[發(fā)明專(zhuān)利]一種奶牛個(gè)體身份識(shí)別方法和裝置、存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111597589.4
• 申請(qǐng)日: 2021-12-24
• 公開(kāi)（公告）號(hào): CN114283366A
• 公開(kāi)（公告）日: 2022-04-05
• 發(fā)明（設(shè)計(jì)）人: 戴百生;沈維政;張哲;嚴(yán)士超;李洋;孫雨坤;孫佳;張永根;熊本海
• 申請(qǐng)（專(zhuān)利權(quán)）人: 東北農(nóng)業(yè)大學(xué)
• 主分類(lèi)號(hào): G06V20/40
• 分類(lèi)號(hào): G06V20/40;G06K9/62;G06N3/04;G06N3/08;G06V10/764
• 代理公司: 北京東方盛凡知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11562
• 代理人: 程小芳

本發(fā)明公開(kāi)一種奶牛個(gè)體身份識(shí)別方法和裝置、存儲(chǔ)介質(zhì)，包括：通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)歷史奶牛圖像進(jìn)行深度特征提取，生成特征模板；獲取待識(shí)別的奶牛圖像；將所述待識(shí)別的奶牛圖像與所述特征模板進(jìn)行匹配，以識(shí)別奶牛個(gè)體身份。采用本發(fā)明的技術(shù)方案，可以提高牛奶識(shí)別精度，新的奶牛加入牛群時(shí)，可以較快地將特征存儲(chǔ)到模板特征庫(kù)中，完成注冊(cè)，避免特征提取網(wǎng)絡(luò)的重復(fù)訓(xùn)練。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種基于深度特征提取與匹配的奶牛個(gè)體身份識(shí)別方法和裝置、存儲(chǔ)介質(zhì)。

背景技術(shù)

奶牛個(gè)體識(shí)別不僅是奶牛行為自動(dòng)分析、體型和身體狀況評(píng)估以及體重評(píng)估的前提，也是規(guī)模化信息化和精細(xì)化畜牧業(yè)發(fā)展的重要組成部分。目前，無(wú)線射頻識(shí)別(RFID)在農(nóng)場(chǎng)中被廣泛使用，作為區(qū)分奶牛個(gè)體的技術(shù)手段，主要用于奶牛的定位或識(shí)別。然而，RFID的應(yīng)用要求奶牛佩戴耳標(biāo)。耳標(biāo)是侵入性的，會(huì)影響動(dòng)物的福利。此外，復(fù)雜的農(nóng)場(chǎng)環(huán)境導(dǎo)致耳標(biāo)嚴(yán)重丟失和腐蝕損害，增加了經(jīng)濟(jì)成本。基于雷達(dá)技術(shù)以及WLAN跟蹤系統(tǒng)用于定位跟蹤奶牛，但基于雷達(dá)技術(shù)的局部位置測(cè)量(Local Position Measurement,LPM)系統(tǒng)價(jià)格昂貴，無(wú)法在生產(chǎn)中廣泛使用。WLAN跟蹤系統(tǒng)價(jià)格較低，但仍需要給奶牛佩戴應(yīng)答器，該類(lèi)系統(tǒng)也是接觸式的，同樣存在損耗或丟失的情況。實(shí)驗(yàn)發(fā)現(xiàn)基于計(jì)算機(jī)的非接觸式系統(tǒng)成本較低，有利于動(dòng)物福利。因此，基于視覺(jué)的奶牛非接觸個(gè)體識(shí)別的應(yīng)用具有一定的價(jià)值。

隨著計(jì)算機(jī)視覺(jué)技術(shù)在智能畜牧業(yè)領(lǐng)域的迅速發(fā)展，基于視覺(jué)的奶牛個(gè)體識(shí)別的研究和應(yīng)用也越來(lái)越多。目前研究中常用的奶牛個(gè)體識(shí)別區(qū)域有臉、口、背、尾等身體部位。奶牛的面部特征和口鼻區(qū)紋理包含著豐富的個(gè)體信息。基于牛面部和口鼻圖像的研究取得了一定的成果，利用傳統(tǒng)算法對(duì)奶牛的面部或鼻子和嘴巴區(qū)域進(jìn)行分類(lèi)，其中大部分采用特征提取算法，通過(guò)分類(lèi)器提取特征并識(shí)別奶牛。然而，傳統(tǒng)算法存在再在特征提取和圖像預(yù)處理方面比較復(fù)雜，對(duì)奶牛的識(shí)別精度不高的問(wèn)題，不能很好地滿(mǎn)足實(shí)際需要。以卷積神經(jīng)網(wǎng)絡(luò)作為技術(shù)手段進(jìn)行的個(gè)體識(shí)別任務(wù)表現(xiàn)尤其出色。但是，在基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個(gè)體識(shí)別中仍然存在一些問(wèn)題，已訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型存儲(chǔ)著奶牛場(chǎng)中現(xiàn)有奶牛的信息，一旦新增奶牛，就需要對(duì)模型進(jìn)行重新訓(xùn)練。但是，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練非常耗時(shí)，時(shí)效性很低。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是，提供一種奶牛個(gè)體身份識(shí)別方法和裝置、存儲(chǔ)介質(zhì)，可以提高牛奶識(shí)別精度。對(duì)于新輸入奶牛數(shù)據(jù)，可以快速完成注冊(cè)，無(wú)需重新訓(xùn)練特征提取網(wǎng)絡(luò)，避免重復(fù)訓(xùn)練，節(jié)約時(shí)間。

為實(shí)現(xiàn)上述目目的，本發(fā)明采用如下的技術(shù)方案：

一種奶牛個(gè)體身份識(shí)別方法，包括以下步驟：

步驟S1、通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)歷史奶牛圖像進(jìn)行深度特征提取，生成特征模板；

步驟S2、獲取待識(shí)別的奶牛圖像；

步驟S3、將所述待識(shí)別的奶牛圖像與所述特征模板進(jìn)行匹配，以識(shí)別奶牛個(gè)體身份。

作為優(yōu)選，步驟S1具體為：利用VGG-16網(wǎng)絡(luò)對(duì)圖像進(jìn)行深度特征提取計(jì)算公式為：

Y(P)＝x∈R^d

其中，P為奶牛圖像，x為奶牛圖像P的特征矩陣，R為實(shí)數(shù)；將P投影到d維特征空間中獲得d維空間中的特征Y(P)；

利用特征提取函數(shù)Y，對(duì)數(shù)據(jù)集中奶牛圖像的每個(gè)奶牛圖像P進(jìn)行特征提取，得到N個(gè)特征向量Y(P)，并將奶牛圖像ID與對(duì)應(yīng)的Y(P)存儲(chǔ)在模板特征庫(kù)中，生成特征模板。

作為優(yōu)選，VGG-16網(wǎng)絡(luò)由13個(gè)卷積層、4個(gè)最大池化層、3個(gè)完全連接層和1個(gè)softmax組成；卷積層采用尺寸為3×3的卷積核和步長(zhǎng)為1的過(guò)濾器構(gòu)建而成，最大池化層采用尺寸為2×2的池化核和步長(zhǎng)為2的過(guò)濾器構(gòu)建而成；VGG-16網(wǎng)絡(luò)作為深度特征提取器，在卷積以及最大池化操作后會(huì)使用Flatten()函數(shù)將數(shù)據(jù)壓平，得到一個(gè)1*n維的特征向量。