CN111291683B - 一种基于深度学习的奶牛个体识别系统及其识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的奶牛个体识别系统及其识别方法，该系统包括图像采集机构、面部检测机构、图像预处理机构以及训练识别机构。图像采集机构用于采集待识别奶牛的图像信息，包括红外触发装置以及多个摄像头。面部检测机构用于对图像信息进行检测以获取待识别奶牛的面部图像，包括样本分类模块以及扫描识别模块。图像预处理机构用于对面部图像进行预处理，包括灰度化模块、补偿模块、滤波模块以及分割模块。训练识别机构用于对处理后的图像进行训练和识别以分析出待识别奶牛的具体身份信息，包括图像归一化模块、卷积神经网络模块、训练模块以及识别模块。本发明提高奶牛识别的准确性和识别效果，提供全方位、高精准的数据识别系统。

Description

一种基于深度学习的奶牛个体识别系统及其识别方法

技术领域

本发明涉及奶牛识别技术领域的一种识别系统，尤其涉及一种基于深度学习的奶牛个体识别系统，还涉及该系统的基于深度学习的奶牛个体识别方法。

背景技术

内蒙古地区有着得天独厚的地理条件和政策，使得内蒙古地区的乳业发展兴旺。内蒙地区奶牛饲养量和乳制品产品占有率居全国前列，奶牛养殖成为重要的经济支柱产业。与此同时，奶牛养殖业的发展也带动了农险市场的发展。近年来，给奶牛上保险的现象已经越来越普遍。目前，给奶牛上保险需要佩戴或者植入由世界动物编码委员会认可的RFID芯片，作为奶牛的身份证。但是这种识别方式存在着很大的局限性，芯片的技术漏洞使得仿制现象存在，致使骗保等现象屡屡发生。

从目前的理赔查勘方式说起，传统的理赔取证主要是“耳标号+照片比对”两种方式相结合。耳标号通常被当作确认奶牛身份的唯一识别标识，奶牛出险后理赔员首先根据耳标号确认奶牛是否为承保标的，再通过肉眼比对活牛和死牛照片。首先，耳标的可复制性很强，不会存在生物差别；其次，耳标也可以重复利用，不能杜绝奶牛死后耳标的重复利用。因此，需要一种更加准确有效的奶牛身份识别方法。

发明内容

为解决现有的奶牛识别效果差，存在局限性的技术问题，本发明提供一种基于深度学习的奶牛个体识别系统及其识别方法。

本发明采用以下技术方案实现：一种基于深度学习的奶牛个体识别系统，其包括：

图像采集机构，其包括红外触发装置以及多个摄像头；所述红外触发装置设置在待识别奶牛的行进通道上，并在所述待识别奶牛通过所述通道时触发所述摄像头；多个摄像头围绕在所述行进通道上，并用于在所述红外触发装置触发时对所述待识别奶牛的面部进行拍摄，以获取一张实时图像；

高度检测装置，其包括测距传感器和高度计算模块；所述测距传感器安装在所述行进通道的顶部，并用于检测其与所述待识别奶牛的距离L；所述高度计算模块用于计算所述待识别奶牛的高度H，且计算公式为：H＝D-L，D为所述测距传感器与所述行进通道的底部的距离；

提升组件，其包括提升架、提升电机以及提升控制模块；所述提升架活动安装在所述行进通道的两侧，至少两个摄像头分别安装在所述提升架上；所述提升电机用于驱使所述提升架沿着所述行进通道的纵向升降；所述提升控制模块用于根据高度H，通过所述提升电机驱使所述提升架升降，使所述摄像头对准所述待识别奶牛的面部；

面部检测机构，其包括样本分类模块以及扫描识别模块；所述样本分类模块预设多个牛脸样本以及多个非牛脸样本，并根据所述牛脸样本和非牛脸样本训练出一个分类模型；所述扫描识别模块用于对所述实时图像进行扫描，并通过所述分类模型识别出所述实时图像中的牛脸区域，形成所述待识别奶牛的一张牛脸正面图像；

图像预处理机构，其包括灰度化模块、补偿模块、滤波模块以及分割模块；所述灰度化模块用于对所述牛脸正面图像进行灰度化处理，获得一张灰度图像；所述补偿模块用于对所述灰度图像进行光线补偿，获得一张光线增强图像；所述滤波模块用于对所述光线增强图像进行滤波以滤除孤立的噪声点，并获得一张滤波图像；所述分割模块用于对所述滤波图像进行背景分割，以分割出所述待识别奶牛的一张面部图像；以及

训练识别机构，其包括图像归一化模块、卷积神经网络模块、训练模块以及识别模块；所述图像归一化模块用于对所述面部图像进行归一化处理，以获得一张归一化图像；所述卷积神经网络模块预设有一个卷积神经网络；所述训练模块用于将所述归一化图像在所述卷积神经网络中进行训练，并输入一个特征提取网络对所述归一化图像进行特征提取；所述特征提取网络通过所述卷积神经网络的卷积层、池化层和全连接层，输出一个多维的特征向量；所述识别模块用于将所述特征向量与一个预设的牛脸特征库的多个预设特征进行比对，计算出所述特征向量与各个预设特征的相似度，并将相似度最大的预设特征所对应的身份信息作为所述待识别奶牛的身份信息。

本发明先通过图像采集机构对通过行进通道的待识别奶牛进行图像采集，而后通过面部检测机构对采集的实时图像进行分类识别，获得牛脸区域的正面图像，随后通过图像预处理机构对正面图像进行灰度处理、光线补偿、滤波处理以及图像分割，获得去除背景的面部图像，最后对面部图像进行归一化处理，以产生尺寸统一的归一化图像，并利用卷积神经网络对图像进行训练，获得多维特征向量，根据特性向量和多个预设特征的相似度，完成对待识别奶牛的身份信息的识别，从而实现对奶牛个体的身份识别，解决了现有的奶牛识别效果差，存在局限性的技术问题，得到了识别准确率高，可以克服现有识别装置存在的识别局限性，提升识别效果的技术效果。

作为上述方案的进一步改进，所述红外触发装置包括红外传感器；所述红外传感器的发射器和接收器分别设置在所述行进通道的相对两侧，所述发射器发射的红外线在通过所述行进通道后抵达所述接收器；所述红外传感器在所述待识别奶牛将所述红外线遮挡时产生触发所述摄像头启动的一个触发信号。

进一步地，所述红外传感器为E18-8MNK光电传感器；其中至少一个摄像头设置在所述待识别奶牛的面部前侧，至少两个摄像头设置在所述待识别奶牛的面部的相对两侧。

作为上述方案的进一步改进，所述样本分类模块用于先使用不同的训练样本训练同一个弱分类器，再根据训练结果确定最优弱分类器以构成强分类器，最后将所述强分类器级联；所述样本分类模块还用于利用AdaBoost分类器进行特征筛选，以获取目标特征。

进一步地，所述图像采集机构还包括FPGA控制器；所述FPGA控制器用于在所述待识别奶牛将所述红外线遮挡时驱使多个摄像头拍摄所述实时图像。

再进一步地，所述图像采集机构还包括数据接收模块、格式转换模块、数据缓存模块以及存储器；所述数据接收模块用于接收多个摄像头拍摄的图像信息；所述格式转换模块用于将所述图像信息转换为存储格式数据；所述数据缓存模块用于将所述存储格式数据储存在所述存储器中。

作为上述方案的进一步改进，所述卷积层的卷积核的尺寸为3×3，且对应的卷积操作步长为1；所述池化层的核尺寸为2×2，池化步长为1；所述归一化图像的尺寸为256*256，所述特征向量的维度为2048维。

作为上述方案的进一步改进，所述卷积神经网络通过正则化方式控制模型复杂度。

本发明还提供一种基于深度学习的奶牛个体识别方法，其应用于上述任意所述的基于深度学习的奶牛个体识别系统中，其包括以下步骤：

判断所述待识别奶牛是否触发所述红外触发装置；

在所述待识别奶牛触发所述红外触发装置时，对所述待识别奶牛的面部进行拍摄，以获取一张实时图像；

对所述实时图像进行扫描，并通过所述分类模型识别出所述实时图像中的牛脸区域，形成所述待识别奶牛的一张牛脸正面图像；

先对所述牛脸正面图像进行灰度化处理，获得一张灰度图像，再对所述灰度图像进行光线补偿，获得一张光线增强图像，然后对所述光线增强图像进行滤波以滤除孤立的噪声点，并获得一张滤波图像，最后对所述滤波图像进行背景分割，以分割出所述待识别奶牛的一张面部图像；

对所述面部图像进行归一化处理，以获得一张归一化图像；

将所述归一化图像在所述卷积神经网络中进行训练，并输入一个特征提取网络对所述归一化图像进行特征提取，并通过所述卷积神经网络的卷积层、池化层和全连接层，输出一个多维的特征向量；

将所述特征向量与一个预设的牛脸特征库的多个预设特征进行比对，计算出所述特征向量与各个预设特征的相似度，并将相似度最大的预设特征所对应的身份信息作为所述待识别奶牛的身份信息。

相较于现有的奶牛识别系统及方法，本发明的基于深度学习的奶牛个体识别系统及其识别方法具有以下有益效果：

1、该基于深度学习的奶牛个体识别系统，其图像采集机构中红外触发装置在待识别奶牛通过时会触发摄像头对该待识别奶牛的面部进行拍摄，以获得实时图像，面部检测机构中样本分类模块能够根据牛脸样本和非牛脸样本进行训练，以生成分类模型，这样扫描识别模块就可以通过分类模型对实时图像进行扫描识别，识别出牛脸区域并形成牛脸正面图像。该识别系统的图像预处理机构中灰度化模块能够对牛脸正面图像进行灰度化处理，而补偿模块则可以对灰度图像进行光线补偿，增强图像的亮度，滤波模块能对光线增强图像进行滤波处理，去除孤立的噪声点，使图像更清晰，最后分割模块将滤波图像中的背景分割出去，获得该待识别奶牛的面部图像。该识别系统的训练识别机构中图像归一化模块将面部图像归一化处理，使图像满足后续的识别要求，卷积神经网络模块则通过卷积神经网络对归一化后的图像进行训练，同时通过特征提取网络获得多维特征向量，最后识别模块将特征向量与多个预设特征进行对比，计算出相似度，并将相似度最大的预设特征所关联的身份信息作为该待识别奶牛的身份信息，实现对奶牛的身份识别。这样，该识别系统由于对每头奶牛独一无二的面部进行识别，使每个身份信息只能对应一头奶牛，即不会出现身份重叠或身份盗用的情况，能够准确地将奶牛识别出来，提高奶牛识别的准确性和识别效果，而且通过面部和深度学习的方式进行识别，可以形成奶牛面部信息的大数据，从而便于对奶牛进行统计管理，并提高奶牛的识别效率和识别全面性，为奶牛理赔取证提供全方位、高精准的数据识别系统。

2、该基于深度学习的奶牛个体识别系统，其训练识别机构采用卷积神经网络进行识别，并建立性能良好且具有泛化能力的模型，通过训练参数来提高模型表现能力，模型深度越深，表达能力越强。而且，该系统使用卷积神经网络具有以下两个优点：(1)参数共享。一个特征检测器对图片中某一区域有用的同时，也有可能对图片的另一区域有用。(2)连接的稀疏性。在每一层中，每个输入值仅仅取决于少量的输入，同时卷积神经网络与普通全连接神经网络相比，参数更少。而且，该系统中卷积核可采用小卷积核，而池化核也较小，这样小卷积核可充分利用和处理输入图像的边缘信息，增强网络容量和模型复杂度，搭配合适的卷积层参数可保持输出与输入同等大小，而避免随着网络深度增加，输入大小的急剧减小，减少卷积参数个数，而小池化核则使得输出结果大小仅为输入数据长宽大小的二分之一，也就是说输入数据中有50％的响应值被丢弃，这也就起到了“下采样”的作用。

3、该基于深度学习的奶牛个体识别系统，其图像采集机构还设置高度检测装置和提升组件，高度检测装置的测距传感器能够对待识别奶牛进行测距，而高度计算模块则根据测距结果计算出奶牛的高度，这样提升组件的提升控制模块就可以根据计算出的高度，通过提升电机对提升架进行升降，使摄像头恰好能够对准奶牛的面部，从而拍摄出全面的面部图像，提高识别的精确性，防止由于奶牛高度不同而使采集图像不全面。

附图说明

图1为本发明实施例1的基于深度学习的奶牛个体识别系统的系统框架图；

图2为图1中的基于深度学习的奶牛个体识别系统的图像采集机构的流程图；

图3为图1中的基于深度学习的奶牛个体识别系统的图像采集机构的系统框架图。

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。

实施例1

请参阅图1，本实施例提供了一种基于深度学习的奶牛个体识别系统，该系统通过奶牛的面部特征对奶牛个体进行识别。由于奶牛面部具有丰富的皮肤纹理信息和鲜明的面部信息，面部图像被认为是奶牛个体识别的主要生物特征之一。面部特征的基本特性包括普遍性、特殊性，面部特征集合(如像素强度)可以作为识别奶牛的面部特征。奶牛的面部的毛发是短毛，降低了系统识别奶牛面部的难度，从而确保识别的准确率。其中，该奶牛个体识别系统包括图像采集机构、面部检测机构、图像预处理机构以及训练识别机构。图像采集机构用于采集待识别奶牛的图像信息，面部检测机构用于对图像信息进行检测，获取待识别奶牛的面部图像，图像预处理机构用于对面部图像进行预处理，训练识别机构则用于对处理后的图像进行训练和识别，从而分析出待识别奶牛的具体身份信息。

请参阅图2，图像采集机构包括红外触发装置以及多个摄像头。红外触发装置设置在待识别奶牛的行进通道上，并在待识别奶牛通过通道时触发摄像头。在本实施例中，红外触发装置包括红外传感器。具体选型时，红外传感器可以为E18-8MNK光电传感器，其检测距离为0-8米，基本可以适合摄像机的距离，额定电流100mA，额定电压5V。红外传感器的发射器和接收器分别设置在行进通道的相对两侧，发射器发射的红外线在通过行进通道后抵达接收器。红外传感器在待识别奶牛将红外线遮挡时产生触发摄像头启动的一个触发信号。多个摄像头围绕在行进通道上，并用于在红外触发装置触发时对待识别奶牛的面部进行拍摄，以获取一张实时图像。其中至少一个摄像头设置在待识别奶牛的面部前侧，至少两个摄像头设置在待识别奶牛的面部的相对两侧。这样，多个摄像头就能够位于待识别奶牛的面部的球面区域内，从而对面部进行全方位的拍摄，使最终获得的实时图像更加清楚。在实际应用中，摄像头为高清摄像头，其安装在挤奶厅过道的识别区内，红外传感器则在挤奶过道的预设位置，当待识别奶牛的前蹄触发红外传感器时，通过红外传感器触发高清摄像头摄像，捕获待识别奶牛的实时图像。其中，从牛的前方到左右两侧共设有7个高精度摄像头，这样可以保证能够捕捉到牛的面部正面的照片，然后将拍摄的照片传回上位机。

请参阅图3，在本实施例中，图像采集机构还包括FPGA控制器、数据接收模块、格式转换模块、数据缓存模块、存储器、驱动模块、传输模块以及配置电路。FPGA控制器用于在待识别奶牛将红外线遮挡时驱使多个摄像头拍摄实时图像。数据接收模块用于接收多个摄像头拍摄的图像信息。格式转换模块用于将图像信息转换为存储格式数据。数据缓存模块用于将存储格式数据储存在存储器中。驱动模块用于驱使VGA显示模块对实时图像进行实现，传输模块则用于将实时图像的数据传输至PC上位机上。配置电路用于向图像采集机构供电，同时I²C接口能实现FPGA控制器与摄像头采集部分的连接。在采集实时图像时，首先系统通过摄像头对待识别奶牛的图像进行实时采集，由于图像信息所占内存比较大，需要将处理后的图像数据通过SDRAM的读写控制存入存储器进行缓存，最后通过FPGA控制USB 2.0接口将缓存后的图像数据传输至上位机进行保存并利用VGA驱动使缓存后的图像数据实时显示。

面部检测机构包括样本分类模块以及扫描识别模块。样本分类模块预设多个牛脸样本以及多个非牛脸样本，并根据牛脸样本和非牛脸样本训练出一个分类模型。面部识别技术中获取图像，存在拍照背景、角度、光照和照片分辨率等因素，而这些因素都直接影响着所提供的图片清晰度和效果。因此，对面部图像进行识别，首先需要进行面部检测，待测图片中含有牛的面部才能做到准确识别，因此面部检测是面部识别技术的第一步，也是至关重要的一步，直接决定后期识别面部的准确性。在本实施例中，样本分类模块用于先使用不同的训练样本训练同一个弱分类器，再根据训练结果确定最优弱分类器以构成强分类器，最后将强分类器级联。而且，样本分类模块还用于利用AdaBoost分类器进行特征筛选，以获取目标特征。扫描识别模块用于对实时图像进行扫描，并通过分类模型识别出实时图像中的牛脸区域，形成待识别奶牛的一张牛脸正面图像。本实施例中采用AdaBoost算法，该算法使用不同的数据集训练同一个弱分类器，根据训练结果确定最优弱分类器来构成强分类器，最终将强分类器级联起来。利用积分图像来提取图像特征，提升了检测速度。同时，算法利用AdaBoost分类器进行特征筛选，保留有用的特征，这也减少了运算的复杂度。在准确率方面，其提高方式是通过将AdaBoost分类器进行改造，进行分类器的级联，提高了面部检测的准确率。

图像预处理机构包括灰度化模块、补偿模块、滤波模块以及分割模块。灰度化模块用于对牛脸正面图像进行灰度化处理，获得一张灰度图像。补偿模块用于对灰度图像进行光线补偿，增强图像的亮度，获得一张光线增强图像。滤波模块用于对光线增强图像进行滤波以滤除孤立的噪声点，去除孤立的噪声点，使图像更清晰，并获得一张滤波图像。分割模块用于对滤波图像进行背景分割，以分割出待识别奶牛的一张面部图像。进行背景分割时，由于背景的亮度(灰度值)接近同一个值，所以可以将此部分认定为定值，并且直接将此部分的图像删除。

训练识别机构包括图像归一化模块、卷积神经网络模块、训练模块以及识别模块。图像归一化模块用于对面部图像进行归一化处理，以获得一张归一化图像。其中，归一化图像的尺寸为256*256。卷积神经网络模块预设有一个卷积神经网络，使用卷积神经网络具有以下两个优点：(1)参数共享；一个特征检测器对图片中某一区域有用的同时，也有可能对图片的另一区域有用；(2)连接的稀疏性；在每一层中，每一个输入值只取决于少量的输入，同时卷积神经网络与普通全连接神经网络相比，参数更少。训练模块用于将归一化图像在卷积神经网络中进行训练，并输入一个特征提取网络对归一化图像进行特征提取。特征提取网络通过卷积神经网络的卷积层、池化层和全连接层，输出一个多维的特征向量。其中，特征向量的维度为2048维。识别模块用于将特征向量与一个预设的牛脸特征库的多个预设特征进行比对，计算出特征向量与各个预设特征的相似度，并将相似度最大的预设特征所对应的身份信息作为待识别奶牛的身份信息。这样，该识别系统由于对每头奶牛独一无二的面部进行识别，使每个身份信息只能对应一头奶牛，即不会出现身份重叠或身份盗用的情况，能够准确地将奶牛识别出来，提高奶牛识别的准确性和识别效果，而且通过面部和深度学习的方式进行识别，可以形成奶牛面部信息的大数据，从而便于对奶牛进行统计管理，并提高奶牛的识别效率和识别全面性，为奶牛理赔取证提供全方位、高精准的数据识别系统。

在本实施例中，卷积神经网络通过正则化方式控制模型复杂度。在本实施例中，使用“正则化”技术来防止过拟合情况。正则化是机器学习中通过显式的控制模型复杂度来避免模型过拟合、确保泛化能力的一种有效方式。而且，卷积层的卷积核的尺寸为3×3，且对应的卷积操作步长为1。由于该卷积核为小卷积核，其一方面能够增强网络容量和模型复杂度，另一方面可以.减少卷积参数个数。此外，卷积操作前还可搭配填充操作，这样可以充分利用和处理输入图像(或输入数据)的边缘信息，同时搭配合适的卷积层参数可保持输出与输入同等大小，而避免随着网络深度增加，输入大小的急剧减小。池化层的核尺寸为2×2，池化步长为1。同样，池化层的核也采用较小的值，在此设定下，输出结果大小仅为输入数据长宽大小的二分之一，也就是说输入数据中有50％的响应值被丢弃，这也就起到了“下采样”的作用。为了不丢弃过多输入响应而损失网络性能，在其他实施例中，池化操作极少使用超过3×3大小的池化操作。

综上所述，相较于现有的奶牛识别系统及方法，本实施例的基于深度学习的奶牛个体识别系统及其识别方法具有以下优点：

1、该基于深度学习的奶牛个体识别系统，其图像采集机构中红外触发装置在待识别奶牛通过时会触发摄像头对该待识别奶牛的面部进行拍摄，以获得实时图像，面部检测机构中样本分类模块能够根据牛脸样本和非牛脸样本进行训练，以生成分类模型，这样扫描识别模块就可以通过分类模型对实时图像进行扫描识别，识别出牛脸区域并形成牛脸正面图像。该识别系统的图像预处理机构中灰度化模块能够对牛脸正面图像进行灰度化处理，而补偿模块则可以对灰度图像进行光线补偿，增强图像的亮度，滤波模块能对光线增强图像进行滤波处理，去除孤立的噪声点，使图像更清晰，最后分割模块将滤波图像中的背景分割出去，获得该待识别奶牛的面部图像。该识别系统的训练识别机构中图像归一化模块将面部图像归一化处理，使图像满足后续的识别要求，卷积神经网络模块则通过卷积神经网络对归一化后的图像进行训练，同时通过特征提取网络获得多维特征向量，最后识别模块将特征向量与多个预设特征进行对比，计算出相似度，并将相似度最大的预设特征所关联的身份信息作为该待识别奶牛的身份信息，实现对奶牛的身份识别。这样，该识别系统由于对每头奶牛独一无二的面部进行识别，使每个身份信息只能对应一头奶牛，即不会出现身份重叠或身份盗用的情况，能够准确地将奶牛识别出来，提高奶牛识别的准确性和识别效果，而且通过面部和深度学习的方式进行识别，可以形成奶牛面部信息的大数据，从而便于对奶牛进行统计管理，并提高奶牛的识别效率和识别全面性，为奶牛理赔取证提供全方位、高精准的数据识别系统。

2、该基于深度学习的奶牛个体识别系统，其训练识别机构采用卷积神经网络进行识别，并建立性能良好且具有泛化能力的模型，通过训练参数来提高模型表现能力，模型深度越深，表达能力越强。而且，该系统使用卷积神经网络具有以下两个优点：(1)参数共享。一个特征检测器对图片中某一区域有用的同时，也有可能对图片的另一区域有用。(2)连接的稀疏性。在每一层中，每个输入值仅仅取决于少量的输入，同时卷积神经网络与普通全连接神经网络相比，参数更少。而且，该系统中卷积核可采用小卷积核，而池化核也较小，这样小卷积核可充分利用和处理输入图像的边缘信息，增强网络容量和模型复杂度，搭配合适的卷积层参数可保持输出与输入同等大小，而避免随着网络深度增加，输入大小的急剧减小，减少卷积参数个数，而小池化核则使得输出结果大小仅为输入数据长宽大小的二分之一，也就是说输入数据中有50％的响应值被丢弃，这也就起到了“下采样”的作用。

实施例2

本实施例提供了一种基于深度学习的奶牛个体识别系统，该系统在实施例1的基础上对图像采集机构增加了部分结构。其中，图像采集机构还包括高度检测装置和提升组件。高度检测装置包括测距传感器和高度计算模块。测距传感器安装在行进通道的顶部，并用于检测其与待识别奶牛的距离L，可以优选检测其与待识别奶牛的头部的距离。高度计算模块用于计算待识别奶牛的高度H(实际上该数值可以选为待识别奶牛的头部高度)，且计算公式为：

H＝D-L

式中，D为测距传感器与行进通道的底部的距离。

提升组件包括提升架、提升电机以及提升控制模块。提升架活动安装在行进通道的两侧，至少两个摄像头分别安装在提升架上。提升电机用于驱使提升架沿着行进通道的纵向升降。提升控制模块用于根据高度H，通过提升电机驱使提升架升降，使摄像头对准待识别奶牛的面部。例如，当前一头待识别奶牛的高度为1.5m，而此时的待识别奶牛的高度则为1.7m，则提升控制模块驱使提升架上升0.2m。

该基于深度学习的奶牛个体识别系统，其图像采集机构还设置高度检测装置和提升组件，高度检测装置的测距传感器能够对待识别奶牛进行测距，而高度计算模块则根据测距结果计算出奶牛的高度，这样提升组件的提升控制模块就可以根据计算出的高度，通过提升电机对提升架进行升降，使摄像头恰好能够对准奶牛的面部，从而拍摄出全面的面部图像，提高识别的精确性，防止由于奶牛高度不同而使采集图像不全面。

实施例3

本实施例提供了一种基于深度学习的奶牛个体识别方法，其应用于实施例1或实施例2中所提供的基于深度学习的奶牛个体识别系统中。其中，该奶牛个体识别方法包括以下这些步骤。

(1)判断待识别奶牛是否触发红外触发装置。其中，这里可以通过向待识别奶牛的前蹄发射红外线，在奶牛前蹄遮挡光线时就会产生触发信号，从而完成判断。

(2)在待识别奶牛触发红外触发装置时，对待识别奶牛的面部进行拍摄，以获取一张实时图像。本步骤可以通过摄像头对奶牛面部进行拍摄，通过采集动态图片的技术进行图像采集，并且还可以借助补光光源，例如LED灯等结构，使奶牛面部能够清晰地呈现在摄像头的检测区域内。

(3)对实时图像进行扫描，并通过分类模型识别出实时图像中的牛脸区域，形成待识别奶牛的一张牛脸正面图像。分类模型基于待识别奶牛的大数据，其能够将奶牛的各种面部轮廓图像作为基础数据，通过奶牛轮廓图像进行分类识别。

(4)先对牛脸正面图像进行灰度化处理，获得一张灰度图像，再对灰度图像进行光线补偿，获得一张光线增强图像，然后对光线增强图像进行滤波以滤除孤立的噪声点，并获得一张滤波图像，最后对滤波图像进行背景分割，以分割出待识别奶牛的一张面部图像。本步骤能够实现对图像的预处理，使图像能够更加清晰，而且去除影响识别的因素，能够提高奶牛的识别率。

(5)对面部图像进行归一化处理，以获得一张归一化图像。图像归一化能够对面部图像进行一系列标准的处理变换，使图像变换为固定标准形式的归一化图像，以便于后续对图像进行处理。

(6)将归一化图像在卷积神经网络中进行训练，并输入一个特征提取网络对归一化图像进行特征提取，并通过卷积神经网络的卷积层、池化层和全连接层，输出一个多维的特征向量。卷积神经网络是一种判别式深度结构，它的每个模块都是由卷积层和池化层组成，这些模块通常是逐个叠加的。卷积神经网络的根本任务是建立性能良好且具有泛化能力的模型，通过训练参数来提高模型表现能力，模型深度越深，表达能力越强。

(7)将特征向量与一个预设的牛脸特征库的多个预设特征进行比对，计算出特征向量与各个预设特征的相似度，并将相似度最大的预设特征所对应的身份信息作为待识别奶牛的身份信息。这样就可以实现对待识别奶牛的身份识别，从而为奶牛的信息统计、身份确认提供了可靠的依据。

实施例4

本实施例提供了一种奶牛统计平台，该平台包括实施例1或实施例2中的基于深度学习的奶牛个体识别系统，还可包括大数据云平台以及数据传输系统。其中，识别模块将待识别奶牛的识别身份信息通过数据传输系统远程传输至大数据云平台，大数据云平台将各个待识别奶牛的信息进行汇总统计，并且利用其它检测手段将各个待识别奶牛的其他信息进行统计，例如奶牛的体重、高度、年龄等。这样，当理赔员或其他组织人员需要了解到其中任意一头奶牛的信息时，都可以通过大数据云平台进行查询，而且还可以在该平台上对数据进行更新，例如在某一头奶牛死亡时，可以在相应的信息栏上标注已死亡，使数据统计更加实时和准确。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的奶牛个体识别系统，其特征在于，其包括：

图像采集机构，其包括红外触发装置以及多个摄像头；所述红外触发装置设置在待识别奶牛的行进通道上，并在所述待识别奶牛通过所述通道时触发所述摄像头；多个摄像头围绕在所述行进通道上，并用于在所述红外触发装置触发时对所述待识别奶牛的面部进行拍摄，以获取一张实时图像；

高度检测装置，其包括测距传感器和高度计算模块；所述测距传感器安装在所述行进通道的顶部，并用于检测其与所述待识别奶牛的距离L；所述高度计算模块用于计算所述待识别奶牛的高度H，且计算公式为：H=D-L，D为所述测距传感器与所述行进通道的底部的距离；

提升组件，其包括提升架、提升电机以及提升控制模块；所述提升架活动安装在所述行进通道的两侧，至少两个摄像头分别安装在所述提升架上；所述提升电机用于驱使所述提升架沿着所述行进通道的纵向升降；所述提升控制模块用于根据高度H，通过所述提升电机驱使所述提升架升降，使所述摄像头对准所述待识别奶牛的面部；

面部检测机构，其包括样本分类模块以及扫描识别模块；所述样本分类模块预设多个牛脸样本以及多个非牛脸样本，并根据所述牛脸样本和非牛脸样本训练出一个分类模型；所述扫描识别模块用于对所述实时图像进行扫描，并通过所述分类模型识别出所述实时图像中的牛脸区域，形成所述待识别奶牛的一张牛脸正面图像；

图像预处理机构，其包括灰度化模块、补偿模块、滤波模块以及分割模块；所述灰度化模块用于对所述牛脸正面图像进行灰度化处理，获得一张灰度图像；所述补偿模块用于对所述灰度图像进行光线补偿，获得一张光线增强图像；所述滤波模块用于对所述光线增强图像进行滤波以滤除孤立的噪声点，并获得一张滤波图像；所述分割模块用于对所述滤波图像进行背景分割，以分割出所述待识别奶牛的一张面部图像；以及

训练识别机构，其包括图像归一化模块、卷积神经网络模块、训练模块以及识别模块；所述图像归一化模块用于对所述面部图像进行归一化处理，以获得一张归一化图像；所述卷积神经网络模块预设有一个卷积神经网络；所述训练模块用于将所述归一化图像在所述卷积神经网络中进行训练，并输入一个特征提取网络对所述归一化图像进行特征提取；所述特征提取网络通过所述卷积神经网络的卷积层、池化层和全连接层，输出一个多维的特征向量；所述识别模块用于将所述特征向量与一个预设的牛脸特征库的多个预设特征进行比对，计算出所述特征向量与各个预设特征的相似度，并将相似度最大的预设特征所对应的身份信息作为所述待识别奶牛的身份信息。

2.如权利要求1所述的基于深度学习的奶牛个体识别系统，其特征在于，所述红外触发装置包括红外传感器；所述红外传感器的发射器和接收器分别设置在所述行进通道的相对两侧，所述发射器发射的红外线在通过所述行进通道后抵达所述接收器；所述红外传感器在所述待识别奶牛将所述红外线遮挡时产生触发所述摄像头启动的一个触发信号。

3.如权利要求2所述的基于深度学习的奶牛个体识别系统，其特征在于，所述红外传感器为E18-8MNK光电传感器；其中至少一个摄像头设置在所述待识别奶牛的面部前侧，至少两个摄像头设置在所述待识别奶牛的面部的相对两侧。

4.如权利要求1所述的基于深度学习的奶牛个体识别系统，其特征在于，所述样本分类模块用于先使用不同的训练样本训练同一个弱分类器，再根据训练结果确定最优弱分类器以构成强分类器，最后将所述强分类器级联；所述样本分类模块还用于利用AdaBoost分类器进行特征筛选，以获取目标特征。

5.如权利要求2所述的基于深度学习的奶牛个体识别系统，其特征在于，所述图像采集机构还包括FPGA控制器；所述FPGA控制器用于在所述待识别奶牛将所述红外线遮挡时驱使多个摄像头拍摄所述实时图像。

6.如权利要求5所述的基于深度学习的奶牛个体识别系统，其特征在于，所述图像采集机构还包括数据接收模块、格式转换模块、数据缓存模块以及存储器；所述数据接收模块用于接收多个摄像头拍摄的图像信息；所述格式转换模块用于将所述图像信息转换为存储格式数据；所述数据缓存模块用于将所述存储格式数据储存在所述存储器中。

7.如权利要求1所述的基于深度学习的奶牛个体识别系统，其特征在于，所述卷积层的卷积核的尺寸为3×3，且对应的卷积操作步长为1；所述池化层的核尺寸为2×2，池化步长为1；所述归一化图像的尺寸为256*256，所述特征向量的维度为2048维。

8.如权利要求1所述的基于深度学习的奶牛个体识别系统，其特征在于，所述卷积神经网络通过正则化方式控制模型复杂度。

9.一种基于深度学习的奶牛个体识别方法，其应用于如权利要求1-8中任意一项所述的基于深度学习的奶牛个体识别系统中，其特征在于，其包括以下步骤：

判断所述待识别奶牛是否触发所述红外触发装置；

在所述待识别奶牛触发所述红外触发装置时，对所述待识别奶牛的面部进行拍摄，以获取一张实时图像；

对所述实时图像进行扫描，并通过所述分类模型识别出所述实时图像中的牛脸区域，形成所述待识别奶牛的一张牛脸正面图像；

先对所述牛脸正面图像进行灰度化处理，获得一张灰度图像，再对所述灰度图像进行光线补偿，获得一张光线增强图像，然后对所述光线增强图像进行滤波以滤除孤立的噪声点，并获得一张滤波图像，最后对所述滤波图像进行背景分割，以分割出所述待识别奶牛的一张面部图像；

对所述面部图像进行归一化处理，以获得一张归一化图像；

将所述归一化图像在所述卷积神经网络中进行训练，并输入一个特征提取网络对所述归一化图像进行特征提取，并通过所述卷积神经网络的卷积层、池化层和全连接层，输出一个多维的特征向量；

将所述特征向量与一个预设的牛脸特征库的多个预设特征进行比对，计算出所述特征向量与各个预设特征的相似度，并将相似度最大的预设特征所对应的身份信息作为所述待识别奶牛的身份信息。

Images