[发明专利]一种基于深度学习的牛脸检测与识别方法

说明书

本发明提供一种基于深度学习的牛脸检测与识别方法，包括牛脸数据采集与预处理、牛脸数据转换、牛脸特征提取模型的构建与牛脸特征向量数据库的构建、牛脸检测模型的构建、利用构建的牛脸特征提取模型与牛脸检测模型进行牛脸部分检测与特征提取、利用图像检索技术进行牛脸识别。该方法能够有效地减少训练模型所需的数据量，精准地勾勒出牛脸部分，减少非牛脸部分的环境因素对识别准确率的影响，并综合使用多种牛脸特征值进行牛脸识别，提高了牛脸识别的准确率。

技术领域

本发明涉及牛脸检测与识别技术，具体涉及一种基于深度学习的牛脸检测与识别方法。

背景技术

随着科技时代的发展，越来越多的高新科技被应用于数字农业的发展，其中包括物联网技术，遥感技术，人工智能技术等等。高新技术在农作物增产，病虫害防护，畜牧养殖等方面都取得了不错成果。除了高新技术，保险业也为数字农业的发展做出了不可忽视的贡献。作为一项惠及三农的政策性保险，奶牛保险能够有效提高养殖户应对风险的能力，降低灾害导致的损失。然而，“骗保”事件的频发导致承保机构的利益严重受损。

深度学习是机器学习中一种对数据进行表征学习的算法。基于深度学习的畜牧识别技术利用获得的特征对养殖业的个体进行身份识别鉴定，能够有效减少“骗保”事件的发生，提高“骗保”的道德风险。现有技术大部分停留在牛只个体识别与牛脸检测部分(参见姚礼垚的《基于深度网络模型的牛脸检测算法比较》，《江苏大学学报》，2019，第二期)，仅有少部分技术实现了牛脸识别，如基于深度学习与稀疏表示的增量识别框架(参见吕昌伟的硕士论文《基于深度学习与稀疏表示的模式识别研究及牛脸识别应用》，2018)。这些方法证明了深度学习算法在牛脸识别中的可行性，并为牛脸识别实际应用奠定了坚实的基础。

由于现有技术方法需要大量的数据进行模型训练，并采用方框勾勒出牛脸部分从而进行身份鉴定，这将导致两方面的不足：一是庞大的数据量使数据采集负担增加，并且极大地增加训练模型所花费的时间；二是勾勒出牛脸部分的方框中不仅含有牛脸部分，还包括图像中背景因素，随着环境复杂度的增加，识别准确率也会受到较大的影响。

发明内容

本发明的目的在于克服上述现有技术中的不足之处，提出一种基于深度学习的牛脸检测与识别方法。

本发明是通过如下方式实现的：

步骤一：分别采集牛的正脸、左侧脸、右侧脸图像，随后对采集的牛脸图像数据进行预处理，勾勒出图片中的牛脸部分，并对牛进行身份标注；

步骤二：将经过预处理后的牛脸图像转换成JSON(JavaScript Object Notation)格式文件，其中JSON文件包含图像中牛脸部分的坐标，牛只的身份信息和图片所在的目录路径；

步骤三：基于卷积神经网络——101层的残差网络(Residual Network 101，ResNet101)，利用深度学习算法提取JSON文件中牛脸部分的数据进行学习，获取牛脸特征提取模型，并将提取出的牛脸图像特征根据实际情况分别储存在不同的特征向量数据库中，其中特征向量数据库分为正脸特征向量数据库、左侧脸特征向量数据库、右侧脸特征向量数据库；

步骤四：基于卷积神经网络ResNet101，采用掩码区域卷积神经网络(MaskRegion-Convolutional Neural Networks，Mask R-CNN)框架对经过步骤二处理的JSON文件进行学习，获得牛脸检测模型；

步骤五：采用牛脸检测模型对待识别牛的正脸、左侧脸、右侧脸分别进行牛脸检测，检测出图片中牛脸部分，并采用牛脸特征提取模型对检测出的牛脸部分进行特征提取，分别记为正脸特征向量X、左侧脸特征向量Y、右侧脸特征向量Z；

步骤六：根据步骤五获得的特征向量X、Y、Z，采用图像检索技术进行牛的身份鉴定，最终实现牛脸识别。

进一步，所述步骤一采集牛的正脸、左侧脸、右侧脸图像至少各两副。