一种动物数量识别方法、装置、介质及电子设备
技术领域
本发明涉及基于图像的动物识别技术领域,具体而言,涉及一种动物数量识别方法及一种动物识别装置。
背景技术
近年来人工智能技术慢慢引入到生猪养殖过程中,利用大数据技术,分析养殖过程中的数据关联性分析,包括数量识别、猪群行为特征分析、疾病识别和预警、无人过磅等,从而有针对性的发挥大数据猪的价值。
对于一个完整的猪舍监控系统,猪只识别与点数是其中最基础核心的部分,猪只识别是指在输入的图像中识别所有猪只在图像中的位置,猪只点数人工智能技术能够大大的提高养猪效率,节约大量的人工成本。要实现智能化的技术难度大,相关技术研究也比较少。
目前养猪场在进行猪个体数量识别的基本方法如下:
(1)通过选用空栏猪圈并在四周涂上绿色涂料,然后通过识别非绿色区域即为猪只区域。
(2)通过改进的帧间差分法来检测运动猪只,主要是根据运动信息来检测目标。
(3)通过色彩空间聚类模型猪只识别算法,对猪只颜色特征进行猪只识别。
上述现有技术方案存在以下缺点:
(1)通过给空栏猪圈涂颜料,该方法在实验测试阶段可行,实际场景猪只数量庞大,操作起来比较困难,场地成本较大。
(2)通过帧间差分法,考虑到猪的习性,有可能长时间不动,应用运动信息监测就会失灵。
(3)通过色彩空间聚类模型猪只识别算法,由于猪只纹理复杂,猪的颜色也比较单一,黑色的猪和猪圈猪栏色彩类似等情况会造成识别不准确,识别率低的现象。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种动物数量识别方法及一种动物识别装置,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的动物数量确定的操作难度大、动物长时间不动的情况无法准确识别动物数量和色彩识别动物数量方法容易受到环境影响而识别不准确的一个或多个问题。
本发明实施例的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供一种动物数量识别方法,包括:
获取预处理动物图像,其中,所述预处理动物图像包括动物和所述动物的标记点;
基于所述动物的标记点,生成与所述预处理动物图像尺寸相同的数字矩阵;
将所述数字矩阵与预设的训练矩阵进行对比,基于所述对比获得的对比结果,生成动物数量识别模型;
基于所述动物数量识别模型实现图像中动物数量的识别。
在本发明的一个实施例中,上述基于所述动物的标记点,生成与所述预处理动物图像尺寸相同的数字矩阵,包括:
根据所述动物的标记点确定出所述标记点在所述预处理动物图像的位置坐标;
生成与所述预处理动物图像相同尺寸的数字矩阵,其中,所述数字矩阵由0至1范围内的数字构成;
基于所述位置坐标在所述数字矩阵中确定出对应的位置,并以数字1表示所述位置坐标对应的标记点,所述数字矩阵中剩余位置以0进行表示,并使用预设的高斯核函数进行高斯模糊处理,获得与所述预处理动物图像对应的数字矩阵。
在本发明的一个实施例中,上述将所述数字矩阵与预设的训练矩阵进行对比,基于所述对比获得的对比结果,生成动物数量识别模型,包括:
根据预设的卷积规则,对所述数字矩阵进行运算,获得卷积矩阵;
将所述卷积矩阵与所述预设的训练矩阵进行比对,获得比对结果;
根据所述比对结果,对预设的识别模型进行修正;
对所修正后的识别模型进行识别准确率验证,当所述识别模型的识别准确率大于等于预设的阈值时,生成动物数量识别模型。
在本发明的一个实施例中,上述基于所述动物数量识别模型实现动物数量的识别,包括:
将所获取的待识别动物数量图像输入所述动物数量识别模型,获取所述待识别动物数量图像对应的数字矩阵;
对所述数字矩阵进行求和,获得所述待识别动物数量图像中动物的数量。
根据本发明实施例的第二方面,提供一种动物识别装置,包括:获取模块、第一生成模块、第二生成模块、识别模块;其中,
获取模块,用于获取预处理动物图像,其中,所述预处理动物图像包括动物和所述动物的标记点;
第一生成模块,用于基于所述动物的标记点,生成与所述预处理动物图像尺寸相同的数字矩阵;
第二生成模块,用于将所述数字矩阵与预设的训练矩阵进行对比,基于所述对比获得的对比结果,生成动物数量识别模型;
识别模块,用于基于所述动物数量识别模型实现图像中动物数量的识别。
在本发明的一个实施例中,上述第一生成模块具体用于:
根据所述动物的标记点确定出所述标记点在所述预处理动物图像的位置坐标;
生成与所述预处理动物图像相同尺寸的数字矩阵,其中,所述数字矩阵由0和1范围内的数字构成;
基于所述位置坐标在所述数字矩阵中确定出对应的位置,并以数字1表示所述位置坐标对应的标记点,所述数字矩阵中剩余位置以0进行表示,并使用预设的高斯核函数进行高斯模糊处理,获得与所述预处理动物图像对应的数字矩阵。
在本发明的一个实施例中,上述第二识别模块具体用于:
根据预设的卷积规则,对所述数字矩阵进行运算,获得卷积矩阵;
将所述卷积矩阵与所述预设的训练矩阵进行比对,获得比对结果;
根据所述比对结果,对预设的识别模型进行修正;
对所修正后的识别模型进行识别准确率验证,当所述识别模型的识别准确率大于等于预设的阈值时,生成动物数量识别模型。
在本发明的一个实施例中,上述第二识别模块还具体用于:
将所获取的待识别动物数量图像输入所述动物数量识别模型,获取所述待识别动物数量图像对应的数字矩阵;
对所述数字矩阵进行求和,获得所述待识别动物数量图像中动物的数量。
根据本发明实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的动物数量识别方法。
根据本发明实施例的第四方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的动物数量识别方法。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明的一些实施例所提供的技术方案中,通过获取预处理动物图像,其中,所述预处理动物图像包括动物和所述动物的标记点;基于所述动物的标记点,生成与所述预处理动物图像尺寸相同的数字矩阵;将所述数字矩阵与预设的训练矩阵进行对比,基于所述对比获得的对比结果,生成动物数量识别模型;基于所述动物数量识别模型实现图像中动物数量的识别。本发明实施例的技术方案能够准确实时的掌握饲养场动物的总体数量,对动物数量进行了精准计算,保证了数据的准确性,并且直观可视,节约了大量人力成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出了根据本发明的一个实施例的动物数量识别方法的流程图;
图2示意性示出了根据本发明的一个实施例的预处理图像的示意图;
图3示意性示出了根据本发明的一个实施例动物数量识别方法应用于猪只个体数量识别的流程图;
图4示意性示出了根据本发明的一个实施例的动物识别装置的框图;
图5示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据本发明的一个实施例的动物数量识别方法的流程图。
参照图1所示,根据本发明的一个实施例的动物数量识别方法,包括以下步骤:
步骤S110,获取预处理动物图像;
步骤S120,基于动物的标记点,生成与预处理动物图像尺寸相同的数字矩阵;
步骤S130,将数字矩阵与预设的训练矩阵进行对比,基于对比获得的对比结果,生成动物数量识别模型;
步骤S140,基于动物数量识别模型实现图像中动物数量的识别。
图1所示实施例的技术方案能够通过人工智能算法针对人工打标处理的图像进行计算,对所获得的矩阵进行求和计算出动物数量,对动物数量进行了精准计算,保证了数据的准确性,并且直观可视,节约了大量人力成本。
以下对图1中所示的各个步骤的实现细节进行详细阐述:
在步骤S110中,获取预处理动物图像。
在本发明的一个实施例中,预处理动物图像至少包括动物和动物的标记点。
在本发明的一个实施例中,预处理动物图像中动物的标记点可以是人为对动物图片中的动物进行标记的标记点,获得标记出动物的预处理动物图像,向后续的机器识别流程提供,因此,需要预处理动物图像中打标点与动物一一对应,不能出现漏标动物、标重动物的情况。
图2示意性示出了根据本发明的一个实施例的预处理图像的示意图。
参照图2所示,预处理动物图像中每个动物的身上均标出了对应的标注点,没有出现漏标和标重的动物,即该预处理动物图像为搞准确率图像,能够为后续提高机器识别算法的准确率提供了良好的基础。
在步骤S120中,基于动物的标记点,生成与预处理动物图像尺寸相同的数字矩阵。
在本发明的一个实施例中,根据处理动物图像中动物的标记点确定出标记点在预处理动物图像的位置坐标;生成与预处理动物图像相同尺寸的数字矩阵,其中,数字矩阵由0至1范围内的数字构构成;基于位置坐标在数字矩阵中确定出对应的位置,并以数字1表示位置坐标对应的标记点,数字矩阵中剩余位置以0进行表示,并使用预设的高斯核函数进行高斯模糊处理,获得与预处理动物图像对应的数字矩阵。
在本发明的一个实施例中,对预处理动物图像中的标记点进行提取,提取到标记点的坐标位置,为了后续机器识别模型的训练,将预处理动物图像转化为矩阵,形成一个与预处理动物图像尺寸相同的由0至1范围内的数字构成的数字矩阵,其中,标记点的坐标位置在数字矩阵中设为1,其余元素均设为0。
在步骤S130中,将数字矩阵与预设的训练矩阵进行对比,基于对比获得的对比结果,生成动物数量识别模型。
在本发明的一个实施例中,数字矩阵与预设的训练矩阵进行对比之前,需要对数字矩阵进行卷积处理,根据预设的卷积规则,对数字矩阵进行运算,获得卷积矩阵;将卷积矩阵与预设的训练矩阵进行比对,获得比对结果;根据比对结果,对预设的识别模型进行修正;对所修正后的识别模型进行识别准确率验证,当识别模型的识别准确率大于等于预设的阈值时,生成动物数量识别模型。
在本发明的一个实施例中,卷积规则可以是通过卷积核函数将数字矩阵与高斯核函数进行卷积运算,生成一个新的卷积矩阵,以增强预处理图像对应数字矩阵中信号的特征,并降低噪音等干扰因素。
在本发明的一个实施例中,将卷积矩阵和预设的训练矩阵进行对比所获得的对比结果可以对预设的识别模型进行训练,在识别模型构建的过程中就需要不断地使用比对结果对识别模型中的参数进行修正,修正后获得动物数量识别模型。
在本发明的一个实施例中,上述识别模型中的各个参数均为初始化状态,在对识别模型进行第一次训练后所获得的对比结果对该识别模型进行一次检查,以确保后续识别模型的迭代结果正确,例如,第一遍计算loss值(对比结果)可以做一次检查,首先,以CIFAR-10为例,如果使用Softmax分类器,预测可以拿到loss值为2.302左右的初始loss(因为10个类别,初始概率应该都未0.1,Softmax损失是:-log(正确类别的概率):-ln(0.1)=2.302);其次,把正则化系数设为正常的小值,加回正则化项,这时候再算损失/loss;最后,在对大数据集做训练之前,可以先训练一个小的数据集(比如20张图片),然后看看你的神经网络能够做到0损失,因为如果神经网络实现是正确的,在无正则化项的情况下,完全能够过拟合这一小部分的数据;在对识别模型开始进行训练后,可以通过监控一些指标了解训练的状态,例如可以通过loss值在每轮完整迭代后的变化来确定,合适的学习率可以保证每轮完整训练之后,loss值都减小,且能在一段时间后降到一个较小的程度;然后需要跟踪一下训练集和验证集上的准确度状况,以判断分类器所处的状态,随着时间推进,训练集和验证集上的准确度都会上升,如果训练集上的准确度到达一定程度后,两者之间的差值比较大,那就要注意一下,可能是过拟合现象,如果差值不大,那说明识别模型状况良好,最后需要留意的量是权重更新幅度和当前权重幅度的比值,优选的是对每组参数都独立地检查。
在本发明的一个实施例中,基于前述方案,确定识别模型的训练梯度实现正确后,在后向传播算法中使用其更新权重参数,最常见的权重更新方式是SGD+Momentum,或RMSProp自适应学习率更新算法等;随后,用不同的方式去衰减学习率,介意通过以下常见的方法进行衰减学习率:(1)步伐衰减:每过一轮完整的训练周期(所有的图片都过了一遍)之后,学习率下降一些,(2)指数级别衰减:需要自定义超参数以及迭代轮数,(3)1/t衰减:需要自定义超参数以及迭代轮数;再用交叉验证等去搜索和找到最合适的超参数,其中,对于大的深层次神经网络而言,需要很多的时间去训练,因此在此之前需要做超参数搜索,以确定最佳设定,最直接的方式就是在框架实现的过程中,设计一个会持续变换超参数实施优化,并记录每个超参数下每一轮完整训练迭代下的验证集状态和效果,在实际应用中,神经网络里确定这些超参数,一般很少使用n折交叉验证,一般使用一份固定的交叉验证集就可以了;最后对所获得的识别模型进行模型融合,生成识别准确率大于等于预设阈值的动物数量识别模型,其中,模型融合可以是保留几份中间模型权重和最后的模型权重,对它们求一个平均,再在交叉验证集上测试结果。通常都会比直接训练的模型结果高出一两个百分点。直观的理解是,对于碗状的结构,有很多时候我们的权重都是在最低点附近跳来跳去,而没法真正到达最低点,而两个最低点附近的位置求平均,会有更高的概率落在离最低点更近的位置。
步骤S140,基于动物数量识别模型实现图像中动物数量的识别。
在本发明的一个实施例中,将所获取的待识别动物数量图像输入动物数量识别模型,获取待识别动物数量图像对应的数字矩阵;对数字矩阵进行求和,获得待识别动物数量图像中动物的数量。
本发明实施例提供了一种动物数量识别方法通过获取预处理动物图像,其中,预处理动物图像包括动物和动物的标记点;基于动物的标记点,生成与预处理动物图像尺寸相同的数字矩阵;将数字矩阵与预设的训练矩阵进行对比,基于对比获得的对比结果,生成动物数量识别模型;基于动物数量识别模型实现图像中动物数量的识别。本发明实施例的技术方案能够准确实时的掌握饲养场动物的总体数量,对动物数量进行了精准计算,保证了数据的准确性,并且直观可视,节约了大量人力成本。
需要说明的是,上述内容,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
以下介绍本发明所提出动物数量识别方法应用于识别猪只个体数量的实施例。
图3示意性示出了根据本发明的一个实施例动物数量识别方法应用于猪只个体数量识别的流程图。
参照图3所示,根据本发明的一个实施例的动物数量识别方法应用于猪只个体数量识别的流程,包括以下步骤:
步骤S301,识别流程开始;
步骤S302,获取人工打标图片;
在本发明的一个实施例中,人工打标图片是指人为对猪只图片进行标记猪只点数,为后续算法提供相应的图片,本步骤的主要功能是为后续机器识别猪只数量训练提供图片,因此,要求打标的图片准确率要高,不会出现漏标、标重的情况。
步骤S303,将人工打标图片转化为数字矩阵;
在本发明的一个实施例中,根据处理动物图像中动物的标记点确定出标记点在预处理动物图像的位置坐标;生成与预处理动物图像相同尺寸的数字矩阵,其中,数字矩阵由0至1范围内的数字构成;基于位置坐标在数字矩阵中确定出对应的位置,并以数字1表示位置坐标对应的标记点,数字矩阵中剩余位置以0进行表示,并使用预设的高斯核函数进行高斯模糊处理,获得与预处理动物图像对应的数字矩阵。
在本发明的一个实施例中,对预处理动物图像中的标记点进行提取,提取到标记点的坐标位置,为了后续机器识别模型的训练,将预处理动物图像转化为矩阵,形成一个与预处理动物图像尺寸相同的由0至1范围内的数字构构成的数字矩阵,其中,标记点的坐标位置在数字矩阵中设为1,其余元素均设为0。
步骤S304,计算出高斯核函数;
在本发明的一个实施例中,高斯模糊算法是将正态分布用于图像处理,高斯模糊的原理可以理解为每个像素都取周边像素的平均值,根据设定σ值和模糊半径计算出权重矩阵,作为高斯核函数用于后续步骤的卷积运算。
步骤S305,根据高斯核函数对数字矩阵进行卷积运算;
在本发明的一个实施例中,卷积运算指的是使用一个卷积核对图像中的每个像素进行一系列操作,将人工打标的图片转化成矩阵以后与高斯核进行卷积运算,生成一个新的矩阵,其中,卷积运算是图像处理时经常用到的一种操作,它具有增强原信号特征,并且降低噪音的作用。
步骤S306,获得卷积后的矩阵;
步骤S307,将卷积后的矩阵与步骤S312的反卷积矩阵进行对比;
在本发明的一个实施例中,预测值与真实值的偏差程度的最常见的loss,本算法里反卷积后的图矩阵和卷积运算计算出的标签矩阵进行对比出现的偏差即为loss结果,在算法模型构建的过程中就需要不断地使用loss值对参数进行修正,对算法模型进行迭代,准确率也不断提高,当准确率达标以后,就可以拿猪只图片通过网络计算出新的矩阵,对该矩阵求和就可以得到猪只数量。
步骤S308,获得训练图矩阵;
在本发明的一个实施例中,将人工打标的猪只数量图片的原图称为训练图,将训练图改为灰度图,并取其图像矩阵作为训练输入数据。
步骤S309,通过深度学习卷积神经网络对训练图矩阵进行运算;
在本发明的一个实施例中,可以通过VGG深度学习卷积神经网络对训练图矩阵进行运算,VGG是一种深度学习卷积神经网络,展示出网络深度是算法优良性能的关键部分,最好的网络包含了16个卷积层,网络结构非常一致,具体的,VGG是通过几个阶段的卷积特征提取,每层的卷积个数,从首阶段个数开始,每个阶段增长一倍,直到达到最高,然后保持,虽然VGG参数多,层次深,但是需要很少的迭代次数就可以收敛。
步骤S310,获得训练图矩阵的特征矩阵;
在本发明的一个实施例中,训练图矩阵经过VGG网络得到特征矩阵。
步骤S311,对特征矩阵进行反卷积运算;
在本发明的一个实施例中,反卷积运算在神经网络可视化上应用非常成功,本算法对特征矩阵使用反卷积运算,使其获得一些低层次特征,形成与标签矩阵尺寸相当的图矩阵,用于展示预测图像。
步骤S312,获得反卷积矩阵;
步骤S313,获得loss结果,生成猪只数量识别模型;
在本发明的一个实施例中,预测值与真实值的偏差程度即loss值,本算法里反卷积后的图矩阵和卷积运算计算出的标签矩阵进行对比出现的对比结果即为loss结果,在算法模型构建的过程中就需要不断地使用loss值对其中的参数进行修正,对算法模型进行迭代,算法模型的准确率也不断提高,当准确率达标以后,就可以拿猪只图片通过网络计算出新的矩阵,对该矩阵求和就可以得到猪只数量。
在本发明的一个实施例中,数字矩阵与预设的训练矩阵进行对比之前,需要对数字矩阵进行卷积处理,根据预设的卷积规则,对数字矩阵进行运算,获得卷积矩阵;将卷积矩阵与预设的训练矩阵进行比对,获得比对结果;根据比对结果,对预设的识别模型进行修正;对所修正后的识别模型进行识别准确率验证,当识别模型的识别准确率大于等于预设的阈值时,生成动物数量识别模型。
在本发明的一个实施例中,卷积规则可以是通过卷积核函数将数字矩阵与高斯核函数进行卷积运算,生成一个新的卷积矩阵,以增强预处理图像对应数字矩阵中信号的特征,并降低噪音等干扰因素。
在本发明的一个实施例中,将卷积矩阵和预设的训练矩阵进行对比所获得的对比结果可以对预设的识别模型进行训练,在识别模型构建的过程中就需要不断地使用比对结果对识别模型中的参数进行修正,修正后获得动物数量识别模型。
在本发明的一个实施例中,上述识别模型中的各个参数均为初始化状态,在对识别模型进行第一次训练后所获得的对比结果对该识别模型进行一次检查,以确保后续识别模型的迭代结果正确,例如,第一遍计算loss值(对比结果)可以做一次检查,首先,以CIFAR-10为例,如果使用Softmax分类器,预测可以拿到loss值为2.302左右的初始loss(因为10个类别,初始概率应该都未0.1,Softmax损失是:-log(正确类别的概率):-ln(0.1)=2.302);其次,把正则化系数设为正常的小值,加回正则化项,这时候再算损失/loss;最后,在对大数据集做训练之前,可以先训练一个小的数据集(比如20张图片),然后看看你的神经网络能够做到0损失,因为如果神经网络实现是正确的,在无正则化项的情况下,完全能够过拟合这一小部分的数据;在对识别模型开始进行训练后,可以通过监控一些指标了解训练的状态,例如可以通过loss值在每轮完整迭代后的变化来确定,合适的学习率可以保证每轮完整训练之后,loss值都减小,且能在一段时间后降到一个较小的程度;然后需要跟踪一下训练集和验证集上的准确度状况,以判断分类器所处的状态,随着时间推进,训练集和验证集上的准确度都会上升,如果训练集上的准确度到达一定程度后,两者之间的差值比较大,那就要注意一下,可能是过拟合现象,如果差值不大,那说明识别模型状况良好,最后需要留意的量是权重更新幅度和当前权重幅度的比值,优选的是对每组参数都独立地检查。
在本发明的一个实施例中,基于前述方案,确定识别模型的训练梯度实现正确后,在后向传播算法中使用其更新权重参数,最常见的权重更新方式是SGD+Momentum,或RMSProp自适应学习率更新算法等;随后,用不同的方式去衰减学习率,介意通过以下常见的方法进行衰减学习率:(1)步伐衰减:每过一轮完整的训练周期(所有的图片都过了一遍)之后,学习率下降一些,(2)指数级别衰减:需要自定义超参数以及迭代轮数,(3)1/t衰减:需要自定义超参数以及迭代轮数;再用交叉验证等去搜索和找到最合适的超参数,其中,对于大的深层次神经网络而言,需要很多的时间去训练,因此在此之前需要做超参数搜索,以确定最佳设定,最直接的方式就是在框架实现的过程中,设计一个会持续变换超参数实施优化,并记录每个超参数下每一轮完整训练迭代下的验证集状态和效果,在实际应用中,神经网络里确定这些超参数,一般很少使用n折交叉验证,一般使用一份固定的交叉验证集就可以了;最后对所获得的识别模型进行模型融合,生成识别准确率大于等于预设阈值的动物数量识别模型,其中,模型融合可以是保留几份中间模型权重和最后的模型权重,对它们求一个平均,再在交叉验证集上测试结果。通常都会比直接训练的模型结果高出一两个百分点。直观的理解是,对于碗状的结构,有很多时候我们的权重都是在最低点附近跳来跳去,而没法真正到达最低点,而两个最低点附近的位置求平均,会有更高的概率落在离最低点更近的位置。
步骤S314,判断猪只数量识别模型准确率是否达标,如果是,执行步骤S315;如果不是,返回步骤S308
步骤S315,输出猪只数量识别模型并结束识别流程。
以下介绍本发明的装置实施例,可以用于执行本发明上述的动物数量识别方法。
图4示意性示出了根据本发明的一个实施例的动物识别装置的框图。
参照图4所示,根据本发明的一个实施例的动物识别装置400,包括:获取模块401、第一生成模块402、第二生成模块403、识别模块404;其中,
获取模块401,用于获取预处理动物图像,其中,预处理动物图像包括动物和动物的标记点;
第一生成模块402,用于基于动物的标记点,生成与预处理动物图像尺寸相同的数字矩阵;
第二生成模块403,用于将数字矩阵与预设的训练矩阵进行对比,基于对比获得的对比结果,生成动物数量识别模型;
识别模块404,用于基于动物数量识别模型实现图像中动物数量的识别。
在本发明的一个实施例中,上述第一生成模块402具体用于:
根据动物的标记点确定出标记点在预处理动物图像的位置坐标;
生成与预处理动物图像相同尺寸的数字矩阵,其中,数字矩阵由0至1范围内的数字构构成;
基于位置坐标在数字矩阵中确定出对应的位置,并以数字1表示位置坐标对应的标记点,数字矩阵中剩余位置以0进行表示,并使用预设的高斯核函数进行高斯模糊处理,获得与预处理动物图像对应的数字矩阵。
在本发明的一个实施例中,上述第二识别模块403具体用于:
根据预设的卷积规则,对数字矩阵进行运算,获得卷积矩阵;
将卷积矩阵与预设的训练矩阵进行比对,获得比对结果;
根据比对结果,对预设的识别模型进行修正;
对所修正后的识别模型进行识别准确率验证,当识别模型的识别准确率大于等于预设的阈值时,生成动物数量识别模型。
在本发明的一个实施例中,上述第二识别模块403还具体用于:
将所获取的待识别动物数量图像输入动物数量识别模型,获取待识别动物数量图像对应的数字矩阵;
对数字矩阵进行求和,获得待识别动物数量图像中动物的数量。
由于本发明的示例实施例的动物识别装置的各个功能模块与上述动物数量识别方法的示例实施例的步骤对应,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的动物数量识别方法的实施例。
下面参考图5,其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备的计算机系统500仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中的动物数量识别方法。
例如,上述的电子设备可以实现如图1中所示的:步骤S110,获取预处理动物图像;步骤S120,基于动物的标记点,生成与预处理动物图像尺寸相同的数字矩阵;步骤S130,将数字矩阵与预设的训练矩阵进行对比,基于对比获得的对比结果,生成动物数量识别模型;步骤S140,基于动物数量识别模型实现图像中动物数量的识别。
又如,上述的电子设备可以实现如图3所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。