多变环境下基于多尺度卷积网络的猪个体识别

发布时间：2023-02-03 12:42

　　【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出... 

【文章页数】：10 页

【文章目录】：
1 材料与方法
    1.1 数据处理
    1.2 猪舍环境下猪个体身份识别模型
    1.3 猪个体身份识别模型实现方法
2 结果与分析
    2.1 实验平台
    2.2 训练过程分析
    2.3 网络性能对比分析
    2.4 模型中间层可视化
3 结论与讨论


【参考文献】：
期刊论文
[1]基于全卷积网络的生猪轮廓提取[J]. 胡志伟,杨华,娄甜田,胡刚,谢倩倩,黄佳佳.  华南农业大学学报. 2018(06)
[2]基于Isomap和支持向量机算法的俯视群养猪个体识别[J]. 郭依正,朱伟兴,马长华,陈晨.  农业工程学报. 2016(03)
[3]基于卷积神经网络的奶牛个体身份识别方法[J]. 赵凯旋,何东健.  农业工程学报. 2015(05)
[4]基于RBF神经网络的种猪体重预测[J]. 刘同海,李卓,滕光辉,罗城.  农业机械学报. 2013(08)



本文编号：3734555