CN111860132A - 一种基于vgg-16卷积神经网络的家鸡个体识别方法 - Google Patents

一种基于vgg-16卷积神经网络的家鸡个体识别方法 Download PDF

Info

Publication number
CN111860132A
CN111860132A CN202010511708.9A CN202010511708A CN111860132A CN 111860132 A CN111860132 A CN 111860132A CN 202010511708 A CN202010511708 A CN 202010511708A CN 111860132 A CN111860132 A CN 111860132A
Authority
CN
China
Prior art keywords
convolution
convolutional
layer
chicken
step size
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
Application number
CN202010511708.9A
Other languages
English (en)
Inventor
孙庆轩
张宇
胡少鹏
孙浩然
张宏瑄
陈志琦
姚安逸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Agricultural University
Original Assignee
Northeast Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Agricultural University filed Critical Northeast Agricultural University
Priority to CN202010511708.9A priority Critical patent/CN111860132A/zh
Publication of CN111860132A publication Critical patent/CN111860132A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于VGG‑16卷积神经网络的家鸡个体识别方法。使用移动摄像采集家鸡影影像资料并使用Open CV将每个个体对应的视频按帧率截取成图片；使用Python的PIL工具包将图片尺寸改为100px×100px，林甸鸡输出图片增加前缀1_，白羽鸡输出图片增加前缀2_，青脚麻鸡输出图片增加前缀3_，将获得的家鸡个体图片的80％作为训练集，15％作为测试集，5％供后续测试用，搭建Keras卷积神经网络模型，编写相应VGG卷积神经网络，将训练集与测试集加入到神经网络中，进行迭代训练，迭代10000次后得到权重文件；输入图片，根据权重文件进行家鸡种类的预测，有效提高了家鸡的检测精度，表明该方法能够准确、高效、鲁棒地检测在复杂的鸡场环境下的家鸡品种。

Description

一种基于VGG-16卷积神经网络的家鸡个体识别方法
技术领域：
本发明涉及信息化畜牧养殖领域，更具体的，涉及一种基于VGG-16卷积神经网络的家鸡个体识别方法。
背景技术：
中国有着庞大的禽产品消费市场，这就需要规模庞大，数量众多的禽类养殖场。目前，绝大部分养殖场依然在使用人力进行饲养和管理工作。这种依靠人力的方式对于家鸡和饲养员本身都有着不良的影响。
对于养鸡场里的家鸡而言，人类的出现会对鸡群造成恐吓的效果，影响了家鸡的正常生长，最终也影响了肉鸡的肉质和蛋鸡的产蛋量。对于鸡场人员而言，人工标注是一项不利健康并且繁琐容易犯错的工作。标注鸡的序号和种类的时候，饲养员必须近距离接触鸡笼并且长时间停留在鸡场，这就带来了如下的几个不良影响：第一，家鸡身上携带的寄生虫比较多，非常容易传染给鸡场人员。第二，鸡场内含有大量的戊二醛和甲醛等高度致癌物质，会对鸡场人员的生育能力产生不利影响，甚至引起改变改变。第三，由于鸡场通常是大规模养殖，依靠人力标注每一只鸡需要大量的人力和时间，这样就会极大地增加养殖成本，还容易因为人为失误导致错误标注和遗漏。
本发明提供了一种基于VGG-16卷积神经网络的家鸡个体识别方法，无接触式的实现对家鸡个体的实时性监测与识别。
发明内容：
本发明的目的在于：本发明提供了一种基于VGG-16卷积神经网络的家鸡个体识别方法，从而实现对实验家鸡个体的分类与迭代训练，无接触式的实现对家鸡个体的实时性监测与识别。
本发明的目的可以通过以下技术方案来实现：
一种基于VGG-16卷积神经网络的家鸡个体识别方法包括如下步骤：
步骤1：使用移动摄像采集家鸡影影像资料；
步骤2：使用Open CV将每个个体对应的视频按帧率截取成图片；
步骤3：使用Python的PIL工具包将图片尺寸改为100px×100px，并将各个个体进行分类，每个个体对应一个标号，将其图片名字根据标号进行自动修改，为后续训练做准备；
步骤4：将步骤1、2、3获得的家鸡个体图片的80％作为训练集，15％作为测试集，5％供后续测试用；
步骤5：搭建Keras卷积神经网络模型，编写相应VGG卷积神经网络，将训练集与测试集加入到神经网络中，进行迭代训练，迭代10000次后得到权重文件；
步骤6：输入图片，根据权重文件进行家鸡种类的预测。
进一步，步骤1具体为，设备经过鸡笼走一圈，对每个家鸡个体(包括林甸鸡，白羽鸡，青脚麻鸡三种常见家鸡)拍摄一段20s左右的视频，视频质量为60FPS；
步骤2具体为，输入提取视频的文件名并隐藏后缀，按照每一帧提取一个输出图片到当前的video文件夹里；
步骤3具体为，使用Python的PIL工具包将图片尺寸改为100px×100px，并将各个个体进行分类，通过编写代码，使林甸鸡输出图片增加前缀1_，白羽鸡输出图片增加前缀2_，青脚麻鸡输出图片增加前缀3_，为后续训练做准备；
步骤5中的VGG卷积神经网络包含6个部分，前面5段卷积，最后一段全连接；通过迭代10000次，生成对应的权重文件，为后续预测做准备。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明由于利用非接触式识别技术，有效提实现在复杂的鸡场环境下对这三种家鸡品种的鉴别；
2.本发明利用的基于VGG-16卷积神经网络降低了参数量和计算量，同时分类精度更高，拟合效果好，适合对家鸡个体进行识别。
附图说明
图1为家鸡个体识别流程图。
图2为家鸡个体识别过程图
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
下面结合附图对本发明的技术方案进行详细说明，但本发明的内容并不局限于此。如图 1所示，本发明实施例公开的一种基于VGG-16卷积神经网络的家鸡个体识别方法，包括以下步骤：
1.使用移动摄像采集家鸡影影像资料，设备经过鸡笼走一圈，对每个家鸡个体(包括林甸鸡，白羽鸡，青脚麻鸡三种常见家鸡)拍摄一段20s左右的视频，视频质量为60FPS；
2.使用Open CV将每个个体对应的视频按帧率截取成图片，输入提取视频的文件名并隐藏后缀，按照每一帧提取一个输出图片到当前的video文件夹里；
3.使用Python的PIL工具包将图片尺寸改为100px×100px。并将各个个体进行分类，每个个体对应一个标号，将其图片名字根据标号进行自动修改，为后续训练做准备；
4.将1、2、3获得的家鸡个体图片的80％作为训练集，15％作为测试集，5％供后续测试用；
5.搭建Keras卷积神经网络模型，编写相应VGG卷积神经网络，并训练；
VGG卷积神经网络的结构为：
第1段卷积，包含2个卷积层和一个pooling层,第1段卷积的第一个卷积层：卷积核3 ×3，共64个卷积核(输出通道数)，步长1×1；第1段卷积的第二个卷积层：卷积核3×3，共64个卷积核(输出通道数)，步长1×1；第一段卷积的pooling层，核2×2，步长2×2；
第2段卷积，包含2个卷积层和一个pooling层，第2段卷积的第一个卷积层：卷积核3 ×3，共128个卷积核(输出通道数)，步长1×1；第2段卷积的第二个卷积层：卷积核3 ×3，共128个卷积核(输出通道数)，步长1×1；第2段卷积的pooling层：核2×2，步长 2×2；
第3段卷积，包含3个卷积层和一个pooling层，第3段卷积的第一个卷积层：卷积核3 ×3，共256个卷积核(输出通道数)，步长1×1；第3段卷积的第二个卷积层：卷积核3 ×3，共256个卷积核(输出通道数)，步长1×1；第3段卷积的第三个卷积层：卷积核3 ×3，共256个卷积核(输出通道数)，步长1×1；第3段卷积的pooling层：核2×2，步长 2×2；
第4段卷积，包含3个卷积层和一个pooling层，第4段卷积的第一个卷积层：卷积核3 ×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的第二个卷积层：卷积核3 ×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的第三个卷积层：卷积核3 ×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的pooling层：核2×2，步长 2×2；
第5段卷积，包含3个卷积层和一个pooling层，第5段卷积的第一个卷积层：卷积核3 ×3，共512个卷积核(输出通道数)，步长1×1；第5段卷积的第二个卷积层：卷积核3 ×3，共512个卷积核(输出通道数)，步长1×1；第5段卷积的第三个卷积层：卷积核3 ×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的pooling层：核2×2，步长 2×2；
经过5段卷积层之后，将尺寸为224×224×3的矩阵转换为7×7×512，通过通道数翻倍来使图像tensor的总尺寸缩小；
之后经过全连接，需将第五段卷积网络的结果扁平化,reshape将每张图片变为7×7× 512(25088)的一维向量，第一个全连接层，是一个隐藏节点数为4096的全连接层，后面接一个dropout层，训练时保留率为0.5，预测时为1.0；第2个全连接层，是一个隐藏节点数为 4096的全连接层，后面接一个dropout层，训练时保留率为0.5，预测时为1.0；最后是一个 1000个输出节点的全连接层，利用softmax输出分类概率，argmax输出概率最大的类别。
将训练集与测试集加入到神经网络中，进行迭代训练，训练过程如图2，将训练集中的图片转换成多维数组，加入到x_train中，将标签信息提取出来保存到y_train中；将测试集中的图片转换成多维数组，加入到x_test中，将标签信息提取出来保存到y_test中，训练训练集中的图片并记录参数保留到chicken.h5权重文件中，输入测试集中的图片，计算准确率；
6.输入图片，根据权重文件进行家鸡种类的预测。
本发明中，通过使用VGG-16卷积神经网络对家鸡个体进行了识别，使用预测脚本对待测集进行测试，520张待测图像成功识别出500张，得到当前权重文件识别准确率为96％。通过10000次的迭代训练，有效提高了家鸡的检测精度；表明该方法能够准确、高效、鲁棒地检测在复杂的鸡场环境下的家鸡品种。

Claims (2)

1.一种基于VGG-16卷积神经网络的家鸡个体识别方法，其特征在于，该方法包括
步骤1：使用移动摄像采集家鸡影影像资料，设备经过鸡笼走一圈，对每个家鸡个体(包括林甸鸡，白羽鸡，青脚麻鸡三种常见家鸡)拍摄一段20s左右的视频，视频质量为60FPS；
步骤2：使用Open CV将每个个体对应的视频按帧率截取成图片，输入提取视频的文件名并隐藏后缀，按照每一帧提取一个输出图片到当前的video文件夹里；
步骤3：使用Python的PIL工具包将图片尺寸改为100px×100px，并将各个个体进行分类，每个个体对应一个标号，将其图片名字根据标号进行自动修改，为后续训练做准备；
步骤4：将1、2、3获得的家鸡个体图片的80％作为训练集，15％作为测试集，5％供后续测试用；
步骤5：搭建Keras卷积神经网络模型，编写相应VGG卷积神经网络；
步骤6：输入图片，根据权重文件进行家鸡种类的预测。
2.根据权利要求1所述的一种基于VGG-16卷积神经网络的家鸡个体识别方法，其特征在于，步骤3中所述的VGG卷积神经网络结构为5段卷积，一段全连接，结构如下：
第1段卷积，包含2个卷积层和一个pooling层,第1段卷积的第一个卷积层：卷积核3×3，共64个卷积核(输出通道数)，步长1×1；第1段卷积的第二个卷积层：卷积核3×3，共64个卷积核(输出通道数)，步长1×1；第一段卷积的pooling层，核2×2，步长2×2；
第2段卷积，包含2个卷积层和一个pooling层，第2段卷积的第一个卷积层：卷积核3×3，共128个卷积核(输出通道数)，步长1×1；第2段卷积的第二个卷积层：卷积核3×3，共128个卷积核(输出通道数)，步长1×1；第2段卷积的pooling层：核2×2，步长2×2；
第3段卷积，包含3个卷积层和一个pooling层，第3段卷积的第一个卷积层：卷积核3×3，共256个卷积核(输出通道数)，步长1×1；第3段卷积的第二个卷积层：卷积核3×3，共256个卷积核(输出通道数)，步长1×1；第3段卷积的第三个卷积层：卷积核3×3，共256个卷积核(输出通道数)，步长1×1；第3段卷积的pooling层：核2×2，步长2×2；
第4段卷积，包含3个卷积层和一个pooling层，第4段卷积的第一个卷积层：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的第二个卷积层：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的第三个卷积层：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的pooling层：核2×2，步长2×2；
第5段卷积，包含3个卷积层和一个pooling层，第5段卷积的第一个卷积层：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；第5段卷积的第二个卷积层：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；第5段卷积的第三个卷积层：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；第4段卷积的pooling层：核2×2，步长2×2；
经过5段卷积层之后，将尺寸为224×224×3的矩阵转换为7×7×512，通过通道数翻倍来使图像tensor的总尺寸缩小；之后经过全连接，需将第五段卷积网络的结果扁平化,reshape将每张图片变为7×7×512(25088)的一维向量，第一个全连接层，是一个隐藏节点数为4096的全连接层，后面接一个dropout层，训练时保留率为0.5，预测时为1.0；第2个全连接层，是一个隐藏节点数为4096的全连接层，后面接一个dropout层，训练时保留率为0.5，预测时为1.0；最后是一个1000个输出节点的全连接层，利用softmax输出分类概率，argmax输出概率最大的类别。
CN202010511708.9A 2020-06-08 2020-06-08 一种基于vgg-16卷积神经网络的家鸡个体识别方法 Pending CN111860132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010511708.9A CN111860132A (zh) 2020-06-08 2020-06-08 一种基于vgg-16卷积神经网络的家鸡个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010511708.9A CN111860132A (zh) 2020-06-08 2020-06-08 一种基于vgg-16卷积神经网络的家鸡个体识别方法

Publications (1)

Publication Number Publication Date
CN111860132A true CN111860132A (zh) 2020-10-30

Family

ID=72986320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010511708.9A Pending CN111860132A (zh) 2020-06-08 2020-06-08 一种基于vgg-16卷积神经网络的家鸡个体识别方法

Country Status (1)

Country Link
CN (1) CN111860132A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596138A (zh) * 2018-05-03 2018-09-28 南京大学 一种基于迁移层次网络的人脸识别方法
CN108921058A (zh) * 2018-06-19 2018-11-30 厦门大学 基于深度学习的鱼类识别方法、介质、终端设备及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596138A (zh) * 2018-05-03 2018-09-28 南京大学 一种基于迁移层次网络的人脸识别方法
CN108921058A (zh) * 2018-06-19 2018-11-30 厦门大学 基于深度学习的鱼类识别方法、介质、终端设备及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CALLMEJACKY: "【keras】走近VGG16卷积神经网络", 《HTTPS://BLOG.CSDN.NET/ZYXHANGIIAN123456789/ARTICLE/DETAILS/87616049》 *
虚闻松声: "经典卷积神经网络结构——VGG网络结构详解（卷积神经网络入门，Keras代码实现）", 《HTTPS://BLOG.CSDN.NET/QQ_33037903/ARTICLE/DETAILS/88774615》 *

Similar Documents

Publication Publication Date Title
US11328525B2 (en) Method for calculating deviation relations of a population
CN111178197A (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN109064454A (zh) 产品缺陷检测方法及系统
Rong et al. Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN
CN114898405B (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN112001370A (zh) 一种农作物病虫害识别方法及系统
CN114049550A (zh) 基于深度学习的笼养死亡肉鸡自动识别方法
CN114092699A (zh) 基于迁移学习的群猪图像分割的方法及系统
CN112883915A (zh) 一种基于迁移学习的麦穗自动识别方法和系统
CN115099297A (zh) 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法
Li et al. Construction of a dataset of stored-grain insects images for intelligent monitoring
CN117351404A (zh) 一种奶牛分娩应激程度判识方法及系统
CN111860132A (zh) 一种基于vgg-16卷积神经网络的家鸡个体识别方法
CN110781870A (zh) 一种基于ssd卷积神经网络的奶牛反刍行为识别方法
CN115226650B (zh) 基于交互特征的母猪发情状态自动检测系统
Miranda et al. Pest identification using image processing techniques in detecting image pattern through neural network
CN113947780B (zh) 一种基于改进卷积神经网络的梅花鹿面部识别方法
CN112905823B (zh) 一种基于大数据平台的高光谱物质检测识别系统及方法
Gabriel et al. Wildlife Detection and Recognition in Digital Images Using YOLOv3
Yang et al. Research and design of a machine vision-based silk cocoon quality inspection system
CN112215107A (zh) 一种猪的行为识别方法及装置、电子设备和存储介质
CN114842470B (zh) 层叠式笼养模式下的鸡蛋计数及定位系统
Gaur A smart agriculturing IoT system for banana plants disease detection through inbuilt compressed sensing devices
Bansod Rice crop disease identification and classifier
Saenong et al. Identification of Poultry Reproductive Behavior Using Faster R-CNN with MobileNet V3 Architecture in Traditional Cage Environment

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201030

WD01 Invention patent application deemed withdrawn after publication