【目的】通過實(shí)現(xiàn)復(fù)雜多變環(huán)境下非接觸式豬個(gè)體身份識別,提高畜牧行業(yè)的生產(chǎn)效率�！痉椒ā恳载i舍環(huán)境下豬的臉部圖像為基礎(chǔ),提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)在多變環(huán)境下的豬個(gè)體身份識別模型。利用改進(jìn)的多尺度網(wǎng)絡(luò)結(jié)構(gòu),該模型實(shí)現(xiàn)了深度和寬度的擴(kuò)展,網(wǎng)絡(luò)深度達(dá)到了86層。網(wǎng)絡(luò)不僅使用了對稱和非對稱的兩種方法拆分卷積核和多通道的方法并行提取豬臉特征,還利用網(wǎng)絡(luò)融合技術(shù)和Batch Normalization結(jié)構(gòu)過濾掉通道中的冗余信息。避免了深層網(wǎng)絡(luò)參數(shù)激增,增強(qiáng)了模型對豬臉特征的提取能力并提高模型的識別速度。利用預(yù)處理后的11 695張豬臉數(shù)據(jù)集訓(xùn)練并驗(yàn)證模型,通過設(shè)置7組不同環(huán)境下的對比實(shí)驗(yàn),分析改進(jìn)的模型在復(fù)雜環(huán)境下的識別效果。【結(jié)果】86層的基于多尺度分類網(wǎng)絡(luò)的識別模型權(quán)重大小和每輪樣本的訓(xùn)練時(shí)間分別為498.4 M和66 s,比16層的VGG網(wǎng)絡(luò)權(quán)重小1140 M,每輪訓(xùn)練速度快8 s。利用7組測試集的對比實(shí)驗(yàn)的結(jié)果表明,提出的模型在7種環(huán)境下的識別率都高于其他網(wǎng)絡(luò),尤其是在真實(shí)養(yǎng)殖環(huán)境下識別率高達(dá)99.81%。當(dāng)豬臉圖像中出現(xiàn)遮擋和旋轉(zhuǎn)的情況時(shí),提出的模型識別率皆高于92%�！窘Y(jié)論】提出... 

【文章頁數(shù)】：10 頁

【文章目錄】：
1 材料與方法
    1.1 數(shù)據(jù)處理
    1.2 豬舍環(huán)境下豬個(gè)體身份識別模型
    1.3 豬個(gè)體身份識別模型實(shí)現(xiàn)方法
2 結(jié)果與分析
    2.1 實(shí)驗(yàn)平臺
    2.2 訓(xùn)練過程分析
    2.3 網(wǎng)絡(luò)性能對比分析
    2.4 模型中間層可視化
3 結(jié)論與討論


【參考文獻(xiàn)】：
期刊論文
[1]基于全卷積網(wǎng)絡(luò)的生豬輪廓提取[J]. 胡志偉,楊華,婁甜田,胡剛,謝倩倩,黃佳佳.  華南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(06)
[2]基于Isomap和支持向量機(jī)算法的俯視群養(yǎng)豬個(gè)體識別[J]. 郭依正,朱偉興,馬長華,陳晨.  農(nóng)業(yè)工程學(xué)報(bào). 2016(03)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個(gè)體身份識別方法[J]. 趙凱旋,何東健.  農(nóng)業(yè)工程學(xué)報(bào). 2015(05)
[4]基于RBF神經(jīng)網(wǎng)絡(luò)的種豬體重預(yù)測[J]. 劉同海,李卓,滕光輝,羅城.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2013(08)



本文編號：3734555