CN108363990A - 一种猪脸识别***及方法 - Google Patents
一种猪脸识别***及方法 Download PDFInfo
- Publication number
- CN108363990A CN108363990A CN201810207190.2A CN201810207190A CN108363990A CN 108363990 A CN108363990 A CN 108363990A CN 201810207190 A CN201810207190 A CN 201810207190A CN 108363990 A CN108363990 A CN 108363990A
- Authority
- CN
- China
- Prior art keywords
- pig
- face
- picture
- model
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 claims abstract description 162
- 235000004550 Disphyma australe Nutrition 0.000 claims abstract description 162
- 244000187801 Carpobrotus edulis Species 0.000 claims abstract description 156
- 238000012549 training Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 241000200554 Disphyma crassifolium Species 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 235000015277 pork Nutrition 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013622 meat product Nutrition 0.000 description 2
- 241000282887 Suidae Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,尤其是一种猪脸识别***及方法。包括摄像模块、前端应用模块和后端识别模块,摄像模块用于获取猪脸的图像信息并传送给所述前端应用模块;前端应用模块包括猪脸取脸模型,猪脸取脸模型用于识别出猪脸信息,根据图像信息生成包含猪脸的有效图片;后端识别模块包括猪脸识别模型,猪脸识别模型用于根据猪脸取脸模型生产的猪脸的有效图片,通过比对判断该猪只是否为新增猪只还是已有猪只,如果是新增猪只就生成全球唯一猪只身份ID,如果是已有猪只就识别出猪只身份ID。本猪脸识别***可以很好地取代现有猪只生成管理中使用的电子耳标或者耳牌,从而解决使用电子耳标或者耳牌的缺陷问题。
Description
技术领域
本发明涉及图像识别技术领域,尤其是一种猪脸识别***。
背景技术
随着我国国民经济的飞速发展和人民生活水平的稳步提高,消费者饮食结构发生了巨大变化,对肉蛋奶消费比重大大增加,而消费者对于食品的质量和安全的关注程度也空前提高。欧盟各国、美国、澳大利亚等发达国家均出台了法律法规,对肉类产品质量安全可追溯性提出了强制性要求。猪肉作为一种日常的肉食品,在我国消费结构中所占比重很大,因此猪肉的质量安全尤为重要。同时,生猪作为一种高密度养殖,爆发性或群发性疾病的防控也十分重要,但是伴随着养猪业集约化、规模化的发展,生猪疾病的发生给养殖业带来了很大的危害,给养殖户带来不可估量的经济损失。目前对于猪只的身份管理以及猪只的身份追溯还没有一个完整的***来支撑以建立猪只整个生长过程的数据仓库。目前大多数对于猪只的身份管理都是使用电子耳标或耳牌(例如RFID射频技术),然后通过读取电子耳标或者耳牌的信息来确认猪只的身份。对于电子耳标或者耳牌技术会有如下几点缺陷:在猪的耳朵上打电子耳标或者耳牌,会对猪只造成身体上的伤害;如果电子耳标或者耳牌从猪身上掉落或者被猪毁坏,那么猪只的身份信息会丢失;电子耳标或者耳牌有使用寿命,无法重复利用,增加猪场生产管理成本;不同猪场的耳牌信息会有重复,这对于屠宰场或者猪肉安全会产生追溯问题。
发明内容
为了实现上述问题,本发明提供一种猪脸识别***,***通过人工智能的技术对猪脸进行识别,从而确认猪只的身份,建立猪只的数据仓库。这样可以有效地取缔电子耳标或者耳牌在猪只上地应用。
为了实现上述目的,本发明采用的技术方案为:
一种猪脸识别***,包括摄像模块、前端应用模块和后端识别模块,
所述摄像模块用于获取猪脸的图像信息并传送给所述前端应用模块;
所述前端应用模块包括猪脸取脸模型和分割单元,所述猪脸取脸模型用于识别出猪脸信息,根据图像信息生成包含猪脸的有效图片,并将猪脸的有效图片传递给后端识别模块,所述分割单元与所述猪脸取脸模型相连,所述分割单元用于在所述猪脸取脸模型识别预览图像信息中完整猪脸个数大于阈值时,将该预览图像分割成若干个仅包含一个完整猪脸的图像;
所述后端识别模块包括猪脸识别模型和校准单元,所述校准单元用于用于判断所述猪脸的有效图片中的五官位置是否处于同一水平面,及在判断为否时,将所述待测影像中的五官位置对齐至同一水平面,所述猪脸识别模型用于根据猪脸取脸模型生产的猪脸的有效图片,通过比对判断该猪只是否为新增猪只还是已有猪只,如果是新增猪只就生成全球唯一猪只身份ID,如果是已有猪只就识别出猪只身份ID。
进一步的,还包括猪脸数据库,所述猪脸数据库用于存储猪脸数据及猪脸所对应ID。
进一步的,所述后端识别模块配置在服务端,提供接口给前端应用模块调用。
进一步的,所述猪脸取脸模型包括读取视频帧单元、调用模型单元、生成猪脸图片单元;
所述读取视频帧单元用于采集摄像模块获取的猪只源数据视频文件,针对每个猪只视频,读取每个视频帧,将视频帧转化为图片;
所述调用模型单元根据读取视频帧单元转换的图片,调用训练好的猪脸模型判断此输入图片是否包含猪脸并且返回判断结果;
所述生成猪脸图片单元用于根据所述调用模型单元的判断结果来决定是否保存该图片,并输出包含猪脸的图片。
一种猪脸识别方法,包括以下步骤:
S1:前端应用模块调用摄像模块扫描猪脸,摄像模块将扫描的图像信息传递给前端应用模块;
S2:前端应用模块在接收到摄像模块传递的图像信息后,调用猪脸取脸模型对图像信息进行以判断该图像信息是否有效,如果无效则继续调用摄像模块扫描猪脸;如果有效则将图像信息上传存储服务器并调用后端识别模块的服务;
S3:调用后端识别模块的猪脸识别模型判断上传图像信息的猪只是否为新增猪只,如果是新增猪只,创建新增猪只ID存储到数据库,并返回新建的猪只ID;如果是已有猪只,则调用猪脸识别模型进行计算得出该猪只的身份ID,并返回给服务的调用者;
S4:前端应用模块得到后端识别模块返回的猪只ID,在应用上显示猪只ID信息。
进一步的,所述步骤S2中调用猪脸取脸模型对图像信息进行以判断该图像信息是否有效方法包括以下步骤:
S21:根据采集摄像模块获取的猪只源数据视频文件,针对每个猪只视频,程序读取每个视频帧,将视频帧转化为图片;
S22:根据视频帧转化的图片,调用训练好的猪脸模型判断此输入图片是否包含猪脸并且返回判断结果;
S23:根据所述判断结果来决定是否保存该图片,如果包含该图片包含猪脸则输出该包含猪脸的图片。
进一步的,所述步骤S3中猪脸识别模型识别猪只的方法为基于卷积神经网络的猪只身份识别方法,其包括以下步骤:
S31:首先构建用于自动提取猪只脸部特征的卷积神经网络,并设定卷积神经网络的训练参数;然后采集带有正脸和侧脸的猪只识别图片集作为一次训练样本,利用建立的一次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪只脸部特征码生成器;
S32:将某一已知猪只的正脸及侧脸图片集作为数据源输入猪只脸部特征码生成器中,经信号处理后猪只脸部特征码生成器的输出端输出该猪只对应的特征码和猪只ID;
S33:重复上述步骤S32,则分别得到各已知猪只的特征码和其对应的猪只ID,各个已知猪只的特征码和猪只ID即构成猪只特征码库;
S34:利用猪只特征码库作为二次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪脸分类器;
S35:将待识别猪只的猪脸图片的特征码输入猪脸分类器中,通过猪脸分类器的输出端输出该猪只是否为新猪。由于新猪的正脸和侧脸图片集未被录入进猪只脸部特征码生成器中,在猪只特征码库和猪脸分类器中均未有记录。
本发明的有益效果是,本发明猪脸识别***可以有效的通过前端应用扫猪脸图片从而识别出被扫猪只是新增猪只还是已有猪只,新增猪只会生成全球唯一的猪只ID,已有猪只会返回该猪只ID。本猪脸识别***可以很好地取代现有猪只生成管理中使用的电子耳标或者耳牌,从而解决使用电子耳标或者耳牌的缺陷问题。本***在猪场(1000头猪以上规模)实际应用场景使用之后,扫描猪脸能够100%读取出猪脸信息,识别猪脸的准确率达到95%以上。
附图说明
图1是本发明猪脸识别***的结构框图。
图2是本发明猪脸识别***猪脸取脸模型的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
需要说明的是,当组件被称为“固定于”另一个组件,它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
一种猪脸识别***,包括摄像模块1、前端应用模块2和后端识别模块3。摄像模块1用于获取猪脸的图像信息并传送给前端应用模块2;
所述前端应用模块2包括猪脸取脸模型21和分割单元22,猪脸取脸模型21用于识别出猪脸信息,根据图像信息生成包含猪脸的有效图片,并将猪脸的有效图片传递给后端识别模块3,分割单元22与猪脸取脸模型21相连,分割单元22用于在猪脸取脸模型21识别预览图像信息中完整猪脸个数大于阈值时,将该预览图像分割成若干个仅包含一个完整猪脸的图像;
后端识别模块3包括猪脸识别模型32和校准单元31,校准单元31用于用于判断所述猪脸的有效图片中的五官位置是否处于同一水平面,及在判断为否时,将所述待测影像中的五官位置对齐至同一水平面,猪脸识别模型32用于根据猪脸取脸模型21生产的猪脸的有效图片,通过比对判断该猪只是否为新增猪只还是已有猪只,如果是新增猪只就生成全球唯一猪只身份ID,如果是已有猪只就识别出猪只身份ID。
进一步的,还包括猪脸数据库4,猪脸数据库4用于存储猪脸数据及猪脸所对应ID,后端识别模块3判断为新猪只时将该猪只的猪脸信息及对应ID传递给猪脸数据库4进行存储。后端识别模块3配置在服务端,其提供接口给前端应用模块2调用。
猪脸取脸模型21包括读取视频帧单元211、调用模型单元212、生成猪脸图片单元213;
读取视频帧单元21用于采集摄像模块1获取的猪只源数据视频文件,针对每个猪只视频,读取每个视频帧,将视频帧转化为图片;调用模型单元212根据读取视频帧单元211转换的图片,调用训练好的猪脸模型判断此输入图片是否包含猪脸并且返回判断结果;生成猪脸图片单元213用于根据调用模型单元212的判断结果来决定是否保存该图片,并输出包含猪脸的图片。
一种猪脸识别方法,包括以下步骤:
S1:前端应用模块调用摄像模块扫描猪脸,摄像模块将扫描的图像信息传递给前端应用模块;
S2:前端应用模块在接收到摄像模块传递的图像信息后,调用猪脸取脸模型对图像信息进行以判断该图像信息是否有效,如果无效则继续调用摄像模块扫描猪脸;如果有效则将图像信息上传存储服务器并调用后端识别模块的服务;
S3:调用后端识别模块的猪脸识别模型判断上传图像信息的猪只是否为新增猪只,如果是新增猪只,创建新增猪只ID存储到数据库,并返回新建的猪只ID;如果是已有猪只,则调用猪脸识别模型进行计算得出该猪只的身份ID,并返回给服务的调用者;
S4:前端应用模块得到后端识别模块返回的猪只ID,在应用上显示猪只ID信息。
进一步的,所述步骤S2中调用猪脸取脸模型对图像信息进行以判断该图像信息是否有效方法包括以下步骤:
S21:根据采集摄像模块获取的猪只源数据视频文件,针对每个猪只视频,程序读取每个视频帧,将视频帧转化为图片;
S22:根据视频帧转化的图片,调用训练好的猪脸模型判断此输入图片是否包含猪脸并且返回判断结果;
S23:根据所述判断结果来决定是否保存该图片,如果包含该图片包含猪脸则输出该包含猪脸的图片。
进一步的,所述步骤S3中猪脸识别模型识别猪只的方法为基于卷积神经网络的猪只身份识别方法,包括以下步骤:
S31:首先构建用于自动提取猪只脸部特征的卷积神经网络,并设定卷积神经网络的训练参数;然后采集带有正脸和侧脸的猪只识别图片集作为一次训练样本,利用建立的一次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪只脸部特征码生成器;
S32:将某一已知猪只的正脸及侧脸图片集作为数据源输入猪只脸部特征码生成器中,经信号处理后猪只脸部特征码生成器的输出端输出该猪只对应的特征码和猪只ID;
S33:重复上述步骤S32,则分别得到各已知猪只的特征码和其对应的猪只ID,各个已知猪只的特征码和猪只ID即构成猪只特征码库;
S34:利用猪只特征码库作为二次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪脸分类器;
S35:将待识别猪只的猪脸图片的特征码输入猪脸分类器中,通过猪脸分类器的输出端输出该猪只是否为新猪。由于新猪的正脸和侧脸图片集未被录入进猪只脸部特征码生成器中,在猪只特征码库和猪脸分类器中均未有记录。
上述方案中,步骤S31中,所述卷积神经网络结构可包括n个卷积层、m个池化层和k个全链接层,所述卷积层与池化层交叉依次设置,且池化层采用基于最大值的池化方法,其中n、m、k均为≥1的整数。n、m和k的值可以是同一个相同数值,也可以是相互不同或者是两两相同的数值。
上述方案中,进一步优选地,步骤S1中,n、m、k的值均为3,即通过三个全连接层来对提取出猪只特征码的特征响应图进行数值预测,得到相似度分数,并输出匹配结果;然后利用匹配结果与真实结果之间的误差,采用误差反向传播算法来训练所述卷积神经网络的训练参数。
上述方案中,损失函数采用平均交叉熵方法,用以表示全连接层输出的匹配结果与真实结果之间的误差,其计算公式如下(1)所示。
其中,N表示每一次训练的猪脸图片数量,M表示猪只种类数目,y_和y分别表示N个猪脸图片的实际类别及通过卷积网络后softmax值。
上述方案中,进一步地,Softmax值的计算公式如下(2)所示,
其中xi表示最后一个全连接层输出结果中的第i个元素的值。
上述方案中,为了实现猪只管理数据库的实时更新,保证猪只身份的识别准确性,在步骤S33中,当待识别的猪只为新猪时,将该猪只ID及对应的特征码按步骤S2的操作添加到猪只特征码库中;或当已有猪只被移出时,应从猪只特征码库中移除该猪只所对应的特征码和猪只ID,以完成猪只特征码库的数据更新。
上述方案中,为了实现前后识别数据的统一和进一步保证猪只识别身份的准确性,可在完成上述猪只特征码库的更新后,按步骤S34的操作对猪脸分类器进行同步更新。
Claims (7)
1.一种猪脸识别***,其特征在于,包括摄像模块、前端应用模块和后端识别模块,
所述摄像模块用于获取猪脸的图像信息并传送给所述前端应用模块;
所述前端应用模块包括猪脸取脸模型和分割单元,所述猪脸取脸模型用于识别出猪脸信息,根据图像信息生成包含猪脸的有效图片,并将猪脸的有效图片传递给后端识别模块,所述分割单元与所述猪脸取脸模型相连,所述分割单元用于在所述猪脸取脸模型识别预览图像信息中完整猪脸个数大于阈值时,将该预览图像分割成若干个仅包含一个完整猪脸的图像;
所述后端识别模块包括猪脸识别模型和校准单元,所述校准单元用于用于判断所述猪脸的有效图片中的五官位置是否处于同一水平面,及在判断为否时,将所述待测影像中的五官位置对齐至同一水平面,所述猪脸识别模型用于根据猪脸取脸模型生产的猪脸的有效图片,通过比对判断该猪只是否为新增猪只还是已有猪只,如果是新增猪只就生成全球唯一猪只身份ID,如果是已有猪只就识别出猪只身份ID。
2.根据权利要求1所述猪脸识别***,其特征在于:还包括猪脸数据库,所述猪脸数据库用于存储猪脸数据及猪脸所对应ID。
3.根据权利要求1所述猪脸识别***,其特征在于:所述后端识别模块配置在服务端,提供接口给前端应用模块调用。
4.根据权利要求1所述猪脸识别***,其特征在于:所述猪脸取脸模型包括读取视频帧单元、调用模型单元、生成猪脸图片单元;
所述读取视频帧单元用于采集摄像模块获取的猪只源数据视频文件,针对每个猪只视频,读取每个视频帧,将视频帧转化为图片;
所述调用模型单元根据读取视频帧单元转换的图片,调用训练好的猪脸模型判断此输入图片是否包含猪脸并且返回判断结果;
所述生成猪脸图片单元用于根据所述调用模型单元的判断结果来决定是否保存该图片,并输出包含猪脸的图片。
5.一种猪脸识别方法,其特征在于,包括以下步骤:
S1:前端应用模块调用摄像模块扫描猪脸,摄像模块将扫描的图像信息传递给前端应用模块;
S2:前端应用模块在接收到摄像模块传递的图像信息后,调用猪脸取脸模型对图像信息进行以判断该图像信息是否有效,如果无效则继续调用摄像模块扫描猪脸;如果有效则将图像信息上传存储服务器并调用后端识别模块的服务;
S3:调用后端识别模块的猪脸识别模型判断上传图像信息的猪只是否为新增猪只,如果是新增猪只,创建新增猪只ID存储到数据库,并返回新建的猪只ID;如果是已有猪只,则调用猪脸识别模型进行计算得出该猪只的身份ID,并返回给服务的调用者;
S4:前端应用模块得到后端识别模块返回的猪只ID,在应用上显示猪只ID信息。
6.根据权利要求5所述猪脸识别方法,其特征在于,所述步骤S2中调用猪脸取脸模型对图像信息进行以判断该图像信息是否有效方法包括以下步骤:
S21:根据采集摄像模块获取的猪只源数据视频文件,针对每个猪只视频,程序读取每个视频帧,将视频帧转化为图片;
S22:根据视频帧转化的图片,调用训练好的猪脸模型判断此输入图片是否包含猪脸并且返回判断结果;
S23:根据所述判断结果来决定是否保存该图片,如果包含该图片包含猪脸则输出该包含猪脸的图片。
7.根据权利要求5所述猪脸识别方法,其特征在于,所述步骤S3中猪脸识别模型识别猪只的方法为基于卷积神经网络的猪只身份识别方法,其包括以下步骤:
S31:首先构建用于自动提取猪只脸部特征的卷积神经网络,并设定卷积神经网络的训练参数;然后采集带有正脸和侧脸的猪只识别图片集作为一次训练样本,利用建立的一次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪只脸部特征码生成器;
S32:将某一已知猪只的正脸及侧脸图片集作为数据源输入猪只脸部特征码生成器中,经信号处理后猪只脸部特征码生成器的输出端输出该猪只对应的特征码和猪只ID;
S33:重复上述步骤S32,则分别得到各已知猪只的特征码和其对应的猪只ID,各个已知猪只的特征码和猪只ID即构成猪只特征码库;
S34:利用猪只特征码库作为二次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪脸分类器;
S35:将待识别猪只的猪脸图片的特征码输入猪脸分类器中,通过猪脸分类器的输出端输出该猪只是否为新猪。由于新猪的正脸和侧脸图片集未被录入进猪只脸部特征码生成器中,在猪只特征码库和猪脸分类器中均未有记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207190.2A CN108363990A (zh) | 2018-03-14 | 2018-03-14 | 一种猪脸识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207190.2A CN108363990A (zh) | 2018-03-14 | 2018-03-14 | 一种猪脸识别***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108363990A true CN108363990A (zh) | 2018-08-03 |
Family
ID=63000478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810207190.2A Pending CN108363990A (zh) | 2018-03-14 | 2018-03-14 | 一种猪脸识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363990A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255297A (zh) * | 2018-08-06 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 动物状态监测方法、终端设备、存储介质及电子设备 |
CN109379557A (zh) * | 2018-09-30 | 2019-02-22 | 田东县文设芒果专业合作社 | 基于图像识别的芒果虫害智能监控*** |
CN110189145A (zh) * | 2019-05-15 | 2019-08-30 | 广州影子科技有限公司 | 追溯方法、追溯装置、追溯***和计算机可读存储介质 |
CN110222630A (zh) * | 2019-06-03 | 2019-09-10 | 中国农业大学 | 一种猪身份识别*** |
CN110222725A (zh) * | 2019-05-15 | 2019-09-10 | 广州影子科技有限公司 | 猪只核验方法、猪只核验装置与猪只核验*** |
CN110223081A (zh) * | 2019-05-15 | 2019-09-10 | 广州影子科技有限公司 | 追溯方法、追溯装置、追溯***和计算机可读存储介质 |
CN110310135A (zh) * | 2019-07-04 | 2019-10-08 | 山东浪潮人工智能研究院有限公司 | 一种基于土豆图像深度学习的追溯***及方法 |
CN110402840A (zh) * | 2019-07-25 | 2019-11-05 | 深圳市阿龙电子有限公司 | 一种基于图像识别的生猪监测终端及生猪监测*** |
WO2020030054A1 (zh) * | 2018-08-10 | 2020-02-13 | 京东数字科技控股有限公司 | 一种动物识别方法、装置、介质及电子设备 |
CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别***及其识别方法 |
CN111414811A (zh) * | 2020-03-02 | 2020-07-14 | 中国农业大学 | 猪只饮水监测***及方法 |
CN111626205A (zh) * | 2020-05-27 | 2020-09-04 | 电子科技大学 | 基于猪脸识别和rfid识别的猪只健康管理***及方法 |
WO2021083381A1 (zh) * | 2019-11-01 | 2021-05-06 | 北京观海科技发展有限责任公司 | 动物身份识别方法、装置和*** |
EP3866056A1 (en) | 2020-02-17 | 2021-08-18 | Touchless Animal Metrics, SL | Method, system and computer programs for traceability of living specimens |
CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN107403168A (zh) * | 2017-08-07 | 2017-11-28 | 青岛有锁智能科技有限公司 | 一种面部识别*** |
CN107766774A (zh) * | 2016-08-17 | 2018-03-06 | 鸿富锦精密电子(天津)有限公司 | 人脸识别***及方法 |
-
2018
- 2018-03-14 CN CN201810207190.2A patent/CN108363990A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766774A (zh) * | 2016-08-17 | 2018-03-06 | 鸿富锦精密电子(天津)有限公司 | 人脸识别***及方法 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107403168A (zh) * | 2017-08-07 | 2017-11-28 | 青岛有锁智能科技有限公司 | 一种面部识别*** |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255297B (zh) * | 2018-08-06 | 2022-12-13 | 百度在线网络技术(北京)有限公司 | 动物状态监测方法、终端设备、存储介质及电子设备 |
CN109255297A (zh) * | 2018-08-06 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 动物状态监测方法、终端设备、存储介质及电子设备 |
CN110826371A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物识别方法、装置、介质及电子设备 |
WO2020030054A1 (zh) * | 2018-08-10 | 2020-02-13 | 京东数字科技控股有限公司 | 一种动物识别方法、装置、介质及电子设备 |
CN109379557A (zh) * | 2018-09-30 | 2019-02-22 | 田东县文设芒果专业合作社 | 基于图像识别的芒果虫害智能监控*** |
CN110189145A (zh) * | 2019-05-15 | 2019-08-30 | 广州影子科技有限公司 | 追溯方法、追溯装置、追溯***和计算机可读存储介质 |
CN110222725B (zh) * | 2019-05-15 | 2022-01-04 | 广州影子科技有限公司 | 猪只核验方法、猪只核验装置与猪只核验*** |
CN110222725A (zh) * | 2019-05-15 | 2019-09-10 | 广州影子科技有限公司 | 猪只核验方法、猪只核验装置与猪只核验*** |
CN110223081A (zh) * | 2019-05-15 | 2019-09-10 | 广州影子科技有限公司 | 追溯方法、追溯装置、追溯***和计算机可读存储介质 |
CN110222630A (zh) * | 2019-06-03 | 2019-09-10 | 中国农业大学 | 一种猪身份识别*** |
CN110310135A (zh) * | 2019-07-04 | 2019-10-08 | 山东浪潮人工智能研究院有限公司 | 一种基于土豆图像深度学习的追溯***及方法 |
CN110402840A (zh) * | 2019-07-25 | 2019-11-05 | 深圳市阿龙电子有限公司 | 一种基于图像识别的生猪监测终端及生猪监测*** |
CN110402840B (zh) * | 2019-07-25 | 2021-12-17 | 深圳市阿龙电子有限公司 | 一种基于图像识别的生猪监测终端及生猪监测*** |
WO2021083381A1 (zh) * | 2019-11-01 | 2021-05-06 | 北京观海科技发展有限责任公司 | 动物身份识别方法、装置和*** |
CN112785620A (zh) * | 2019-11-01 | 2021-05-11 | 北京观海科技发展有限责任公司 | 动物身份识别方法、装置和*** |
CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别***及其识别方法 |
CN111291683B (zh) * | 2020-02-08 | 2023-04-18 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别***及其识别方法 |
WO2021164972A1 (en) | 2020-02-17 | 2021-08-26 | Touchless Animal Metrics, Sl | Method, system and computer programs for traceability of living specimens |
EP3866056A1 (en) | 2020-02-17 | 2021-08-18 | Touchless Animal Metrics, SL | Method, system and computer programs for traceability of living specimens |
CN111414811A (zh) * | 2020-03-02 | 2020-07-14 | 中国农业大学 | 猪只饮水监测***及方法 |
CN111626205A (zh) * | 2020-05-27 | 2020-09-04 | 电子科技大学 | 基于猪脸识别和rfid识别的猪只健康管理***及方法 |
CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363990A (zh) | 一种猪脸识别***及方法 | |
Yukun et al. | Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score | |
CN108933935B (zh) | 视频通信***的检测方法、装置、存储介质和计算机设备 | |
CN108686978A (zh) | 基于arm的水果类别和色泽的分拣方法及*** | |
CN113920453A (zh) | 一种基于深度学习的猪只体尺体重估测方法 | |
CN114004866B (zh) | 一种基于图像相似度差异的蚊虫识别***与方法 | |
CN111161090B (zh) | 圈养栏信息的确定方法、装置及***、存储介质 | |
CN110458904A (zh) | 胶囊式内窥镜图像的生成方法、装置及计算机存储介质 | |
CN108875709B (zh) | 一种扎堆行为检测方法、装置、电子设备及存储介质 | |
CN117893229B (zh) | 基于区块链的自动化肉牛全环节溯源方法 | |
CA3230401A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN109409305A (zh) | 一种人脸图像清晰度评价方法及装置 | |
CN109191461A (zh) | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 | |
Zhou et al. | Deep images enhancement for turbid underwater images based on unsupervised learning | |
CN109636867B (zh) | 图像处理方法、装置及电子设备 | |
Wu et al. | Memorize, then recall: a generative framework for low bit-rate surveillance video compression | |
CN110246093A (zh) | 一种解码图像增强方法 | |
CN103984967B (zh) | 一种应用于商品标签检测的自动检测***及自动检测方法 | |
KR102596206B1 (ko) | 영상 분석을 이용한 건해삼 등급 분류 시스템 | |
CN103592031B (zh) | 牲畜宰后劣质肉肉色测定装置及劣质肉检测方法 | |
CN112819689A (zh) | 人脸属性编辑模型的训练方法、人脸属性编辑方法及设备 | |
Antequera et al. | Magnetic resonance imaging as a predictive tool for sensory characteristics and intramuscular fat content of dry‐cured loin | |
Jiang et al. | SPAC-Net: synthetic pose-aware animal ControlNet for enhanced pose estimation | |
KR102285112B1 (ko) | 디지털 영상 분석을 활용한 소 도체 정육량 비파괴 측정 시스템 | |
CN114913596A (zh) | 一种基于深度学习的宠物行为识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180803 |
|
RJ01 | Rejection of invention patent application after publication |