[發明專利]一種實時的牲畜身份識別方法

在審

• 申請號: 202111137090.5
• 申請日: 2021-09-27
• 公開（公告）號: CN114022688A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 高嶸
• 申請（專利權）人: 四川雪月天佑農牧科技有限公司
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 張小娟

1.一種實時的牲畜身份識別方法，其特征在于，包括如下步驟：

S1、通過牧場視頻采集得到牲畜目標檢測數據集；

S2、構建牲畜識別目標檢測網絡；

S3、利用牲畜目標檢測數據集對牲畜識別目標檢測網絡進行訓練，得到訓練好的牲畜識別目標檢測網絡；

S4、將待測牲畜圖像輸入訓練好的牲畜識別目標檢測網絡，得到預測牲畜臉部圖像；

S5、根據預測牲畜臉部圖像中牲畜臉邊框剪裁預測牲畜臉部圖像，并將裁剪后的預測牲畜臉部圖像輸入嵌入與激勵網絡，通過線性回歸函數得到預測牲畜特征向量；

S6、將預測牲畜特征向量與牲畜特征數據庫中的原牲畜特征向量匹配，并計算特征向量相似度，得到牲畜特征數據庫中相似度最高的牲畜圖像，完成牲畜身份識別。

2.根據權利要求1所述的實時的牲畜身份識別方法，其特征在于，所述步驟S1的具體步驟如下：

S11、將牧場視頻解碼為若干張圖像，并選取預設數量的解碼圖像，得到原始目標檢測數據集；

S12、將原始目標檢測數據集中的各圖像裁剪成大小為50×50的圖像，并利用Lableme標注工具對各圖像標注，得到牲畜目標檢測數據集。

3.根據權利要求1所述的實時的牲畜身份識別方法，其特征在于，所述步驟S2的具體步驟如下：

S21、利用MobileNetv3模塊替換YOLO v4中特征提取網絡的CSPDarknet53模塊，得到改進的牲畜圖像特征提取網絡；

S22、利用空間金字塔池化模塊構建牲畜圖像特征融合網絡，并將牲畜圖像特征融合網絡輸入端與改進的牲畜圖像特征提取網絡的輸出端連接；

S23、利用分類與回歸輸出網絡的輸入端與牲畜圖像特征融合網絡的輸出端連接，完成初始牲畜識別目標檢測網絡的構建；

S24、通過損失函數的迭代訓練優化初始牲畜識別目標檢測網絡，完成牲畜識別目標檢測網絡的構建。

4.根據權利要求3所述的實時的牲畜身份識別方法，其特征在于，所述改進的牲畜圖像特征提取網絡包括依次設置的頂層特征提取層、中間層特征提取層和底層特征提取層；

所述頂層特征提取層由依次設置的CBL模塊和兩個連續設置的MBN模塊構成，用于輸出頂層特征圖；所述中間層特征提取層由兩個連續設置的MBN模塊構成，用于輸出中間層特征圖；所述底層特征提取層為單個MBN模塊，用于輸出底層特征圖；所述頂層特征提取層、中間層特征提取層和底層特征提取層的末端構成改進的牲畜圖像特征提取網絡的輸出端；

所述牲畜圖像特征融合網絡的輸入端包括頂層特征融合輸入端、中間層特征融合輸入端和底層特征融合輸入端；

所述頂層特征融合輸入端為單個CBL模塊，并與頂層特征提取層末端連接；所述中間層特征融合輸入端為單個CBL模塊，并與中間層特征提取層末端連接；所述底層特征融合輸入端由依次設置的第一3堆疊CBL模塊、空間金字塔模塊SPP、第二3堆疊CBL模塊和單個CBL模塊構成，并與底層特征提取層末端連接；

所述牲畜圖像特征融合網絡的輸出端包括頂層特征融合輸出端、中間層特征融合輸出端和底層特征融合輸出端；

所述頂層特征融合輸出端為第二5堆疊CBL模塊，用于輸出頂層特征提取圖特征提取結果；所述中間層特征融合輸出端為第三5堆疊CBL模塊，用于輸出第二中間層特征提取圖特征提取結果；所述底層特征融合輸出端為第四5堆疊CBL模塊，用于輸出底層特征提取圖特征提取結果；

所述分類與回歸輸出網絡的輸入端包括頂層分類與回歸輸入端、中間層分類與回歸輸入端和底層分類與回歸輸入端；

所述頂層分類與回歸輸入端由依次設置的GBL模塊、Conv卷積層和尺度大小為52×52且通道數為256的卷積層構成，并與頂層特征融合輸出端連接；所述中間層分類與回歸輸入端由依次設置的GBL模塊、Conv卷積層和尺度大小為26×26且通道數為512的卷積層構成，并與中間層特征融合輸出端連接；所述底層分類與回歸輸入端由依次設置的GBL模塊、Conv卷積層和尺度大小為13×13且通道數為1024的卷積層構成，并與底層特征融合輸出端連接。