CN114842505A - 一种基于迁移学习的动物个体识别方法及装置 - Google Patents
一种基于迁移学习的动物个体识别方法及装置 Download PDFInfo
- Publication number
- CN114842505A CN114842505A CN202210411457.6A CN202210411457A CN114842505A CN 114842505 A CN114842505 A CN 114842505A CN 202210411457 A CN202210411457 A CN 202210411457A CN 114842505 A CN114842505 A CN 114842505A
- Authority
- CN
- China
- Prior art keywords
- network model
- animal
- improved
- resnet34
- transfer learning
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013526 transfer learning Methods 0.000 title claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 3
- 230000001617 migratory effect Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 49
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 241000282887 Suidae Species 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 239000000975 dye Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 241000283690 Bos taurus Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000270322 Lepidosauria Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于迁移学习的动物个体识别方法及装置,其中的方法包括:获取待识别动物的目标图像;对目标图像进行预处理,得到预处理图像;对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,改进型ResNet34网络模型的初始模型参数通过迁移学习获得;将预处理图像输入至预先训练的改进型ResNet34网络模型,得到待识别动物的个体识别结果,该方法能够有效提高动物个体识别效率,且对光照、待识别动物姿态以及遮挡等问题不敏感,具有较好的鲁棒性,保证了动物个体识别的准确性。
Description
技术领域
本发明涉及动物个体识别技术领域,尤其涉及一种基于迁移学习的动物个体识别方法及装置。
背景技术
动物个体识别是对动物进行日常管理的前提和基础,广泛应用于动物的日常饲养管理、动物保险,动物谱系、档案建立等方面。动物个体识别通过处理多通道的感知信号获取个体身份信息,可用于精准饲喂,有效减少饲料的浪费以及改善动物生产性能。
近年来,银保行业对养殖业保险产品不断加大投入和关注,而参保动物的死亡和疾病,直接关系养殖户的保险理赔等相关利益,因此,动物个体识别对于提高被保动物个体的身份认证和识别的有效性具有重要的意义。
目前,常用的识别动物个体的方法包括以下两大类:
(1)物理识别,例如环、标、缺刻法、刺纹法、烙印法、染料标记法、微电子芯片皮下掩埋法以及无线射频识别技术等。
其中,脚环和翅标适用于禽类生物,在兽类中使用受限制;缺刻法、刺纹法、烙印法和微电子芯片皮下掩埋法会给动物造成一定损伤,不适用于目前福利养殖的大环境,对动物保护不利;染料标记法受制于动物生活场景,通常动物的生活场景较脏,染料的标记会被弄脏,磨损而不易识别;无线射频识别技术常用于奶牛、猪等牲畜饲养场景,但脱落率较高,动物个体识别的准确度难以保证。
(2)生物识别,例如DNA识别技术和虹膜识别技术。其中,DNA等生物识别技术,识别价格昂贵,适用于个体数目少且价值比较高的珍稀动物,不适用于普通养殖的动物个体识别。
因此,现有技术中动物个体识别效率低下,且准确度不高,是动物个体识别技术领域亟待解决的重要问题。
发明内容
本发明提供一种基于迁移学习的动物个体识别方法及装置,用以解决现有技术中动物个体识别效率低下,且准确度不高的缺陷,提高了动物个体识别效率,并保证了动物个体识别的准确性。
一方面,本发明提供一种基于迁移学习的动物个体识别方法,包括:获取待识别动物的目标图像;对所述目标图像进行预处理,得到预处理图像;对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得;将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果。
进一步地,所述对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,包括:通过删减预设数量的中间网络层,简化所述原始ResNet34网络模型中的残差单元,以得到改进型ResNet34网络模型。
进一步地,所述对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,还包括:将所述原始ResNet34网络模型的原始全连接层改进为目标全连接层,所述目标全连接层包括第一全连接层和第二全连接层;所述第一全连接层设置有Dropout函数。
进一步地,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得,包括:获取ImageNet数据集和预训练网络模型;利用所述ImageNet数据集对所述预训练网络模型进行训练,得到目标预训练网络模型;获取所述目标预训练网络模型的预训练参数;基于所述迁移学习,将所述预训练参数迁移至所述改进型ResNet34网络模型,得到所述初始模型参数。
进一步地,所述对所述目标图像进行预处理,得到预处理图像,包括:对所述目标图像依次进行裁剪、水平翻转、归一化以及标准化处理,得到所述预处理图像。
进一步地,所述基于迁移学习的动物个体识别方法,所述将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果,之前还包括:获取所述待识别动物的训练数据集;根据所述训练数据集,训练所述改进型ResNet34网络模型至收敛。
第二方面,本发明还提供一种基于迁移学习的动物个体识别装置,包括:目标图像获取模块,用于获取待识别动物的目标图像;图像预处理模块,用于对所述目标图像进行预处理,得到预处理图像;网络模型获取模块,用于对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得;动物个体识别模块,用于将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于迁移学习的动物个体识别方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于迁移学习的动物个体识别方法的步骤。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于迁移学习的动物个体识别方法的步骤。
本发明提供的基于迁移学习的动物个体识别方法,通过获取待识别动物的目标图像,并对目标图像进行预处理,以得到预处理图像,与此同时,对原始的ResNet34网络模型进行改进,以获取改进型ResNet34网络模型,该改进型ResNet34网络模型的初始模型参数通过迁移学习获得,可以有效提高网络模型的识别能力,通过将预处理图像输入至预先训练的改进型ResNet34网络模型中,便可得到待识别动物个体的个体识别结果。该方法能够有效提高动物个体识别效率,且对光照、待识别动物姿态以及遮挡等问题不敏感,具有较好的鲁棒性,保证了动物个体识别的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于迁移学习的动物个体识别方法的流程示意图;
图2为本发明提供的改进型ResNet34网络模型的网络结构示意图;
图3为本发明提供的基于迁移学习的动物个体识别方法的猪个体识别示例图;
图4为本发明提供的基于迁移学习的动物个体识别装置的结构示意图;
图5为本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
图1示出了本发明所提供的基于迁移学习的动物个体识别方法的流程示意图。如图1所示,该动物个体识别方法包括:
S101,获取待识别动物的目标图像。
在本步骤中,待识别动物是指需要进行个体识别的动物,其可以是任何动物个体,例如,猪、牛、马和羊。
可以理解的是,获取待识别动物的目标图像,具体地,可以利用相机拍摄待识别动物运动行走的视频,从视频中提取包含待识别动物的图像帧,该图像帧即可作为目标图像。
需要说明的是,目标图像可以包含待识别动物的整体,也可以仅包含待识别动物的局部部位,如眼睛,嘴巴,鼻子以及腹部等。
S102,对目标图像进行预处理,得到预处理图像。
在上一步骤获取待识别动物的目标图像之后,对目标图像进行预处理,以得到预处理图像。
预处理是完成对动物个体进行识别的一个重要环节,目标图像的预处理是为了消除目标图像中无关的信息、恢复有关信息的可检测性以及增强有关信息的可检测性,从而提高目标图像特征提取的可靠性。
常见的图像预处理方法包括灰度化、几何变换、图像增强以及归一化处理。其中,灰度化是指在RGB(R:Red,G:Green,B:Blue)模型中,设置构成目标图像的像素点矩阵中每一个像素点都满足:R=G=B,此时R=G=B的这个值为灰度值。几何变换是指在不改变目标图像的像素值的情况下,对目标图像进行平移、翻转、旋转或中心裁剪。
图像增强是指增强目标图像中的有用信息,改善目标图像的视觉效果,将原本不清晰的目标图像变得清晰,以加强目标图像判读和识别的效果。归一化处理则是为了使在不同成像条件下得到的目标图像具有一致性,包括几何归一化和灰度归一化。
在本步骤中,对目标图像进行预处理的方式可以包括前述方法中的一种或多种,在此不作具体限定。
S103,对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,改进型ResNet34网络模型的初始模型参数通过迁移学习获得。
容易理解的是,增加网络的宽度和深度可以很好的提高网络的性能,深的网络一般都比浅的网络效果好。但当网络层数达到一定的数目之后,网络的性能就开始饱和,再增加网络层,网络的性能就会开始退化,且这种退化并不是由于过拟合引起的。这说明网络变得很深之后,深度网络就会变得难以训练,而ResNet网络模型的出现就是为了解决网络深度变深以后的性能退化问题。
根据网络深度的不同,可以将ResNet网络模型分为ResNet18,、ResNet34、ResNet50、ResNet101以及ResNet152,本步骤中的原始ResNet34网络模型即为网络深度为34的网络模型。
需要说明的是,对于原始ResNet34网络模型以外的、其他不同网络深度的ResNet网络模型,同样适用于本发明所提供的基于迁移学习的动物个体识别方法。
对原始ResNet34网络模型进行改进,是指在原始ResNet34网络模型的网络结构的基础上,进行改进。具体地,可以包括删除原始ResNet34网络模型中若干数量的中间网络层,或增加原始ResNet34网络模型不存在的网络层,又或者根据原有网络层上设计全新的网络层。对于具体的改进方式,在此不作具体限定。
迁移学习是指运用已存有的知识,对不同但相关领域问题进行求解的一种新的机器学习方法,放宽了传统机器学习中的两个基本假设:(1)用于学习的训练样本与新的测试样本满足独立同分布的条件;(2)必须有足够可利用的训练样本才可学习得到一个好的分类模型。通过迁移已有知识来解决目标领域中仅有少量有标签样本数据甚至没有标签的学习问题。与不迁移的深度学习,即全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。
可以理解的是,在本步骤中,对原始ResNet34网络模型进行改进,以获取改进型ResNet34网络模型,其中,改进型ResNet34网络模型的初始模型参数是通过迁移学习得到的。
S104,将预处理图像输入至预先训练的改进型ResNet34网络模型,得到待识别动物的个体识别结果。
可以理解的是,在步骤S102对目标图像进行预处理并获得预处理图像,以及步骤S103获取改进型ResNet34网络模型的基础上,通过将改进型ResNet34网络模型在构建的训练数据集上进行训练,完成网络模型参数的更新,从而得到训练好的改进ResNet34网络模型,即预先训练的改进型ResNet34网络模型,将预处理图像输入至预先训练的改进型ResNet34网络模型中,改进型ResNet34网络模型即可输出待识别动物的个体识别结果。
个体识别结果可以为待识别动物的唯一识别性特征,例如待识别动物的眼睛虹膜,也可以为待识别动物的个体类别以及属于该类别的概率。根据待识别动物的个体识别结果,可以有效地实现动物个体的身份认证,这与个人的身份验证识别是类似的。
在本实施例中,通过获取待识别动物的目标图像,并对目标图像进行预处理,以得到预处理图像,与此同时,对原始的ResNet34网络模型进行改进,以获取改进型ResNet34网络模型,该改进型ResNet34网络模型的初始模型参数通过迁移学习获得,可以有效提高网络模型的识别能力,通过将预处理图像输入至预先训练的改进型ResNet34网络模型中,便可得到待识别动物个体的个体识别结果。该方法能够有效提高动物个体识别效率,且对光照、待识别动物姿态以及遮挡等问题不敏感,具有较好的鲁棒性,保证了动物个体识别的准确性。
在上述实施例的基础上,进一步地,对目标图像进行预处理,得到预处理图像,包括:对目标图像依次进行裁剪、水平翻转、归一化以及标准化处理,得到预处理图像。
可以理解的是,对目标图像进行预处理,得到预处理图像,具体地,依次对获取的目标图像进行裁剪、水平翻转、归一化以及标准化处理,即首先对目标图像进行裁剪处理,将裁剪处理得到的图像进行水平翻转,而后将水平翻转得到的图像进行归一化处理,最后,对归一化处理后的图像进行标准化处理,从而得到预处理图像。
其中,对目标图像进行裁剪处理,是指从目标图像中裁剪出待识别动物的某一具体部位。容易理解的是,若改进型ResNet34网络模型能够识别出待识别动物的某一局部部位,则其也一定能够识别出待识别动物的这一整个个体。
水平翻转处理是指将对目标图像进行裁剪处理得到的图像,从左向右或从右向左180度翻转。归一化处理是为了方便处理图像数据,将图像数据映射到0-1范围之内,处理过程更加便捷快速。标准化处理用于将归一化处理后的图像数据的分布规约在均值为0,标准差为1的分布上,近似于高斯分布,以减少规模、特征以及分布差异对网络模型进行数据处理过程的影响。
在本实施例中,通过对目标图像依次进行裁剪、水平翻转、归一化以及标准化处理,以得到预处理图像,消除了目标图像中无关的信息、恢复了有关信息的可检测性,并增强了有关信息的可检测性,从而有效提高目标图像特征提取的可靠性。
在上述实施例的基础上,进一步地,对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,包括:通过删减预设数量的中间网络层,简化原始ResNet34网络模型中的残差单元;将原始ResNet34网络模型的原始全连接层改进为目标全连接层,目标全连接层包括第一全连接层和第二全连接层;第一全连接层设置有Dropout函数。
可以理解的是,对原始ResNet34网络模型进行改进,以获取改进型ResNet34网络模型。具体地,图2示出了本发明所提供的改进型ResNet34网络模型的网络结构示意图,对图1中改进型ResNet34网络模型的具体结构作了进一步展开。如图2所示,对原始ResNet34网络模型进行的改进,具体包括以下方面:
(1)通过删减预设数量的中间网络层,简化原始ResNet34网络模型中的残差单元,以得到改进型ResNet34网络模型。
需要说明的是,原始ResNet34网络模型的内部有四层弹出层,即图2中的“layer”,其中,layer1、layer2、layer3以及layer4分别包含3、4、6和3个残差单元,即基本块(BasicBlock)。
删减预设数量的中间网络层,以图3示例,预设数量为4,具体地,删减弹出层layer1中1个残差单元、layer2中1个残差单元以及layer3中2个残差单元,保留了深层的特征提取层,删减了部分浅层以及中间层,可以大幅度地压缩空间,降低计算量,从而实现速度与准确率之间的平衡。
(2)将原始ResNet34网络模型的原始全连接层改进为目标全连接层,目标全连接层包括第一全连接层和第二全连接层,其中,第一全连接层设置有Dropout函数。
具体地,将原始ResNet34网络模型的单层全连接层,改为双层全连接层,并且,在第一层全连接层上引入Dropout函数。相较于原有全连接层,新改进的全连接层可以提取更多特征信息,引入的Dropout函数可以有效地减低网络模型陷入过拟合的概率。
在本实施例中,通过对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,具体地,删减预设数量的中间网络层,简化原始ResNet34网络模型中的残差单元,同时设置双层全连接层,并在第一层全连接层中引入Dropout函数,改进得到的改进型ResNet34网络模型有效降低了计算量,大大提高了网络模型的图像处理效率和准确度。
在上述实施例的基础上,进一步地,改进型ResNet34网络模型的初始模型参数通过迁移学习获得,包括:获取ImageNet数据集和预训练网络模型;利用ImageNet数据集对预训练网络模型进行训练,得到目标预训练网络模型;获取目标预训练网络模型的预训练参数;基于迁移学习,将预训练参数迁移至改进型ResNet34网络模型,得到初始模型参数。
可以理解的是,改进型ResNet34网络模型的初始模型参数通过迁移学习获得,具体获取过程如下:
获取ImageNet数据集和预训练网络模型,其中,ImageNet数据集是根据WordNet层次结构组织的图像数据集,旨在为世界各地的研究人员提供易于访问的图像数据库。目前ImageNet数据集中总共有14197122幅图像,总共分为21841个类别(synsets),大类别包括:amphibian、animal、appliance、bird、covering、device、fabric、fish、flower、food、fruit、fungus、furniture、geological formation、invertebrate、mammal、musicalinstrument、plant、reptile、sport、structure、tool、tree、utensil、vegetable、vehicle、person。
预训练网络模型即为原始ResNet34网络模型,根据获取的ImageNet数据集,对预训练网络模型进行训练,将其训练至收敛之后,得到目标预训练网络模型,并获取目标预训练网络模型的预训练参数,将目标预训练网络模型的预训练参数直接迁移至改进型ResNet34网络模型,作为改进型ResNet34网络模型的初始模型参数。
在确定改进型ResNet34网络模型的初始模型参数的基础上,还需要对改进型ResNet34网络模型进行训练,具体地,获取待识别动物的训练数据集;根据训练数据集,训练改进型ResNet34网络模型至收敛。
获取待识别动物的训练数据集,同样地,可以利用相机拍摄待识别动物运动行走的视频,从视频中提取包含待识别动物的图像帧,对于获取得到的所有图像帧,通过上文提到的预处理方法对所有图像帧进行预处理,得到预处理后得到的所有图像,并根据预处理后的所有图像,构建训练数据集。而后,根据训练数据集,训练改进型ResNet34网络模型。
在本实施例中,基于迁移学习,获取改进型ResNet34网络模型的初始模型参数,并在此基础上,对改进型ResNet34网络模型训练至收敛,训练好的改进型ResNet34网络模型,能够有效提高动物个体识别效率,对光照、待识别动物姿态以及遮挡等问题不敏感,具有较好的鲁棒性,从而保证了动物个体识别的准确性。
图3示出了本发明所提供的基于迁移学习的动物个体识别方法的猪个体识别示例图,将图1描述的动物个体识别方法适用于猪个体的识别。如图3所示,首先基于ImageNet数据集,对ResNet34预训练模型,即原始ResNet34网络模型进行训练,得到目标预训练网络模型。将目标预训练网络模型的预训练参数直接迁移至改进型ResNet34网络模型,得到改进型ResNet34网络模型的初始模型参数。
其中,改进型ResNet34网络模型通过在原始ResNet34网络模型的基础上,删减部分中间卷积层,去掉原有全连接层,设计全新的全连接层得到。
在改进型ResNet34网络模型获取初始模型参数后,获取猪个体的数据集,将数据集按照6:2:2的数量比例划分为训练集、验证集和测试集,然后根据前述预处理方式对数据集进行预处理,根据预处理后的数据集,对改进后的预训练模型,即改进型ResNet34网络模型进行训练、验证和测试,从而得到训练好的改进型ResNet34网络模型。
将测试集中的单个猪个体图像输入至训练好的改进型ResNet34网络模型中,输出猪个体的类别,以及属于该类别的概率。
图4示出了本发明所提供的基于迁移学习的动物个体识别装置的结构示意图。如图4所示,该动物个体识别装置包括:目标图像获取模块401,用于获取待识别动物的目标图像;图像预处理模块402,用于对目标图像进行预处理,得到预处理图像;网络模型获取模块403,用于对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,改进型ResNet34网络模型的初始模型参数通过迁移学习获得;动物个体识别模块404,用于将预处理图像输入至预先训练的改进型ResNet34网络模型,得到待识别动物的个体识别结果。
本发明提供的基于迁移学习的动物个体识别装置与上文描述的基于迁移学习的动物个体识别方法可相互对应参照,在此不再赘述。
在本实施例中,通过目标图像获取模块401获取待识别动物的目标图像,通过图像预处理模块402对目标图像进行预处理,以得到预处理图像,与此同时,网络模型获取模块403对原始的ResNet34网络模型进行改进,以获取改进型ResNet34网络模型,该改进型ResNet34网络模型的初始模型参数通过迁移学习获得,可以有效提高网络模型的识别能力,通过动物个体识别模块404将预处理图像输入预先训练的改进型ResNet34网络模型中,便可得到待识别动物个体的个体识别结果。该方法能够有效提高动物个体识别效率,且对光照、待识别动物姿态以及遮挡等问题不敏感,具有较好的鲁棒性,保证了动物个体识别的准确性。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器830通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行基于迁移学习的动物个体识别方法,该方法包括:获取待识别动物的目标图像;对所述目标图像进行预处理,得到预处理图像;对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得;将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于迁移学习的动物个体识别方法,该方法包括:获取待识别动物的目标图像;对所述目标图像进行预处理,得到预处理图像;对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得;将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于迁移学习的动物个体识别方法,该方法包括:获取待识别动物的目标图像;对所述目标图像进行预处理,得到预处理图像;对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得;将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于迁移学习的动物个体识别方法,其特征在于,包括:
获取待识别动物的目标图像;
对所述目标图像进行预处理,得到预处理图像;
对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得;
将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果。
2.根据权利要求1所述的基于迁移学习的动物个体识别方法,其特征在于,所述对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,包括:
通过删减预设数量的中间网络层,简化所述原始ResNet34网络模型中的残差单元,以得到改进型ResNet34网络模型。
3.根据权利要求2所述的基于迁移学习的动物个体识别方法,其特征在于,所述对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,还包括:
将所述原始ResNet34网络模型的原始全连接层改进为目标全连接层,所述目标全连接层包括第一全连接层和第二全连接层;所述第一全连接层设置有Dropout函数。
4.根据权利要求1所述的基于迁移学习的动物个体识别方法,其特征在于,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得,包括:
获取ImageNet数据集和预训练网络模型;
利用所述ImageNet数据集对所述预训练网络模型进行训练,得到目标预训练网络模型;
获取所述目标预训练网络模型的预训练参数;
基于所述迁移学习,将所述预训练参数迁移至所述改进型ResNet34网络模型,得到所述初始模型参数。
5.根据权利要求1所述的基于迁移学习的动物个体识别方法,其特征在于,所述对所述目标图像进行预处理,得到预处理图像,包括:
对所述目标图像依次进行裁剪、水平翻转、归一化以及标准化处理,得到所述预处理图像。
6.根据权利要求1-5任一项所述的基于迁移学习的动物个体识别方法,其特征在于,所述将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果,之前还包括:
获取所述待识别动物的训练数据集;
根据所述训练数据集,训练所述改进型ResNet34网络模型至收敛。
7.一种基于迁移学习的动物个体识别装置,其特征在于,包括:
目标图像获取模块,用于获取待识别动物的目标图像;
图像预处理模块,用于对所述目标图像进行预处理,得到预处理图像;
网络模型获取模块,用于对原始ResNet34网络模型进行改进,获取改进型ResNet34网络模型,所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得;
动物个体识别模块,用于将所述预处理图像输入至预先训练的改进型ResNet34网络模型,得到所述待识别动物的个体识别结果。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于迁移学习的动物个体识别方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于迁移学习的动物个体识别方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于迁移学习的动物个体识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411457.6A CN114842505A (zh) | 2022-04-19 | 2022-04-19 | 一种基于迁移学习的动物个体识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411457.6A CN114842505A (zh) | 2022-04-19 | 2022-04-19 | 一种基于迁移学习的动物个体识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842505A true CN114842505A (zh) | 2022-08-02 |
Family
ID=82566151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411457.6A Pending CN114842505A (zh) | 2022-04-19 | 2022-04-19 | 一种基于迁移学习的动物个体识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842505A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200241A (zh) * | 2020-10-09 | 2021-01-08 | 山东大学 | 一种基于ResNet迁移学习的鱼类品种自动分拣方法 |
US20210248748A1 (en) * | 2020-02-12 | 2021-08-12 | Adobe Inc. | Multi-object image parsing using neural network pipeline |
CN113743443A (zh) * | 2021-05-31 | 2021-12-03 | 高新兴科技集团股份有限公司 | 一种图像证据分类和识别方法及装置 |
CN113850242A (zh) * | 2021-11-30 | 2021-12-28 | 北京中超伟业信息安全技术股份有限公司 | 一种基于深度学习算法的仓储异常目标检测方法及系统 |
-
2022
- 2022-04-19 CN CN202210411457.6A patent/CN114842505A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210248748A1 (en) * | 2020-02-12 | 2021-08-12 | Adobe Inc. | Multi-object image parsing using neural network pipeline |
CN112200241A (zh) * | 2020-10-09 | 2021-01-08 | 山东大学 | 一种基于ResNet迁移学习的鱼类品种自动分拣方法 |
CN113743443A (zh) * | 2021-05-31 | 2021-12-03 | 高新兴科技集团股份有限公司 | 一种图像证据分类和识别方法及装置 |
CN113850242A (zh) * | 2021-11-30 | 2021-12-28 | 北京中超伟业信息安全技术股份有限公司 | 一种基于深度学习算法的仓储异常目标检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255297B (zh) | 动物状态监测方法、终端设备、存储介质及电子设备 | |
WO2020260936A1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
CN112016527B (zh) | 基于深度学习的大熊猫行为识别方法、系统、终端及介质 | |
CN110929650B (zh) | 豢养物身份识别方法、装置、计算设备、可读存储介质 | |
US20230071265A1 (en) | Quantifying plant infestation by estimating the number of biological objects on leaves, by convolutional neural networks that use training images obtained by a semi-supervised approach | |
Navotas et al. | Fish identification and freshness classification through image processing using artificial neural network | |
CN107992903A (zh) | 牲畜身份识别方法、装置、存储介质和电子设备 | |
Dohmen et al. | Image-based body mass prediction of heifers using deep neural networks | |
CN112101259A (zh) | 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法 | |
CN107256398A (zh) | 基于特征融合的奶牛个体识别方法 | |
CN112232977A (zh) | 水产品养殖评估方法、终端设备及存储介质 | |
US20240104900A1 (en) | Fish school detection method and system thereof, electronic device and storage medium | |
CN110532899A (zh) | 基于热成像的母猪产前行为分类方法及系统 | |
CN110414369B (zh) | 一种牛脸的训练方法及装置 | |
CN113420709A (zh) | 牛脸特征提取模型训练方法、系统及牛的保险方法、系统 | |
Tan et al. | Cephalopod species identification using integrated analysis of machine learning and deep learning approaches | |
Kola et al. | Optimal technique of tumor detection and prediction of livestock by deep neural network with tensorflow and keras | |
CN112949406A (zh) | 一种基于深度学习算法的羊只个体身份识别方法 | |
CN112215066A (zh) | 家畜脸部图像识别方法及装置 | |
CN114842505A (zh) | 一种基于迁移学习的动物个体识别方法及装置 | |
Sarwar et al. | Detection and classification of cotton leaf diseases using faster R-CNN on field condition images | |
CN108664921B (zh) | 一种安卓平台下基于词袋模型的图像识别方法及系统 | |
Han et al. | Mask_LaC R-CNN for measuring morphological features of fish | |
CN113052114A (zh) | 死虾识别方法、终端设备及可读存储介质 | |
Alde et al. | Identification of Musaceae Species using YOLO Algorithm |
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 |