图像,并对预处理后的待训练猪只图像进行划分,得到n个子训练集。
进一步,还包括:求均值单元311,用于对相同分类器的输出结果进行求均值处理。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,所述程序代码用于执行前述的猪只品种识别方法的两个实施例。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种猪只品种识别方法,其特征在于,包括:
获取待识别猪只图像;
将所述待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;
将所述n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对所述输出的n个第一分类结果进行加权投票,得到识别结果;
其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
2.根据权利要求1所述的猪只品种识别方法,其特征在于,还包括:
获取待训练猪只图像,对所述待训练猪只图像进行标注;
对所述标注的待训练猪只图像进行预处理操作,得到预处理后的待训练猪只图像,并对预处理后的待训练猪只图像进行划分,得到n个子训练集;
采用ImageNet对n个卷积神经网络模型进行预训练,得到n个预训练好的卷积神经网络模型;
将所述n个子训练集输入到所述n个预训练好的卷积神经网络模型中进行特征提取,输出n组特征向量;
将所述n组特征向量输入到n个分类器中,输出n个第二分类结果;
将所述输出的n个第二分类结果进行加权投票,获得最终的第二分类结果;
根据所述最终的第二分类结果计算分类准确率,当所述分类准确率高于阈值时,训练完成,得到训练好的分类器。
3.根据权利要求2所述的猪只品种识别方法,其特征在于,所述预处理操作包括:对图像进行翻转和/或填充和/或平移方式的数据集扩充,并对扩充后的数据集进行归一化。
4.根据权利要求2所述的猪只品种识别方法,其特征在于,所述分类器包括:SVM、KNN和Softmax分类器。
5.根据权利要求2所述的猪只品种识别方法,其特征在于,所述将输出的n个第二分类结果进行加权投票,获得最终的第二分类结果之前,还包括:对相同分类器的输出结果进行求均值处理。
6.一种猪只品种识别装置,其特征在于,包括:
第一图像获取单元,用于获取待识别猪只图像;
第一特征提取单元,用于将所述待识别猪只图像输入到预置的n个目标函数为的卷积神经网络模型中进行特征提取,输出n组特征向量;
识别单元,用于将所述n组特征向量输入到预置的n个分类器中,输出n个第一分类结果,对所述输出的n个第一分类结果进行加权投票,获得识别结果;
其中,losscross为交叉熵损失函数,wi为第i个权重,N为样本总数,α为正则化项系数,r为两项正则化项和所占的比例,r在[0,1]之间取n个不同的值,对应n个不同的模型。
7.根据权利要求6所述的猪只品种识别装置,其特征在于,还包括:
第二图像获取单元,用于获取待训练猪只图像,对所述待训练猪只图像进行标注;
预处理单元,用于对所述标注的待训练猪只图像进行预处理操作,得到预处理后的待训练猪只图像,并对所述预处理后的待训练猪只图像进行划分,得到n个子训练集;
预训练单元,用于采用ImageNet对n个卷积神经网络模型进行预训练,得到n个预训练好的卷积神经网络模型;
第二特征提取单元,用于将所述n个子训练集输入到所述n个预训练好的卷积神经网络模型中进行特征提取,输出n组特征向量;
分类单元,用于将所述n组特征向量输入到n个分类器中,输出n个第二分类结果;
加权投票单元,用于将所述输出的n个第二分类结果进行加权投票,获得最终的第二分类结果;
计算单元,用于根据所述最终的第二分类结果计算分类准确率,当所述分类准确率高于阈值时,训练完成,得到训练好的分类器。
8.根据权利要求7所述的猪只品种识别装置,其特征在于,所述预处理单元具体用于:
对所述标注的待训练猪只图像进行翻转和/或填充和/或平移方式的数据集扩充,并对扩充后的数据集进行归一化,得到预处理后的待训练猪只图像,并对所述预处理后的待训练猪只图像进行划分,得到n个子训练集。
9.根据权利要求7所述的猪只品种识别装置,其特征在于,还包括:求均值单元,用于对相同分类器的输出结果进行求均值处理。
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用于存储程序代码,所述程序代码用于执行权利要求1-5任意一项所述的猪只品种识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722858.1A CN110414626A (zh) | 2019-08-06 | 2019-08-06 | 一种猪只品种识别方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722858.1A CN110414626A (zh) | 2019-08-06 | 2019-08-06 | 一种猪只品种识别方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414626A true CN110414626A (zh) | 2019-11-05 |
Family
ID=68366135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910722858.1A Pending CN110414626A (zh) | 2019-08-06 | 2019-08-06 | 一种猪只品种识别方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414626A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198549A (zh) * | 2020-02-18 | 2020-05-26 | 陈文翔 | 一种基于大数据的家禽养殖监测管理系统 |
CN113469356A (zh) * | 2021-06-03 | 2021-10-01 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
CN113642708A (zh) * | 2021-08-13 | 2021-11-12 | 北京赛目科技有限公司 | 一种车辆环境等级识别模型的训练方法、识别方法及装置 |
CN117036820A (zh) * | 2023-08-21 | 2023-11-10 | 青岛中沃兴牧食品科技有限公司 | 一种基于视觉图像的猪只分类模型及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
CN109583507A (zh) * | 2018-12-07 | 2019-04-05 | 浙江工商大学 | 一种基于深度卷积神经网络的猪体识别方法 |
-
2019
- 2019-08-06 CN CN201910722858.1A patent/CN110414626A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
CN109583507A (zh) * | 2018-12-07 | 2019-04-05 | 浙江工商大学 | 一种基于深度卷积神经网络的猪体识别方法 |
Non-Patent Citations (1)
Title |
---|
YASIN_: "L1、L2正则化总结", 《HTTPS://BLOG.CSDN.NET/YASIN0/ARTICLE/DETAILS/89682616》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198549A (zh) * | 2020-02-18 | 2020-05-26 | 陈文翔 | 一种基于大数据的家禽养殖监测管理系统 |
CN111198549B (zh) * | 2020-02-18 | 2020-11-06 | 湖南伟业动物营养集团股份有限公司 | 一种基于大数据的家禽养殖监测管理系统 |
CN113469356A (zh) * | 2021-06-03 | 2021-10-01 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
GB2611257A (en) * | 2021-06-03 | 2023-03-29 | Univ Jiangsu | Transfer learning-based method for improved VGG16 network pig identity recognition |
GB2611257B (en) * | 2021-06-03 | 2024-02-28 | Univ Jiangsu | Pig identity identification method by using improved vgg16 network based on transfer learning |
CN113469356B (zh) * | 2021-06-03 | 2024-06-07 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
CN113642708A (zh) * | 2021-08-13 | 2021-11-12 | 北京赛目科技有限公司 | 一种车辆环境等级识别模型的训练方法、识别方法及装置 |
CN113642708B (zh) * | 2021-08-13 | 2024-05-14 | 北京赛目科技有限公司 | 一种车辆环境等级识别模型的训练方法、识别方法及装置 |
CN117036820A (zh) * | 2023-08-21 | 2023-11-10 | 青岛中沃兴牧食品科技有限公司 | 一种基于视觉图像的猪只分类模型及其方法 |
CN117036820B (zh) * | 2023-08-21 | 2024-03-19 | 青岛中沃兴牧食品科技有限公司 | 一种基于视觉图像的猪只分类模型及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tuli et al. | Are convolutional neural networks or transformers more like human vision? | |
CN107679526B (zh) | 一种人脸微表情识别方法 | |
CN108491765B (zh) | 一种蔬菜图像的分类识别方法及系统 | |
CN109583322B (zh) | 一种人脸识别深度网络训练方法和系统 | |
CN110414626A (zh) | 一种猪只品种识别方法、装置和计算机可读存储介质 | |
CN105447473B (zh) | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 | |
CN111723738B (zh) | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 | |
Jing et al. | Yarn-dyed fabric defect classification based on convolutional neural network | |
CN106485259B (zh) | 一种基于高约束高分散主成分分析网络的图像分类方法 | |
CN108319968A (zh) | 一种基于模型融合的果蔬图像分类识别方法及系统 | |
CN109190665A (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
CN106599941A (zh) | 基于卷积神经网络与支持向量机的手写数字识别方法 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN109359608A (zh) | 一种基于深度学习模型的人脸识别方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN102156871A (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
CN109086886A (zh) | 一种基于极限学习机的卷积神经网络学习算法 | |
Zhou et al. | Convolutional neural networks based pornographic image classification | |
CN106709528A (zh) | 基于多目标函数深度学习的车辆重识别方法及装置 | |
Zhou et al. | Convolutional deep networks for visual data classification | |
CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
CN112732872B (zh) | 面向生物医学文本的基于主题注意机制的多标签分类方法 | |
Xie et al. | A face recognition method based on CNN | |
Shang et al. | Image spam classification based on convolutional neural network | |
Borgalli et al. | Deep learning for facial emotion recognition using custom CNN architecture |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |