針對(duì)現(xiàn)有發(fā)情檢測(cè)方法靈敏度低、識(shí)別時(shí)間長(zhǎng)、易受外界干擾等缺點(diǎn),根據(jù)大白母豬試情時(shí)雙耳豎立的特征,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)的大白母豬發(fā)情行為識(shí)別方法。首先通過(guò)采集公豬試情時(shí)發(fā)情大白母豬與未發(fā)情大白母豬的耳部圖像,劃分訓(xùn)練集樣本(80%)與驗(yàn)證集樣本(20%)用于后期訓(xùn)練。隨后,基于Alex Net卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建分類(lèi)模型(Alex Net_Sow),并對(duì)該模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行簡(jiǎn)化,簡(jiǎn)化后的模型包含2個(gè)卷積模塊和2個(gè)全連接模塊,選擇修正線性單元(Rectified linear units,Re LU)作為激活函數(shù),用自適應(yīng)矩估計(jì)(Adaptive moment estimation,Adam)方法優(yōu)化梯度下降,選擇Softmax作為網(wǎng)絡(luò)分類(lèi)器,通過(guò)結(jié)合增強(qiáng)學(xué)習(xí)的方法對(duì)模型進(jìn)行訓(xùn)練,得到模型應(yīng)用于驗(yàn)證集的準(zhǔn)確率達(dá)到99%。此外,設(shè)定了發(fā)情鑒定的時(shí)間閾值,并結(jié)合Lab VIEW的Python節(jié)點(diǎn)用于模型應(yīng)用。當(dāng)公豬試情時(shí),大白母豬雙耳豎立時(shí)長(zhǎng)達(dá)到76 s時(shí),則可判定其為發(fā)情。該方法對(duì)大白母豬發(fā)情識(shí)別的精確率...

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1大白母豬耳部圖像示例

為了提高模型的準(zhǔn)確性，減少過(guò)擬合現(xiàn)象的出現(xiàn)并增強(qiáng)模型泛化性，往往需要使用大量數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練[27]。由于本試驗(yàn)周期短且圖像樣本較單一，容易使得神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)擬合[28]，過(guò)擬合現(xiàn)象會(huì)使模型的準(zhǔn)確性下降[29]，因此需要在深度學(xué)習(xí)之前對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理。首先將豬只耳部圖像縮小至1....

圖2各模型準(zhǔn)確率與損失值曲線

神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置為:每一個(gè)訓(xùn)練批次(Batch)的圖像數(shù)量為64，訓(xùn)練迭代次數(shù)(Epoch)為30，初始學(xué)習(xí)速率為0.001。圖2為AlexNet＿Sow＿Simplified模型在訓(xùn)練集和驗(yàn)證集上的準(zhǔn)確率及損失值隨迭代次數(shù)變化曲線。從圖2a中可知，模型在訓(xùn)練集與驗(yàn)證集上的....

本文編號(hào)：3954132