【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(shí)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(shí)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(duì)稱和非對(duì)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(duì)豬臉特征的提取能力并提高模型的識(shí)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(duì)比實(shí)驗(yàn),分析改進(jìn)的模型在復(fù)雜環(huán)境下的識(shí)別效果�！窘Y(jié)果】86層的基于多尺度分類網(wǎng)絡(luò)的識(shí)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(cè)試集的對(duì)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(shí)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(shí)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(shí)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(shí)別模型
    1.3 豬個(gè)體身份識(shí)別模型實(shí)現(xiàn)方法
2 結(jié)果與分析
    2.1 實(shí)驗(yàn)平臺(tái)
    2.2 訓(xùn)練過程分析
    2.3 網(wǎng)絡(luò)性能對(duì)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(shí)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(shí)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(cè)[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(hào)：3734555