CN113780207A - 一种羊脸识别的系统及方法 - Google Patents
一种羊脸识别的系统及方法 Download PDFInfo
- Publication number
- CN113780207A CN113780207A CN202111085426.8A CN202111085426A CN113780207A CN 113780207 A CN113780207 A CN 113780207A CN 202111085426 A CN202111085426 A CN 202111085426A CN 113780207 A CN113780207 A CN 113780207A
- Authority
- CN
- China
- Prior art keywords
- goat
- face
- image
- images
- 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.)
- Pending
Links
- 241000283707 Capra Species 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims description 25
- 238000009432 framing Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000004148 unit process Methods 0.000 claims description 2
- 238000005406 washing Methods 0.000 claims 1
- 241001494479 Pecora Species 0.000 abstract description 40
- 238000005516 engineering process Methods 0.000 abstract description 15
- 210000000887 face Anatomy 0.000 description 10
- 241001465754 Metazoa Species 0.000 description 7
- 108020004414 DNA Proteins 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 108091028043 Nucleic acid sequence Proteins 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 210000000720 eyelash Anatomy 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种羊脸识别的系统及方法,数据处理模块将拍摄的羊脸视频转换为羊脸图像,并对羊脸图像进行编号,以及将编号后的羊脸图像进行预处理得到羊脸标注图像;同一只羊的羊脸的编号相同;数据集训练模块将羊脸标注图像分为训练集和测试集,以训练集中的羊脸标注图像为输入,以羊脸标注图像的编号为输出对神经网络模型进行训练;预测模块将目标图像输入训练好的神经网络模型,得到目标图像对应的编号;目标图像为预处理后的待识别羊脸图像。本发明基于羊面部特征信息的识别技术对羊个体进行非接触式识别,通过对羊面部进行图像采集实现了对羊只身份进行识别,从而达到了方便经济对羊进行识别的目的。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种羊脸识别的系统及方法。
背景技术
近年来,中国的畜牧业发展成持续上升趋势,养羊业作为我国畜牧业发展的重要组成部分,在农业经济中占有非常重要地位。但与养羊业发达的国家相比,仍存在品种退化、饲养水平和产品质量不高、繁殖育种体系和社会服务体系不完善、基础设施建设落后和经济效益不高等问题,这在一定程度上制约了我国养羊业的发展。通过将现代智能技术与养羊业相结合,能够更高效率、更高收益地实现养羊业的发展。羊的具体信息的获取与处理对于现代科学的养羊业中尤为重要。
目前国内大多数牧场为羊佩戴耳标以识别羊,进而获取羊的具体信息,耳标是由金属或者塑料部件制成,并且上面标有条形码、数字或颜色,甚至可以携带用于电子识别系统的无线芯片。但耳标容易损坏、重复、丢失、不可读。
相较于给羊佩戴耳标的方法,生物识别技术对动物造成的伤害几乎为零,首先是DNA指纹技术,是根据特定的DNA序列或DNA分子标记而开发的,这些DNA序列或DNA分子标记具有动物个体或品种的先天特征,无论形态如何都能提供准确、灵敏的信息,且具有独特且不可修改的特征和不易丢失的优势,然而DNA指纹识别是一个多步骤的过程且成本较高,限制了其进一步广泛应用。其次是虹膜识别技术,虹膜识别系统是一种准确的生物识别系统,适用于动物识别。通过拍摄动物的虹膜来进行身份的确认,是一项基于生物特征的身份认证技术,但在捕捉动物的虹膜时,很容易造成图像模糊或虹膜被眼睑或睫毛遮挡,采集过程困难,且此技术需要精密的虹膜采集仪器,成本较高,因此需要一种经济、方便的羊识别方法。
发明内容
本发明的目的是提供一种羊脸识别的系统及方法,能够方便、经济地对羊进行识别。
为实现上述目的,本发明提供了如下方案:
一种羊脸识别的系统,包括:数据处理模块、数据集训练模块和预测模块;
所述数据处理模块,用于将拍摄的羊脸视频转换为羊脸图像,并对所述羊脸图像进行编号,以及将编号后的羊脸图像进行预处理得到羊脸标注图像;同一只羊的羊脸的所述编号相同;
所述数据集训练模块,用于将所述羊脸标注图像分为训练集和测试集,以所述训练集中的羊脸标注图像为输入,以所述羊脸标注图像的编号为输出对神经网络模型进行训练,以及采用所述测试集对所述神经网络模型进行测试;
所述预测模块,用于将目标图像输入训练好的神经网络模型,得到所述目标图像对应的编号;所述目标图像为预处理后的待识别羊脸图像。
可选的,所述数据处理模块包括视频分帧单元;所述视频分帧单元用于将拍摄的羊脸视频转换为羊脸图像。
可选的,所述数据处理模块还包括数据清洗单元;所述数据清洗用于删除所述羊脸图像中不符合要求的羊脸图像;所述不符合要求的羊脸图像包括不含羊脸、羊脸模糊、羊脸不完整、羊脸重复的图像。
可选的,所述数据处理模块还包括所述数据增强单元;
所述数据增强单元判断初始样本图像中相同编号的样本图像的数量是否小于设定样本数量;所述羊脸图像经所述数据清洗后得到初始样本图像;
若否,则所述初始样本图像为最终样本图像;
若是,则所述数据增强单元对所述相同编号的样本图像进行处理得到增强样本图像;所述增强样本图像的数量与所述相同编号的样本图像的数量相加等于所述设定样本数量;将所述增强样本图像与所述相同编号的样本图像合并得到最终样本图像。
一种羊脸识别的方法,包括:
获取所述羊脸视频;
将所述羊脸视频进行分帧得到所述羊脸图像;
对所述初始样本图像中的羊脸图像进行编号;同一只羊的羊脸的所述编号相同;
判断所述初始样本图像中相同编号的样本图像的数量是否小于设定样本数量;
若否,所述初始样本图像为最终样本图像;
若是,基于所述相同编号的样本图像得到增强样本图像;所述增强样本图像的数量与所述相同编号的样本图像的数量相加等于所述设定样本数量;将所述增强样本图像与所述相同编号的样本图像合并得到最终样本图像;
将所述最终样本图像中的羊脸框出,得到羊脸标注图像;
将所述羊脸标注图像分为训练集和测试集,以所述训练集中的羊脸标注图像为输入,以所述羊脸标注图像的编号为输出对神经网络模型进行训练,以及采用所述测试集对所述神经网络模型进行测试;
框出待识别羊脸图像中的羊脸,得到待识别羊脸标注图像;
将所述待识别羊脸标注图像输入训练好的神经网络模型,得到所述待识别羊脸标注图像对应的编号。
可选的,所述将所述最终样本图像中的羊脸进行标注得到羊脸标注图像,具体包括:
采用标注软件labelImg对所述羊脸编号图像中的羊脸进行标注。
可选的,所述基于所述相同编号的样本图像得到增强样本图像,具体包括:
通过对所述相同编号的样本图像进行翻转、放大、缩小操作得到所述增强样本图像。
可选的,所述神经网络模型为基于YOLOv4-tiny网络的模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种羊脸识别的系统及方法,羊脸识别的系统包括数据处理模块、数据集训练模块和预测模块;数据处理模块将拍摄的羊脸视频转换为羊脸图像并对羊脸图像进行预处理,以及将预处理后的羊脸图像进行编号;同一只羊的羊脸的编号相同;数据集训练模块将羊脸标注图像分为训练集和测试集;以训练集中的羊脸标注图像为输入,以羊脸标注图像的编号为输出对神经网络模型进行训练;数据集训练模块采用测试集对神经网络模型进行测试;预测模块将目标图像输入训练好的神经网络模型,得到目标图像对应的编号;目标图像为预处理后的待识别羊脸图像。本发明基于羊面部特征信息的识别技术对羊个体进行非接触式识别,相对于现有技术中的虹膜识别技术,虹膜识别技术的采集设备是精密的虹膜采集仪器,成本较高,而且虹膜识别技术还要受到眼睑或睫毛遮挡,使得羊只的虹膜采集过程困难,本发明通过将拍摄的羊脸视频转换为羊脸图像得到了羊面部的图像,通过对羊面部进行图像采集实现对羊只身份进行识别,拍摄羊脸视频设备成本低,羊脸采集简单方便,所以本发明实现了方便经济地对羊进行识别的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为羊脸识别的系统的模块图;
图2为羊脸识别的方法的流程图。
符号说明:
数据处理模块—1,视频分帧单元—2,数据清洗单元—3,数据增强单元—4,数据标注单元—5,数据集训练模块—6,预测模块—7,开发羊脸识别APP—8。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供本发明的目的是提供一种羊脸识别的系统及方法,能够方便经济的对羊进行识别。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本实施例提供的一种羊脸识别的系统,包括:数据处理模块1、数据集训练模块6和预测模块7。
数据处理模块1,用于将拍摄的羊脸视频转换为羊脸图像,并对羊脸图像进行编号,以及将编号后的羊脸图像进行预处理得到羊脸标注图像;同一只羊的羊脸的编号相同。
具体的,数据处理模块1包括视频分帧单元2;视频分帧单元2用于将拍摄的羊脸视频转换为羊脸图像。数据处理模块1还包括数据清洗单元3;数据清洗用于删除羊脸图像中不符合要求的羊脸图像;不符合要求的羊脸图像包括不含羊脸、羊脸模糊、羊脸不完整、羊脸重复的图像。数据处理模块 1还包括数据增强单元4;数据增强单元4判断初始样本图像中相同编号的样本图像的数量是否小于设定样本数量;羊脸图像经数据清洗后得到初始样本图像;若否,则初始样本图像为最终样本图像;若是,则数据增强单元4 对相同编号的样本图像进行处理得到增强样本图像;增强样本图像的数量与相同编号的样本图像的数量相加等于设定样本数量;将增强样本图像与相同编号的样本图像合并得到最终样本图像;数据处理模块1还包括数据标注单元5,数据标注单元5用来将最终样本图像中的羊脸框出得到羊脸标注图像。其中,数据清洗单元3的内容、数据增强单元4的内容以及数据标注单元5的内容均可作为预处理的内容。
进一步的,拍摄44只羊的羊脸视频。将拍摄的羊脸视频以10帧/张分帧得到羊脸图像;对44只羊进行编号,同一只羊的羊脸图像具有相同的编号。羊脸图像的格式为JPG格式。对获得的羊脸图像样本进行数据清洗即删除不含羊脸或模糊的照片得到初始样本图像。若同一只羊的羊脸图像样本数量未达到训练所需数量,则对已有的同一只羊的羊脸图像进行数据增强即通过翻转、放大、缩小图片等操作增加该只羊的羊脸图像样本数量,每只羊200张羊脸图像,44只羊共8800张,同一只羊的羊脸图像具有相同的编号。框出羊脸图像中的羊脸得到羊脸标注图像,具体为,使用标注软件labelImg对 8800张图像进行标注即从8800张图像中选出要检测的羊的羊脸图像并框出图像中的羊脸,保存为xml格式,包含图片名称,图片尺寸及通道数,图片中的类别及边界(左上右下四个点)。
数据集训练模块6,用于将羊脸标注图像分为训练集和测试集,以训练集中的羊脸标注图像为输入,以羊脸标注图像的编号为输出对神经网络模型进行训练,以及采用测试集对神经网络模型进行测试。
具体的,首先将标注好的全部图像数据即8800张图像数据按7:3分为训练集和测试集。数据集为8800张图像数据;数据集中包括三个文件包: Annotations为xml格式文件;JEPGimages为jpg格式,所有的图片(训练集和测试集,按编号命名);ImageSet为四个txt格式文件,四个txt格式文件分别为训练验证集,训练集,验证集和测试集;对数据集预处理,将三个文件解析成按迭代器能返回一系列(img,bbox,label)元组的形式,将训练集进行通道转换、像素规范化、图片和bbox的放缩、翻转(水平和垂直) 以及裁剪;神经网络模型为YOLOv4-tiny网络,让计算机充分学习数据中的特征。最后会生成相应的权值文件,其保存了训练好的网络各层的权值,是通过训练集训练出来的,训练好之后,应用时只要加载权值就可以,不再需要训练集。
将预测集输入YOLOv4-tiny网络得到预测集中羊脸特征图并将羊脸特征图上的羊脸特征全部被预测框框出,计算每个特征图和对应的anchors(参考框),计算每个预测框的中心点坐标、权值、是否有目标的概率、目标类别的概率四个值,进行预测框解码。将boxes(预测框)、conf(置信度参数)、prob(概率)分别reshape(reshape函数)为[batch_size,13x13x3,4]、 [batch_size,13x13x3,1]、[batch_size,13x13x3,class_num],并对三个特征图进行合并。针对每一类别,按score进行非极大值抑制,根据设定的score、 iou、maxboxes阈值进行筛选,最终得到每一类别的预测框。
计算每张图的预测框和标签框的IoU(Intersection over Union),IoU是预测框与真实框的交集和并集的比值,标签框为标准框,根据IoU是否大于 0.5来判断该检出框是属于TP(True Positives/被分为正样本并且分对了)还是属于FP(False Positives/被分为正样本但分错了)。根据每个预测框的置信度阈值进行从高到低排序,在不同置信度阈值下获得Precision(精度)和 Recall(召回率),根据PR值绘制PR曲线。每个预测框的置信度阈值为预测框框出的羊脸特征对区别该羊脸的可信度,每个PR曲线“峰值点”往左画一条线段直到与上一个峰值点的垂直线相交。这样画出来的线段与坐标轴围起来的面积就是AP值(Average Precision)。AP衡量的是对一个类检测好坏,mAP(mean Average Precision)则是对多个类检测好坏,把所有类的 AP值取平均得到mAP。根据mAP的值和各类的AP值来调整训练集数据。
预测模块7,用于将目标图像输入训练好的神经网络模型,得到目标图像对应的编号;目标图像为预处理后的待识别羊脸图像。
具体的,根据mAP的值和各类的AP值来调整训练集数据,开发羊脸识别APP8,对羊只进行精准的个体识别。
如图2所示本实施例提供的一种羊脸识别的方法,包括:
步骤101:获取羊脸视频。
步骤102:将羊脸视频进行分帧得到羊脸图像。
步骤103:对初始样本图像中的羊脸图像进行编号;同一只羊的羊脸的编号相同。
步骤104:判断初始样本图像中相同编号的样本图像的数量是否小于设定样本数量。
步骤105:若否,初始样本图像为最终样本图像。
步骤106:若是,基于相同编号的样本图像得到增强样本图像;增强样本图像的数量与相同编号的样本图像的数量相加等于设定样本数量;将增强样本图像与相同编号的样本图像合并得到最终样本图像。基于所述相同编号的样本图像得到增强样本图像,具体包括:通过对所述相同编号的样本图像进行翻转、放大、缩小操作得到所述增强样本图像。
步骤107:将最终样本图像中的羊脸框出,得到羊脸标注图像。具体包括:采用标注软件labelImg对所述羊脸编号图像中的羊脸进行标注。
步骤108:将羊脸标注图像分为训练集和测试集,以训练集中的羊脸标注图像为输入,以羊脸标注图像的编号为输出对神经网络模型进行训练,以及采用测试集对神经网络模型进行测试。具体的,神经网络模型为基于 YOLOv4-tiny网络的模型。
步骤109:框出待识别羊脸图像中的羊脸,得到待识别羊脸标注图像。
步骤110:将待识别羊脸标注图像输入训练好的神经网络模型,得到待识别羊脸标注图像对应的编号。
本发明基于羊面部特征信息的识别技术对羊个体进行非接触式识别,通过对羊面部进行图像采集实现了对羊只身份进行识别,从而达到了方便经济对羊进行识别的目的。不仅可以帮助养殖企业实现对个体牲畜的精准化智能管理,而且为食品安全追溯和商业保险理赔中的身份验证问题提供了一个安全、有效、便捷的解决方案。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种羊脸识别的系统,其特征在于,所述羊脸识别的系统包括:数据处理模块、数据集训练模块和预测模块;
所述数据处理模块,用于将拍摄的羊脸视频转换为羊脸图像,并对所述羊脸图像进行编号,以及将编号后的羊脸图像进行预处理得到羊脸标注图像;同一只羊的羊脸的所述编号相同;
所述数据集训练模块,用于将所述羊脸标注图像分为训练集和测试集,以所述训练集中的羊脸标注图像为输入,以所述羊脸标注图像的编号为输出对神经网络模型进行训练,以及采用所述测试集对所述神经网络模型进行测试;
所述预测模块,用于将目标图像输入训练好的神经网络模型,得到所述目标图像对应的编号;所述目标图像为预处理后的待识别羊脸图像。
2.根据权利要求1所述的羊脸识别的系统,其特征在于,所述数据处理模块包括视频分帧单元;所述视频分帧单元用于将拍摄的羊脸视频转换为羊脸图像。
3.根据权利要求2所述的羊脸识别的系统,其特征在于,所述数据处理模块还包括数据清洗单元;所述数据清洗单元用于删除所述羊脸图像中不符合要求的羊脸图像;所述不符合要求的羊脸图像包括不含羊脸、羊脸模糊、羊脸不完整、羊脸重复的图像。
4.根据权利要求3所述的羊脸识别的系统,其特征在于,所述数据处理模块还包括所述数据增强单元;
所述数据增强单元判断初始样本图像中相同编号的样本图像的数量是否小于设定样本数量;所述羊脸图像经所述数据清洗后得到初始样本图像;
若否,则所述初始样本图像为最终样本图像;
若是,则所述数据增强单元对所述相同编号的样本图像进行处理得到增强样本图像;所述增强样本图像的数量与所述相同编号的样本图像的数量相加等于所述设定样本数量;将所述增强样本图像与所述相同编号的样本图像合并得到最终样本图像。
5.一种羊脸识别的方法,其特征在于,所述羊脸识别的方法包括:
获取所述羊脸视频;
将所述羊脸视频进行分帧得到所述羊脸图像;
对所述初始样本图像中的羊脸图像进行编号;同一只羊的羊脸的所述编号相同;
判断所述初始样本图像中相同编号的样本图像的数量是否小于设定样本数量;
若否,所述初始样本图像为最终样本图像;
若是,基于所述相同编号的样本图像得到增强样本图像;所述增强样本图像的数量与所述相同编号的样本图像的数量相加等于所述设定样本数量;将所述增强样本图像与所述相同编号的样本图像合并得到最终样本图像;
将所述最终样本图像中的羊脸框出,得到羊脸标注图像;
将所述羊脸标注图像分为训练集和测试集,以所述训练集中的羊脸标注图像为输入,以所述羊脸标注图像的编号为输出对神经网络模型进行训练,以及采用所述测试集对所述神经网络模型进行测试;
框出待识别羊脸图像中的羊脸,得到待识别羊脸标注图像;
将所述待识别羊脸标注图像输入训练好的神经网络模型,得到所述待识别羊脸标注图像对应的编号。
6.根据权利要求5所述的羊脸识别的方法,其特征在于,所述将所述最终样本图像中的羊脸进行标注得到羊脸标注图像,具体包括:
采用标注软件labelImg对所述羊脸编号图像中的羊脸进行标注。
7.根据权利要求5所述的羊脸识别的方法,其特征在于,所述基于所述相同编号的样本图像得到增强样本图像,具体包括:
通过对所述相同编号的样本图像进行翻转、放大、缩小操作得到所述增强样本图像。
8.根据权利要求5所述的羊脸识别的方法,其特征在于,所述神经网络模型为基于YOLOv4-tiny网络的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085426.8A CN113780207A (zh) | 2021-09-16 | 2021-09-16 | 一种羊脸识别的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085426.8A CN113780207A (zh) | 2021-09-16 | 2021-09-16 | 一种羊脸识别的系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780207A true CN113780207A (zh) | 2021-12-10 |
Family
ID=78844434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085426.8A Pending CN113780207A (zh) | 2021-09-16 | 2021-09-16 | 一种羊脸识别的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780207A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
CN116978099A (zh) * | 2023-07-25 | 2023-10-31 | 湖北工业大学 | 基于羊脸的轻量级羊身份识别模型构建方法及识别模型 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN108197605A (zh) * | 2018-01-31 | 2018-06-22 | 电子科技大学 | 基于深度学习的牦牛身份识别方法 |
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 |
CN110222681A (zh) * | 2019-05-31 | 2019-09-10 | 华中科技大学 | 一种基于卷积神经网络的铸件缺陷识别方法 |
CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
CN112699869A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 |
-
2021
- 2021-09-16 CN CN202111085426.8A patent/CN113780207A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN108197605A (zh) * | 2018-01-31 | 2018-06-22 | 电子科技大学 | 基于深度学习的牦牛身份识别方法 |
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 |
CN110222681A (zh) * | 2019-05-31 | 2019-09-10 | 华中科技大学 | 一种基于卷积神经网络的铸件缺陷识别方法 |
CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
CN112699869A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 |
Non-Patent Citations (5)
Title |
---|
ALEXEY BOCHKOVSKIY ET AL: "YOLOv4: Optimal Speed and Accuracy of Object Detection" * |
刘 非: "基于YOLOv4-tiny 的交通标志检测" * |
张欣 等: "基于YOLOv4-tiny的遥感图像飞机目标检测技术研究" * |
李海滨 等: "基于YOLOv4-tiny的溜筒卸料煤尘检测方法" * |
魏斌: "基于深度学习的羊脸检测和识别", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
CN116978099A (zh) * | 2023-07-25 | 2023-10-31 | 湖北工业大学 | 基于羊脸的轻量级羊身份识别模型构建方法及识别模型 |
CN116978099B (zh) * | 2023-07-25 | 2024-03-12 | 湖北工业大学 | 基于羊脸的轻量级羊身份识别模型构建方法及识别模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
CN113780207A (zh) | 一种羊脸识别的系统及方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
CN110348360A (zh) | 一种检测报告识别方法及设备 | |
CN106650623A (zh) | 一种基于人脸检测的出入境人证核实的方法 | |
CN111161265A (zh) | 一种动物计数、图像处理方法和装置 | |
US20230215125A1 (en) | Data identification method and apparatus | |
CN103544504A (zh) | 一种基于多尺度图匹配核的场景字符识别方法 | |
CN112541432A (zh) | 一种基于深度学习的视频牲畜身份认证系统及方法 | |
CN114581948A (zh) | 一种畜脸识别方法 | |
CN106407966A (zh) | 一种应用于考勤的人脸识别方法 | |
CN116486296A (zh) | 目标检测方法、装置及计算机可读存储介质 | |
CN112819003B (zh) | 一种提升体检报告ocr识别准确率的方法及装置 | |
CN110110622A (zh) | 一种基于图像处理的医疗文本检测方法、系统和存储介质 | |
CN112613362A (zh) | 一种基于物联网的物品标志识别系统 | |
CN115546845B (zh) | 一种多视角牛脸识别方法、装置、计算机设备及存储介质 | |
CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
CN113420767B (zh) | 一种用于字体分类的特征提取方法、系统和装置 | |
CN114758356A (zh) | 一种基于局部不变特征的牛唇纹识别方法及系统 | |
CN113762089A (zh) | 基于人工智能的牲畜左脸识别系统及使用方法 | |
CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
CN115309941B (zh) | 一种基于ai的智能标签检索方法及系统 | |
CN115424353B (zh) | 基于ai模型的业务用户特征识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |