计算机时代 2022 年 第 4 期 ·51 ·

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

Research on pig individual identity based on convolutional neural networks

Ma Na, Xu Miao
（College of Information Science and Engineering, Shanxi Agricultural University, Taigu, Shanxi 030801, China）
Abstract：In order to facilitate the management of pigs, it is necessary to pay attention to the status of each pig in time. In this
paper, using Keras and taking seven pigs under real conditions as the research object, a two-layer convolutional neural network
model which includes convolutional layer-pooling layer-convolutional layer-pooling layer is established to identify individual pigs.
The accuracy of the convolutional neural network model for individual identification of pigs can reach 85.71%. The pig individual
identification model is simple and efficient, which can identify pigs more accurately.
Key words：pig; individual identification; Keras; convolutional neural network

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。

1.1 卷积神经网络的组成 2.2 建立卷积神经网络模型

卷积神经网络包括数据输入层（input layer）、卷 本 研 究 利 用 Keras 建 立 了 两 种 卷 积 神 经 网 络 模

积层（conv layer）、池化层（pooling layer）、激活函数 型，一种模型是：卷积层-池化层-卷积层-池化层-全
（Activation Function）、
Dropout和全连接层（FC layer）。 连接层，简称为 2 层 CNN 模型，另一种模型是卷积层-
⑴ 输入层：对图像的特征数据预处理，把对图像 池化层-卷积层-池化层-卷积层-池化层-全连接层，
的预处理数据转化成容易识别的图像特征数据。 简称为 3 层 CNN 模型。
⑵ 卷积层：绝大部分计算都是集中在该层完成 构建的 2 层 CNN 模型结构如图 1 所示，3 层 CNN
的。有多少个卷积核，输出就有多少个卷积核通道。 模型结构如图 2 所示。
每个卷积核的输出都生成一个特征图，这些特征图堆
叠在一起组成整个卷积核输出的结果。
⑶ 池化层：池化操作一般出现在卷积操作之后，
与卷积操作交替在网络中运行。通过池化层，只把主
要特征保留，进一步缩小全连接层中神经网络节点的
特征个数。常见的池化操作方式主要有两种：最大池
化（max pooling）、平均池化（average pooling）。
⑷ 激活函数：用于运行在神经网络全连接层中
的神经元上的非线性函数，它的作用主要是为了激活
和提升整个神经网络的非线性。常用的激活函数有：
Sigmoid 函数、Tanh 函数、ReLU 函数[23]。
⑸ Dropout[24]：在 神 经 网 络 的 学 习 中 ，这 是 一 种
有效防止过度神经网络拟合的方法，可以按照一定的
拟合比例，将部分非线性神经网络的单元暂时从神经
网络中分离或丢弃，相当于将原始的神经网络处理为 图1 建立的 2 层 CNN 模型
一个更简洁的神经网络。
3 结果与分析
⑹ 全连接层：是由许多神经元共同连接得来的，
经过前面几次对图像进行卷积操作和池化操作，把图 3.1 2 层 CNN 模 型 与 3 层 CNN 模 型 猪 只 身 份 识 别
像抽象地处理为具有很强特征的信息。特征提取完 结果对比
之后，通过全连接层来完成对图像的分类任务。 将 105 幅测试用图像输入到建立好的 2 层 CNN
 计算机时代 2022 年 第 4 期 ·53 ·

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)

计算机学报,2002,25(7):760-765 Guoyin Wang, Zeng Yu. An incremental approach for

[3] 梁吉业,曲开社,徐宗本 . 信息系统的属性约简[J]. 系统工程 attribute reduction based on knowledge granularity[J].
理论与实践,2001,12(12):76-80 Knowledge-Based Systems,2016,104(C):24-38
[4] Feng Wang, Jiye Liang, Chuangyin Deng. Attribute [8] Wenhao Shu, Hong Shen. Updating attribute reduct in
reduction: A dimension incremental strategy. Knowledge- incomplete decision systems with the variation of
Based Systems,2013,39:95-108 attribute set. International Journal of Approximate
[5] Yuhua Qian, Jiye Liang, Witold Pedrycz, Chuangyin Deng. Reasoning,2014,55:867-884
Positive approximation: An accelerator for attribute [9] Anping Zeng, Tianrui Li, Dun Liu, Junbo Zhang, Hongmei
reduction in rough set theory. Artificial Intelligence, Chen. A fuzzy rough set approach for incremental
2010,174(9-10):597-618 feature selection on hybrid information systems. Fuzzy
[6] 王磊,叶军 . 知识粒度计算的矩阵方法及其在属性约简中的 Sets and Systems,2015, 258:39-60
应用[J]. 计算机工程与科学,2013,35(3):98-102 [10] 刘 清 . Rough set 及 Rough 推 理 [M]. 北 京 : 科 学 出 版 社 ,
▲

[7] Yunge Jing, Tianrui Li, Chuan Luo, Shi-Jinn Horng, 2001 C E