CN113449674A - 一种猪脸识别方法及*** - Google Patents
一种猪脸识别方法及*** Download PDFInfo
- Publication number
- CN113449674A CN113449674A CN202110783674.3A CN202110783674A CN113449674A CN 113449674 A CN113449674 A CN 113449674A CN 202110783674 A CN202110783674 A CN 202110783674A CN 113449674 A CN113449674 A CN 113449674A
- Authority
- CN
- China
- Prior art keywords
- pig face
- pig
- trained
- training
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种猪脸识别方法及***,通过获得猪脸图像;通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征;通过卷积神经网络提取出猪脸图像的第二猪脸特征;对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。基于猪脸特征信息识别出猪的身份信息的准确性高。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种猪脸识别方法及***。
背景技术
随着科学技术的发展,人工智能技术应用在医疗、军事、农业等领域。在乡村经济中,主要依赖于养殖产业。提高养殖产业的管理是振兴乡村经济的一个有效举措。对于养殖产业中的猪养殖产业,如果对每头猪进行终身的跟踪,对于食品安全和养猪管理都有非常重要的意义。
但是,由于猪成长速度快,面部变化快,难以实现对其终身的身份识别和跟踪。目前,主要是依赖于神经网络对猪脸进行识别。传统的神经网络模型适应性差,一旦猪脸发生变化,模型识别猪脸的准确性低。
发明内容
本发明的目的在于提供了一种猪脸识别方法及***,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种猪脸识别方法,所述方法包括:
获得猪脸图像;
通过预先训练好的所述猪脸预测模型基于所述猪脸图像预测出第一猪脸特征;
通过卷积神经网络提取出猪脸图像的第二猪脸特征;
对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;
通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。
可选的,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
将训练好的第一谱聚类模型的输出训练第一循环神经网络;
以训练好的第二谱聚类模型的输出训练第二循环神经网络;
以训练好的第一循环神经网络的第一损失函数和训练好的第二循环神经网络的第二损失函数之和作为第三损失函数;
基于训练好的第二循环神经网络的输出和所述第三损失函数训练长短时间记忆网络;
以训练好的第二谱聚类模型、第二循环神经网络和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的第二循环神经网络的输入;以训练好的第二循环神经网络的输出作为训练好的长短时间记忆网络的输入。
可选的,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
以训练好的第一谱聚类模型的输出训练长短时间记忆网络;
以训练好的第二谱聚类模型和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的长短时间记忆网络的输入。
可选的,所述对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息,包括:
将第一猪脸特征进行映射变换到所述第二猪脸特征所在的空间,得到第一映射特征;
获得第一映射特征和所述第二猪脸特征的平均特征,以所述平均特征作为所述猪脸特征信息。
可选的,所述猪脸识别模型为卷积神经网络。
第二方面,本发明实施例还提供了一种猪脸识别***,所述***包括:
获得图像模块,用于获得猪脸图像;
预测模块,用于通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征;
提取模块,用于通过卷积神经网络提取出猪脸图像的第二猪脸特征;
融合模块,用于对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;
识别模块,用于通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。
可选的,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
将训练好的第一谱聚类模型的输出训练第一循环神经网络;
以训练好的第二谱聚类模型的输出训练第二循环神经网络;
以训练好的第一循环神经网络的第一损失函数和训练好的第二循环神经网络的第二损失函数之和作为第三损失函数;
基于训练好的第二循环神经网络的输出和所述第三损失函数训练长短时间记忆网络;
以训练好的第二谱聚类模型、第二循环神经网络和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的第二循环神经网络的输入;以训练好的第二循环神经网络的输出作为训练好的长短时间记忆网络的输入。
可选的,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
以训练好的第一谱聚类模型的输出训练长短时间记忆网络;
以训练好的第二谱聚类模型和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的长短时间记忆网络的输入。
可选的,所述对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息,包括:
将第一猪脸特征进行映射变换到所述第二猪脸特征所在的空间,得到第一映射特征;
获得第一映射特征和所述第二猪脸特征的平均特征,以所述平均特征作为所述猪脸特征信息。
可选的,所述猪脸识别模型为卷积神经网络。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例提供了一种猪脸识别方法及***,所述方法包括:获得猪脸图像;通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征;通过卷积神经网络提取出猪脸图像的第二猪脸特征;对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。
通过采用以上方案,由于猪生长周期短猪脸变化快,基于传统的猪脸识别方式直接提取猪脸的特征识别猪的身份信息是不准确的,但是,猪在生长过程中,其面部变化是有迹可循的,为此,先预测猪脸的特征(第一猪脸特征),然后结合实际提取到的猪脸特征(第二猪脸特征)进行融合,得到的猪脸特征信息能够表征更多猪脸的真实特性,为此,基于猪脸特征信息识别出猪的身份信息的准确性高。采用卷积神经网络(Convolutional NeuralNetwork,CNN)提取出猪脸图像的第二猪脸特征,能够最大限度提取到猪脸图像中有用的猪脸特征。
附图说明
图1是本发明实施例提供的一种猪脸识别方法流程图。
图2是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例
本发明实施例提供了一种猪脸识别方法,如图1所示,所述方法包括:
S101:获得猪脸图像。所述猪脸图像通过设置在猪圈进食口上的摄像装置拍摄得到。所述猪脸图像中包含猪脸。
S102:通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征。
S103:通过卷积神经网络提取出猪脸图像的第二猪脸特征。
S104:对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;
S105:通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。
通过采用以上方案,由于猪生长周期短猪脸变化快,基于传统的猪脸识别方式直接提取猪脸的特征识别猪的身份信息是不准确的,但是,猪在生长过程中,其面部变化是有迹可循的,为此,先预测猪脸的特征(第一猪脸特征),然后结合实际提取到的猪脸特征(第二猪脸特征)进行融合,得到的猪脸特征信息能够表征更多猪脸的真实特性,为此,基于猪脸特征信息识别出猪的身份信息的准确性高。采用卷积神经网络(Convolutional NeuralNetwork,CNN)提取出猪脸图像的第二猪脸特征,能够最大限度提取到猪脸图像中有用的猪脸特征。
在本发明实施例中,猪的身份信息是唯一的,例如猪的编号。
可选的,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
将训练好的第一谱聚类模型的输出训练第一循环神经网络(Rerrent NeuralNetwork,RNN);
以训练好的第二谱聚类模型的输出训练第二循环神经网络(Rerrent NeuralNetwork,RNN);
以训练好的第一循环神经网络的第一损失函数和训练好的第二循环神经网络的第二损失函数之和作为第三损失函数;具体的,第一损失函数采用的是softmax loss,第二损失函数采用的是center loss。
基于训练好的第二循环神经网络的输出和所述第三损失函数训练长短时间记忆网络(Long Short-term Memory Networks,LSTM);
以训练好的第二谱聚类模型、第二循环神经网络和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的第二循环神经网络的输入;以训练好的第二循环神经网络的输出作为训练好的长短时间记忆网络的输入。
可选的,通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征具体为:将猪脸图像输入训练好的第二谱聚类模型中,以训练好的第二谱聚类模型的输出作为训练好的第二循环神经网络的输入;以训练好的第二循环神经网络的输出作为训练好的长短时间记忆网络的输入,以长短时间记忆网络的输出作为所述的第一猪脸特征。
可选的,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
以训练好的第一谱聚类模型的输出训练长短时间记忆网络;
以训练好的第二谱聚类模型和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的长短时间记忆网络的输入。
可选的,通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征具体为:将猪脸图像输入训练好的第二谱聚类模型中,以训练好的第二谱聚类模型的输出作为训练好的长短时间记忆网络的输入,以长短时间记忆网络的输出作为所述的第一猪脸特征。
由于猪脸的生长变化是连续的,不是断裂式的变化的,因此,采用以上方案得到的第一猪脸特征综合了猪之前生长时段的猪脸特征,也着重考虑了猪更近一段时间的猪脸信息(第二历史猪脸图像),为此,提高了预测得到的猪的第一猪脸特征对于猪的真实特征的表征准确程度,进而提高了猪脸识别的准确性。
所述对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息,包括:
将第一猪脸特征进行映射变换到所述第二猪脸特征所在的空间,得到第一映射特征;
获得第一映射特征和所述第二猪脸特征的平均特征,以所述平均特征作为所述猪脸特征信息。
可选的,第一猪脸特征是预测的猪脸的特征点,第二猪脸特征是检测到的猪脸的特征点,特征点可以是猪的眼睛、鼻子、嘴角等具有明显特点的点。第一猪脸特征可以包括多个特征点,第二猪脸特征可以包括多个特征点。
可选的,将第一猪脸特征进行映射变换到所述第二猪脸特征所在的空间,得到第一映射特征,具体为:
将第一猪脸特征的特征点的第一位置信息(i,j)进行映射变换到第二猪脸特征所在空间得到第一映射信息(i',j'),具体的映射便函方式按照下述公式计算得到:
其中,a是常数参数,a取值范围是1到2128之间的整数。θ是第一猪脸特征与第二猪脸特征之间的夹角。具体的,获得第一猪脸特征与第二猪脸特征之间的夹角的方式为:
通过主成分分析方法(Principal Component Analysis,PCA)对第一猪脸特征进行降维,得到第一特征向量;通过主成分分析方法(Principal Component Analysis,PCA)对第二猪脸特征进行降维,得到第二特征向量。第一特征向量和第二特征向量之间的夹角就是获得第一猪脸特征与第二猪脸特征之间的夹角θ。
在将第一猪脸特征的所有特征点映射变换到所述第二猪脸特征所在的空间后,所有映射变换对应的第一映射信息(i',j')构成第一映射特征。
获得第一映射特征和所述第二猪脸特征的平均特征,以所述平均特征作为所述猪脸特征信息的具体方式为:
对第一映射特征中的所有第一映射信息(i',j')和第二猪脸特征中的所有第二位置信息(x,y)(第二猪脸特征中的特征点的位置)进行匹配,具体的匹配方式为:
获得第一位置信息(i,j)与第二位置信息(x,y)的匹配指数,若匹配指数大于1,确定第一位置信息(i,j)与第二位置信息(x,y)匹配成功。
获得第一位置信息(i,j)与第二位置信息(x,y)的匹配指数的具体方式为:
获得第一位置信息(i,j)到第二位置信息(x,y)的第一距离d1,以及获得第一位置信息(i,j)进行映射变换得到的第一映射信息(i',j')到第二位置信息(x,y)的第二距离d2。
按照下述计算方式获得匹配指数:
第一距离d1、第二距离d2可以是欧拉距离,match指的是匹配指数。
第一位置信息(i,j)与第二位置信息(x,y)匹配成功后,获得匹配成功的第一位置信息(i,j)与第二位置信息(x,y)的中点位置信息:
(x0,y0)为中点位置信息。
以所有匹配成功的第一位置信息(i,j)与第二位置信息(x,y)的中点信息构成平均特征。
可选的,所述猪脸识别模型为卷积神经网络(Convolutional Neural Network,CNN)。
针对上述实施例提供一种猪脸识别方法,本申请实施例还对应提供一种用于执行上述的步骤的执行主体,该执行主体可以为猪脸识别***。猪脸识别***配置在具有数据处理能力的电子设备中,该***包括:
获得图像模块,用于获得猪脸图像;
预测模块,用于通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征;
提取模块,用于通过卷积神经网络提取出猪脸图像的第二猪脸特征;
融合模块,用于对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;
识别模块,用于通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。
关于上述实施例中的***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图2所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述猪脸识别方法的任一方法的步骤。
其中,在图2中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
在本发明实施例中,猪脸识别***安装在机器人中,具体的可以软件功能模块的形式存储在存储器中并可以被处理器处理运行。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种猪脸识别方法,其特征在于,所述方法包括:
获得猪脸图像;
通过预先训练好的所述猪脸预测模型基于所述猪脸图像预测出第一猪脸特征;
通过卷积神经网络提取出猪脸图像的第二猪脸特征;
对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;
通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。
2.根据权利要求1所述的方法,其特征在于,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
将训练好的第一谱聚类模型的输出训练第一循环神经网络;
以训练好的第二谱聚类模型的输出训练第二循环神经网络;
以训练好的第一循环神经网络的第一损失函数和训练好的第二循环神经网络的第二损失函数之和作为第三损失函数;
基于训练好的第二循环神经网络的输出和所述第三损失函数训练长短时间记忆网络;
以训练好的第二谱聚类模型、第二循环神经网络和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的第二循环神经网络的输入;以训练好的第二循环神经网络的输出作为训练好的长短时间记忆网络的输入。
3.根据权利要求1所述的方法,其特征在于,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
以训练好的第一谱聚类模型的输出训练长短时间记忆网络;
以训练好的第二谱聚类模型和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的长短时间记忆网络的输入。
4.根据权利要求1所述的方法,其特征在于,所述对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息,包括:
将第一猪脸特征进行映射变换到所述第二猪脸特征所在的空间,得到第一映射特征;
获得第一映射特征和所述第二猪脸特征的平均特征,以所述平均特征作为所述猪脸特征信息。
5.根据权利要求1所述的方法,其特征在于,所述猪脸识别模型为卷积神经网络。
6.一种猪脸识别***,其特征在于,所述***包括:
获得图像模块,用于获得猪脸图像;
预测模块,用于通过预先训练好的猪脸预测模型基于所述猪脸图像预测出第一猪脸特征;
提取模块,用于通过卷积神经网络提取出猪脸图像的第二猪脸特征;
融合模块,用于对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息;
识别模块,用于通过预先训练好的猪脸识别模型基于所述猪脸特征信息识别出猪的身份信息。
7.根据权利要求6所述的***,其特征在于,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
将训练好的第一谱聚类模型的输出训练第一循环神经网络;
以训练好的第二谱聚类模型的输出训练第二循环神经网络;
以训练好的第一循环神经网络的第一损失函数和训练好的第二循环神经网络的第二损失函数之和作为第三损失函数;
基于训练好的第二循环神经网络的输出和所述第三损失函数训练长短时间记忆网络;
以训练好的第二谱聚类模型、第二循环神经网络和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的第二循环神经网络的输入;以训练好的第二循环神经网络的输出作为训练好的长短时间记忆网络的输入。
8.根据权利要求6所述的***,其特征在于,所述猪脸预测模型的训练方法包括:
将猪的第一历史猪脸图像集训练第一谱聚类模型;
将猪的第二历史猪脸图像集训练第二谱聚类模型;所述第一历史猪脸图像集中包括的多张猪脸图像的拍摄时间比所述第二历史猪脸图像集中的多张猪脸图像的拍摄时间早;
以训练好的第一谱聚类模型的输出训练长短时间记忆网络;
以训练好的第二谱聚类模型和训练好的长短时间记忆网络构成所述训练好的猪脸预测模型;
训练好的猪脸预测模型中,以训练好的第二谱聚类模型的输出作为训练好的长短时间记忆网络的输入。
9.根据权利要求6所述的***,其特征在于,所述对第一猪脸特征和所述第二猪脸特征进行融合,得到猪脸特征信息,包括:
将第一猪脸特征进行映射变换到所述第二猪脸特征所在的空间,得到第一映射特征;
获得第一映射特征和所述第二猪脸特征的平均特征,以所述平均特征作为所述猪脸特征信息。
10.根据权利要求6所述的***,其特征在于,所述猪脸识别模型为卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783674.3A CN113449674B (zh) | 2021-07-12 | 2021-07-12 | 一种猪脸识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783674.3A CN113449674B (zh) | 2021-07-12 | 2021-07-12 | 一种猪脸识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449674A true CN113449674A (zh) | 2021-09-28 |
CN113449674B CN113449674B (zh) | 2022-09-30 |
Family
ID=77815872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783674.3A Active CN113449674B (zh) | 2021-07-12 | 2021-07-12 | 一种猪脸识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449674B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926858A (zh) * | 2022-05-10 | 2022-08-19 | 吉林大学 | 一种基于特征点信息的深度学习的猪脸识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
CN109522812A (zh) * | 2018-10-23 | 2019-03-26 | 青岛小鸟看看科技有限公司 | 人脸识别方法及装置、电子设备 |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
CN110443228A (zh) * | 2019-08-20 | 2019-11-12 | 图谱未来(南京)人工智能研究院有限公司 | 一种行人匹配方法、装置、电子设备及存储介质 |
CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
CA3057010A1 (en) * | 2018-09-28 | 2020-03-28 | Element Ai Inc. | Method and system for proactively increasing customer satisfaction |
CN111639629A (zh) * | 2020-06-15 | 2020-09-08 | 安徽工大信息技术有限公司 | 一种基于图像处理的猪只体重测量方法、装置及存储介质 |
CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
-
2021
- 2021-07-12 CN CN202110783674.3A patent/CN113449674B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
CA3057010A1 (en) * | 2018-09-28 | 2020-03-28 | Element Ai Inc. | Method and system for proactively increasing customer satisfaction |
CN109522812A (zh) * | 2018-10-23 | 2019-03-26 | 青岛小鸟看看科技有限公司 | 人脸识别方法及装置、电子设备 |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
CN110443228A (zh) * | 2019-08-20 | 2019-11-12 | 图谱未来(南京)人工智能研究院有限公司 | 一种行人匹配方法、装置、电子设备及存储介质 |
CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
CN111639629A (zh) * | 2020-06-15 | 2020-09-08 | 安徽工大信息技术有限公司 | 一种基于图像处理的猪只体重测量方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
WENBO LI ET AL.: "Adaptive RNN Tree for Large-Scale Human Action Recognition", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
王哲 等: "基于谱聚类和LSTM神经网络的电动公交车充电负荷预测方法", 《电力建设》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926858A (zh) * | 2022-05-10 | 2022-08-19 | 吉林大学 | 一种基于特征点信息的深度学习的猪脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113449674B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310775B (zh) | 数据训练方法、装置、终端设备及计算机可读存储介质 | |
CN107229947B (zh) | 一种基于动物识别的金融保险方法及*** | |
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
CN110349147B (zh) | 模型的训练方法、眼底黄斑区病变识别方法、装置及设备 | |
CN109902705A (zh) | 一种对象检测模型的对抗扰动生成方法和装置 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN111738403B (zh) | 一种神经网络的优化方法及相关设备 | |
CN111027628A (zh) | 一种模型确定方法和*** | |
Xue et al. | Open set sheep face recognition based on Euclidean space metric | |
CN111488853A (zh) | 金融机构安防***的大数据人脸识别方法、***及机器人 | |
CN109145752B (zh) | 用于评估对象检测和跟踪算法的方法、装置、设备和介质 | |
CN113158869A (zh) | 图像识别方法、装置、终端设备及计算机可读存储介质 | |
CN111126268A (zh) | 关键点检测模型训练方法、装置、电子设备及存储介质 | |
CN113688793A (zh) | 人脸模型的训练方法及人脸识别*** | |
CN114882324A (zh) | 目标检测模型训练方法、设备及计算机可读存储介质 | |
Chen et al. | Novel method for real-time detection and tracking of pig body and its different parts | |
CN113449674B (zh) | 一种猪脸识别方法及*** | |
CN114359781B (zh) | 一种云边协同自主学习的智能识别*** | |
CN115795355A (zh) | 一种分类模型训练方法、装置及设备 | |
US11798265B2 (en) | Teaching data correction method for training image, teaching data correction device and program | |
CN111401112B (zh) | 人脸识别方法和装置 | |
CN110609561A (zh) | 一种行人跟踪方法、装置、计算机可读存储介质及机器人 | |
CN112785075B (zh) | 一种基于rfid定位的行人行为预测方法及*** | |
CN115775341B (zh) | 一种实验设备状态检测方法及*** | |
CN113344097B (zh) | 基于多模型的图像处理方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |