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 PDFInfo
- 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
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
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。
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)
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 |
-
2020
- 2020-06-08 CN CN202010511708.9A patent/CN111860132A/zh active Pending
Patent Citations (2)
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)
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 |