论文部分内容阅读
猪只的个体识别研究对于猪的养殖过程管理,以及智能可追溯系统的构建具有重要的意义,脸部识别技术具有非侵入性、对动物更友好等优势,该技术已经广泛应用于身份识别领域,而猪只的脸部识别技术是一个全新的领域。本文以猪脸识别为研究点对猪只进行非限制条件下的个体识别研究,旨在为猪脸识别领域的适用方法和模型提供理论和试验支持,为开发适用于广大生猪养殖企业的具有便携性、实时性的猪脸识别系统提供参考。研究内容以及结论如下:(1)为自动、远程的获取猪脸的图像,设计了非限制条件下猪脸数据的采集方法与系统,实现了三种方式的数据采集以及补光系统,第一种是根据猪只的行为活动规律设计的定时采集方案,该方案可在猪只饮食时间段采集样本,第二种是根据研究者关注猪只不同部位特征的需求,设计了由用户控制的手动采集方案,第三种是由猪脸触发的自动采集方案,该方案采用了两个open mv3数字摄像头进行猪脸检测与采集,第一个安装在猪只活动区域的正上方,它用来判断是否有可采集的猪脸,第二个安装在猪只活动区域的正前方,它根据第一个数字摄像头发送的电平信号判断是否可以采集猪脸。补光系统解决了由光的强度不同造成的采集的猪脸样本光照不均匀问题。为非限制条件下猪脸样本采集提供参考。(2)为对猪脸样本图像进行特征提取,采用传统的PCA、LDA、LBP方法对图像进行特征提取,为克服猪脸样本图像处理过程中计算量大、耗时长的问题,对猪脸样本进行降维处理。采用PCA方法选取猪脸样本的主成分数为300,总体方差解释率达到95%以上,并可视化前24个特征,为验证PCA提取的猪脸特征的可辨识度,开发了基于eigenfaces的猪脸识别程序,在十个类别猪的识别试验中平均识别准确率达到74.4%;采用LDA方法对猪脸样本图像维度降到9维并进行了猪脸特征提取试验,开发基于fisherfaces的猪脸识别程序,在十个类别猪的识别试验中平均识别准确率达到64.9%;采用LBP方法进行了猪脸特征提取,克服了光照不均匀以及旋转对于猪脸识别准确率的影响。(3)为提高识别准确率,采用传统KNN、随机森林、SVM机器学习算法进行猪脸识别试验。通过试验确定KNN算法的K值取3,对十个类别的猪进行了识别,平均准确率达到91.46%,召回率达到90.16%,f1值达到90.36%;试验确定了随机森林的决策树数量取值65,分裂质量性能函数选取基尼不纯度的gini,对十个类别的猪进行识别,平均准确率达到90.61%,召回率89.76%,f1值89.79%,试验确定SVM的核函数选取为poly,核函数系数取值0.03对十个类别的猪进行识别,平均准确率达到83.66%,召回率79.53%,f1值79.95%,对比三种机器学习算法识别效率,随机森林的预测时间达到8ms,SVM为329ms,KNN达到1306ms。试验结果表明采用机器学习算法进行猪脸识别效果优于基于特征提取的方法。(4)为进一步提高识别准确率与算法运行效率,采用深度学习模型进行猪脸识别试验。利用卷积神经网络基本原理构建Alex Net,Mini-Alex Net以及Attention-Alex Net三种网络结构并选取效果最佳模型用于生猪脸部识别,准确率分别达到97.48%,96.66%,98.11%,召回率分别达到98.03%,96.46%,98.03%,f1值分别为98.05%,96.43%,98.05%,探讨批大小对模型性能影响,分别对各个模型在批大小为16、32以及64情况下进行对比试验,通过从宏观角度观察训练以及验证准确率及其损失函数变化规律,并绘制测试集上混淆矩阵以探究批大小与模型性能间关系,试验表明批大小对模型预测结果有一定影响,探究每种模型在相同训练环境下的性能差异状况,在相同批大小情况下对三种模型进行三组对比试验,试验表明本文提出的Attention-Alex Net模型使用较少的迭代轮次即能取得最佳的分类性能指标值,而对于本文提出的轻量化模型Mini-Alex Net能够通过较少的训练时间取得不逊于其他两种模型的分类性能,未来其可用于训练资源匮乏的场景。(5)为综合探究猪脸识别算法的识别准确率与算法运行效率,设计融合特征提取的机器学习与深度学习猪脸识别试验,试验结果表明融合特征提取的传统机器学习算法猪脸识别准确率最高提高了7.48个百分点,其中PCA+SVM试验提高了5.19个百分点,同时预测时间只有原来的20.9%,本文提出的深度学习模型的识别准确率已经达到98.11%,经过特征融合的深度学习猪脸识别试验旨在保证一定识别准确率的前提下提升模型的运行效率,试验结果表明模型运行时间减少为原来的95%,提高了模型运行效率,同时识别准确率有一定程度的下降,为开发具有实时性、便携性的嵌入式猪脸识别系统提供参考。