CN111079617B - 家禽识别方法、装置、可读存储介质及电子设备 - Google Patents
家禽识别方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN111079617B CN111079617B CN201911258727.9A CN201911258727A CN111079617B CN 111079617 B CN111079617 B CN 111079617B CN 201911258727 A CN201911258727 A CN 201911258727A CN 111079617 B CN111079617 B CN 111079617B
- Authority
- CN
- China
- Prior art keywords
- poultry
- training
- identification information
- identification
- detected
- 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.)
- Active
Links
- 244000144977 poultry Species 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 119
- 230000006870 function Effects 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 4
- 235000013594 poultry meat Nutrition 0.000 description 157
- 241000287828 Gallus gallus Species 0.000 description 64
- 235000013330 chicken meat Nutrition 0.000 description 64
- 241000283690 Bos taurus Species 0.000 description 20
- 238000001514 detection method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001629 suppression 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种家禽识别方法、装置、可读存储介质及电子设备,所述方法包括:获取第一数据和第二数据,其中,所述第一数据包括标记了各个待检测家禽的待检测图像,所述第二数据包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像;将所述第一数据和所述第二数据输入预先训练好的采用Mask‑RCNN算法的家禽识别模型,获得各个待检测家禽的身份识别信息。本实施例中,通过采用Mask‑RCNN算法的家禽识别模型来识别家禽,因此能够准确地识别出不同家禽个体。
Description
技术领域
本申请涉及目标检测技术领域,具体而言,涉及一种家禽识别方法、装置、可读存储介质及电子设备。
背景技术
饲养家禽,例如鸡只时,为了区分出每一只鸡,往往需要对鸡只进行身份识别以识别出特定的鸡只。传统的鸡只身份识别通常通过给鸡只佩戴鸡脚环或者电子标签进行实现,通过内置电子芯片完成身份识别和定位,这种识别方法存在操作难、实时性差、重复利用率低等缺点。传统鸡只监控方式中摄像头捕捉到的画面往往是鸡群影像,由于鸡只长相类似,从鸡群视频中难以分辨出特定鸡只,也就是说,由于鸡只相似度非常高,因此,在识别鸡只时难度非常大。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的之一在于提供一种家禽识别方法,所述方法包括:
获取第一数据和第二数据,其中,所述第一数据包括标记了各个待检测家禽的待检测图像,所述第二数据包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像;
将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型,获得各个待检测家禽的身份识别信息。
可选地,所述方法包括:
将多个标注好家禽的第一原始图像作为第一训练样本;
针对在家禽的多个不同方位采集的每个第二原始图像,将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本,所述家禽标识用于表征目标是否为家禽;
将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练;
将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值;
若所述损失函数值小于预设损失值,则判定所述家禽识别模型完成训练;
若所述损失函数值不小于所述预设损失值,则将多个第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练,重复上述步骤直至所有损失函数值小于预设损失值。
可选地,所述将多个所述第一训练样本和多个所述第二训练样本分别输入基于Mask-RCNN算法的预分类模型进行模型训练的步骤包括:
将多个所述第一训练样本输入基于Mask-RCNN算法的预训练模型进行训练,获得中间训练模型;
将所述第二训练样本输入所述中间训练模型进行模型训练,获得家禽识别模型。
可选地,所述家禽识别模型包括卷积神经网络、RPN网络、ROI层、分类器和掩膜网络,所述卷积神经网络、RPN网络、ROI层依次连接,所述ROI层与分类器和掩膜网络分别连接。
可选地,所述将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值的步骤包括:
获取所述分类器输出的家禽标识的第一损失值;
获取所述分类器输出的身份识别信息的第二损失值;
获取所述分类器输出的方位识别信息的第三损失值;
获取家禽的掩膜网络输出家禽的掩膜的第四损失值;
计算第一损失值、第二损失值、第三损失值和第四损失值之和,获得方位损失值;
获取RPN网络输出的参数的网络损失值;
计算方位损失值与网络损失值之和,获得损失函数值。
可选地,所述方法还包括:
判断所述损失函数值的大小是否满足预设范围;
如果所述损失函数值不满足预设范围,则重新调整所述家禽识别模型的网络参数。
本申请的另一目的在于提供一种家禽识别装置,所述装置包括:
获取模块,用于获取第一数据和第二数据,其中,所述第一数据包括标记了各个待检测家禽的待检测图像,所述第二数据集包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像;
识别模块,用于将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型,获得各个待检测家禽的身份识别信息。
可选地,所述装置还包括训练模块,所述训练模块用于:
将多个标注好家禽的第一原始图像作为第一训练样本;
针对在家禽的多个不同方位采集的每个第二原始图像,将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本,所述家禽标识用于表征目标是否为家禽;
将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练;
将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值;
若所述损失函数值小于预设损失值,则判定所述家禽识别模型完成训练;
若所述损失函数值不小于所述预设损失值,则将多个第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练,重复上述步骤直至所有损失函数值小于预设损失值。
本申请的另一目的在于提供一种可读存储介质,所述可读存储介质存储有可执行程序,处理器在执行所述可执行程序时,实现如本申请任一项所述的方法。
本申请的另一目的在于提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器和所述处理器电性连接,所述存储器中存储有可执行程序,所述处理器在执行所述可执行程序时,实现本申请任一项所述的方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请中,通过采用包括标记了各个待检测家禽的待检测图像的第一数据和标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像的第二数据来进行家禽识别,将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型,从而来获得出图像中各个家禽的身份识别信息,也就是说对家禽进行身份识别,采用的家禽识别模型是采用Mask-RCNN算法训练,而输入的第二数据中还包括了家禽的方位识别信息,因此,本实施例能够更加精确地识别家禽的身份。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本申请实施例提供的电子设备的结构示意框图;
图2是本申请实施例提供的家禽识别方法的流程示意图一;
图3是本申请实施例提供的家禽识别方法的流程示意图二;
图4是本申请实施例提供的家禽识别模型的结构示意图;
图5是本申请实施例提供的家禽识别模型的图像处理示意图;
图6是本申请实施例提供的家禽的识别效果示意图;
图7是本申请实施例提供的家禽识别装置的结构示意框图。
图标:100-电子设备;110-家禽识别装置;111-获取模块;112-识别模块;113-训练模块;120-存储器;130-处理器。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
认领散养家禽,例如鸡等是目前一种新型饲养方式,越来越多的人完成认领后将家禽交由专业机构进行集中散养,从而定期获得更加优质的禽肉蛋资源。散养具有粗放性,散养家禽通常数量较多,仅凭肉眼无法查看家禽具体状态。
传统的家禽身份识别通常通过给鸡只佩戴鸡脚环或者电子标签来实现,也就是会通过内置电子芯片完成身份认证和定位。例如公告号为CN 203799288U,名称为“一种养鸡场现代化管理监控***”的专利文献,其包括信息采集模块、带有射频感应天线的监控中心及设置在饲养鸡上的贴片式电子标签芯片,通过无线射频***实现养鸡场范围内定位监控。又如公告号为CN 202838361U、名称为“RFID珍稀动物识别***”的专利,通过将有源感应卡佩戴在动物身体上,利用无线信号与读卡器信号连通,通过动物管理终端实现珍稀动物的识别。此种识别方法存在操作难、实时性差、重复利用率低等缺点。
为了方便地监测家禽康状况,在一种实施方式中会在散养区域安装摄像头进行辅助监控。管理人员会通过摄像头监控具体家禽,认领者也会远程查看自己所认领家禽的生长情况。利用视频影像实现家禽身份识别既可以方便散养管理、控制疾病以及确立所属权,又能满足认领者远程观测需求。传统家禽监控方式中摄像头捕捉到的画面往往是家禽群的影像,由于很多家禽长相类似,从鸡群视频中难以分辨出特定家禽。
在一些识别动物的实施方式中,会采用卷积神经网络识别动物,例如发明专利CN110298291A基于Mask-RCNN的牛脸及牛脸关键点检测方法,通过采集带有不同种类牛脸的图片,标记每张图片中牛脸及牛脸关键点数据,设计牛脸及牛脸关键点检测网络结构;利用标记完成的数据训练牛脸及牛脸关键点检测网络,最终生成牛脸及牛脸关键点检测器。但是牛脸识别采用的是多种类别的牛只的图像作为样本训练(包括中国黑白花牛、荷斯坦奶牛、娟珊牛、西门塔尔牛、红牛、黑牛、黄牛等),也就是说,这种方式是自动判断牛只所属哪种类别,并非从同种类别中找出特定的牛只,该方式同样无法具体识别出某一个个体。
为了解决上述问题,本申请提供了一种家禽识别方案,请参见图1,图1是本申请实施例提供的电子设备100的结构示意框图,所述电子设备100包括家禽识别装置110,存储器120和处理器130,存储器120和处理器130相互之间直接或间接电性连接,用于实现数据交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述家禽识别装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作***(Operating System,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如所述家禽识别装置110所包括的软件功能模块及计算机程序等。
请参照图2,本申请实施例还提供一种应用于上述电子设备100的家禽识别方法,所述方法包括步骤S110-步骤S120。
步骤S110,获取第一数据和第二数据,其中,所述第一数据包括标记了各个待检测家禽的待检测图像,所述第二数据包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像。
步骤S120,将第一数据和第二数据输入家禽识别模型识别出家禽的身份。
具体地,将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型,获得各个待检测家禽的身份识别信息。
本实施例用于获取包括标记了各个待检测家禽的待检测图像的第一数据以及标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像的第二数据,并将第一数据和第二数据输入采用Mask-RCNN算法的家禽识别模型进行家禽识别。由于Mask-RCNN是由在R-CNN算法之上衍生出的Fast R-CNN发展得来,R-CNN的全称是Region-CNN,是第一个成功将深度学习应用到家禽检测上的算法,其采用卷积神经网络(CNN),线性回归和支持向量机(SVM)等算法来实现家禽检测,具体地,R-CNN会采用提取检测框,对每个框提取特征、图像分类、非极大值抑制等步骤进行家禽检测。
而Faster-RCNN中另一重要的一部分RPN(Region Proposal Network)网络,也就是区域推荐的网络,该网络可以用于帮助推荐感兴趣的区域。Mask-RCNN算法在Faster R-CNN算法上面加了一个Mask(掩膜)预测分支以及改良了ROI(Regions of interest)Pooling(感兴趣区域池化),提出了ROI_Align,因此,Mask-RCNN算法可以在一个网络中同时做目标检测和实例分割,实例分割可将属于同一类的不同实例标明从而能够同时实现目标分类、目标检测、实例分割等多种任务,从而能够从多个目标中精准地识别出特定的目标个体。因此,本实施例的家禽识别模型能够精准地识别出每个家禽。
需要说明的是,本实施例中,所述待检测图像可以是组成视频的帧图像。也就是说,可以先将视频分割为多帧图像,然后再对每帧图像采用本实施例的方案来对每帧图像进行家禽识别。
请参照图3,可选地,本实施例中,所述方法还包括步骤S010-步骤S060。
步骤S010,获取第一训练样本以及第二训练样本。
具体地,将多个标注好家禽的第一原始图像作为第一训练样本,并针对在家禽的多个不同方位采集的每个第二原始图像,将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本,所述家禽标识用于表征目标是否为家禽。
步骤S020,将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练。
步骤S030,根据已知家禽的身份识别信息以及模型输出的身份识别信息计算损失函数值。
具体地,将预分类模型输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值。
步骤S040,判断所述损失函数是否小于预设损失值。
步骤S050,若所述损失函数值小于预设损失值,则判定所述家禽识别模型完成训练。
步骤S060,若所述损失函数值不小于所述预设损失值,则调整家禽识别模型中网络参数,并将多个第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练,重复上述步骤直至所有损失函数值小于预设损失值。
本实施例中,将标注出家禽的第一原始图像作为第一训练样本,将位于家禽不同方位采集的图像上标注出家禽、每个家禽的身份识别信息以及标注出的每个家禽的方位识别信息作为第二训练样本,从而将第一训练样本和第二训练样本输入预先采用Mask-RCNN算法的预分类模型进行模型训练,如此,便可以获得能够对待检测图像中的家禽、以及待检测图像中家禽的方位识别信息进行识别,并识别出家禽的身份的家禽识别模型。
以一种鸡只识别为例,在需要训练用于识别鸡只的家禽识别模型时,首先通过摄像头在一段时间内实时采集的散养鸡只视频,按照每隔5帧截取一帧的方式,从采集的散养鸡只视频中选取有鸡只的图像,例如可以选取50000张拍摄角度和环境各不相同的图像,并采用VoTT软件标记出图像中的鸡只位置,形成第一训练样本。
同时,还将摄像头在一段时间内实时采集的包括每只散养鸡只的各个方位(正面、背面、左侧面、右侧面)的图像,对于每个图像,标记出图像中的各个鸡只的鸡只图像以及与鸡只图像对应的方位识别信息,然后为每个方位图像标记鸡只的身份识别信息(可以是编号),形成第二训练样本。其中,每个不同的鸡只的不同方位的鸡只图像仅能与唯一的鸡只编号对应。
在进行家禽识别模型训练前,需要先设计预训练模型。本实施例中,预训练模型的结构可以包括依次连接的卷积神经网络、RPN网络和ROI_Align层,ROI_Align层的输出端还分别连接掩膜网络Mask Network和分类器Classifier。这样,将第一训练和第二训练样本输入预分类模型进行模型训练即可。
可选地,本实施例中,所述将多个所述第一训练样本和多个所述第二训练样本分别输入基于Mask-RCNN算法的预分类模型进行模型训练的步骤包括,首先将多个所述第一训练样本输入基于Mask-RCNN算法的预训练模型进行训练,获得中间训练模型;然后将所述第二训练样本输入所述中间训练模型进行模型训练,获得家禽识别模型。
本实施例中,采用第一训练样本和第二训练样本分别进行计算,从而能够使得训练得到的家禽识别模型能够准确地关联家禽的身份识别信息,识别出每只家禽的具体身份,从而使得识别结果更加准确。
可选地,本实施例中,训练好的所述家禽识别模型同样包括卷积神经网络(第一卷积神经网络)、RPN网络、ROI层、分类器和掩膜网络,所述卷积神经网络、RPN网络、ROI层依次连接。
其中,卷积神经网络用于对第一训练样本和第二训练样本的图像进行调整,例如可以调整为1024*1024。卷积神经网络还用于提取第一训练样本中含有鸡只的特征的区域,也就是说用于识别出鸡只,得到鸡只特征图,卷积神经网络还用于提取第二训练样本的图像中每个方位图像的特征区域,也就是说用于识别出各个鸡只不同方位的图像,得到鸡只四方位特征图。请参照图4所示,卷积神经网络对包含鸡只的图像进行处理后,输出鸡只图像和鸡只方位图像至RPN网络。
鸡只图像和鸡只方位图像输入RPN网络中,RPN网络对提取出的鸡只图像和鸡只方位图像进行处理,然后再由ROI_Align层从每个候选出的ROI(特征区域)提取规定尺寸的特征图(通过缩放图像来完成),最后再对固定尺寸的特征图进行鸡只边框回归、鸡只方位图像分类、以及鸡只掩膜输出,其中,鸡只四方位分类的结果和鸡只目标分类的结果都会对应唯一的身份识别信息,例如鸡只编号Chicken Number。
请参照图5所示,其中鸡只边界框回归、鸡只方位图像分类、以及鸡只掩膜输出由ROI_Align后的分类器和掩膜网络来进行,掩膜网络是一个全卷积神经网络,掩膜网络中,总共方包括四个3*3的卷积层以及一个2*2的转置卷积层和一个1*1卷积输出模板。具体地,RoI_Align层将ROI区域分别调整为7*7*256和16*32*256。尺寸为16*32*256的特征图通过4次相同的卷积操作后,输出为16*32*256的特征图,然后再进行转置卷积操作,输出32*64*256的特征图,最后再经过1*1卷积层输出32*64*2的掩膜。
7*7*256的特征图通过卷积操作(第二卷积神经网络)被升维到1*1*1024的特征图,再通过卷积操作(第二卷积神经网络)得到输出为1*1*1024的特征图,然后由连接在第二卷积神经网络后的三个输出分支分别输出鸡只分类输出为2,也就是说识别出鸡只的二维坐标,完成鸡只目标分类;鸡只四方位分类输出为8(4个方位图),也就是说每个方位图像的二维坐标,完成鸡只四方位分类;鸡只边框回归输出为4,也就是说检测出鸡只的检测框的四条边,完成鸡只的边框回归。
可选地,本实施例中,所述将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值的步骤包括:获取所述分类器输出的家禽标识的第一损失值,例如,家禽识别模型中输出的检测框的误差值Lbox,Lbox是Smooth L1损失。获取所述分类器输出的身份识别信息的第二损失值Lclass,Lclass是Softmax交叉熵损失。获取所述分类器输出的方位识别信息的第三损失值Laround,Laround是Softmax交叉熵损失。获取家禽的掩膜网络输出家禽的掩膜的第四损失值Lmask。
计算第一损失值、第二损失值、第三损失值和第四损失值之和,获得方位损失值LT,具体计算公式为:
LT=Lbox+Lclass+Laround+Lmask
获取RPN网络输出的参数的网络损失值。
计算方位损失值与网络损失值之和,获得损失函数值,损失函数值L的计算公式为:
L=LR+LT
本实施例中,根据训练好的家禽识别模型的各个网络结构的输出计算各个输出的损失值,并根据各个网络结构的损失值来一起计算整个网络的损失函数,能够使得计算的损失函数值更加精确。
可选地,本实施例中,所述方法还包括,判断所述损失函数值的大小是否满足预设范围;如果所述损失函数值不满足预设范围,则重新调整所述家禽识别模型的网络参数。
本实施例中,根据计算家禽识别模型的损失函数值来调整家禽识别模型的网络参数,从而能够使得家禽识别模型的识别结果更加准确。
通过本实施例中所述家禽识别方法识别后,得到的结果示意图如图6所示。
请参照图7所示,本申请的实施例还提供一种家禽识别装置110,所述装置包括获取模块111、识别模块112。所述家禽识别装置110包括一个可以软件或固件的形式存储于所述存储器120中或固化在所述电子设备100的操作***(Operating System,OS)中的软件功能模块。
获取模块111,用于获取第一数据和第二数据,其中,所述第一数据包括标记了各个待检测家禽的待检测图像,所述第二数据集包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像。
本实施例中的获取模块111用于执行步骤S110,关于所述获取模块111的具体描述可参照对所述步骤S110的描述。
识别模块112,用于将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型,获得各个待检测家禽的身份识别信息。
本实施例中的识别模块112用于执行步骤S120,关于所述识别模块112的具体描述可参照对所述步骤S120的描述。
可选地,本实施例中,所述装置还包括训练模块113,所述训练模块113用于,首先将多个标注好家禽的第一原始图像作为第一训练样本;接着针对在家禽的多个不同方位采集的每个第二原始图像,将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本,所述家禽标识用于表征目标是否为家禽。紧接着,将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练。然后,将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值。
若所述损失函数值小于预设损失值,则判定所述家禽识别模型完成训练。
若所述损失函数值不小于所述预设损失值,则将多个第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练,重复上述步骤直至所有损失函数值小于预设损失值。
本实施例中的训练模块113用于执行步骤S010-步骤S060,关于所述训练模块113的具体描述可参照对所述步骤S010-步骤S060的描述。
本实施例还提供了一种可读存储介质,所述可读存储介质存储有可执行程序,处理器130在执行所述可执行程序时,实现如本实施例任一项所述的方法。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种家禽识别方法,其特征在于,所述方法包括:
获取第一数据和第二数据,其中,所述第一数据包括标记了各个待检测家禽的待检测图像,所述第二数据包括标记了所述各个待检测家禽以及所述各个待检测家禽的方位识别信息的待检测图像;
将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型,获得所述各个待检测家禽的身份识别信息;
所述家禽识别模型的训练过程包括:
将多个标注好家禽的第一原始图像作为第一训练样本;
针对在家禽的多个不同方位采集的每个第二原始图像,将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本,所述家禽标识用于表征目标是否为家禽;
将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练;
将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值;
若所述损失函数值小于预设损失值,则判定所述家禽识别模型完成训练;
若所述损失函数值不小于所述预设损失值,则将多个所述第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练,重复上述步骤直至所有损失函数值小于所述预设损失值。
2.根据权利要求1所述的方法,其特征在于,所述将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练的步骤包括:
将多个所述第一训练样本输入采用Mask-RCNN算法的预训练模型进行训练,获得中间训练模型;
将所述第二训练样本输入所述中间训练模型进行模型训练,获得家禽识别模型。
3.根据权利要求1或2所述的方法,其特征在于,所述家禽识别模型包括卷积神经网络、RPN网络、ROI层、分类器和掩膜网络,所述卷积神经网络、RPN网络、ROI层依次连接,所述ROI层与分类器和掩膜网络分别连接。
4.根据权利要求3所述的方法,其特征在于,所述将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值的步骤包括:
获取所述分类器输出的家禽标识的第一损失值;
获取所述分类器输出的身份识别信息的第二损失值;
获取所述分类器输出的方位识别信息的第三损失值;
获取家禽的掩膜网络输出家禽的掩膜的第四损失值;
计算所述第一损失值、所述第二损失值、所述第三损失值和所述第四损失值之和,获得方位损失值;
获取所述RPN网络输出的参数的网络损失值;
计算所述方位损失值与所述网络损失值之和,获得所述损失函数值。
5.根据权利要求1所述的方法,其特征在于,所述家禽识别模型的训练过程还包括:
判断所述损失函数值的大小是否满足预设范围;
如果所述损失函数值不满足所述预设范围,则重新调整所述家禽识别模型的网络参数。
6.一种家禽识别装置,其特征在于,所述装置包括:
获取模块,用于获取第一数据和第二数据,其中,所述第一数据包括标记了各个待检测家禽的待检测图像,所述第二数据包括标记了所述各个待检测家禽以及所述各个待检测家禽的方位识别信息的待检测图像;
识别模块,用于将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型,获得所述各个待检测家禽的身份识别信息;
训练模块,用于:
将多个标注好家禽的第一原始图像作为第一训练样本;
针对在家禽的多个不同方位采集的每个第二原始图像,将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本,所述家禽标识用于表征目标是否为家禽;
将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练;
将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比,计算得到本次训练的损失函数值;
若所述损失函数值小于预设损失值,则判定所述家禽识别模型完成训练;
若所述损失函数值不小于所述预设损失值,则将多个所述第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练,重复上述步骤直至所有损失函数值小于所述预设损失值。
7.一种可读存储介质,其特征在于,所述可读存储介质存储有可执行程序,处理器在执行所述可执行程序时,实现如权利要求1-5任一项所述的方法。
8.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器和所述处理器电性连接,所述存储器中存储有可执行程序,所述处理器在执行所述可执行程序时,实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258727.9A CN111079617B (zh) | 2019-12-10 | 2019-12-10 | 家禽识别方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258727.9A CN111079617B (zh) | 2019-12-10 | 2019-12-10 | 家禽识别方法、装置、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079617A CN111079617A (zh) | 2020-04-28 |
CN111079617B true CN111079617B (zh) | 2024-03-08 |
Family
ID=70313588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911258727.9A Active CN111079617B (zh) | 2019-12-10 | 2019-12-10 | 家禽识别方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079617B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626187B (zh) * | 2020-05-25 | 2023-08-08 | 京东科技信息技术有限公司 | 一种身份标注方法、装置、电子设备及存储介质 |
CN111767794A (zh) * | 2020-05-28 | 2020-10-13 | 华南农业大学 | 基于机器视觉的笼养家禽异常行为检测方法及检测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
-
2019
- 2019-12-10 CN CN201911258727.9A patent/CN111079617B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
欧家祥 ; 史文彬 ; 张俊玮 ; 丁超 ; .基于深度学习的高效电力部件识别.电力大数据.2018,(09),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111079617A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zin et al. | Image technology based cow identification system using deep learning | |
CN105938564B (zh) | 基于主成分分析和神经网络的水稻病害识别方法及*** | |
CN112950667B (zh) | 一种视频标注方法、装置、设备及计算机可读存储介质 | |
CN109858435B (zh) | 一种基于脸部图像的小熊猫个体识别方法 | |
EP3499414B1 (en) | Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification | |
CN112241731B (zh) | 一种姿态确定方法、装置、设备及存储介质 | |
CN111753643B (zh) | 人物姿态识别方法、装置、计算机设备和存储介质 | |
CN105260750B (zh) | 一种奶牛识别方法及*** | |
CN110490171B (zh) | 一种危险姿态识别方法、装置、计算机设备及存储介质 | |
CN111079617B (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
CN108491807B (zh) | 一种奶牛发情行为实时监测方法及*** | |
CN111178252A (zh) | 多特征融合的身份识别方法 | |
CN115170792B (zh) | 红外图像处理方法、装置及设备、存储介质 | |
CN112132157B (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
JPWO2012121167A1 (ja) | 個体識別システム、個体識別方法及びそれらに用いられる装置、プログラム | |
CN116092199A (zh) | 一种员工工作状态识别方法及识别*** | |
CN111353429A (zh) | 基于眼球转向的感兴趣度方法与*** | |
CN113326778B (zh) | 基于图像识别的人体姿态检测方法、装置和存储介质 | |
CN107368847B (zh) | 一种作物叶部病害识别方法及*** | |
CN111814698A (zh) | 基于人工智能及航拍图像的牧区母牛护犊行为检测方法 | |
CN116959113A (zh) | 步态识别方法及装置 | |
CN110751163B (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN113569594A (zh) | 一种人脸关键点的标注方法及装置 | |
CN115909400A (zh) | 一种用于低分辨率监控场景中使用手机行为的识别方法 | |
CN113743313A (zh) | 一种行人识别方法、装置及电子设备 |
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 | ||
CB02 | Change of applicant information |
Address after: 200040, room 710, 302 Changping Road, Shanghai, Jingan District Applicant after: Shanghai Xinlian Information Development Co.,Ltd. Address before: 200040, room 710, 302 Changping Road, Shanghai, Jingan District Applicant before: SHANGHAI ZHONGXIN INFORMATION DEVELOPMENT Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |