CN113449712A - 一种基于改进Alexnet网络的羊脸识别方法 - Google Patents

一种基于改进Alexnet网络的羊脸识别方法 Download PDF

Info

Publication number
CN113449712A
CN113449712A CN202111019519.0A CN202111019519A CN113449712A CN 113449712 A CN113449712 A CN 113449712A CN 202111019519 A CN202111019519 A CN 202111019519A CN 113449712 A CN113449712 A CN 113449712A
Authority
CN
China
Prior art keywords
goat
face
data
alexnet network
goat face
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.)
Granted
Application number
CN202111019519.0A
Other languages
English (en)
Other versions
CN113449712B (zh
Inventor
谭焓
田芳
周勇
姚娟
章程
姚雅鹃
姚州
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.)
Wuhan Fangxin Technology Co ltd
Original Assignee
Wuhan Fangxin Technology Co ltd
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 Wuhan Fangxin Technology Co ltd filed Critical Wuhan Fangxin Technology Co ltd
Priority to CN202111019519.0A priority Critical patent/CN113449712B/zh
Publication of CN113449712A publication Critical patent/CN113449712A/zh
Application granted granted Critical
Publication of CN113449712B publication Critical patent/CN113449712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进Alexnet网络的羊脸识别方法，包括以下步骤：S1，采集自然场景下n只羊的羊脸视频数据，并将采集到的羊脸视频数据转换为羊脸图片数据；S2，对所述羊脸图片数据进行筛选，得到羊脸数据集；将所述羊脸数据集划分为训练集和测试集，所述训练集和测试集中均划分有正脸数据集、侧脸数据集和羊个体数据集；S3，将所述训练集输入到改进后的Alexnet网络中进行训练，得到训练后的网络模型；S4，将所述测试集输入到训练后的网络模型中，得到羊脸分类结果；S5，验证模型鲁棒性，采集所述n只羊m天之后的羊脸图片数据作为验证集，将所述验证集输入到训练后的网络模型中，得到验证集羊脸识别的准确率。

Description

一种基于改进Alexnet网络的羊脸识别方法
技术领域
本发明属于畜牧业图像处理技术领域，具体涉及一种基于改进Alexnet网络的羊脸识别方法。
背景技术
根据中国羊产业研究报告显示，近十年来，中国的羊肉产量呈稳步上升趋势，2019年羊肉产量高达488万吨。同时，近十年来，中国的羊肉消费量呈大体上升趋势，2019年羊肉消费量高达527万吨。在未来十年内，羊肉的需求量会逐步上升，养羊业的前景良好，可以带来良好的经济效益。
随着现代化技术的进步，养羊业正由小规模、散养型向集约化、规模化方向发展，且目前正处于初始阶段。羊个体的精准识别是智能化养殖的前提，在羊个体成长记录、育种管理、健康状况、行为分析等方面起着很重要的作用。在目前，对于羊疾病的判断，主要通过饲养员的巡回检查来判断，存在主观意识且不能及时发现，同时增加了人畜接触的机会。
对于羊个体的识别方式经历了：以剪耳、烙印等为代表的传统识别方式，到目前的管理耳标、电子耳标的成熟阶段。传统的识别方式具有较低的准确性、唯一性和实用性，较高的数据要求，且不符合动物的福利化。规模化羊场以耳标管理为主，在佩戴耳标时容易造成羊的应激反应，在运动过程中容易造成脱落。综上，接触性识别羊个体容易造成应激反应，且不利于羊的福利化，因此，急需易于操作、时效性强、高效、准确、非接触式的识别羊的个体，而羊脸面部拥有丰富的特征，可以满足个体非接触式识别的需求，是未来智慧羊场识别羊个体的需求。
羊脸识别是通过面部图像处理技术实现对羊个体的识别。随着人工智能的快速发展，已经由传统的人工提取特征算子到深度学习阶段，而现有的羊脸识别方法主要有：基于混合贝叶斯方法与深度学习的羊脸识别（参见Aya Salama et al.《Sheep IdentificationUsing a Hybrid Deep Learning and Bayesian Optimization Approach》《IEEE Access》DOI: 10.1109/ACCESS.2019.2902724），仅实现五种姿态的羊脸；魏斌以embeddings与VGG16相结合，实现对17只羊共824张正脸图片的识别，识别准确率为91%（参见魏斌 《基于深度学习的羊脸检测与识别》西北农林科技大学硕士论文）。因此，目前羊脸识别正面临的挑战：第一，获取不同姿态的羊脸数据集；第二，没有较大的数据集；第三，研究领域仅实现相同时间采集的羊脸数据进行实验，未跟踪100天后的同一只羊的羊脸识别。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种基于改进Alexnet网络的羊脸识别方法。
为实现上述目的，本发明采用的技术方案是：
一种基于改进Alexnet网络的羊脸识别方法，包括以下步骤：
S1，采集自然场景下n只羊的羊脸视频数据，并将采集到的羊脸视频数据转换为羊脸图片数据；
S2，对所述羊脸图片数据进行筛选，得到羊脸数据集；将所述羊脸数据集划分为训练集和测试集，所述训练集和测试集中均划分有正脸数据集、侧脸数据集和羊个体数据集；
S3，将所述训练集输入到改进后的Alexnet网络中进行训练，得到训练后的网络模型；
S4，将所述测试集输入到训练后的网络模型中，得到羊脸分类结果；
S5，验证模型鲁棒性，采集所述n只羊m天之后的羊脸图片数据作为验证集，将所述验证集输入到训练后的网络模型中，得到验证集羊脸识别的准确率。
具体地，步骤S1包括以下步骤：
S101，本发明考虑羊生长的环境、羊脸的面部姿态变化以及不同距离获取羊脸数据，基于不同的采集距离（分别距离羊脸1m、1.5m、2m采集），连续采集羊的一边侧脸到正脸、再到另一边侧脸的羊脸视频数据；
S102，通过MATLAB平台将采集的羊脸视频数据转换为JPG格式的羊脸图片数据。
进一步地，步骤S2包括以下步骤：
S201，本发明为防止构建的羊脸数据集相似度过高，筛选羊脸数据集时，将步骤S102中得到的羊脸图片每隔4帧选取一张；
S202，本发明为进一步确认相邻两张图片的不相似性，通过计算两张图片的SSIM来判断图片之间的相似性，剔除相似性较大的图片；
S203，采用随机剪裁、翻转、旋转、高斯加噪等方式，对采集到的数据集进行均衡化处理以及数据增强；
S204，将增强后的数据集划分为正脸数据集、侧脸数据集和羊个体数据集，并分别从这三个数据集中抽取4/5的图片数据组成训练集，将这三个数据集中剩余的1/5的图片数据组成测试集；训练集与测试集的数据比例为4：1。
具体地，步骤S3中，所述改进后的Alexnet网络的实现包括以下步骤：
S301，在原始Alexnet网络的基础上扩大感受野的尺寸，Alexnet的原始网络模型由五个卷积层、三个池化层、三个全连接层构建而成的浅层深度学习模型。此外为防止过拟合，还用到局部归一化处理（LRN），Relu非线性激活函数、Dropout随机删除部分神经元等特点。将原始Alexnet网络的第一卷积层的卷积核由11*11改为1*1、3*3、5*5、7*7进行多尺度特征提取，进而改善网络底层对不同粒度特征的改善；原网络第一卷积层仅采用11*11的卷积核，该方法适合于识别大物体，在远距离采集的物体进行识别效果较差，同时，单一的卷积核无法满足不同尺度特征的提取。
S302，取消原始Alexnet网络中的局部归一化处理（LRN）；LRN通过借鉴生物学中的侧抑制原理，其激活神经元对周围神经元的信息进行抑制，进而促成竞争机制。进而实现对输入区域进行局部归一化处理，可以增强模型的泛化能力。
S303，将SEnet注意力机制模块引入原始Alexnet网络来增强特征提取；FC层为全连接层，将图像各通道的特征映射为一维。该方法无法将其关键特征凸显出来，次要特征弱化。不能实现特征增强的效果。而通道注意力机制正好可以解决这一缺点，可以将各个通道上的关键特征更显化，非重点特征弱化。又由于全连接层在整个模型中所起的作用并不大，且增加了模型参数，因此减少一层全连接层，用SEnet注意力机制模块替换，在不增加过大计算量的同时，保证模型的准确率提高。在模型训练过程中，会得到多个通道的图像特征，而每个通道的权值特征各不相同，为了增强通道的注意力模块，因此，本发明采用SEnet注意力机制模块来增强特征提取。
S304，用mish激活函数取代原始Alexnet网络中的Relu激活函数。在原始Alexnet网络中，每个卷积层后均使用Relu激活函数，加快模型的收敛速度。
由于Relu函数在负值时，梯度下降不够平滑。而mish激活函数，可以保证当x在一定负值阶段，可以有比较小的负梯度流入，保证信息的流动；并且mish函数保证了每一点的梯度下降平滑，因此梯度下降效果要好于Relu；故将mish函数替换Relu函数。
进一步地，步骤S303中，所述SEnet注意力机制模块包括挤压函数、激励函数和尺度函数。
具体地，步骤S5中，采集100天后的羊脸图片数据作为验证集，将所述验证集输入到训练后的网络模型中，通过分类器softmax函数得到验证集羊脸识别的准确率。
与现有技术相比，本发明的有益效果是：（1）本发明通过在原始Alexnet网络的基础上，扩大了感受野的尺寸，取消了局部相应归一化，将FC1层替换为SEnet注意力机制模块，将Relu激活函数替换为mish函数，进而实现改进的Alexnet网络模型，并将其用于羊脸识别，进而极大提高了羊脸识别的效率和准确率；（2）本发明的识别方法具有易于操作、时效性强、无害处理等优点，能够高效、准确、非接触式地识别羊的个体；可以减少饲养员与羊的接触，降低人畜共病传播的机率；在羊的生长管理、溯源、羊产业保险等方面具有重要意义，益于羊的福利化养殖。
附图说明
图1为本发明一种基于改进Alexnet网络的羊脸识别方法的流程示意框图。
图2为本发明实施例中改进后Alexnet网络的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本实施例提供了一种基于改进Alexnet网络的羊脸识别方法，包括以下步骤：
S1，采集自然场景下n只羊的羊脸视频数据，并将采集到的羊脸视频数据转换为羊脸图片数据；
S2，对所述羊脸图片数据进行筛选，得到羊脸数据集；将所述羊脸数据集划分为训练集和测试集，所述训练集和测试集中均划分有正脸数据集、侧脸数据集和羊个体数据集；
S3，将所述训练集输入到改进后的Alexnet网络中进行训练，得到训练后的网络模型；
S4，将所述测试集输入到训练后的网络模型中，得到羊脸分类结果；
S5，验证模型鲁棒性，采集所述n只羊100天之后的羊脸图片数据作为验证集，将所述验证集输入到训练后的网络模型中，得到验证集羊脸识别的准确率。
具体地，步骤S1包括以下步骤：
S101，本发明考虑羊生长的环境、羊脸的面部姿态变化以及不同距离获取羊脸数据，基于不同的采集距离（分别距离羊脸1m、1.5m、2m采集），连续采集羊的一边侧脸到正脸、再到另一边侧脸的羊脸视频数据（选择羊静止状态时，移动摄像头从羊的一边侧脸到另一边侧脸缓慢进行水平180°的移动）；
S102，通过MATLAB平台将采集的羊脸视频数据转换为JPG格式的羊脸图片数据。
进一步地，步骤S2包括以下步骤：
S201，本发明为防止构建的羊脸数据集相似度过高，筛选羊脸数据集时，将步骤S102中得到的羊脸图片每隔4帧选取一张；
S202，本发明为进一步确认相邻两张图片的不相似性，以图片a和图片b为例，通过计算两张图片的SSIM来判断图片之间的相似性，剔除相似性较大的图片；
SSIM的计算指标公式为：
Figure 19219DEST_PATH_IMAGE001
其中，
Figure 492051DEST_PATH_IMAGE002
为图片a的均值像素，
Figure 296059DEST_PATH_IMAGE003
为图片b的均值像素；
Figure 352877DEST_PATH_IMAGE004
为图片a的方差，
Figure 166112DEST_PATH_IMAGE005
为图片b的方差，
Figure 257565DEST_PATH_IMAGE006
为图片a、b的协方差；
Figure 763633DEST_PATH_IMAGE007
为图a像素强度的平均值，
Figure 307746DEST_PATH_IMAGE008
为图b像素强度的平均值；
SSIM的取值范围为[-1,1]，当SSIM取值为-1时，表示两张图片的相似度为0；当SSIM取值为1时，表示两张图片完全相同；
设定SSIM的阈值为0.8，当SSIM的值大于0.8时，表示两张图片相似，只保留其中一张图片在数据集中；当SSIM的值小于或等于0.8时，表示两张图片不相同，保留两张图片在数据集中；
S203，采用随机剪裁、翻转、旋转、高斯加噪等方式，对采集到的数据集进行均衡化处理以及数据增强；
S204，将增强后的数据集划分为正脸数据集、侧脸数据集和羊个体数据集，并分别从这三个数据集中抽取4/5的图片数据组成训练集，将这三个数据集中剩余的1/5的图片数据组成测试集；训练集与测试集的数据比例为4：1。
具体地，步骤S3中，所述改进后的Alexnet网络的实现包括以下步骤：
S301，在原始Alexnet网络的基础上扩大感受野的尺寸，Alexnet的原始网络模型由五个卷积层、三个池化层、三个全连接层构建而成的浅层深度学习模型。此外为防止过拟合，还用到局部归一化处理（LRN），Relu非线性激活函数、Dropout随机删除部分神经元等特点。将原始Alexnet网络的第一卷积层的卷积核由11*11改为1*1、3*3、5*5、7*7进行多尺度特征提取，进而改善网络底层对不同粒度特征的改善；原网络第一卷积层仅采用11*11的卷积核，该方法适合于识别大物体，在远距离采集的物体进行识别效果较差，同时，单一的卷积核无法满足不同尺度特征的提取。
S302，取消原始Alexnet网络中的局部归一化处理（LRN）；LRN通过借鉴生物学中的侧抑制原理，其激活神经元对周围神经元的信息进行抑制，进而促成竞争机制。进而实现对输入区域进行局部归一化处理，可以增强模型的泛化能力。LRN实现的原理如下公式：
Figure 924673DEST_PATH_IMAGE009
其中，
Figure 745998DEST_PATH_IMAGE010
表示第a个卷积核在
Figure 780557DEST_PATH_IMAGE011
位置的输出，
Figure 952912DEST_PATH_IMAGE012
表示输出，N表示卷积核的数量，b表示平方累加索引，
Figure 967005DEST_PATH_IMAGE013
表示常量。由上面原理公式可知，在训练过程中不存在参数的学习，因此我们取消LRN。
S303，将SEnet注意力机制模块引入原始Alexnet网络来增强特征提取；FC层为全连接层，将图像各通道的特征映射为一维。该方法无法将其关键特征凸显出来，次要特征弱化。不能实现特征增强的效果。而通道注意力机制正好可以解决这一缺点，可以将各个通道上的关键特征更显化，非重点特征弱化。又由于全连接层在整个模型中所起的作用并不大，且增加了模型参数，因此减少一层全连接层，用SEnet注意力机制模块替换，在不增加过大计算量的同时，保证模型的准确率提高。在模型训练过程中，会得到多个通道的图像特征，而每个通道的权值特征各不相同，为了增强通道的注意力模块，因此，本发明采用SEnet注意力机制模块来增强特征提取。
S304，用mish激活函数取代原始Alexnet网络中的Relu激活函数。在原始Alexnet网络中，每个卷积层后均使用Relu激活函数，加快模型的收敛速度。Relu的实现过程如下公式所示：
Figure 908416DEST_PATH_IMAGE014
由于Relu函数在负值时，梯度下降不够平滑。而mish激活函数，可以保证当x在一定负值阶段，可以有比较小的负梯度流入，保证信息的流动；并且mish函数保证了每一点的梯度下降平滑，因此梯度下降效果要好于Relu；故将mish函数替换Relu函数，Mish函数的实现如下公式所示：
Figure 756286DEST_PATH_IMAGE015
进一步地，步骤S303中，所述SEnet注意力机制模块包括挤压函数、激励函数和尺度函数；
所述挤压函数，即全局平均池化的计算公式为：
Figure 274992DEST_PATH_IMAGE016
其中，
Figure 968142DEST_PATH_IMAGE017
为输入的特征图的每个像素的特征，i=1,2,…,H，j=1,2,…,W，H、W分别为特征图的高和宽，
Figure 888693DEST_PATH_IMAGE018
为所有的特征值的平均值，即经过全局平均池化后的特征；所述挤压函数使每个通道的特征转化为一维的数据；
所述激励函数通过两次全连接层获得，第一次全连接层通过Relu非线性激活，第二次全连接层通过sigmoid函数进行特征显示化，实现方法为：
Figure 641885DEST_PATH_IMAGE019
其中，W 1、W 2分别为两次全连接层的权重，
Figure 149352DEST_PATH_IMAGE020
表示Relu激活函数，
Figure 911772DEST_PATH_IMAGE021
表示sigmoid激活函数；v为全局平均池化后的特征；z为激励函数的输出，得到一个一维激励权重；所述激励函数通过学习两个权重参数来实现不同通道间的相关性，并通过sigmoid函数来输出权重向量；
所述尺度函数的实现方法为：
Figure 562196DEST_PATH_IMAGE022
其中，
Figure 610924DEST_PATH_IMAGE023
为输入的通道的特征，
Figure 979588DEST_PATH_IMAGE024
为该通道的一维激励权重；
Figure 139174DEST_PATH_IMAGE025
为尺度函数的输出。
具体地，步骤S5中，将所述验证集输入到训练后的网络模型中，通过分类器softmax函数得到验证集羊脸识别的准确率。
本实施例中，如图2所示，改进后的模型：输入羊脸的图像大小为224*224*3（表示224*224个像素的GRB三通道图片），在第一卷积层分别采用卷积核大小为：1*1、3*3、5*5、7*7，卷积核数量分别为16，16，16，16，将输出的四个卷积特征图进行连接，得到一个特征图为：55*55*96。将第一卷积层的输出特征图作为第一池化层的输入，卷积核大小为：3*3，输出的特征层为：27*27*96。将第一池化层的输出特征图进入到第二卷积层，卷积核大小为：5*5，卷积核数量为128，输出特征图为27*27*128。将第二卷积层输出的特征图进入到第二池化层，卷积核大小为3*3，输出的特征图为13*13*128。第二池化层输出的特征图进入第三卷积层，卷积核大小为3*3，卷积核数量为192，输出特征图为13*13*192。第三卷积层输出的特征图进入第四卷积层，卷积核大小为3*3，卷积核数量为384，输出特征图为13*13*384。第四卷积层输出的特征图进入第五卷积层，卷积核大小为3*3，卷积核数量为256，输出特征图为13*13*256。第五卷积层输出的特征图进入第三池化层，卷积核大小为3*3输出特征图为6*6*256。第三池化层输出的特征图进入SEnet注意力机制模块，将重要特征更加明显，忽略次要特征，其输出特征图为6*6*256。SEnet输出的特征图流入第一层全连接层FC1，之后第一层全连接层FC1的输出流入第二层全连接层FC2，在第二层全连接层FC2层通过softmax函数对每一只羊进行区分。
同时，在第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一层全连接层FC1之后，都运用Mish激活函数对提取的特征结果进行非线性化激活，第一层全连接层FC1层运用dropout随机删除部分神经元，防止过拟合。
实验平台：实验硬件环境为Intel Xeon Silver 4116 CPU，主频为2.1GHz，内存为64GB，GPU为NVIDIA Corporation GP102；软件平台为Ubuntu18.0.4系统，CUDA10.1和python3.6，采用pytorch1.7.0框架实现。实验初始参数：初始学习率为0.001，采用SGD优化更新参数，网络模型的权重参数、偏置参数处置采用Xavier初始化，训练的批次样本数为32，训练的更新迭代次数为1000。
本实施例构建了羊脸采集数据集；在原始Alexnet网络基础上，进行了感受野尺寸的增加，取消了局部响应归一化，将FC1层替换为注意力机制SEnet模块，将Relu激活函数替换为mish函数，进而实现改进的Alexnet网络模型；并将其模型应用于羊脸识别；通过测试识别准确率为98%左右，100天后跟踪采集的羊脸验证集识别准确率为96%左右，进而证明改进的Alexnet网络模型可以快速、精准识别羊个体。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于改进Alexnet网络的羊脸识别方法，其特征在于，包括以下步骤：
S1，采集自然场景下n只羊的羊脸视频数据，并将采集到的羊脸视频数据转换为羊脸图片数据；
S2，对所述羊脸图片数据进行筛选，得到羊脸数据集；将所述羊脸数据集划分为训练集和测试集，所述训练集和测试集中均划分有正脸数据集、侧脸数据集和羊个体数据集；
S3，将所述训练集输入到改进后的Alexnet网络中进行训练，得到训练后的网络模型；
S4，将所述测试集输入到训练后的网络模型中，得到羊脸分类结果；
S5，验证模型鲁棒性，采集所述n只羊m天之后的羊脸图片数据作为验证集，将所述验证集输入到训练后的网络模型中，得到验证集羊脸识别的准确率。
2.根据权利要求1所述的一种基于改进Alexnet网络的羊脸识别方法，其特征在于，步骤S1包括以下步骤：
S101，基于不同的采集距离，连续采集羊的一边侧脸到正脸、再到另一边侧脸的羊脸视频数据；
S102，通过MATLAB平台将采集的羊脸视频数据转换为JPG格式的羊脸图片数据。
3.根据权利要求2所述的一种基于改进Alexnet网络的羊脸识别方法，其特征在于，步骤S2包括以下步骤：
S201，将步骤S102中得到的羊脸图片每隔4帧选取一张；
S202，通过计算两张图片的SSIM来判断图片之间的相似性，剔除相似性较大的图片；
S203，采用随机剪裁、翻转、旋转、高斯加噪中的一种或多种方式，对采集到的数据集进行均衡化处理以及数据增强；
S204，将增强后的数据集划分为正脸数据集、侧脸数据集和羊个体数据集，并分别从这三个数据集中抽取4/5的图片数据组成训练集，将这三个数据集中剩余的1/5的图片数据组成测试集。
4.根据权利要求1所述的一种基于改进Alexnet网络的羊脸识别方法，其特征在于，步骤S3中，所述改进后的Alexnet网络的实现包括以下步骤：
S301，在原始Alexnet网络的基础上扩大感受野的尺寸，将原始Alexnet网络的第一卷积层的卷积核由11*11改为1*1、3*3、5*5、7*7进行多尺度特征提取；
S302，取消原始Alexnet网络中的局部归一化处理；
S303，将SEnet注意力机制模块引入原始Alexnet网络来增强特征提取；
S304，用mish激活函数取代原始Alexnet网络中的Relu激活函数。
5.根据权利要求4所述的一种基于改进Alexnet网络的羊脸识别方法，其特征在于，步骤S303中，所述SEnet注意力机制模块包括挤压函数、激励函数和尺度函数。
6.根据权利要求1所述的一种基于改进Alexnet网络的羊脸识别方法，其特征在于，步骤S5中，采集100天后的羊脸图片数据作为验证集，将所述验证集输入到训练后的网络模型中，通过分类器softmax函数得到验证集羊脸识别的准确率。
CN202111019519.0A 2021-09-01 2021-09-01 一种基于改进Alexnet网络的羊脸识别方法 Active CN113449712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111019519.0A CN113449712B (zh) 2021-09-01 2021-09-01 一种基于改进Alexnet网络的羊脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111019519.0A CN113449712B (zh) 2021-09-01 2021-09-01 一种基于改进Alexnet网络的羊脸识别方法

Publications (2)

Publication Number Publication Date
CN113449712A true CN113449712A (zh) 2021-09-28
CN113449712B CN113449712B (zh) 2021-12-07

Family

ID=77819263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111019519.0A Active CN113449712B (zh) 2021-09-01 2021-09-01 一种基于改进Alexnet网络的羊脸识别方法

Country Status (1)

Country Link
CN (1) CN113449712B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821658A (zh) * 2022-05-11 2022-07-29 平安科技（深圳）有限公司 牛脸识别方法、运行控制装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080075361A1 (en) * 2006-09-21 2008-03-27 Microsoft Corporation Object Recognition Using Textons and Shape Filters
CN110334765A (zh) * 2019-07-05 2019-10-15 西安电子科技大学 基于注意力机制多尺度深度学习的遥感影像分类方法
CN111967413A (zh) * 2020-08-21 2020-11-20 广州市微智联科技有限公司 一种猪脸识别方法
CN112381787A (zh) * 2020-11-12 2021-02-19 福州大学 一种基于迁移学习的钢板表面缺陷的分类方法
CN112949406A (zh) * 2021-02-02 2021-06-11 西北农林科技大学 一种基于深度学习算法的羊只个体身份识别方法
CN113158963A (zh) * 2021-05-06 2021-07-23 英特灵达信息技术(深圳)有限公司 一种高空抛物的检测方法及装置
CN113158862A (zh) * 2021-04-13 2021-07-23 哈尔滨工业大学（深圳） 一种基于多任务的轻量级实时人脸检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080075361A1 (en) * 2006-09-21 2008-03-27 Microsoft Corporation Object Recognition Using Textons and Shape Filters
CN110334765A (zh) * 2019-07-05 2019-10-15 西安电子科技大学 基于注意力机制多尺度深度学习的遥感影像分类方法
CN111967413A (zh) * 2020-08-21 2020-11-20 广州市微智联科技有限公司 一种猪脸识别方法
CN112381787A (zh) * 2020-11-12 2021-02-19 福州大学 一种基于迁移学习的钢板表面缺陷的分类方法
CN112949406A (zh) * 2021-02-02 2021-06-11 西北农林科技大学 一种基于深度学习算法的羊只个体身份识别方法
CN113158862A (zh) * 2021-04-13 2021-07-23 哈尔滨工业大学（深圳） 一种基于多任务的轻量级实时人脸检测方法
CN113158963A (zh) * 2021-05-06 2021-07-23 英特灵达信息技术(深圳)有限公司 一种高空抛物的检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘爽: "基于深度学习的西门塔尔肉牛面部识别的研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
张建龙 等: "育肥猪生长过程中脸部变化对识别模型准确率的影响", 《中国农业大学学报》 *
赵远东 等: "人脸识别中AlexNet 网络设计和改进方法研究", 《通信技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821658A (zh) * 2022-05-11 2022-07-29 平安科技（深圳）有限公司 牛脸识别方法、运行控制装置、电子设备及存储介质
CN114821658B (zh) * 2022-05-11 2024-05-14 平安科技（深圳）有限公司 牛脸识别方法、运行控制装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113449712B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN107292298B (zh) 基于卷积神经网络和分类器模型的牛脸识别方法
CN106778902B (zh) 基于深度卷积神经网络的奶牛个体识别方法
Zhang et al. Real-time sow behavior detection based on deep learning
Li et al. Apple leaf disease identification and classification using resnet models
CN110111340A (zh) 基于多路割的弱监督实例分割方法
CN107527351A (zh) 一种融合fcn和阈值分割的哺乳母猪图像分割方法
Xu et al. Maize diseases identification method based on multi-scale convolutional global pooling neural network
CN104616316B (zh) 基于阈值矩阵和特征融合视觉单词的人物行为识别方法
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN105740773A (zh) 基于深度学习和多尺度信息的行为识别方法
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN111696101A (zh) 一种基于SE-Inception的轻量级茄科病害识别方法
Huang et al. DeepDiff: Learning deep difference features on human body parts for person re-identification
CN104636755A (zh) 一种基于深度学习的人脸美丽评价方法
US20210383149A1 (en) Method for identifying individuals of oplegnathus punctatus based on convolutional neural network
Wang et al. Cattle face recognition method based on parameter transfer and deep learning
Villaruz Deep convolutional neural network feature extraction for berry trees classification
CN112862849A (zh) 一种基于图像分割和全卷积神经网络的田间稻穗计数方法
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN112861718A (zh) 一种轻量级特征融合人群计数方法及系统
CN113822185A (zh) 一种群养生猪日常行为检测方法
Yu et al. A recognition method of soybean leaf diseases based on an improved deep learning model
CN113449712B (zh) 一种基于改进Alexnet网络的羊脸识别方法
CN117611885A (zh) 一种基于Canny边缘检测的候鸟生态调控方法
CN112883915A (zh) 一种基于迁移学习的麦穗自动识别方法和系统

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
GR01 Patent grant
GR01 Patent grant