CN114067351A - 一种基于图像的牛只唯一性识别方法、装置及管理系统 - Google Patents
一种基于图像的牛只唯一性识别方法、装置及管理系统 Download PDFInfo
- Publication number
- CN114067351A CN114067351A CN202111025181.XA CN202111025181A CN114067351A CN 114067351 A CN114067351 A CN 114067351A CN 202111025181 A CN202111025181 A CN 202111025181A CN 114067351 A CN114067351 A CN 114067351A
- Authority
- CN
- China
- Prior art keywords
- image
- cattle
- bovine
- rhinorrhea
- feature
- 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
- 241000283690 Bos taurus Species 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 62
- 208000036071 Rhinorrhea Diseases 0.000 claims abstract description 30
- 206010039101 Rhinorrhoea Diseases 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 244000309464 bull Species 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000001331 nose Anatomy 0.000 description 44
- 230000006870 function Effects 0.000 description 6
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像的牛只唯一性识别方法、装置及管理系统,涉及牛鼻纹识别领域。将牛鼻纹图像进行预处理,将处理后的图像送入卷积神经网络提取牛鼻纹的特征量,并进行牛鼻纹的注册;采集需要被识别的牛鼻纹,对采集的牛鼻纹图像进行预处理,将预处理后的图像送入深度学习模型进行特征提取,获取特征向量;将特征向量与特征量进行匹配,计算其余弦相似度;设定阈值,将余弦相似度与阈值进行比较,获取牛的识别结果。本发明通过将提取到的特征与数据库中登记过的牛鼻纹进行匹配最终得到匹配的牛鼻纹,从而对牛个体进行准确的识别。
Description
技术领域
本发明涉及牛只识别检测领域,更具体地说,它涉及一种基于图像的牛只唯一性识别方法、装置及管理系统。
背景技术
当前我国农牧领域的数字化、智能化程度才刚刚起步,特别是中小牧场、合作社及个体养殖户缺乏有效手段。传统监督对牛数量、是否被偷、日常出入、体态情况等全由人工记录计算,容易导致数据误差从而影响监督有效性,难以及时掌握牛的情况。因此,亟需通过智能化手段解决农牧业相关痛点难题。以畜牧监管为切入点,创新突破,攻坚克难,实现信息化与畜牧生产的有机融合,预期实现巨大收益和科研成果,全面提高我国畜牧业养殖水平。
当前市面上有很多都在做牛脸识别技术,但是很多都失败了,主要原因是当前的牛脸识别技术是采用的牛脸五官来做识别,可能一定还要考虑分别采集左脸、右脸及正脸来进行识别。所以造成采集及识别麻烦,而且对唯一性不好进行采集和识别。同时由于牛只成长变化快,牛脸五官变化也较大,也大大影响了牛脸的识别。
由于牛鼻纹对与牛来说是一个唯一性特征,就像人的指纹一样,并且牛鼻纹容易采集,具有终身唯一性的特点,根据这一特点,通过鼻纹来实现对牛的准确识别。
发明内容
本发明所解决的技术问题是现有技术对牛脸识别检测准确性低以及目前牛监管的有效性较低,本发明的目的是提供一种基于图像的牛只唯一性识别方法、装置及管理系统,本发明通过对牛的鼻纹进行特征提取用以识别检测,从而达到对牛个体进行准确的识别,将识别后牛的身份信息放入到牛体识别系统中能够实时掌握牛的实际情况。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于图像的牛只唯一性识别方法,所述方法包括:
步骤一,将牛鼻纹图像进行预处理,将处理后的图像送入卷积神经网络提取牛鼻纹的特征量,并进行牛鼻纹的注册;
步骤二,采集需要被识别的牛鼻纹,对采集的牛鼻纹图像进行预处理,将预处理后的图像送入深度学习模型进行特征提取,获取特征向量;
步骤三,将所述特征向量与注册过的特征量进行匹配,计算其余弦相似度;
步骤四,设定阈值,将所述余弦相似度与阈值进行比较,获取牛的识别结果。
通过采用上述技术方案,将现有牛鼻纹数据库中的图像送入卷积神经网络中提取出数据库中已有牛鼻纹的特征量,并将这些特征量进行注册建立一个关于已有牛鼻纹的特征量数据库,当现在有头牛未被图像数据库录入,首先采集这头牛的牛鼻纹图像,把这个图像预处理后,将预处理的图像送入到深度学习模型进行特征提取,获取这头牛的特征向量,然后把这个特征向量与数据库中的特征量进行匹配,计算特征向量与特征量的余弦相似度,在设定一个阈值与余弦相似度进行比较,根据比较的结果,得出对牛个体的有效识别。
进一步的,所述步骤一具体包括:对牛鼻纹图像进行预处理检测牛鼻纹的具体位置,使用矩形框定位出牛鼻纹范围,将矩形框内的图像送入到卷积神经网络提取出牛鼻纹的特征量;
将特征量与牛的身份信息建立联系,将牛的身份信息与特征量存入数据库中。
进一步的,所述图像预处理包括图像灰度化与图像归一化;所述图像灰度化采用平均法,将牛鼻纹同一个像素位置的三个通道的值进行平均处理。
进一步的,所述步骤二具体包括:输入带有牛鼻纹的图像,将图像进行缩放处理;基于卷积神经网络对缩放后的图像进行处理,获取图像的特征图;基于深度学习模型对特征图进行特征提取,获取特征向量。
进一步的,将所述特征图输入区域候选网络中,区域候选网络输出最终牛鼻纹的位置信息,根据牛鼻纹的位置信息,基于深度学习模型提取牛鼻纹的关键点和特征,获取特征向量。
进一步的,设定一个阈值,当余弦相似度大于阈值时,匹配成功;当余弦相似度小于等于阈值时,匹配失败,则需执行步骤一,获取该牛的牛鼻纹的特征量,并将此牛的牛鼻纹注册。
一种牛只识别装置,用于执行所述方法,所述装置包括:
第一获取模块,将牛鼻纹图像进行预处理,将处理后的图像送入卷积神经网络提取牛鼻纹的特征量,并进行牛鼻纹的注册;
第二获取模块,采集需要被识别的牛鼻纹,对采集的牛鼻纹图像进行预处理,将预处理后的图像送入深度学习模型进行特征提取,获取特征向量;
计算模块,用于将所述特征向量与注册过的特征量进行匹配,计算其余弦相似度;
识别模块,用于设定阈值,将所述余弦相似度与阈值进行比较,获取牛的识别结果。
进一步的,所述第一获取模块以及第二获取模块还包括图像处理模块、存储模块,所述图像处理模块用于对牛鼻纹图像进行预处理,所述存储模块用于存储所牛的特征量及身份信息。
一种牛只管理系统,所述系统用于获取牛的识别结果,所述系统包括:
获取单元,用于获取牛鼻纹的特征向量;
判断识别单元,用于将获取单元获取的特征向量与数据库中特征量进行匹配比较,获取牛的识别结果;
信息处理单元,用于根据判断识别单元获取的识别结果对数据库进行更新。
与现有技术相比,本发明具有以下有益效果:
1.本发明一种基于图像的牛只唯一性识别方法、装置及管理系统,采集牛鼻纹,进行牛鼻纹注册得到鼻纹的特征量,采集需要被识别的牛鼻纹,对采集的图像进行图像灰度化以及归一化预处理,将预处理的图像送入深度学习模型进行特征提取,得到特征向量,将得到的特征向量与注册过的鼻纹特征量进行匹配计算其余弦相似度,并且设定一个阈值,将阈值与余弦相似度进行比较,若余弦相似度大于阈值,则匹配成功,输出牛的唯一编号,否则匹配失败,没有此牛,需将此牛进行牛鼻纹注册;通过上述基于牛鼻纹的识别方法实现了对牛的准确识别,弥补了现有技术中采用牛脸识别对牛的识别极不准确的技术缺陷。
2.本发明一种基于图像的牛只唯一性识别方法、装置及管理系统,通过对每个牛鼻纹的特征向量进行提取,将每个特征向量连同该牛的身份信息保存在数据库中,在后续的识别过程只需要通过深度学习模型提取该牛的特征的向量与数据库中已有的特征量进行对比,完成牛的识别检测,及时掌握牛的养殖情况。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例的方法流程图;
图2为本发明牛鼻纹的注册流程图;
图3为本发明实施例获取图像的特征图的流程图;
图4为本发明获取牛鼻纹的特征向量的区域候选网络结构图;
图5为本发明实施例提取特征的网络结构图;
图6为本发明实施例在提取特征时为提高效率以及准确率加入三元组的网络图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
需说明的是,当部件被称为“固定于”或“设置于”另一个部件,它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件,它可以是直接或者间接连接至该另一个部件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
如图1所示,本实施例一提供的一种基于图像的牛只唯一性识别方法,方法包括:
在步骤S1中,将牛鼻纹图像进行预处理,将处理后的图像送入卷积神经网络提取牛鼻纹的特征量,并进行牛鼻纹的注册;
在步骤S2中,采集需要被识别的牛鼻纹,对采集的牛鼻纹图像进行预处理,将预处理后的图像送入深度学习模型进行特征提取,获取特征向量;
在步骤S3中,将所述特征向量与注册过的特征量进行匹配,计算其余弦相似度;
在步骤S4中,设定阈值,将所述余弦相似度与阈值进行比较,获取牛的识别结果。
具体的,在步骤S1中,如图2所示,注册牛鼻纹的具体步骤:1.牛鼻纹检测:从图像中检测出牛鼻纹的存在,并且使用矩形框框出牛鼻纹的范围;2.牛鼻纹注册:将牛鼻纹的图像,提取出特征量,将该特征值与牛的身份信息建立联系;3.牛鼻纹登记:每头牛的身份信息连同它们的特征量被保存在数据库中,以便进一步识别。
优选地,步骤S1具体包括:对牛鼻纹图像进行预处理检测牛鼻纹的具体位置,使用矩形框定位出牛鼻纹范围,将矩形框内的图像送入到卷积神经网络提取出牛鼻纹的特征量;将特征量与牛的身份信息建立联系,将牛的身份信息与特征量存入数据库中。
具体的,由于图像上的牛鼻纹的位置不一样,因此需要对图像做预处理,即采用归一化、消除噪声等,通过矩形框定位牛鼻纹的位置,为后续的提取特征量做铺垫,提取后的特征量与牛的身份信息建立联系,一起存入数据库,用于后续的判断其他牛是否在数据库中;特征量的提取如图5以及如图6所示,一批牛鼻子的图像被传递到CNN的骨干网络。在本实施例中,先对图像做批处理,输入至轻量级深层神经网络,在经过一个正则化处理输入至嵌入层,嵌入层合并密集层与标准层的特征量,最后采用三元损失函数来优化网络参数。三元损失函数使检测出来的目标与正样本和负样本进行比较,使目标与正样本的距离减小,与负样本的距离增大,以达到提高提取特征量的效率以及所提取的特征的准确性。
优选地,图像预处理包括图像灰度化与图像归一化;图像灰度化采用平均法,即将牛鼻纹同一个像素位置的三个通道的值进行平均处理。
具体的,将图像像素min-max归一化,缩放到0-1之间,即对于图片来说,由于max是255,min是0,也就是直接除以255就可以完成归一化。对图像进行归一化可以加快梯度下降的求解速度,进而加快网络的收敛。
优选地,步骤S2具体包括:输入带有牛鼻纹的图像,将图像进行缩放处理;基于卷积神经网络对缩放后的图像进行处理,获取图像的特征图;基于深度学习模型对特征图进行特征提取,获取特征向量。
具体的,如图3所示,输入牛的图像,按照最小边600和最大边1024缩放图像,确保图像不变形;通过特征提取网络获取特征映射,得到全图的特征图,最后将特征图放入到深度学习模型的区域候选网络中进行特征提取。
优选地,在步骤S2中,将特征图输入区域候选网络中,区域候选网络输出最终牛鼻纹的位置信息,根据牛鼻纹的位置信息,基于深度学习模型提取牛鼻纹的关键点和特征,获取特征向量。
具体的,如图4所示,将特征图输入RPN网络(即深度学习模型),经过3*3的卷积和ReLU函数,一个分支进行1*1的卷积,使用线性激活函数进行框架回归。另一个分支是一个两类网络,用于区分每个锚是否包含一个目标。如果是背景,则输入为0,否则为1。在此经过3*3的卷积和ReLU函数两个分支的基础上,利用建议层对回归转换边界和真实位置信息进行非最大抑制。通过感兴趣区域池化层提取边界框内的图像特征,因为边界大小不同,然后全连接层要求输入大小一致。为了统一输入数据的大小,ROI池化层将任意特征图划分为7*7 个小块,每个小块采用最大池化方法。最后一个分支将特征图发送到Softmax函数计算类概率,另一个分支进一步进行位置修正,输出最终牛鼻纹的位置信息,深度学习模型基于这个最终牛鼻纹的位置信息,提取图像的关键点及特征,获取特征向量。
优选地,在步骤S4中,设定一个阈值,当余弦相似度大于阈值时,匹配成功;当余弦相似度小于等于阈值时,匹配失败,则需执行步骤一,获取该牛的牛鼻纹的特征量,并将此牛的牛鼻纹注册。
具体的,当余弦相似度大于阈值时,说明该牛的牛鼻纹已在数据库中,则将数据库代表该牛的身份信息的唯一编号输出;当余弦相似度小于等于阈值时,说明该牛未在数据库中,则需要提取该牛的鼻纹特征量,并将这个特征量与这头牛的身份信息对应生成一个唯一性的编号进行注册。
实施例二
本实施例二在实施例一的基础上提供一种牛只识别装置,装置包括:
第一获取模块,将牛鼻纹图像进行预处理,将处理后的图像送入卷积神经网络提取牛鼻纹的特征量,并进行牛鼻纹的注册;
第二获取模块,采集需要被识别的牛鼻纹,对采集的牛鼻纹图像进行预处理,将预处理后的图像送入深度学习模型进行特征提取,获取特征向量;
计算模块,用于将特征向量与注册过的特征量进行匹配,计算其余弦相似度;
识别模块,用于设定阈值,将余弦相似度与阈值进行比较,获取牛的识别结果。
优选地,第一获取模块以及第二获取模块还包括图像处理模块、存储模块,图像处理模块用于对牛鼻纹图像进行预处理,存储模块用于存储所牛的特征量及身份信息。
一种牛只管理系统,系统用于获取牛的识别结果,系统包括:
获取单元,用于获取牛鼻纹的特征向量;
判断识别单元,用于将获取单元获取的特征向量与数据库中特征量进行匹配比较,获取牛的识别结果;
信息处理单元,用于根据判断识别单元获取的识别结果对数据库进行更新。
工作原理:将现有牛鼻纹数据库中的图像送入卷积神经网络中提取出数据库中已有牛鼻纹的特征量,并将这些特征量进行注册建立一个关于牛鼻纹特征量的数据库,当现在有头牛未被图像数据库录入,首先采集这头牛的牛鼻纹图像,把这个图像预处理后,将预处理的图像送入到深度学习模型进行特征提取,获取这头牛的特征向量,然后把这个特征向量与数据库中的特征量进行匹配,计算特征向量与特征量的余弦相似度,在设定一个阈值与余弦相似度进行比较,根据比较的结果,得出对牛个体的识别。
牛体管理系统对数据库没有的信息,系统根据识别结果生成该牛的唯一性编号,并对系统中的数据库进行更新,牛体识别系统也是一个牛体管理系统,能够将对牧场的牛进行统计,基于牛鼻纹的识别方法录入每头牛的唯一性编号,当有新的牛进入这个牧场时,录入新的牛的唯一性编号,提高对牛的监督的有效性,及时掌握牛的情况;
生成的唯一性编号可以是条形二维码、方块二维码等,当牧场的牛变成肉质品出现在市场上时,购买人员也可通过唯一性编号追溯到该牛的养殖牧场,对牛的品种等做出一些了解,也可以促进养殖户提高牛的质量。
需要说明的是,本发明所提到的特征量与特征向量其本质是相同的,只是基于物理含义的表述成一个为特征量,另一个为特征向量。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像的牛只唯一性识别方法,其特征在于,所述方法包括:
步骤一,将牛鼻纹图像进行预处理,将处理后的图像送入卷积神经网络提取牛鼻纹的特征量,并进行牛鼻纹的注册;
步骤二,采集需要被识别的牛鼻纹,对采集的牛鼻纹图像进行预处理,将预处理后的图像送入深度学习模型进行特征提取,获取特征向量;
步骤三,将所述特征向量与注册过的特征量进行匹配,计算其余弦相似度;
步骤四,设定阈值,将所述余弦相似度与阈值进行比较,获取牛的识别结果。
2.根据权利要求1所述的一种基于图像的牛只唯一性识别方法,其特征在于,所述步骤一具体包括:对牛鼻纹图像进行预处理检测牛鼻纹的具体位置,使用矩形框定位出牛鼻纹范围,将矩形框内的图像送入到卷积神经网络提取出牛鼻纹的特征量;
将特征量与牛的身份信息建立联系,将牛的身份信息与特征量存入数据库中。
3.根据权利要求1所述的一种基于图像的牛只唯一性识别方法,其特征在于,所述图像预处理包括图像灰度化与图像归一化;所述图像灰度化采用平均法,将牛鼻纹同一个像素位置的三个通道的值进行平均处理。
4.根据权利要求1所述的一种基于图像的牛只唯一性识别方法,其特征在于,所述步骤二具体包括:输入带有牛鼻纹的图像,将图像进行缩放处理;基于卷积神经网络对缩放后的图像进行处理,获取图像的特征图;基于深度学习模型对特征图进行特征提取,获取特征向量。
5.根据权利要求4所述的一种基于图像的牛只唯一性识别方法,其特征在于,将所述特征图输入区域候选网络中,区域候选网络输出最终牛鼻纹的位置信息,根据牛鼻纹的位置信息,基于深度学习模型提取牛鼻纹的关键点和特征,获取特征向量。
7.根据权利要求1所述的一种基于图像的牛只唯一性识别方法,其特征在于,设定一个阈值,当余弦相似度大于阈值时,匹配成功;当余弦相似度小于等于阈值时,匹配失败,则需执行步骤一,获取该牛的牛鼻纹的特征量,并将此牛的牛鼻纹注册。
8.一种牛只识别装置,其特征在于,用于执行所述方法,所述装置包括:
第一获取模块,将牛鼻纹图像进行预处理,将处理后的图像送入卷积神经网络提取牛鼻纹的特征量,并进行牛鼻纹的注册;
第二获取模块,采集需要被识别的牛鼻纹,对采集的牛鼻纹图像进行预处理,将预处理后的图像送入深度学习模型进行特征提取,获取特征向量;
计算模块,用于将所述特征向量与注册过的特征量进行匹配,计算其余弦相似度;
识别模块,用于设定阈值,将所述余弦相似度与阈值进行比较,获取牛的识别结果。
9.根据权利要求8所述的一种牛只识别装置,其特征在于,所述第一获取模块以及第二获取模块还包括图像处理模块、存储模块,所述图像处理模块用于对牛鼻纹图像进行预处理,所述存储模块用于存储所牛的特征量及身份信息。
10.一种牛只管理系统,其特征在于,所述系统用于获取牛的识别结果,所述系统包括:
获取单元,用于获取牛鼻纹的特征向量;
判断识别单元,用于将获取单元获取的特征向量与数据库中特征量进行匹配比较,获取牛的识别结果;
信息处理单元,用于根据判断识别单元获取的识别结果对数据库进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111025181.XA CN114067351A (zh) | 2021-09-02 | 2021-09-02 | 一种基于图像的牛只唯一性识别方法、装置及管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111025181.XA CN114067351A (zh) | 2021-09-02 | 2021-09-02 | 一种基于图像的牛只唯一性识别方法、装置及管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067351A true CN114067351A (zh) | 2022-02-18 |
Family
ID=80233605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111025181.XA Pending CN114067351A (zh) | 2021-09-02 | 2021-09-02 | 一种基于图像的牛只唯一性识别方法、装置及管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067351A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758356A (zh) * | 2022-03-28 | 2022-07-15 | 内蒙古智牧溯源技术开发有限公司 | 一种基于局部不变特征的牛唇纹识别方法及系统 |
CN114902975A (zh) * | 2022-07-18 | 2022-08-16 | 四川楠水农牧科技有限公司 | 一种牛只识别自动分栏的rfid系统及分栏方法 |
CN115205552A (zh) * | 2022-07-14 | 2022-10-18 | 欧冶链金再生资源有限公司 | 基于特征识别的金属打包块特征提取、识别系统及方法 |
CN115457338A (zh) * | 2022-11-09 | 2022-12-09 | 中国平安财产保险股份有限公司 | 牛只唯一性识别方法、装置、计算机设备及存储介质 |
CN116420624A (zh) * | 2023-06-13 | 2023-07-14 | 四川楠水农牧科技有限公司 | 一种牛舍环境调控系统 |
CN117558034A (zh) * | 2024-01-05 | 2024-02-13 | 四川智迅车联科技有限公司 | 一种基于图像的多维度牛脸识别方法及系统 |
CN117711027A (zh) * | 2024-01-17 | 2024-03-15 | 内蒙古工业大学 | 一种基于鼻纹的牛个体身份识别方法 |
-
2021
- 2021-09-02 CN CN202111025181.XA patent/CN114067351A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758356A (zh) * | 2022-03-28 | 2022-07-15 | 内蒙古智牧溯源技术开发有限公司 | 一种基于局部不变特征的牛唇纹识别方法及系统 |
CN115205552A (zh) * | 2022-07-14 | 2022-10-18 | 欧冶链金再生资源有限公司 | 基于特征识别的金属打包块特征提取、识别系统及方法 |
CN114902975A (zh) * | 2022-07-18 | 2022-08-16 | 四川楠水农牧科技有限公司 | 一种牛只识别自动分栏的rfid系统及分栏方法 |
CN115457338A (zh) * | 2022-11-09 | 2022-12-09 | 中国平安财产保险股份有限公司 | 牛只唯一性识别方法、装置、计算机设备及存储介质 |
CN116420624A (zh) * | 2023-06-13 | 2023-07-14 | 四川楠水农牧科技有限公司 | 一种牛舍环境调控系统 |
CN116420624B (zh) * | 2023-06-13 | 2023-09-05 | 四川楠水农牧科技有限公司 | 一种牛舍环境调控系统 |
CN117558034A (zh) * | 2024-01-05 | 2024-02-13 | 四川智迅车联科技有限公司 | 一种基于图像的多维度牛脸识别方法及系统 |
CN117558034B (zh) * | 2024-01-05 | 2024-03-26 | 四川智迅车联科技有限公司 | 一种基于图像的多维度牛脸识别方法及系统 |
CN117711027A (zh) * | 2024-01-17 | 2024-03-15 | 内蒙古工业大学 | 一种基于鼻纹的牛个体身份识别方法 |
CN117711027B (zh) * | 2024-01-17 | 2024-09-20 | 内蒙古工业大学 | 一种基于鼻纹的牛个体身份识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114067351A (zh) | 一种基于图像的牛只唯一性识别方法、装置及管理系统 | |
CN105260750B (zh) | 一种奶牛识别方法及系统 | |
EP2858007A1 (en) | Sift feature bag based bovine iris image recognition method | |
CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
CN109377517A (zh) | 一种基于视频追踪技术的动物个体识别系统 | |
Pinthong et al. | Image Classification of Forage Plants in Fabaceae Family Using Scale Invariant Feature Transform Method | |
Zin et al. | Cow identification system using ear tag recognition | |
CN105354842A (zh) | 一种基于稳定区域的轮廓关键点配准与标识方法 | |
Bello et al. | Deep belief network approach for recognition of cow using cow nose image pattern | |
CN112528823A (zh) | 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及系统 | |
Caya et al. | Dog Identification System Using Nose Print Biometrics | |
Kaur et al. | Cattle identification with muzzle pattern using computer vision technology: a critical review and prospective | |
CN113780207A (zh) | 一种羊脸识别的系统及方法 | |
CN117462242A (zh) | 一种皮肤科智能激光祛斑控制系统 | |
CN117351404A (zh) | 一种奶牛分娩应激程度判识方法及系统 | |
US20230206678A1 (en) | Animal object identification apparatus based on image and method thereof | |
CN111079617A (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
CN113947780B (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
CN114092470B (zh) | 一种基于深度学习的肺裂自动检测方法及装置 | |
CN114758356A (zh) | 一种基于局部不变特征的牛唇纹识别方法及系统 | |
Bustamin et al. | A portable cattle tagging based on muzzle pattern | |
CN111460864B (zh) | 一种基于图像识别的动物疾病检测方法 | |
Zhang et al. | Automatic location and recognition of cow's collar ID based on machine learning. | |
CN112070028A (zh) | 一种动物虹膜定位方法及系统 | |
CN113761987A (zh) | 一种行人重识别的方法、装置、计算机设备和存储介质 |
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 |