CN114550212A - 一种基于轻量级模型的羊脸检测与识别方法 - Google Patents
一种基于轻量级模型的羊脸检测与识别方法 Download PDFInfo
- Publication number
- CN114550212A CN114550212A CN202210166539.9A CN202210166539A CN114550212A CN 114550212 A CN114550212 A CN 114550212A CN 202210166539 A CN202210166539 A CN 202210166539A CN 114550212 A CN114550212 A CN 114550212A
- Authority
- CN
- China
- Prior art keywords
- goat
- model
- face
- goat face
- sheep
- 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
- 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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种轻量级羊脸检测和识别方法,针对传统识别模型体积庞大,对部署设备算力要求较高的问题,该方法构建一种轻量级的羊脸检测和识别模型,主要包括以下步骤:构建羊脸检测和羊脸识别数据集;采用基于SSD目标检测模型作为羊脸检测模型,使用轻量级模型MobileNetV3作为羊脸检测模型的骨干网络,添加空间注意力机制提高羊脸检测精度;采用ShuffleNetV2模型作为识别网络的基础模型,融合卷积注意力以及通道注意力两种注意力机制构建羊脸识别模型。并在NVIDIA JetsonNano设备上对模型进行部署,利用网络摄像头实现羊脸的实时检测与识别。该方法能够在保证识别准确率的同时有效地减少模型所需参数量,提高了羊脸识别的准确性和易用性,所提出的羊脸识别模型准确率为94.5%,模型大小为4.45MB,与原始ShuffleNetV2模型相比,在模型大小降低1.03MB的基础上,准确率提高4.7个百分点。
Description
所属技术领域
本公开的实例涉及图像处理领域,具体涉及一种基于轻量级模型的羊脸检测和识别方法。
背景技术
在现代化的羊只养殖中,精准饲养是保障羊出栏后肉品质的重要方法之一。在精准养殖过程中,羊只的个体身份识别是对羊只进行登记、溯源的关键,在节约人力成本的同时能够提升羊场管理的精细度,成为个体饲养方案制定、健康分析、奶品溯源和保险理赔等工作的重要支撑。传统羊只身份识别方式主要以耳标、烙印等方法为主,这些方法在费时费力的同时还容易引起羊的应激反应,极易对羊只本身和饲养人员造成伤害。目前主流采用基于无线射频技术(Radio Frequency Identification,RFID)耳标的羊只识别方法对羊只个体进行识别,但这种方法使用成本高而且容易脱落,难以应用于规模化养殖。
为实现低成本、非接触和高效率的羊脸识别,本发明旨在解决现有模型过于庞大,无法有效部署的问题,使用图像处理和深度学习相关方法,构建轻量级的羊脸检测和识别模型,以滩羊和奶山羊为研究对象,运用图像增广技术对采集的羊脸图像进行数据集扩充,使用替换轻量级骨干网络的SSD目标检测模型对羊脸进行检测,同时提出一种以ShuffleNetV2模型为基础改进的轻量级羊脸识别模型,实现羊脸识别。本发明对促进羊脸识别技术的实际应用颇具现实意义。
发明内容
本发明的目的是提供一种轻量级的羊脸检测和识别方法,进而实现羊只个体的身份识别,并提高检测准确率和识别精度。
为实现上述目的,本发明提供如下方案:
一种基于轻量级模型的羊脸检测和识别方法,其特征在于,所述基于轻量级模型的羊脸检测和识别方法包括:数据预处理、羊脸检测模型构建与训练、羊脸识别模型构建与训练和羊脸识别模型应用。
所述数据预处理,包括关键帧提取模块、数据清洗模块、数据集构建模块,所述关键帧提取模块,对采集到的羊只视频数据进行关键帧截取,得到羊只的图像数据。所述数据清洗模块,对提取到的羊只图像数据进行筛选,剔除掉侧脸和模糊的图像。所述数据集构建包括,利用Labelme标注软件对羊只图像数据进行羊脸框标注,构建羊脸检测数据集;将羊只图像上的羊脸框所在区域进行截取保存,得到羊脸识别数据集;对所述两个数据集划分为训练集和验证集。
所述羊脸检测模型构建,具体步骤包括:采用基于SSD目标检测模型作为羊脸检测模型;使用MobileNetV3作为SSD的骨干网络;添加空间注意力机制提高羊脸检测的精度。利用上述羊脸检测数据集对羊脸检测模型进行训练和验证,羊脸检测精度能达到97%。
所述羊脸识别模型构建,具体步骤包括:采用ShuffleNetV2模型作为识别网络的基础模型;将SKNet卷积注意力模块和提出的一种混合池化通道注意力模块加入网络中;采用Mish激活函数替换ShuffleNetV2模型中的ReLu激活函数;减少Shuffle单元的重复堆叠次数以减小模型体积。所述羊脸识别模型训练,其特征在于,采用自适应余弦度量函数Adacos作为羊脸识别模型的度量函数,并利用上述构建的羊脸识别数据集对改进的羊脸识别模型进行训练和验证,经验证,所提出的羊脸识别模型准确率为94.5%,模型大小为4.45MB。
所述的羊脸识别应用,其特征在于,利用上述改进的羊脸检测和识别模型搭建羊脸识别应用系统,包含数据获取模块、数据处理模块和数据展示模块。所述数据获取模块,通过网络摄像头获取羊只视频图像数据流。所述数据传输模块,通过RTSP协议进行图像数据传输。所述数据处理模块包含羊脸检测功能、羊脸识别功能以及羊脸特征数据库模块。所述羊脸特征数据库模块,包含以下步骤:
步骤1:利用融合双重的注意力机制的羊脸识别模型将待识别的羊脸图像进行特征提取,将羊只ID信息和提取到的该羊脸特征向量保存数据库中;
步骤2:将所述数据获取模块采集到的羊只图像输入到改进后的羊脸检测模型,得到羊脸框所在区域并对区域进行截取;
步骤3:将所述羊脸区域输入羊脸识别模型进行特征提取。
步骤4:将提取到的羊脸特征与所述羊脸特征数据库进行特征比对,得到羊只ID信息,完成识别。
本发明解决其技术问题所采用的技术方案是:采用Ubuntu 16.04系统,利用Labelme标注软件对羊脸框进行标注,利用Pytorch深度学习框架完成羊脸检测和识别模型的构建和训练。构建羊脸识别应用。利用摄像头获取羊只图像,通过RTSP协议将图像数据传输到识别系统硬件中进行识别。
所述的摄像头为海康威视网络摄像头。
所述的羊脸识别系统硬件为NVIDIA Jetson Nano小型开发板。
本发明的有益效果是,增强了羊脸特征的提取能力,在保证识别准确率的情况下,进一步减少了模型大小和计算量,为羊脸识别方法的落地应用提供参考,在羊的养殖管理、溯源、羊只健康保险等方面具有重要意义。
附图说明
图1羊脸数据集构建流程图
图2羊脸识别流程图
图3羊脸识别模型结构示意图
图4改进的混合池化高效通道注意力模块图
图5羊脸识别应用模块图
具体实施方案
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一种轻量级羊脸识别的方法,能够方便经济的对羊进行检测和识别。
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。
参见图1,所述一种羊脸检测和识别的数据集构建流程,主要完成羊脸的检测和识别的数据集构建。具体步骤如下:
步骤1:针对羊只视频通过关键帧提取模块进行关键帧提取,将提取到的关键帧图像保存为羊只图像数据。
具体的,羊脸图像数据采集于宁夏某滩羊养殖基地。使用Sony DSC-RX100M2相机对实际场景下的羊进行跟踪采集拍摄,每段视频时长约1min,帧率为60帧/s,分辨率为1920×1080像素。然后对拍摄到的视频截取关键帧,共获得183类5490幅包含羊脸的羊只图像。
步骤2:针对所述羊只图像数据,利用数据清洗模块将模糊和面部信息不完整的图像去除掉,利用Labelme标注羊脸框所在位置,得到羊脸框所在坐标信息。构建羊脸检测数据集。
步骤3:使用Labelme图像标注工具对羊只图像中的羊脸区域进行标注,通过OpenCV工具根据羊脸框标注信息进行截取并调整为224×224像素大小,按照羊只编号进行分类保存,得到羊脸识别数据集。按照4:1的比例划分训练集以及验证集。
为增强模型的鲁棒性,结合实际拍摄时可能存在角度和明暗程度变化等情况,对训练集中的图像进行-10°到+10°的随机旋转、调整明暗度和对比度等方式进行数据扩充,最终得到13176幅羊脸图像。
参见图2,所述一种基于轻量级模型的羊脸检测和识别流程,主要完成羊脸的检测和识别,包括羊脸检测和识别的模型构建与训练。具体步骤如下:
步骤1:构建基于SSD的羊脸检测模型,替换SSD模型中的骨干网络为轻量级网络MobileNetV3以满足模型轻量化的需求,并利用构建好的羊脸检测数据集对模型进行训练。
具体的,首先加载MobileNetV3模型在ImageNet数据集上的预训练权重,然后将羊脸作为一个新的类别,用所述羊脸检测数据集进行训练,使模型能够准确检测到羊脸所在区域。
步骤2:构建基于ShuffleNetV2改进的羊脸识别模型,利用所述羊脸识别数据集对模型进行训练。
具体的,模型以ShuffleNetV2为基础,通过减少ShuffleUnit的重复堆叠次数以轻量化模型体积,针对羊的面部特征,在ShuffleUnit中加入SKNet卷积注意力模块,提取多尺度的羊脸特征。在Shuffle单元之后加入改进的混合池化高效通道注意力模块,利用最大池化和平均池化共同抑制通道维度中冗余信息的干扰,加强模型在通道层面对羊脸深层特征的提取能力。
步骤3:与羊脸特征数据库中的特征向量进行比对,得到羊脸识别结果。具体的,将待识别的羊脸图像进行特征提取,得到相对应的特征向量,构建羊脸特征数据库。
具体流程为:将网络摄像头捕捉到的羊只视频数据流通过RTSP协议传输到设备上,通过OpenCV将接收到的视频流提取关键帧,将关键帧图像通过训练后轻量级SSD羊脸检测模型进行羊脸检测,如果检测到羊脸图像则进行截取,否则继续对下一帧图像进行羊脸检测,将羊脸图像送入羊脸识别模型进行羊脸特征提取,将提取到的羊脸特征向量与所述的羊脸特征数据库中的特征向量进行比对,得到相似度最高的特征向量,然后与程序预设的识别阈值进行比较,高于阈值则认为识别成功,返回羊只信息,如果小于阈值则认为识别失败,继续进行下一帧的检测和识别。
参见图3,所述为羊脸识别模型结构示意图,特征向量输入ShuffleUnit之后首先进行通道分离(Channel Split),一部分直接做同等映射,而另一部分包含三个连续的卷积,其中包含SKNet卷积注意力模块。
注意力机制被广泛用于自然语言处理以及计算机视觉领域。在计算机视觉中,注意力机制可提高特征的挖掘能力,进而提高面部识别的准确性。在羊脸识别任务上,注意力机制能提高模型对羊的眼部与嘴之间的特征区域的敏感性,提高模型的识别准确率。
SKNet卷积注意力机制引入不同尺度的卷积核,并且具有尺度自适应能力,可以更好地拟合羊脸多尺度特征,以提高模型对羊脸的特征提取能力。以双分支的SKNet注意力模块为例,包含拆分、融合和选择操作。
所述拆分操作,将有c个通道的输入X分成两部分进行卷积、归一化以及激活得到U1和U2两个特征向量。
所述融合操作,通过元素求和方式整合所有分支的信息得到特征图如式(1)所示。
U=U1+U2 (1)
使用全局平均池化(GAP)来嵌入全局信息,如公式(2)所示。
其中,H和W表示输入特征图的高和宽,Uc表示通道数为c的特征图,Fgap表示全局平均池化操作,sc表示经过全局平均池化的特征图。
为了精确的自适应选择,通过对s进行全连接操作创建一个紧凑的特征z以减少维数提升效率,如公式(3)所示。
z=Ffc(s)=δmish(β(Ws)) (3)
所述选择操作,对z进行softmax操作,如式(4)所示。
其中,Acz和Bcz表示两个分支在特征z中所占的权重比例。ac和bc分别为U1和U2经过softmax操作之后的权重矩阵。
将分支合并,得到最终输出Vc,如式(5)所示。
Vc=ac·U1+bc·U2 (5)
其中,Vc表示两个分支的特征图U1和U2经过权重分配后的新特征图。
卷积之间进行批量标准化和激活操作,在ShuffleUnit中使用Mish激活函数替代ReLu激活函数,Mish激活函数的主要特点是:有下界、无上界、非单调和平滑。其中,无上界有效避免了梯度消失的问题,有下界则提升了网络的正则化效果,非单调可以使一些小的负输入也被保留为负输出,提高网络的可解释能力并且可以使更多的单元得到学习,平滑则在0值点连续,相比ReLU激活函数可以使网络更容易优化并且提高泛化性能。之后将分离的通道进行拼接(Concat),并进行通道交换操作(Channel Shuffle)得到输出特征向量。
通过对改进后的Shuffle单元进行3组连续堆叠,每组包含步长为2的下采样单元、加入SKNet注意力模块的Shuffle单元和混合池化的通道注意力模块。模型使用全局深度卷积(Global Depth-Wise Convolution,GDConv)替换最后的全局平均池化层,它与全局平均池化(Global Average Pooling)的不同之处在于,全局深度卷积加权池化层给每个位置赋予了可学习的权重,可以进一步使模型获取到更丰富的信息。
网络最后加入BN(BatchNorm)层使得模型在训练中的输入满足同一种分布,加速网络模型收敛,最终得到128维羊脸特征向量。通过Adacos度量损失函数对模型进行训练。
模型输入224×224×3像素大小的羊脸图像,经过步长为2的普通卷积层和最大池化层,得到56×56×24的特征向量。经过三组步长分别为2的下采样层和SKNet-Shuffle单元最终得到7×7×464的特征向量。每组结尾加入MPECANet通道注意力模块。通过1×1卷积进行通道调整得到7×7×1024输出特征。经过卷积核大小为7×7的全局深度卷积操作得到1024维特征向量。经过全连接层和批量标准化(BN)得到128维羊脸特征向量作为模型的输出。通过Adacos自适应余弦度量函数进行训练。
在分类任务中,通过Softmax来区分各个类别样本,但是Softmax没有约束类内和类间,这样会极大影响面部识别的精度。目前主流的人脸损失函数Arcface和AdaCos就是基于Softmax思想进行改进的。因此将人脸识别中的损失函数应用在羊脸识别上。
AdaCos度量函数在Arcface的基础上引入一个动态自适应缩放系数,使得在训练过程中可以动态地调整超参数,利用自适应比例参数在训练过程中自动加强训练监督,从而不需要凭经验手动设置。在样本数量有限的羊脸数据集上使用Adacos度量函数进行训练可以使模型在训练过程中自适应调整到最优超参数,可以获取一个相对比较稳定的模型,并且能够提高羊脸识别模型的泛化能力和识别准确率。
采用Adacos作为模型的度量函数。使用动量设置为0.9的随机梯度下降法(Stochastic gradient descent,SGD)来更新模型权重,batchsize设置为64,初始学习率为0.01,每300轮迭代之后降低10倍学习率。损失函数采用FocalLoss以解决构建的羊脸数据集中样本数量不均衡的问题,整个训练过程迭代1000次。经过验证数据集验证,羊脸识别模型识别准确率为94.5%,模型大小为4.45MB,计算量147MFLOPs,具备在NVIDIA Jetson设备上部署和运行的能力。
模型训练平台:硬件配置CPU为Intel Core i7-4790 CPU@3.60GHz,内存为16GB,GPU为NVIDIA Geforce GTX1060,磁盘容量4TB。系统为Ubuntu 20.04.2LTS。软件配置环境为Anaconda3-4.8.2,Python版本为3.8,深度学习框架使用Pytorch 1.8.1,Cuda版本10.2,cudnn7.6。
参见图4,所述为改进的混合池化高效通道注意力模块图。通道注意力机制可以在引入少量参数的情况下,在通道维度上抑制无用信息的干扰并增强显著性特征的表达,从而提高羊脸识别的准确度。ECANet是针对SENet通道注意力改进的一种注意力机制,提出了一种不降维的局部跨信道交互策略和自适应选择一维卷积核大小的方法,从而实现了性能上的提高。为了在通道维度获取判别性强的羊脸特征,本实例基于ECANet设计了混合池化高效通道的注意力机制(Mix Pooling Efficient Channel Attention Network,MPECANet)。
步骤1:MPECANet的输入X是一个三维特征向量,H、W、C分别代表特征向量的高度、宽度和通道数。
步骤2:在原始ECANet中的全局平均池化分支(GMP)的基础上加入一个全局最大池化分支(GMP),该分支经过最大池化操作后通过一维卷积操作和Sigmod函数激活,将得到的权重信息与全局平均池化分支(GAP)输出的权重信息进行元素求和(element-wisesummation)。
步骤3:将求和的权重信息与输入X进行元素相乘(element-wise product)操作,得到最终输出向量V。MPECANet的输出特征图计算过程如式(6)所示。
Vc=Xc(1+ω) (6)
ω=ωGAP+ωGMP (7)
在GAP分支中,ωGAP计算过程如式(8)所示。
ωGAP=σ(C1D3(GAP(Xc)) (8)
其中,GAP表示全局平均池化操作,C1D3表示长度为3的一维卷积,σ表示Sigmod激活函数。
在GMP分支中,ωGMP计算过程如式(9)所示。
ωGMP=σ(C1D3(GMP(Xc)) (9)
其中,GMP表示全局最大池化操作。
改进后的ECANet通道注意力机制可以使模型能够在通道维度上学习更具有判别性的羊脸特征,能够进一步提高模型对羊脸的识别准确率。
参见图5,所述为羊脸识别应用模块图。包含数据获取模块,数据传输模块、数据处理模块和数据展示模块。
所述数据获取模块,为通过PoE供电的网络摄像头。所述数据传输模块,为PoE交换机,用来给网络摄像头供电以及进行视频数据传输。所述数据处理模块为基于NVIDIAJetson Nano开发板部署的羊脸检测模型和羊脸识别模型。
具体为,将训练好的模型.pth文件先转换成.onnx文件再转换成.trt文件部署到开发板中。然后通过将待识别的羊脸图像进行特征提取,将羊只对应的ID信息与特征向量保存到羊脸特征数据库中。识别时通过对检测到的羊脸图像进行特征提取,然后将特征向量与特征数据库中的进行比对,得到相似度最大的值,然后将相似度与应用设定的识别阈值进行比较,如果相似度高于识别阈值则认为识别成功,将该羊只的ID信息传入到数据展示模块进行展示。如果小于识别阈值则认为识别失败,进行下一帧的检测和识别。
所述数据展示模块为对视频数据流中的羊只图像进行检测和识别之后,将识别结果输出到数据展示模块进行展示。
为实现对羊脸快速和准确的检测和识别,本实例提出了一种基于MobileNetV3的SSD羊脸检测模型和融合双重注意力的轻量级羊脸识别模型,通过加入SKNet卷积注意力模块,以加强不同尺度羊脸特征的提取能力,加入改进的混合池化高效通道注意力机制,以有效挖掘通道域中羊脸判别性特征。并基于羊脸检测模型和羊脸识别模型构建了一个羊脸识别应用系统,能够通过网络摄像头获取羊只图像,对图像中的羊脸进行检测和识别,并将识别结果展示在终端设备上。在本实例构建的数据集上进行实验,羊脸检测准确率能够达到98%,羊脸识别准确率能够达到94.5%,而且模型大小均不超过6MB,满足模型轻量化部署的需求,为羊脸识别应用实际落地提供一个经济、安全的解决方案。本实例提出的羊脸识别模型在提高羊脸识别准确率的同时,进一步减少了模型大小和计算量。
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,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 (5)
1.一种基于轻量级模型的羊脸检测和识别方法,其特征在于,所述基于轻量级模型的羊脸检测和识别方法包括:数据预处理方法、羊脸检测模型构建与训练、羊脸识别模型构建与训练和羊脸识别模型应用。
所述数据预处理方法用于从采集的羊脸视频数据中提取羊只图像数据,对羊只图像数据进行羊脸框标注,构建羊脸检测数据集,将羊脸框所在区域截取并保存,构建羊脸识别数据集,对所述羊脸检测数据集和羊脸识别数据集划分为训练集和验证集;所述羊脸检测模型,利用羊脸检测数据集对所述羊脸检测模型进行训练;所述羊脸识别模型构建,利用羊脸识别数据集对轻量级ShuffleNetV2模型进行改进和训练;所述羊脸识别系统应用,对羊只图像进行羊脸检测,将检测到的羊脸进行羊脸识别,得到识别结果。
2.根据权利要求1所述的数据预处理包括关键帧提取模块、数据清洗模块和数据集构建。所述关键帧提取模块,对采集到的羊只视频数据进行关键帧截取,得到羊只的图像数据;所述数据清洗模块,对提取到的羊只图像数据进行筛选,剔除掉侧脸和模糊的图像;所述数据集构建包括,利用Labelme标注软件对羊只图像数据进行羊脸框标注和双眼以及嘴部关键点标注,构建羊脸检测数据集;将羊只图像上的羊脸框所在区域进行截取保存,得到羊脸识别数据集;对所述两个数据集划分为训练集和验证集。
3.根据权利要求1所述的羊脸检测模型构建与训练,其特征在于,所述羊脸检测模型构建,具体包括:采用基于SSD目标检测模型作为羊脸检测模型;使用轻量级模型MobileNetV3作为SSD的骨干网络;添加空间注意力机制以提高检测精度。所述羊脸检测模型训练,其特征在于,利用权利要求2所述羊脸检测数据集对羊脸检测模型进行训练和验证,经验证,羊脸检测准确率97%。
4.根据权利要求1所述的羊脸识别模型的构建与训练,其特征在于,所述羊脸识别模型构建,具体包括:采用ShuffleNetV2模型作为识别网络的基础模型,将SKNet卷积注意力模块和提出的一种混合池化通道注意力模块加入网络中,采用Mish激活函数替换ShuffleNetV2模型中的ReLu激活函数,减少Shuffle单元的重复堆叠次数,减小模型体积;所述羊脸识别模型训练,其特征在于,利用权利要求2所述的羊脸识别数据集对改进的羊脸识别模型进行训练和验证;采用自适应余弦度量函数Adacos作为羊脸识别模型的度量函数,对训练好的模型进行验证,识别准确率达到94.5%。
5.根据权利要求1所述的羊脸识别系统应用,其特征在于,搭建羊脸识别系统,包含数据获取模块、羊脸检测模块、羊脸识别模块、羊脸特征数据库模块。所述数据获取模块,具体包括,通过网络摄像头获取羊场实际图像,通过RTSP协议进行图像数据传输;所述羊脸特征数据库模块,利用权利4所述羊脸识别模型将待识别的羊脸图像进行特征提取,将羊只ID信息和提取到的该ID羊脸特征向量保存数据库中;将所述数据获取模块采集到的羊只图像输入到权利要求3所述的羊脸检测模型,得到羊脸框所在区域并对区域进行截取;将所述羊脸区域输入羊脸识别模型进行特征提取,将提取到的羊脸特征与所述羊脸特征数据库进行特征比对,得到羊只ID信息,完成识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210166539.9A CN114550212A (zh) | 2022-02-21 | 2022-02-21 | 一种基于轻量级模型的羊脸检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210166539.9A CN114550212A (zh) | 2022-02-21 | 2022-02-21 | 一种基于轻量级模型的羊脸检测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550212A true CN114550212A (zh) | 2022-05-27 |
Family
ID=81677057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210166539.9A Pending CN114550212A (zh) | 2022-02-21 | 2022-02-21 | 一种基于轻量级模型的羊脸检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550212A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937232A (zh) * | 2022-07-25 | 2022-08-23 | 浙江大学 | 医废处理人员防护用具穿戴检测方法、系统和设备 |
CN115225731A (zh) * | 2022-07-29 | 2022-10-21 | 中国人民解放军陆军工程大学 | 一种基于混合神经网络的在线协议识别方法 |
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 |
-
2022
- 2022-02-21 CN CN202210166539.9A patent/CN114550212A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937232A (zh) * | 2022-07-25 | 2022-08-23 | 浙江大学 | 医废处理人员防护用具穿戴检测方法、系统和设备 |
CN114937232B (zh) * | 2022-07-25 | 2022-10-21 | 浙江大学 | 医废处理人员防护用具穿戴检测方法、系统和设备 |
CN115225731A (zh) * | 2022-07-29 | 2022-10-21 | 中国人民解放军陆军工程大学 | 一种基于混合神经网络的在线协议识别方法 |
CN115225731B (zh) * | 2022-07-29 | 2024-03-05 | 中国人民解放军陆军工程大学 | 一种基于混合神经网络的在线协议识别方法 |
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 |
---|---|---|
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
US11842487B2 (en) | Detection model training method and apparatus, computer device and storage medium | |
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
Xiao et al. | Cow identification in free-stall barns based on an improved Mask R-CNN and an SVM | |
WO2020061489A1 (en) | Training neural networks for vehicle re-identification | |
CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
CN110909651A (zh) | 视频主体人物的识别方法、装置、设备及可读存储介质 | |
CN109214273A (zh) | 人脸图像比对方法、装置、计算机设备及存储介质 | |
CN111797893A (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
Fang et al. | DOG: A new background removal for object recognition from images | |
CN113361636B (zh) | 一种图像分类方法、系统、介质及电子设备 | |
CN113887661B (zh) | 一种基于表示学习重构残差分析的图像集分类方法及系统 | |
CN111738403B (zh) | 一种神经网络的优化方法及相关设备 | |
CN107430678A (zh) | 使用高斯接收场特征的低成本面部识别 | |
WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
CN108154133A (zh) | 基于非对称联合学习的人脸画像-照片识别方法 | |
CN115050064A (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN116311370A (zh) | 一种基于多角度特征的牛脸识别方法及其相关设备 | |
US10163000B2 (en) | Method and apparatus for determining type of movement of object in video | |
CN113128341A (zh) | 一种基于卷积神经网络的狗脸识别方法 | |
CN114626476A (zh) | 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置 | |
CN116052211A (zh) | 一种基于知识蒸馏的YOLOv5s轻量级羊只品种识别方法及系统 | |
CN113706562A (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
Guo et al. | Sheep face image dataset and DT-YOLOv5s for sheep breed recognition | |
Zheng et al. | Attention assessment based on multi‐view classroom behaviour recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |