论文部分内容阅读
随着科技的发展,畜牧业智能化管理的需求日益显著,利用科技手段进行动物个体识别也成为了研究热点。图像识别是目前使用最为广泛的一种手段,通过对图像进行特征提取从而进行个体识别。图像特征提取的精准性直接影响识别结果,所以提取到有效的特征也成为动物识别中最重要的步骤。调研发现牛眼虹膜采集较为困难,网络识别准确率低。为此本文提出了一种基于特征提取的牛眼识别方法,为畜牧业养殖智能化提供理论基础,具有一定的实用价值。具体内容包括:1.搭建图像数据采集系统。利用OV5640摄像头进行图像采集,以太网将采集到的图像传输到上位机,建立数据集。2.目标检测算法选取。对目前应用较为广泛的Faster RCNN、YOLOv3和YOLOv4网络在自建牛眼检测数据集上进行对比实验,分析实验结果后选择YOLOv4作为本文的目标检测算法。3.针对网络识别准确率低的问题,提出一种改进SqueezeNet牛眼特征提取算法。首先,构建轻量化网络SqueezeNet,利用Mish函数替换原Fire模块中的Re LU函数,以此增强网络的鲁棒性,加快特征提取速度,并结合Stochastic Pooling提高网络的泛化能力;其次,对不同的Dropout参数进行网络优化实验,得到最优的网络模型SqueezeNet-MS。最后,在牛眼图像数据集上进行实验验证,同时与多个现有网络进行对比实验。4.针对网络特征表达能力弱的问题,提出了一种改进DenseNet牛眼特征提取算法。首先构建DenseNet,利用密集连接将牛眼特征图的浅层特征输入到后面的每一层,以此来加强网络内部信息的传输从而得到更多的特征信息。其次采用SELU函数防止网络过拟合,通过Drop Block随机丢弃提取到的特征,最终得到更加精确的牛眼图像特征信息,从而提高模型的识别准确率。改进后的DenseNet网络识别准确率为97.47%,改进后的SqueezeNet网络的识别率虽然只有96.59%,模型参数量是1.25×10~6接近于改进后DenseNet网络参数量的一半。实验结果表明,改进后的网络对牛眼特征均有较高的识别率。