[發(fā)明專利]一種基于遷移學(xué)習(xí)的動物個體識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202210411457.6
• 申請日: 2022-04-19
• 公開（公告）號: CN114842505A
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計）人: 楊穎;吳瀟;劉剛
• 申請（專利權(quán)）人: 中國農(nóng)業(yè)大學(xué)
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06N3/04;G06V10/774
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 吳勇濤

本發(fā)明提供一種基于遷移學(xué)習(xí)的動物個體識別方法及裝置，其中的方法包括：獲取待識別動物的目標圖像；對目標圖像進行預(yù)處理，得到預(yù)處理圖像；對原始ResNet34網(wǎng)絡(luò)模型進行改進，獲取改進型ResNet34網(wǎng)絡(luò)模型，改進型ResNet34網(wǎng)絡(luò)模型的初始模型參數(shù)通過遷移學(xué)習(xí)獲得；將預(yù)處理圖像輸入至預(yù)先訓(xùn)練的改進型ResNet34網(wǎng)絡(luò)模型，得到待識別動物的個體識別結(jié)果，該方法能夠有效提高動物個體識別效率，且對光照、待識別動物姿態(tài)以及遮擋等問題不敏感，具有較好的魯棒性，保證了動物個體識別的準確性。

技術(shù)領(lǐng)域

本發(fā)明涉及動物個體識別技術(shù)領(lǐng)域，尤其涉及一種基于遷移學(xué)習(xí)的動物個體識別方法及裝置。

背景技術(shù)

動物個體識別是對動物進行日常管理的前提和基礎(chǔ)，廣泛應(yīng)用于動物的日常飼養(yǎng)管理、動物保險，動物譜系、檔案建立等方面。動物個體識別通過處理多通道的感知信號獲取個體身份信息，可用于精準飼喂，有效減少飼料的浪費以及改善動物生產(chǎn)性能。

近年來，銀保行業(yè)對養(yǎng)殖業(yè)保險產(chǎn)品不斷加大投入和關(guān)注，而參保動物的死亡和疾病，直接關(guān)系養(yǎng)殖戶的保險理賠等相關(guān)利益，因此，動物個體識別對于提高被保動物個體的身份認證和識別的有效性具有重要的意義。

目前，常用的識別動物個體的方法包括以下兩大類：

(1)物理識別，例如環(huán)、標、缺刻法、刺紋法、烙印法、染料標記法、微電子芯片皮下掩埋法以及無線射頻識別技術(shù)等。

其中，腳環(huán)和翅標適用于禽類生物，在獸類中使用受限制；缺刻法、刺紋法、烙印法和微電子芯片皮下掩埋法會給動物造成一定損傷，不適用于目前福利養(yǎng)殖的大環(huán)境，對動物保護不利；染料標記法受制于動物生活場景，通常動物的生活場景較臟，染料的標記會被弄臟，磨損而不易識別；無線射頻識別技術(shù)常用于奶牛、豬等牲畜飼養(yǎng)場景，但脫落率較高，動物個體識別的準確度難以保證。

(2)生物識別，例如DNA識別技術(shù)和虹膜識別技術(shù)。其中，DNA等生物識別技術(shù)，識別價格昂貴，適用于個體數(shù)目少且價值比較高的珍稀動物，不適用于普通養(yǎng)殖的動物個體識別。

因此，現(xiàn)有技術(shù)中動物個體識別效率低下，且準確度不高，是動物個體識別技術(shù)領(lǐng)域亟待解決的重要問題。

發(fā)明內(nèi)容

本發(fā)明提供一種基于遷移學(xué)習(xí)的動物個體識別方法及裝置，用以解決現(xiàn)有技術(shù)中動物個體識別效率低下，且準確度不高的缺陷，提高了動物個體識別效率，并保證了動物個體識別的準確性。

一方面，本發(fā)明提供一種基于遷移學(xué)習(xí)的動物個體識別方法，包括：獲取待識別動物的目標圖像；對所述目標圖像進行預(yù)處理，得到預(yù)處理圖像；對原始ResNet34網(wǎng)絡(luò)模型進行改進，獲取改進型ResNet34網(wǎng)絡(luò)模型，所述改進型ResNet34網(wǎng)絡(luò)模型的初始模型參數(shù)通過遷移學(xué)習(xí)獲得；將所述預(yù)處理圖像輸入至預(yù)先訓(xùn)練的改進型ResNet34網(wǎng)絡(luò)模型，得到所述待識別動物的個體識別結(jié)果。

進一步地，所述對原始ResNet34網(wǎng)絡(luò)模型進行改進，獲取改進型ResNet34網(wǎng)絡(luò)模型，包括：通過刪減預(yù)設(shè)數(shù)量的中間網(wǎng)絡(luò)層，簡化所述原始ResNet34網(wǎng)絡(luò)模型中的殘差單元，以得到改進型ResNet34網(wǎng)絡(luò)模型。

進一步地，所述對原始ResNet34網(wǎng)絡(luò)模型進行改進，獲取改進型ResNet34網(wǎng)絡(luò)模型，還包括：將所述原始ResNet34網(wǎng)絡(luò)模型的原始全連接層改進為目標全連接層，所述目標全連接層包括第一全連接層和第二全連接層；所述第一全連接層設(shè)置有Dropout函數(shù)。

進一步地，所述改進型ResNet34網(wǎng)絡(luò)模型的初始模型參數(shù)通過遷移學(xué)習(xí)獲得，包括：獲取ImageNet數(shù)據(jù)集和預(yù)訓(xùn)練網(wǎng)絡(luò)模型；利用所述ImageNet數(shù)據(jù)集對所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型進行訓(xùn)練，得到目標預(yù)訓(xùn)練網(wǎng)絡(luò)模型；獲取所述目標預(yù)訓(xùn)練網(wǎng)絡(luò)模型的預(yù)訓(xùn)練參數(shù)；基于所述遷移學(xué)習(xí)，將所述預(yù)訓(xùn)練參數(shù)遷移至所述改進型ResNet34網(wǎng)絡(luò)模型，得到所述初始模型參數(shù)。