一种基于多分支融合优化结构的绒山羊个体识别的方法技术

本发明专利技术公开了一种基于多分支融合优化结构的绒山羊个体识别的方法，包括：获取绒山羊群图片数据，采用SSD网络对绒山羊群图片数据中的个体羊只进行目标检测，采用迁移学习的预训练网络模型ResNet34和联合损失函数构建多分支融合损失函数的绒山羊个体识别网络模型，将Cycle

【技术实现步骤摘要】
一种基于多分支融合优化结构的绒山羊个体识别的方法


[0001]本专利技术涉及计算机图像学
，更具体的涉及一种基于多分支融合优化结构的绒山羊个体识别的方法。

技术介绍

[0002]随着农业技术的不断进步和精确畜牧业规模的扩大，如绒山羊养殖，口蹄疫和传染性脓疱病等问题也将在随之增加，提高畜牧业的智慧发展程度是提高农村经济和农业生活水平的关键，在智慧养殖中对个体进行实时检测和识别是亟需解决的首要问题。虽然传统的个体标注方法广泛应用于绒山羊养殖，但是羊只个体的疾病预防和控制需要专业养殖员工每天观察，成本高且效率低。使用计算机通过图像识别的方式检测羊只个体状态变化是现代化智能畜牧业的关键，具有非常广阔的发展前景。作为人工智能的一个新分支，基于图像的深度学习模型可以有效地解决这类问题。
[0003]畜牧业中的个体标识的传统身份标记方法分为具有永久性损伤的刻烙印法、耳标的外置标签法及外置的RFID设备标签等方法。传统标记动物方法容易对动物造成不同程度的伤害，例如刻烙印法，如图2(a)所示，对牲畜的刺激性很大，从而对牲畜造成一定的伤害；耳标外置标签法，如图2(b)所示，不仅会造成牲畜的耳部易发生感染，也会因为动物本身的活动性导致耳标丢失。

技术实现思路

[0004]本专利技术实施例提供一种基于多分支融合优化结构的绒山羊个体识别的方法，包括：
[0005]获取绒山羊群图片数据；
[0006]采用SSD神经网络对绒山羊群图片数据中的个体羊只进行目标检测；
[0007]将迁移学习的预训练网络模型ResNet34的损失函数修改为基于三元组损失函数Triplet
‑
Loss和交叉熵损失函数CrossEntropy
‑
Loss加权求和的联合损失函数，构建多分支融合损失函数的绒山羊个体识别网络模型；
[0008]采用多分支融合损失函数的绒山羊个体识别网络模型，对绒山羊群进行分类；
[0009]将Cycle
‑
GAN网络中的循环一致性损失函数修改为smooth L1损失函数，对分类中相似度高的羊只个体特征进行非线性数据增强；
[0010]将多分支融合损失函数的绒山羊个体识别网络模型输出最为修改后的Cycle
‑
GAN网络的输入，构建多分支融合优化结构的绒山羊个体智能识别网络模型；
[0011]在多分支融合优化结构的绒山羊个体智能识别网络模型中输入绒山羊群图片数据，输出识别后的绒山羊个体。
[0012]优选地，还包括对目标检测得到的羊只个体图片数据进行增广处理，其包括：
[0013]对羊只个体的边界框进行切割处理；
[0014]改变羊只个体图片数据对比度；
[0015]翻转变换处理羊只个体图片数据。
[0016]优选地，采用SSD网络对绒山羊群图片数据中的个体羊只进行目标检测，包括：
[0017]采用VGG
‑
16卷积层，提取低尺度的特征映射图；
[0018]将提取的低尺度的特征映射图输入卷积神经网络，提取4个高尺度的特征映射图；
[0019]预测高尺度的特征映射图中每个点的矩形框信息和所属类信息。
[0020]优选地，SSD网络的损失函数，包括：
[0021]预测框位置的损失函数和预测类的损失函数。
[0022]优选地，基于三元组损失函数Triplet
‑
Loss与交叉熵损失函数CrossEntropy
‑
Loss的联合损失函数，计算公式包括：
[0023]loss
all
＝λloss
triplet
+ηloss
CrossEntropy
[0024]其中，loss
all
表示联合损失函数，loss
triplet
代表三元组损失函数Triplet
‑
Loss，λ为三元组损失函数Triplet
‑
Loss的参数，loss
CrossEntropy
代表交叉熵损失函数CrossEntropy
‑
Loss，η为交叉熵损失函数的参数。
[0025]优选地，smooth L1损失函数，包括：
[0026][0027]其中，L
SmoothL1
(x，y)表示smoothL1损失函数，y
i
代表羊只数据对应的实际值，f(x
i
)代表优化后的模型输出值，|y
i
‑
f(x
i
)|代表模型输出值与实际值的绝对差值，当模型输出值与实际值的绝对差值小于1时，smooth L1损失函数应用公式计算损失值；其他情况时，smooth L1损失函数应用公式计算损失值。
[0028]优选地，最后使用少量不同ID的绒山羊数据集进行辅助训练，寻找识别个体的区分界限。
[0029]本专利技术实施例提供一种基于多分支融合优化结构的绒山羊个体识别的方法，与现有技术相比，其有益效果如下：
[0030]1、本专利技术采用基于Triplet
‑
Loss与CrossEntropy
‑
Loss联合优化的方法，使得网络在多个函数联合优化下增强了其表征能力，寻找到了针对羊只个体优化能力最佳的损失函数组合。
[0031]2、本专利技术采用改进的Cycle
‑
GAN网络对相似度高的羊只个体特征进行非线性数据增强，将原Cycle
‑
GAN网络中的循环一致性损失函数换成了smooth L1损失函数，显著提高特征提取的效果，进而提高了最终的分类识别准确率。
[0032]3、本专利技术为相似度高的动物个体识别检测提供了一种新的解决方案，能够极大节省养殖中的成本，不仅保护了羊只个体的身体健康，并且具有很大的实用价值。
附图说明
[0033]图1为本专利技术基于多分支融合优化结构的绒山羊个体识别的方法流程图；
[0034]图2为本专利技术
技术介绍
提供的传统标记动物方法，图2(a)为刻烙印法，图2(b)为耳标外置标签法；
[0035]图3为本专利技术实施提供的实验效果图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]参见图1～3，本专利技术实施例提供一种基于多分支融合优化结构的绒山羊个体识别的方法，该方法包括：
[0038]步骤1、为减少图片背景信息的干扰，并尽可能地保证羊只个体的身体特征信息完整，本研究首先通过对SSD网络检测后的目标进行切割重新形成数据集，SSD的第一部分卷积层为VGG
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分支融合优化结构的绒山羊个体识别的方法，其特征在于，包括：获取绒山羊群图片数据；采用SSD神经网络对绒山羊群图片数据中的个体羊只进行目标检测；将迁移学习的预训练网络模型ResNet34的损失函数修改为基于三元组损失函数Triplet
‑
Loss和交叉熵损失函数CrossEntropy
‑
Loss加权求和的联合损失函数，构建多分支融合损失函数的绒山羊个体识别网络模型；采用多分支融合损失函数的绒山羊个体识别网络模型，对绒山羊群进行分类；将Cycle
‑
GAN网络中的循环一致性损失函数修改为smooth L1损失函数，对分类中相似度高的羊只个体特征进行非线性数据增强；将多分支融合损失函数的绒山羊个体识别网络模型的输出作为修改后的Cycle
‑
GAN网络的输入，构建多分支融合优化结构的绒山羊个体智能识别网络模型；在多分支融合优化结构的绒山羊个体智能识别网络模型中输入绒山羊群图片数据，输出识别后的绒山羊个体。2.如权利要求1所述的一种基于多分支融合优化结构的绒山羊个体识别的方法，其特征在于，还包括对目标检测得到的羊只个体图片数据进行增广处理，其包括：对羊只个体的边界框进行切割处理；改变羊只个体图片数据对比度；翻转变换处理羊只个体图片数据。3.如权利要求1所述的一种基于多分支融合优化结构的绒山羊个体识别的方法，其特征在于，所述采用SSD网络对绒山羊群图片数据中的个体羊只进行目标检测，包括：采用VGG
‑
16卷积层，提取低尺度的特征映射图；将提取的低尺度的特征映射图输入卷积神经网络，提取4个高尺度的特征映射图；预测高尺度的特征映射图中每个点的矩形框信息和所属类信息。4.如权利要求1所述的一种基于多分支融合优化结构的绒山羊个体识别的方法，其特征在于，所述SSD网络的损失函数，包括：预测框位置的损失函数和预测类的...

【专利技术属性】
技术研发人员：王美丽，金博，尚诚，李梅，毛锐，王小龙，张宏鸣，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：