一种动物个体识别方法

技术领域

本发明涉及一种目标识别方法，尤其涉及一种动物个体识别方法，属于智能养殖技术领域。

背景技术

随着经济和社会的发展，我国畜禽养殖业也得到了快速发展，养殖形式也逐渐转向规模化、精准化、绿色健康化发展，而对动物个体的身份进行自动化识别则是实现精准化养殖的前提。

当前对动物个体身份的识别方式主要依靠人工识别、电子标签和机器学习三种方法，人工识别方法是指养殖人员依靠丰富的经验通过观察对动物个体身份进行区分，依靠人工识别对动物个体进行识别是需要丰富的经验，对于规模化养殖来说，人工识别的方法需要投入大量的人力和精力，这是难以实现的。RFID(电子标签法)是指在动物身上安装电子标签，通过读取电子标签的信息来实现对动物个体身份的识别，如电子耳标，电子耳标会对动物造成轻微伤害，而且还会让引起动物过激反应。而依靠电子标签对动物身份进行识别时动物在生长和活动过程中时常会出现咬标和掉标的情况，并非最为理想的识别技术。随着计算机技术迅速发展与相应硬件设备快速地更新迭代，运用机器学习对动物个体进行身份识别变得越来越广泛。机器学习主要将采集到的数据送入到神经网络模型进行学习和训练，然后将得到的模型对待预测结果进行预测。机器学习可以实现对动物动身份准确快速识别和检测。因此，需要研究一种自动化的、实时的动物个体识别方法。

发明内容

本发明要解决的技术问题是提供一种动物个体识别方法。

为解决上述技术问题，本发明所采取的技术方案是：

一种动物个体识别方法，包括以下步骤：

步骤1：训练深度学习模型：所述深度学习模型为深度残差学习模型，包括依次连接的卷积层Conv_1-Conv_6，平均池化层Avgpool和全连接层；大卷积层Conv_1-Conv_6依次级联，大卷积层Conv_6的输出分别连接特征输出层Predict1和连接层；

步骤2：视频采集：在养殖场安装工业摄像机，对动物进行视频录取，获取流媒体视频；

步骤3：动物检测和识别：将流媒体视频拆分成视频帧，将所述视频帧调整为与深度学习模型相适配的分辨率，输入深度学习模型动物检测和识别。

进一步，卷积层Conv_1由一个卷积层和一个池化层构成；卷积层Conv_2由3个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_3由4个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_4由6个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_5由3个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_6由4个BasicBlock构成，每个BasicBlock包含2个卷积层。

采用上述技术方案所产生的有益效果在于：

(1)本发明只需要将待识别的动物个体的图像输入到网路模型上，即可完成对该动物的身份识别，具有实时化、自动化的优点。

(2)本发明将养殖只人员从繁重的工作解放出来，极大地节省人力、物力。

附图说明

图1是本发明的深度学习模型示意图；

图2是本发明的深度学习模型结构图；

图3是本发明实施例1的卷积层Conv_1的结构图；

图4是本发明实施例1的卷积层Conv_2的结构图；

图5是本发明实施例1的卷积层Conv_3的结构图；

图6是本发明实施例1的卷积层Conv_4的结构图；

图7是本发明实施例1的卷积层Conv_5的结构图；

图8是本发明实施例1的卷积层Conv_6的结构图。

具体实施方式

一种动物个体识别方法，包括以下步骤：

步骤1：训练深度学习模型：所述深度学习模型为深度残差学习模型，包括依次连接的卷积层Conv_1-Conv_6，平均池化层Avgpool和全连接层；大卷积层Conv_1-Conv_6依次级联，大卷积层Conv_6的输出分别连接特征输出层Predict1和连接层；

步骤2：视频采集：在养殖场安装工业摄像机，对动物进行视频录取，获取流媒体视频；

步骤3：动物检测和识别：将流媒体视频拆分成视频帧，将所述视频帧调整为与深度学习模型相适配的分辨率，输入深度学习模型动物检测和识别。

卷积层Conv_1由一个卷积层和一个池化层构成；卷积层Conv_2由3个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_3由4个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_4由6个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_5由3个BasicBlock构成，每个BasicBlock包含2个卷积层；Conv_6由4个BasicBlock构成，每个BasicBlock包含2个卷积层。

在本实施例中，首先将视频帧统一进行处理，使其分辨率为224*224*3。将预处理好的图像输入到Conv_1中，得到输出为56*56*64的矩阵。将Conv_1的输出作为输入，送入到Conv_2中得到输出为56*56*64的矩阵。将Conv_2的输出作为输入，送入到Conv_3中得到输出为28*28*128的矩阵。将Conv_3的输出作为输入，送入到Conv_4中得到输出为14*14*256的矩阵。将Conv_4的输出作为输入，送入到Conv_5中得到输出为7*7*512的矩阵。将Conv_5的输出作为输入，送入到Conv_6中得到输出为4*4*1024的矩阵。最后将得到的输出4*4*1024矩阵送入到平均池化层和全连接层。处理后输出视频帧中是否含有动物，如果含有，输出动物类别。