CN113128529A - 牲畜身份识别模型训练方法、识别方法、系统及装置 - Google Patents
牲畜身份识别模型训练方法、识别方法、系统及装置 Download PDFInfo
- Publication number
- CN113128529A CN113128529A CN201911391795.2A CN201911391795A CN113128529A CN 113128529 A CN113128529 A CN 113128529A CN 201911391795 A CN201911391795 A CN 201911391795A CN 113128529 A CN113128529 A CN 113128529A
- Authority
- CN
- China
- Prior art keywords
- livestock
- target
- identity recognition
- model
- target livestock
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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
本发明实施例提供牲畜身份识别模型训练方法、识别方法、系统及装置。该方法包括:获取训练样本集,训练样本集包括目标牲畜的多个畜脸图像样本;将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,直至满足预设训练停止条件,得到训练好的目标牲畜身份识别模型;其中,目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型。本发明能够从复杂的场景中识别牲畜的个体身份,提升家畜畜脸识别的准确率。
Description
技术领域
本发明涉及通信领域,尤其涉及牲畜身份识别模型训练方法、识别方法、系统及装置。
背景技术
目前,为识别家畜个体的方法有通过在家畜的耳朵上穿孔佩戴无线射频识别标签,这种侵入式的识别方式容易引起家畜的不适,咬标、掉标的情况经常发生。
另一方面,家畜养殖存在家畜近亲繁殖严重,导致家畜个体相似度很高,家畜畜脸难以识别,进一步的,由于家畜畜脸长期不清洗也会掩盖家畜畜脸面部特征,使得对家畜的识别难度进一步增加,这也导致由于家畜畜脸识别准确率很低。可见,目前将家畜畜脸作为监控系统的识别标识,不适用于实际的大规模农场的使用环境,也不是适用于大规模商用,因此,在牲畜智能养殖过程中,越来越需要对家畜的个体身份进行精确识别。
发明内容
本发明实施例提供了牲畜身份识别模型训练方法、识别方法、系统及装置,通过双线性卷积神经网络模型的基础上结合恒等映射对模型结构进行改进,使得家畜身份的识别能够从复杂的场景中识别牲畜的个体身份,提升家畜畜脸识别的准确率。
第一方面,本发明提供一种牲畜身份识别模型训练方法,该方法包括:获取训练样本集,训练样本集包括目标牲畜的多个畜脸图像样本;
将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,直至满足预设训练停止条件,得到训练好的目标牲畜身份识别模型;
其中,目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型。
在第一方面的一些可实现方式中,获取训练样本集之后,进行模型训练之前,包括:
通过对目标牲畜的多个畜脸图像样本进行筛选处理,筛选获得相似度满足预设条件的多个第一筛选目标畜脸图像样本;
相应地,将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体包括:
将多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
在第一方面的一些可实现方式中,获得多个第一筛选目标畜脸图像样本之后,还包括:
基于每个第一筛选目标畜脸图像样本,对每个第一筛选目标畜脸图像样本进行目标畜脸轮廓标记并剪裁,获得多个第一标记目标畜脸图像;
分别对第一标记目标畜脸图像进行边缘填充,获得多个第二标记目标畜脸图像;
相应地,将多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体包括:
将多个第二标记目标畜脸图像输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
第二方面,本发明提供一种牲畜身份识别方法该方法包括:获取待识别的目标牲畜畜脸图像;
将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果;其中,目标牲畜身份识别模型基于实现第一方面或者第一方面任一可实现方式中所述的牲畜身份识别模型训练方法得到。
在第二方面的一些可实现方式中,在获取待识别的目标牲畜畜脸图像之后,将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果之前,方法还包括:
对待识别目标牲畜畜脸图像进行边缘填充,获得待识别目标牲畜畜脸边缘填充图像;
相应地,将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到牲畜身份识别结果,具体包括:
将待识别目标牲畜畜脸边缘填充图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果。
在第二方面的一些可实现方式中,训练好的目标牲畜身份识别模型包括第一特征提取函数和第二特征提取函数;第一特征提取函数和第二特征提取函数均包括至少一个卷积层;待识别目标牲畜畜脸图像包括至少一个位置的畜脸特征;
将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果,具体包括:
对于每个位置的畜脸特征,分别将第一特征提取函数和第二特征提取函数的最后一个卷积层提取到的畜脸特征与对应位置所有卷积层提取的畜脸特征进行矩阵外积运算处理,获得每个位置的目标畜脸双线性特征;
根据特征融合函数将获得的每个位置的目标畜脸双线性特征进行特征融合处理,获得融合后的目标畜脸双线性特征;
根据融合后的目标畜脸双线性特征确定目标牲畜身份识别结果。
第三方面,本发明提供一种数据处理系统,该系统包括:服务器、边缘计算设备和数据采集设备;
服务器用于执行实现第一方面或者第一方面任一可实现方式中所述的牲畜身份识别模型训练方法,并将训练得到的牲畜身份识别模型发送至边缘计算设备;
数据采集设备用于采集目标牲畜信息,目标牲畜信息包括目标牲畜畜脸图像,并将目标牲畜信息发送到边缘计算设备;
边缘计算设备用于根据目标牲畜畜脸图像、所述牲畜身份识别模型和识别牲畜身份,得到牲畜身份识别结果。
在第三方面的一些可实现方式中,数据采集设备还用于将目标牲畜信息发送至服务器;
服务器还用于存储目标牲畜信息。
在第三方面的一些可实现方式中,目标牲畜信息还包括目标牲畜的生理特征信息和/或运动行为信息;
服务器还用于根据包含目标牲畜的生理特征信息和/或运动行为信息的训练样本集训练预设模型,并将训练好的预设模型发送至边缘计算设备,预设模型用于监测目标牲畜的生理行为;
边缘计算设备还用于根据目标牲畜的生理特征信息和/或运动行为信息以及训练好的预设模型监测目标牲畜的生理行为。
第四方面,本发明提供一种牲畜身份识别模型训练装置,该装置包括:
样本获取模块,用于获取训练样本集,训练样本集包括目标牲畜的多个畜脸图像样本;
训练模块,用于将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,直至满足预设训练停止条件,得到训练好的目标牲畜身份识别模型;其中,目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型。
第五方面,本发明提供一种牲畜身份识别装置,装置包括:图像获取模块,用于获取待识别的目标牲畜畜脸图像;
识别模块,用于将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果;其中,目标牲畜身份识别模型基于第一方面或者第一方面任一可实现方式中所述的牲畜身份识别模型训练方法得到。
第六方面,本发明提供一种牲畜身份识别设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现第一方面或者第一方面任一可实现方式中所述的牲畜身份识别模型训练方法或第二方面或者第二方面任一可实现方式中所述的牲畜身份识别方法。
第七方面,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或者第一方面任一可实现方式中所述的牲畜身份识别模型训练方法或第二方面或者第二方面任一可实现方式中所述的牲畜身份识别方法。
本发明实施例提供了一种家畜识别模型训练方法,通过在双线性卷积神经网络模型的基础上,结合恒等映射对模型结构进行改进,使得不同层次的特征进行外积融合,形成用于最终分类的家畜畜脸特征,提高了家畜畜脸识别的准确率,进一步提高了识别确定家畜的个体身份,为家畜养殖的分析过程,提供了有效、可靠的数据支持。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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。
图1是本发明实施例提供的一种牲畜身份识别模型训练方法的流程示意图;
图2是本发明实施例提供的一种双线性卷积神经网路结构示意图;
图3是本发明实施例提供的一种牲畜身份识别方法结构示意图;
图4是本发明实施例提供的一种包括恒等映射的双线性卷积神经网路结构示意图;
图5是本发明实施例提供的一种数据处理系统结构示意图;
图6是本发明实施例提供的一种数据传输路径的示意图;
图7是本发明实施例提供的一种牲畜身份识别模型的训练装置的结构示意图;
图8是本发明实施例提供的一种牲畜身份识别装置的结构示意图;
图9本发明实施例提供的一种牲畜身份识别设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,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描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
目前的牲畜智能养殖过程中,牲畜身份识别的主要方式是通过在动物的耳朵上穿孔佩戴无线射频识别标签,而这种侵入式的识别方式容易引起动物的不适,咬标、掉标的情况经常发生。
另外,现有的牲畜养殖场智能监控是通过在牲畜养殖场端设置摄像头采集牲畜养殖场数据,将采集到的牲畜养殖场数据汇总后,基于后台云端统一处理,由于数据处理远离数据来源,是在外部数据中心或云端进行,这样会导致数据处理和分析实时性较差,响应速度慢,造成了一定程度的时间延迟,并且具有较高的成本。进一步的,由于数据存储处理滞后,应用程序无法保障以更快的速度更高效的运行,并且安全性和合规性较差。
而且目前将牲畜畜脸识别后作为其它监控系统建设的标识,其准确率仍然较低,也不适用于实际的农场使用环境。
针对于此,本发明实施例提供了牲畜身份识别模型训练方法、识别方法、系统及装置,通过双线性卷积神经网络模型的基础上结合恒等映射对模型结构进行改进,使得家畜身份的识别能够从复杂的场景中识别牲畜的个体身份,提升家畜畜脸识别的准确率。
下面结合附图对本发明实施例所提供的牲畜身份识别模型训练方法进行介绍。
图1是本发明实施例提供的一种牲畜身份识别模型训练方法的流程示意图;如图1所示,该牲畜身份识别模型训练方法可以包括以下步骤:
S101、获取训练样本集;
具体的,获取训练样本集,训练样本集包括目标牲畜的多个畜脸图像样本。
在一些实施例中,为了减少在模型训练过程中的数据干扰,可以首先对包含目标牲畜的畜脸图像进行筛选,筛选掉不包含或只包含少部分目标牲畜的畜脸图像的图片。
进一步的,在一些实施例中,为了更好的排除数据集中背景因素对实验结果的干扰,获取训练样本集之后,进行模型训练之前,还可以包括以下步骤:
通过对目标牲畜的多个畜脸图像样本进行筛选处理,筛选获得相似度满足预设条件的多个第一筛选目标畜脸图像样本;
相应地,将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体包括:
将多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
作为一个具体的实施例,在筛选掉不包含或只包含少部分目标牲畜的畜脸图像的图片之后,为了避免图片之间相似度过高的情况,可以采用结构相似性指数(StructuralSimilarity Index Measurement,SSIM)来度量图片之间的相似度,将每幅图像与随后出现的图像进行比较,直到找到足够的差异,淘汰其中相似度过高的图像,避免因图像相似度过高而导致数据集低方差。
作为一个具体的实施例,在度量图像的相似性时,SSIM考虑两幅图像之间的方差、协方差和平均强度,计算公式(1)所示:
其中,μx,μy为初始牲畜畜脸图像的平均值,σx,σy为初始牲畜畜脸图像的方差,σxy为两幅初始牲畜畜脸图像的协方差,C1,C2为常数;
具体的,可以根据实际情况设置SSIM的取值范围作为相似度满足预设条件。作为一个具体的实施例,当SSIM取值范围在0-1之间认为两张图片不同,或者是SSIM低于0.75时认为两张图片不同。
进一步的,获得多个第一筛选目标畜脸图像样本之后,本发明提供的实施例中,还可以基于每个第一筛选目标畜脸图像样本,对每个第一筛选目标畜脸图像样本进行目标畜脸轮廓标记并剪裁,获得多个第一标记目标畜脸图像;
分别对第一标记目标畜脸图像进行边缘填充,获得多个第二标记目标畜脸图像;
相应地,将多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体包括:
将多个第二标记目标畜脸图像输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
作为一个具体的实施例,以猪脸图像作为目标牲畜的畜脸图像。经过筛选后的训练集中,每头猪对应的训练集有预设数目的张图像,可选的,可以将预设数目设置为200-300张。
为了排除数据集中背景因素对实验结果的干扰,提取图片中的猪脸区域用于模型训练,具体地,可以通过采用labelImg工具对图像中的猪脸区域进行标记并裁剪。
作为一个具体的实施例,由于神经网络输入为N×N维数据,为了防止图片送入网络时被拉伸变形,可以对裁剪后的图片边缘进行黑色填充。
S102、将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练;
具体是,将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,直至满足预设训练停止条件,得到训练好的目标牲畜身份识别模型;
其中,目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型,训练样本集包括目标牲畜的多个畜脸图像样本。
具体的,在本发明提供的实施例中采用卷积神经网络算法为基础进行建模,通过对大量样本的学习自动获取图像的有效特征,不需要人工定义和标记特征部位,可以有效降低特征提取的成本和难度。进一步的,采用双线性卷积神经网络依赖人类视觉处理机制,能够通过背侧通路用来识别物体,腹侧通路用来定位物体特征的位置。其中,结合目标牲畜的畜脸模型,本发明实施例提供的双线性卷积神经网络的网络结构如图2所示。
本发明实施例提供了一种家畜识别模型训练方法,通过在双线性卷积神经网络模型的基础上,结合恒等映射对模型结构进行改进,使得不同层次的特征进行外积融合,形成用于最终分类的家畜畜脸特征,提高了家畜畜脸识别的准确率,进一步提高了识别确定家畜的个体身份,为家畜养殖的分析过程,提供了有效、可靠的数据支持。
之所以本发明实施例提供改进后双线性卷积神经网络恒等映射算法特别适用于牲畜畜脸,主要是因为大部分牲畜近亲繁殖严重,牲畜识别又有其特殊性,牲畜近亲繁殖特性导致其个体相似度很高,同时,长期不清洗的牲畜也会掩盖其面部特征,给牲畜识别带来很大困难。本发明实施例提供在双线性卷积神经网络模型的基础上,结合恒等映射的网络结构优点,对模型结构进行改进,将不同层次的特征进行外积融合,形成用于最终分类的身份特征,提升牲畜畜脸识别的准确率,识别不同牲畜进行唯一标识,可实现对整个牲畜养殖场的智能监控。
基于本发明实施例的牲畜身份识别模型训练方法,本发明实施例还提供了一种牲畜身份识别方法,如图3所示。图3是本发明实施例提供的一种牲畜身份识别方法结构示意图,具体包括以下步骤:
S301、获取待识别的目标牲畜畜脸图像;
S302、将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型;
具体的,将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果;其中,目标牲畜身份识别模型基于本发明实施例提供的牲畜身份识别模型训练方法得到。
具体的,在获取待识别的目标牲畜畜脸图像之后,将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果之前,方法还包括:
对待识别目标牲畜畜脸图像进行边缘填充,获得待识别目标牲畜畜脸边缘填充图像;
相应地,将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到牲畜身份识别结果,具体包括:
将待识别目标牲畜畜脸边缘填充图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果。
作为一个具体的实施例,为了防止图片送入网络时被拉伸变形,可以对待识别目标牲畜畜脸图像边缘进行黑色填充。
具体的,训练好的目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型,具体的,包括第一特征提取函数和第二特征提取函数;第一特征提取函数和第二特征提取函数均包括至少一个卷积层;待识别目标牲畜畜脸图像包括至少一个位置的畜脸特征。
相应地,将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果,具体包括:
待识别目标牲畜畜脸图像包括至少一个位置的畜脸特征,对于每个位置的畜脸特征,分别将第一特征提取函数和第二特征提取函数的最后一个卷积层提取到的畜脸特征与对应位置所有卷积层提取的畜脸特征进行矩阵外积运算处理,获得每个位置的目标畜脸双线性特征。
根据特征融合函数将获得的每个位置的目标畜脸双线性特征进行特征融合处理,获得融合后的目标畜脸双线性特征。
根据融合后的目标畜脸双线性特征确定目标牲畜身份识别结果。
作为一个具体的实施例,下面结合图2对本发明实施例提供的双线性卷积神经网络的网络结构进行介绍。
作为一个具体的实施例,双线性卷积神经网络模型F由一个四元组组成,示例性的,F=(fA,fB,P,C)。其中,fA,fB分别表示双线性卷积神经中特征提取函数,具体的,即图2所示的卷积神经网络A和卷积神经网络B。
具体的,特征提取函数的作用可以看作是一个函数映射,将输入的目标牲畜畜脸图像I和目标牲畜畜脸图像的特征位置区域L映射为一个c×D维的特征。
对于两个特征函数fA、fB的输出,在每个位置处使用矩阵外积进行特征组合,得到目标牲畜畜脸图像的特征位置处的双线性特征。
作为一个具体的实施例,P为池化函数,C为分类函数。具体的,池化函数P的作用是将目标牲畜畜脸图像的所有特征位置处的双线性特征汇聚成一个用于最终分类的图像特征。其中,双线性卷积神经网络中所采用的池化方式是将所有位置的双线性特征进行累加,具体的累加公式(2)所示。
其中,B(l,I,fA,fB)表示双线性操作,B(l,I,fA,fB)=fA(l,I)TfB(l,I)。
作为一个具体的实施例,C为分类函数,对吃化后的双线性卷积特征进行分类。
具体的,由于矩阵外积运算对其中一条特征提取器的输出特征进行了转置运算,使得不同维度的特征产生交互,而输出特征的不同维度对应卷积特征的不同通道,不同通道又提取了不同的语义特征。因此,通过外积可以同时捕获输入图像不同语义特征之间的关系。
进一步的,由于输出的卷积特征对于在图像中的绝对位置并不敏感,而不同的语义特征在对象上的相对位置是基本不变的。所以,通过矩阵外积将不同语义特征(或者称为局部特征)之间的位置关系进行一定程度的锁定。
图4示出了本发明实施例提供的包括恒等映射的双线性卷积神经网络的网络结构示意图,如图4所示。
具体的,在双线性卷积神经网络通过恒等映射,使网络加深的同时也让不同层次的特征得以联系起来,如公式(3)所示:
x(l+1)=xl+F(xl,Wl) (3)
其中,L表示层数,xl为特征值,Wl为权重,所以对于任意层L的特征可以如公式(4)表示:
具体的,恒等映射后任意层的梯度如公式(5)所示;
本发明实施例提供的在双线性卷积神经网络模型的基础上,结合恒等映射网络多层次融合的结构特点,对双线性卷积神经网络模型算法进行改进,可以将特征传播到任意浅层,同时不会出现梯度消失的情况。
具体的,通过将特征提取器最后一个卷积层提取到目标牲畜的畜脸特征自身做外积,也和前面其他卷积层提取到的目标牲畜的畜脸特征进行外积运算,以此达到融合不同层次特征的目的,可以有效提高识别的准确率。
基于本发明实施例提供的牲畜身份识别模型的训练方法和牲畜身份识别方法的具体实现方式。图5是本发明实施例提供的一种数据处理系统结构示意图,如图5所示,该数据处理系统可以包括:服务器501、边缘计算设备502和数据采集设备503。
具体的,服务器501用于实施例提供的牲畜身份识别模型的训练方法,并将训练得到的目标牲畜身份识别模型发送至边缘计算设备502;
作为一个具体的实施例,将猪场作为目标监控牲畜养殖场,服务器501在云端对接收到的猪场相关信息进行数据清洗、数据预处理及模型规则的生成,生成模型后将模型下发到边缘计算设备502,同时,云端的服务器501对接收到的猪场相关信息进行储存,以方便使用。
在一些实施例中,数据采集设备503用于采集目标牲畜信息,目标牲畜信息包括目标牲畜畜脸图像,并将目标牲畜信息发送到边缘计算设备502;
边缘计算设备502用于根据目标牲畜畜脸图像、所述牲畜身份识别模型和识别牲畜身份,得到牲畜身份识别结果。
具体的,目标牲畜信息还包括目标牲畜的生理特征信息和/或运动行为信息;
服务器501还用于根据包含目标牲畜的生理特征信息和/或运动行为信息的训练样本集训练预设模型,并将训练好的预设模型发送至边缘计算设备502,预设模型用于监测目标牲畜的生理行为;
边缘计算设备502还用于根据目标牲畜的生理特征信息和/或运动行为信息以及训练好的预设模型监测目标牲畜的生理行为。
作为一个具体的实施例,在猪场端布置边缘计算设备502,例如,高性能智能芯片,边缘计算设备502用于接收云端下发的目标牲畜身份识别模型,并根据牲畜养殖场相关信息和目标牲畜身份识别模型计算出数据处理系统需要的相关牲畜信息。
在一些实施例中,数据采集设备503和边缘计算设备502之间可以通过5G专网进行数据传输,由于5G专网使用不同切片进行网络资源划分,可以灵活按需匹配,实现前端采集数据的高效传输。
进一步的,在一些实施例中数据采集设备503还用于将目标牲畜信息发送至服务器501;服务器501还用于存储目标牲畜信息。
在一些实施例中,本发明实施例提供的数据处理系统还可以包括:远程控制设备,与边缘计算设备502和云端的服务器501连接,可以随时接收或调取牲畜养殖场的相关信息,便于工作人员对牲畜养殖场进行监控和管理。进一步的牲畜养殖场部署的物联网边缘设备和节点之间能够根据消息路由能力传递消息,在云端的服务器501可以设置消息路径,控制本地数据在边缘计算节点中的流转,从而实现数据的安全可控。
作为一个具体的实施例,基于本发明实施例提供的数据处理系统,图6是本发明实施例提供的一种数据传输路径的示意图,结合本发明实施例提供的数据处理系统,在目标牲畜养殖场部署以后,可以实现在云端的服务器通过编写相关函数,控制设备的运行、联动,并能够实时远程下发到边缘计算设备。而且,设备之间的联动无需通过云端的服务器,在本地节点处理即可实现。结合图6所示的数据传输路径,具体可以包括以下过程:
1)从牲畜养殖场部署的物联网设备至边缘计算设备的节点,实现各类监控数据的汇聚、清洗、处理和上报;
2)从牲畜养殖场部署的物联网设备进行函数计算等数据处理,将牲畜养殖场的采集设备的数据直接进行处理;
3)服务器的函数计算等数据处理的过程中,各种数据可以在各函数间传递;
4)边缘计算设备获取数据处理的结果后,后上报给云端的服务器。
基于本发明实施例提供的一种数据处理系统,在以云为中心的架构中,牲畜身份识别模型的训练和训练好的牲畜身份识别模型存储在云端的服务器,边缘计算设备接收到服务器发送的训练好的牲畜身份识别模型即可以进行本地推理。在本发明实施例中,通过将对资源要求较高的模型训练过程放在云端的服务器,然后将训练好的牲畜身份识别模型部署到本地,在本地进行推理计算,提高业务稳定性和计算速度。
在本发明的一些实施例中,函数计算在云服务器端配置后,还可以根据牲畜养殖场的业务场景按需运行从而响应牲畜养殖场管理的各种事件例如牲畜发情时间确认、牲畜转场监控等。
在本发明的一些实施例中,可以在牲畜养殖场端布置数据采集设备例如摄像头、各种传感器等,数据采集设备用于牲畜养殖场相关信息例如牲畜活动视频、体重、体温等信息。云端服务器包括设备管理、配置设备驱动函数和联动函数、设置消息路由等功能,边缘计算节点一般是计算能力较强的设备,如边缘计算设备提供本地计算、消息转发、设备管理的能力,具体例如,一般如猪场的料塔控制系统、踩踏异常报警系统等,可以接收指令,上传数据给云端服务器。
在本发明的一些实施例中,比如进行牲畜畜脸识别、发情时间、配种管理、精准饲喂、声音识别、行为检测、轨迹跟踪、运动热点管理等。针对牲畜养殖场内牲畜生产经营的视频监控系统,属于大流量、广覆盖业务,边缘计算节点可部署在汇聚层机房,能够覆盖更大网络范围,同时仍可以在较低网络层次终结业务流量,降低对传输网的带宽压力。由于牲畜监控对于流量和覆盖的要求,将边缘计算设备部署在农场机房,将带来覆盖范围、时延、移动性等的不同性能指标,根据不同的应用场景,可综合业务性能需求,在控制面管理编排系统的统一控制下完成最佳业务部署,实现网络资源的灵活调配。
进一步的,在本发明的一些实施例中,针对牲畜养殖的其它需求,例如通过建立排卵预测、体况评分等模型,加强牲畜生产怀孕流程的标准管理;通过对料塔的投食量情况进行监测,加强牲畜不同生长周期的饲喂管理等,需要依赖大量的图片数据进行模型训练,以支撑不同的业务需求。例如以排卵预测场景来讲,需要牲畜上方的滑轨摄像头不断捕捉牲畜阴户变化,将大量照片上传至云端数据中心,结合传统生产经验知识,建牲畜发情时间的模型,准确确定牲畜发情时间,减少牲畜空怀天数,提高牲畜养殖场生产效率和经济效益。
基于为本发明实施例提供的一种牲畜身份识别模型的训练方法的具体实现方式,本申请还提供了一种牲畜身份识别模型的训练装置的具体实现方式。
请参见图7,图7是本发明实施例提供的一种牲畜身份识别模型的训练装置的结构示意图,如图7所示,该牲畜身份识别模型的训练装置可以包括:样本获取模块701、训练模块702。
其中,样本获取模块701,用于获取训练样本集,训练样本集包括目标牲畜的多个畜脸图像样本;
训练模块702,用于将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,直至满足预设训练停止条件,得到训练好的目标牲畜身份识别模型;其中,目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型。
在一些实施例中,样本获取模块701还包括筛选子模块,筛选子模块用于通过对目标牲畜的多个畜脸图像样本进行筛选处理,筛选获得相似度满足预设条件的多个第一筛选目标畜脸图像样本;
相应地,样本获取模块701将训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体还用于将多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
在一些实施例中,样本获取模块701还包括标记子模块,标记子模块用于基于每个第一筛选目标畜脸图像样本,对每个第一筛选目标畜脸图像样本进行目标畜脸轮廓标记并剪裁,获得多个第一标记目标畜脸图像;
分别对第一标记目标畜脸图像进行边缘填充,获得多个第二标记目标畜脸图像。
相应地,样本获取模块701将多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体还用于将多个第二标记目标畜脸图像输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
本发明实施例提供的牲畜身份识别模型的训练装置,能够在双线性卷积神经网络模型的基础上,结合恒等映射对模型结构进行改进,使得不同层次的特征进行外积融合,形成用于最终分类的家畜畜脸特征,提高了家畜畜脸识别的准确率,进一步提高了识别确定家畜的个体身份,为家畜养殖的分析过程,提供了有效、可靠的数据支持。
可以理解的是,本发明实施例的牲畜身份识别模型的训练装置,可以对应于本发明实施例牲畜身份识别模型的训练方法的执行主体,牲畜身份识别模型的训练装置的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例牲畜身份识别模型的训练方法中的相应部分的描述,为了简洁,在此不再赘述。
基于为本发明实施例提供的一种牲畜身份识别方法的具体实现方式,本发明实施例还提供了一种牲畜身份识别装置的具体实现方式。请参见图8,图8是本发明实施例提供的一种牲畜身份识别装置的结构示意图,如图8所示,该装置可以包括:图像获取模块801、识别模块802。
其中,图像获取模块801,用于获取待识别的目标牲畜畜脸图像;
识别模块802,用于将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果;其中,目标牲畜身份识别模型基于本发明实施例提供的牲畜身份识别模型训练方法得到。
在一些实施例中,图像获取模块801还包括图像填充子模块,其中,图像填充子模块在获取待识别的目标牲畜畜脸图像之后,将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果之前,用于对待识别目标牲畜畜脸图像进行边缘填充,获得待识别目标牲畜畜脸边缘填充图像。
相应地,识别模块802用于将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到牲畜身份识别结果,则具体用于将待识别目标牲畜畜脸边缘填充图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果。
在一些实施例中,训练好的目标牲畜身份识别模型包括第一特征提取函数和第二特征提取函数;第一特征提取函数和第二特征提取函数均包括至少一个卷积层。具体的,待识别目标牲畜畜脸图像包括至少一个位置的畜脸特征,相应地,识别模块用于将待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果,则具体用于对于每个位置的畜脸特征,分别将第一特征提取函数和第二特征提取函数的最后一个卷积层提取到的畜脸特征与对应位置所有卷积层提取的畜脸特征进行矩阵外积运算处理,获得每个位置的目标畜脸双线性特征;
根据特征融合函数将获得的每个位置的目标畜脸双线性特征进行特征融合处理,获得融合后的目标畜脸双线性特征;
根据融合后的目标畜脸双线性特征确定目标牲畜身份识别结果。
本发明实施例的提供的牲畜身份识别装置,能够在双线性卷积神经网络模型的基础上,结合恒等映射网络多层次融合的结构特点,对双线性卷积神经网络模型算法进行改进,可以将特征传播到任意浅层,同时不会出现梯度消失的情况。
具体的,通过将特征提取器最后一个卷积层提取到目标牲畜的畜脸特征自身做外积,也和前面其他卷积层提取到的目标牲畜的畜脸特征进行外积运算,以此达到融合不同层次特征的目的,可以有效提高识别的准确率。为家畜养殖的分析过程,提供了有效、可靠的数据支持。
可以理解的是,本发明实施例的牲畜身份识别装置,可以对应于本发明实施例牲畜身份识别方法的执行主体,牲畜身份识别装置的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例牲畜身份识别方法中的相应部分的描述,为了简洁,在此不再赘述。
本发明实施例的牲畜身份识别装置,将前后端智能相结合的模式,将训练好的牲畜身份识别模型前置,例如,在前端摄像机内置高性能智能芯片,通过边缘计算,将识别图像的压力分摊到前端,解放中心的计算资源,以集中优势计算资源做更高效的分析,另外,也避免了敏感信息经过网络传输到云端服务器,传输过程中的数据泄漏的风险,或者如果云端服务器遭到攻击的信息安全隐患。
图9本发明实施例提供的一种牲畜身份识别设备的硬件结构示意图。
如图9所示,本实施例中的牲畜身份识别设备900包括输入设备901、输入接口902、中央处理器903、存储器904、输出接口905、以及输出设备906。其中,输入接口902、中央处理器903、存储器904、以及输出接口905通过总线910相互连接,输入设备901和输出设备906分别通过输入接口902和输出接口905与总线910连接,进而与牲畜身份识别设备900的其他组件连接。
具体地,输入设备901接收来自外部的输入信息,并通过输入接口902将输入信息传送到中央处理器903;中央处理器903基于存储器904中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器904中,然后通过输出接口905将输出信息传送到输出设备906;输出设备906将输出信息输出到牲畜身份识别设备900的外部供用户使用。
也就是说,图9所示的牲畜身份识别也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合本发明实施例描述的牲畜身份识别模型训练方法和装置或本发明实施例描述的牲畜身份识别方法和装置。
在一个实施例中,图9所示的牲畜身份识别设备900包括:存储器904,用于存储程序;中央处理器903,用于运行存储器中存储的程序,以执行本发明实施例提供的牲畜身份识别模型训练方法或牲畜身份识别方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的牲畜身份识别模型训练方法或牲畜身份识别方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种牲畜身份识别模型训练方法,其特征在于,所述方法包括:
获取训练样本集,所述训练样本集包括目标牲畜的多个畜脸图像样本;
将所述训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,直至满足预设训练停止条件,得到训练好的目标牲畜身份识别模型;
其中,所述目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述获取训练样本集之后,进行模型训练之前,包括:
通过对所述目标牲畜的多个畜脸图像样本进行筛选处理,筛选获得相似度满足预设条件的多个第一筛选目标畜脸图像样本;
相应地,所述将所述训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体包括:
将所述多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
3.根据权利要求2所述的方法,其特征在于,获得所述多个第一筛选目标畜脸图像样本之后,还包括:
基于每个所述第一筛选目标畜脸图像样本,对每个所述第一筛选目标畜脸图像样本进行目标畜脸轮廓标记并剪裁,获得多个第一标记目标畜脸图像;
分别对所述第一标记目标畜脸图像进行边缘填充,获得多个第二标记目标畜脸图像;
相应地,所述将所述多个第一筛选目标畜脸图像样本输入到预先构建的目标牲畜身份识别模型中,进行模型训练,具体包括:
将所述多个第二标记目标畜脸图像输入到预先构建的目标牲畜身份识别模型中,进行模型训练。
4.一种牲畜身份识别方法,其特征在于,所述方法包括:
获取待识别的目标牲畜畜脸图像;
将所述待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果;其中,所述目标牲畜身份识别模型基于权利要求1-3任意一项所述的牲畜身份识别模型训练方法得到。
5.根据权利要求4所述的方法,其特征在于,在获取待识别的目标牲畜畜脸图像之后,所述将所述待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果之前,所述方法还包括:
对所述待识别目标牲畜畜脸图像进行边缘填充,获得待识别目标牲畜畜脸边缘填充图像;
相应地,所述将所述待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果,具体包括:
将所述待识别目标牲畜畜脸边缘填充图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果。
6.根据权利要求4所述的方法,其特征在于,所述训练好的目标牲畜身份识别模型包括第一特征提取函数和第二特征提取函数;所述第一特征提取函数和第二特征提取函数均包括至少一个卷积层;所述待识别目标牲畜畜脸图像包括至少一个位置的畜脸特征;
所述将所述待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果,具体包括:
对于每个位置的畜脸特征,分别将所述第一特征提取函数和所述第二特征提取函数的最后一个卷积层提取到的畜脸特征与对应位置所有卷积层提取的畜脸特征进行矩阵外积运算处理,获得每个位置的目标畜脸双线性特征;
根据特征融合函数将获得的所述每个位置的目标畜脸双线性特征进行特征融合处理,获得融合后的目标畜脸双线性特征;
根据所述融合后的目标畜脸双线性特征确定所述目标牲畜身份识别结果。
7.一种数据处理系统,其特征在于,所述系统包括:服务器、边缘计算设备和数据采集设备;
所述服务器用于执行权利要求1-3任意一项所述的牲畜身份识别模型训练方法,并将训练得到的牲畜身份识别模型发送至所述边缘计算设备;
所述数据采集设备用于采集目标牲畜信息,所述目标牲畜信息包括目标牲畜畜脸图像,并将所述目标牲畜信息发送到边缘计算设备;
所述边缘计算设备用于根据所述目标牲畜畜脸图像、所述牲畜身份识别模型和识别牲畜身份,得到牲畜身份识别结果。
8.根据权利要求7所述的系统,其特征在于,
所述数据采集设备还用于将所述目标牲畜信息发送至所述服务器;
所述服务器还用于存储所述目标牲畜信息。
9.根据权利要求7所述的系统,其特征在于,所述目标牲畜信息还包括目标牲畜的生理特征信息和/或运动行为信息;
所述服务器还用于根据包含目标牲畜的生理特征信息和/或运动行为信息的训练样本集训练预设模型,并将训练好的预设模型发送至所述边缘计算设备,所述预设模型用于监测所述目标牲畜的生理行为;
所述边缘计算设备还用于根据所述目标牲畜的生理特征信息和/或运动行为信息以及所述训练好的预设模型监测所述目标牲畜的生理行为。
10.一种牲畜身份识别模型训练装置,其特征在于,所述装置包括:
样本获取模块,用于获取训练样本集,所述训练样本集包括目标牲畜的多个畜脸图像样本;
训练模块,用于将所述训练样本集输入到预先构建的目标牲畜身份识别模型中,进行模型训练,直至满足预设训练停止条件,得到训练好的目标牲畜身份识别模型;其中,所述目标牲畜身份识别模型为包括恒等映射的双线性卷积神经网络模型。
11.一种牲畜身份识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取待识别的目标牲畜畜脸图像;
识别模块,用于将所述待识别目标牲畜畜脸图像输入训练好的目标牲畜身份识别模型,得到目标牲畜身份识别结果;其中,所述目标牲畜身份识别模型基于权利要求1-3任意一项所述的牲畜身份识别模型训练方法得到。
12.一种牲畜身份识别设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-3任意一项所述的牲畜身份识别模型训练方法或权利要求4-6任意一项所述的牲畜身份识别方法。
13.一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上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-3任意一项所述的牲畜身份识别模型训练方法或权利要求4-6任意一项所述的牲畜身份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391795.2A CN113128529A (zh) | 2019-12-30 | 2019-12-30 | 牲畜身份识别模型训练方法、识别方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391795.2A CN113128529A (zh) | 2019-12-30 | 2019-12-30 | 牲畜身份识别模型训练方法、识别方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128529A true CN113128529A (zh) | 2021-07-16 |
Family
ID=76767764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911391795.2A Pending CN113128529A (zh) | 2019-12-30 | 2019-12-30 | 牲畜身份识别模型训练方法、识别方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128529A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152798A (zh) * | 2023-10-30 | 2023-12-01 | 成都大熊猫繁育研究基地 | 一种大熊猫圈舍异物识别系统及方法 |
CN117745036A (zh) * | 2024-02-18 | 2024-03-22 | 四川金投科技股份有限公司 | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
CN117894041A (zh) * | 2024-03-14 | 2024-04-16 | 陕西微牧云信息科技有限公司 | 一种基于物联网的屠宰场智能管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN108830138A (zh) * | 2018-04-26 | 2018-11-16 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
CN110197128A (zh) * | 2019-05-08 | 2019-09-03 | 华南理工大学 | 基于边缘计算与云端统筹的人脸识别架构设计方法 |
CN110414373A (zh) * | 2019-07-08 | 2019-11-05 | 武汉大学 | 一种基于云边端协同计算的深度学习掌静脉识别系统及方法 |
-
2019
- 2019-12-30 CN CN201911391795.2A patent/CN113128529A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN108830138A (zh) * | 2018-04-26 | 2018-11-16 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
CN110197128A (zh) * | 2019-05-08 | 2019-09-03 | 华南理工大学 | 基于边缘计算与云端统筹的人脸识别架构设计方法 |
CN110414373A (zh) * | 2019-07-08 | 2019-11-05 | 武汉大学 | 一种基于云边端协同计算的深度学习掌静脉识别系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152798A (zh) * | 2023-10-30 | 2023-12-01 | 成都大熊猫繁育研究基地 | 一种大熊猫圈舍异物识别系统及方法 |
CN117152798B (zh) * | 2023-10-30 | 2024-01-26 | 成都大熊猫繁育研究基地 | 一种大熊猫圈舍异物识别系统及方法 |
CN117745036A (zh) * | 2024-02-18 | 2024-03-22 | 四川金投科技股份有限公司 | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
CN117745036B (zh) * | 2024-02-18 | 2024-04-30 | 四川金投科技股份有限公司 | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
CN117894041A (zh) * | 2024-03-14 | 2024-04-16 | 陕西微牧云信息科技有限公司 | 一种基于物联网的屠宰场智能管理方法及系统 |
CN117894041B (zh) * | 2024-03-14 | 2024-06-04 | 陕西微牧云信息科技有限公司 | 一种基于物联网的屠宰场智能管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128529A (zh) | 牲畜身份识别模型训练方法、识别方法、系统及装置 | |
CN111405241B (zh) | 一种用于视频监控的边缘计算方法和系统 | |
KR101984983B1 (ko) | 야생동물 모니터링 시스템 및 그 방법 | |
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
CN114049681A (zh) | 一种监控方法、识别方法、相关装置及系统 | |
CN111601361B (zh) | 一种实时检测Ad hoc网络关键节点的方法及装置 | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
US20210216758A1 (en) | Animal information management system and animal information management method | |
US20230260327A1 (en) | Autonomous livestock monitoring | |
CN112380955B (zh) | 动作的识别方法及装置 | |
CN104007733B (zh) | 一种对农业集约化生产进行监控的系统及方法 | |
CN116721389A (zh) | 农作物的种植管理方法 | |
SE519700C2 (sv) | Bilddatabehandling | |
CN112541383B (zh) | 杂草区域的识别方法和装置 | |
CN111783726A (zh) | 基于人工智能和bim的放牧牲畜离群视频采集方法 | |
KR20200009530A (ko) | 이상 개체 검출 시스템 및 방법 | |
CN111079617B (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
CN109960965A (zh) | 基于无人机识别动物行为的方法、装置和系统 | |
US20230081930A1 (en) | Data collection device, data collection method, and data collection program | |
Chiron et al. | 3D tracking of honeybees enhanced by environmental context | |
US20230132213A1 (en) | Managing bias in federated learning | |
CN113361392B (zh) | 无监督的基于相机和无线定位的多模态行人重识别方法 | |
CN111291597B (zh) | 一种基于图像的人群态势分析方法、装置、设备及系统 | |
Ufitikirezi et al. | Enhancing cattle production and management through convolutional neural networks. A review | |
CN114937308A (zh) | 一种基于人体动态行为特征识别的智能安防系统及其实现方法 |
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: 20210716 |
|
RJ01 | Rejection of invention patent application after publication |