Professional Documents
Culture Documents
马 徐 2022 基于卷积神经网络的猪只个体身份识别研究
马 徐 2022 基于卷积神经网络的猪只个体身份识别研究
DOI:10.16644/j.cnki.cn33-1094/tp.2022.04.013
基于卷积神经网络的猪只个体身份识别研究*
马 娜,徐 苗
(山西农业大学信息科学与工程学院,山西 太谷 030801)
摘 要: 为了便于管理猪只,需及时关注每只猪的状态,本研究以真实条件下的 7 只猪只为研究对象,利用 Keras 建立了
卷积层-池化层-卷积层-池化层 2 层卷积神经网络模型对猪只个体身份进行识别。建立的卷积神经网络模型对猪只个体
身份识别的准确率可达 85.71%。建立的猪只个体身份识别模型简单,执行效率高,可以较准确的实现猪只身份识别。
关键词:猪只;个体身份识别;Keras;卷积神经网络
中图分类号:TP391.4 文献标识码:A 文章编号:1006-8228(2022)04-51-04
0 引言 一段时间都得检查标签,很耗费时间和精力。
近年来, 在目标识别[11-14]、
机器视觉技术不断发展,
我国是世界上养猪数量最多的国家之一,监测猪
跟踪方面[15-16]有了很大进展,不仅减少了成本,通过实
只健康状况对生产力和人类健康都至关重要[1-3]。随
时监测还能及时发现猪只异常。Weijia Huang 等[17]提
着科学技术发展和壮大,信息化时代已经到来,目前
取猪只图像 Gabor 特征、纹理特征,然后利用 PCA 降
我国的养猪业,无论是生产方式、生产能力还是养殖
低特征维数,最后用支持向量机对猪只身份进行识
模式,都在发生翻天覆地的变化,正处于由传统养猪
别。赵伟等[18]提出了一种基于 Gabor 方向直方图和支
业向信息化养猪业转变时期[4-7]。很多大型养猪场对
持向量机的猪只个体身份识别方法。首先利用关键
于猪只个体身份没有一个准确有效的识别方法,仅仅
点提取肩部和臀部两个特征区域,然后提取猪体背部
依靠管理员的观察,几乎不可能实现对猪只连续地、
毛发模式特征,最后将提取的猪只的 Gabor 方向直方
个别地观察。为了方便管理,一般会通过在猪只耳朵
图作为 SVM 分类器的输入进行猪只个体身份识别。
上穿孔来佩戴无线射频识别标签(RFID)[8-10]来辨别猪
Mark F.Hansen 等 [19] 采集猪脸视频,然后用猪脸训练
只身份。但这种方法存在一些缺陷:①穿孔很大可能
神经网络进行猪只身份识别。该方法要求必须拍摄
会导致皮肤发炎,影响猪只健康;②随着猪只之间的
到猪只正脸,造成身份识别局限性。传统的猪只身份
接触,难免会发生咬标、掉标的情况;③养殖人员每隔
收稿日期:2021-09-22
*基金项目:山西农业大学青年科技创新基金(2020QC17)
作者简介:马娜(1992-),
女,山西襄汾人,
硕士,
讲师,
主要研究方向:
图像分析与机器视觉。
·52 · Computer Era No. 4 2022
识别需要对实验中猪只的前景和目标的特点进行大 2 基于卷积神经网络对猪只个体身份进行识别
量的分析,提取有效的特征向量数据作为模式识别和
2.1 数据采集
分类器的数据输入,在特征向量提取和分类器选择上
实验数据采集于山西省临汾某养猪场的猪圈内,
有 很 大 随 机 性 。 卷 积 神 经 网 络[20-22](Convolutional
共 采 集 7 只 猪 只 活 动 视 频 ,每 个 视 频 1 分 钟 。 利 用
Neural Networks, CNN)是近些年来图像识别技术中
matlab 工具,从采集到的猪只视频数据中提取出 7 只
应用最多,最受欢迎之一的技术,在很多领域都有较
猪个体图像数据,分别存放到 7 个文件夹中,用文件夹
高的性能。卷积神经网络不需要对图像进行大量的
名称来标记猪只身份。为了保证样本数据平均性,经
算法处理,只需使用较少的程序代码就可以建立深度
筛选,去除部分奇异样本,再采用适当的数据增强技
学习模型,进行训练、评估准确率、并进行预测。因此
术对数据集进行扩充,最终得到每只猪只 115 幅图像,
本文研究利用卷积神经网络构建猪只个体身份识别
共 805 幅猪只图像。对每只猪个体随机选取 100 幅图
模型,该模型的优点是可以对真实条件下的猪只图像
像作为训练集,用 15 幅作为测试集。训练集数据总共
直接进行预测,模型简单,效率高。
700 幅猪只图像,测试集总共 105 幅猪只图像,输入卷
1 卷积神经网络 积神经网络模型中进行猪只身份识别。
猪只身份识别模型和 3 层 CNN 猪只身份识别模型中 到 1 号、2 号、3 号、4 号、5 号、6 号猪只 15 幅图像全部预
进行测试,得到结果如表 1 所示。 测正确。说明本研究建立的猪只身份识别模型,对于
1-6 号猪只特征提取精确,识别结果准确。
⑵ 7 号猪只身份识别结果很差,15 幅图像中 5 只
被预测成 3 号猪,10 只被预测成 6 号猪。7 号猪只身份
识别率很低,原因可能在于 7 号猪只图像采集时,里边
包含了多个猪只,对目标猪只身份特征提取造成干扰,
导致 CNN 模型识别率很低。7 号猪只采集部分图像
如图 4 所示。
图2 建立的 3 层 CNN 模型
表1 两种 CNN 模型识别结果
模型 准确率/% 时间/s
图4 7 号猪只采集部分图像
Model Accuracy Time
2 层 CNN 模型 85.71(90/105) 33.21
3 结论与讨论
3 层 CNN 模型 85.71(90/105) 36.27
本文利用 Keras 构建卷积神经网络模型对 7 只猪
从表 1 中可以看到 3 层 CNN 模型与 2 层 CNN 模型
只个体身份进行识别,准确率可达 85.71%。
对于猪只识别准确率,都是 85.7%,但是 3 层 CNN 模型
⑴ 本文建立的猪只身份识别模型可以对真实条
所用识别时间相对较长,说明随着网络结构的增 加 ,
件下的猪只身份进行快速识别,避免了传统机器学习
猪只身份识别准确率却不会增加。因此对于本研究
中的手工提取特征,降低人为因素的干扰。
中的猪只身份识别,建立 2 层 CNN 模型是最优模型。
⑵ 本文建立的猪只身份识别模型对只有单目标
3.2 2 层 CNN 模型猪只身份识别结果分析 猪只的图像身份识别效果较好。在多目标猪只身份
采用 2 层 CNN 模型来识别猪只身份,得到图 3 混 识别上有待于改进。
淆矩阵。其中 0 代表 1 号猪,1 代表 2 号猪,2 代表 3 号
参考文献(References):
猪,3 代表 4 号猪,5 代表 6 号猪,6 代表 7 号猪。
[1] LEI ZHANG, HELEN GRAY, XUJIONG YE, et al.
Automatic Individual Pig Detection and Tracking in Pig
Farms. Laboratory of Vision Engineering, School of
Computer Science, University of Lincoln,2019(2):1-2
[2] 罗土玉,边峰,钟日开,等 . 幼猪生长性能智能测定系统设计和
试验[J]. 现代农业装备,2017(2):65-67
[3] 伍佰鑫,浣成,张翠永,等 . 规模猪场人工智能监控和预警的
研究和应用概况[J]. 中国猪业,2017(12):60-61
[4] 沈富林,陆雪林,许栋,等 . 能物联助推畜牧产业升级和种养
图3 2 层 CNN 模型混淆矩阵 联动[J]. 国畜牧业,2016(1):32-35
通过混淆矩阵,可以得到以下结论。 [5] 何东健,刘冬,赵凯旋 . 精准畜牧业中动物信息智能感知与
⑴ 对角线上的数字是预测正确的数量。可以看 行为检测研究进展[J]. 农业机械学报,2016,47(5):231-244
·54 · Computer Era No. 4 2022
[6] 米国芹 . 猪群健康状态识别与掌握[J]. 中国畜禽种业,2018, group-housed pigs based on Gabor and Local
14(9):137 BinaryPattern features[J]. biosystems engineering,
[7] 朱明,隋斌,齐飞,等 . 论中国乡村振兴战略中的农业工程管理 2017,166:90-100
创新[J]. 农业工程学报,2019,35(2):1-9 [18] 赵伟 . 基于 Gabor 方向直方图和支持向量机的猪个体身份
[8] KASHIHA MOHAMMADAMIN, BAHR CLAUDIA, OTT 识别[D]. 江苏大学,2017
SANNE, et al. Automatic weight estimation of individual [19] F. HANSEN M., L. SMITH M., N. SMITH L. Towards
pigs usingimage analysis[J]. Computers and Electronics on-farm pig face recognition using convolutional
in Agriculture,2014,107:38-44 neuralnetwork[J]. Computer in Industry,2018(98):145-
[9] 张文文 . 基于模糊推理的多源信息生猪异常行为综合监测[D]. 152
太原:太原理工大学,2018 [20] 盖荣丽,蔡建荣,王诗宇,等 . 卷积神经网络在图像识别中的
[10] 卞子煜 . 基于深度学习的群养猪个体身份识别[D]. 江苏 应用研究综述[J].小型微型计算机系统:1-6[2021-06-09].
大学,2020 http://kns.cnki.net/kcms/detail/21.1106.TP.20210428.
[11] 杨秋妹,肖德琴,张根兴 . 猪只饮水行为机器视觉自动识别[J]. 1058.002.html.
农业机械学报,2018,49(6):232-238 [21] 李彦冬,郝宗波,雷航 . 卷积神经网络研究综述[J]. 计算机应
[12] 金耀,何秀文,万世主,等 . 基于 YOLO v3 的生猪个体识别 用,2016(9):33-38
方法[J]. 中国农机化学报,2021,42(2):178-183 [22] 李炳臻,刘克,顾佼佼,等 . 卷积神经网络研究综述[J]. 计算机
[13] 李丹,张凯锋,李行健,等 . 基于 Mask R-CNN 的猪只爬跨行 时代,2021(4):8-12,17
为识别[J]. 农业机械学报,2019,50(增刊):261-266,275 [23] NAIR V, HINTON G E. Rectified linear units improve
[14] 王少华,何东健,刘冬 . 基于机器视觉的奶牛发情行为自动 restricted boltzmann machines [C]. Proceedings of the
识别方法[J]. 农业机械学报,2020,51(4):241-249 27th international conference on machine learning
[15] 张炜,陈晨 . 基于机器视觉技术的复杂运动姿态自动跟踪 (ICML-10),2010:807-814
研究[J]. 现代电子技术,2021,44(11):62-66 [24] HINTON G E, SRIVASTAVA N, KRIZHEVSKY A, et al..
[16] 李志华,于杨 . 基于检测的多目标跟踪算法综述[J]. 物联网 Improving neural networks by preventing co-
技术,2021,11(4):20-24 adaptation of feature▲ detectors[J]. Computer Ence,
[17] HUANG WJ, ZHU WX, MA CH, et al. Identification of 2012,3(4):212-223 C E
■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
(上接第 50 页)
[7] Yunge Jing, Tianrui Li, Chuan Luo, Shi-Jinn Horng, 2001 C E