VanillaFaceNet:一种高精度快速推理的牛脸识别方法

快速精准确定牛只身份对于牛只活体贷款,改善牛只骗保等问题具有重要意义。针对不同牛只面部差异小,FaceNet网络层数深,推理速度较慢,模型分类精度不足等问题,该研究提出了基于FaceNet的牛脸识别方法-VanillaFaceNet。该方法首先将FaceNet的主干特征提取网络替换为极简网络VanillaNet-13并提出动态激活和增强型线性变换的激活函数两种方法提高网络的非线性;然后,提出一种新的DBCA(dual-branch coordinate attention)注意力模块,能够更好地反映不同牛只面部特征之间的差异,从而提高网络的识别精度;最后,针对triplet loss仅能减小牛只类间差异的问题,采用center-triplet loss联合监督来减少牛只类内差异,从而提高了相同牛只身份比对的准确性。基于自建的牛脸数据集对该模型进行训练和测试,试验结果表明,VanillaFaceNet对牛只识别的准确率达到88.21%,每秒传输帧数为26.23帧。与FaceNet、MobileFaceNet、CenterFace、CosFace和ArcFace算法相比,本文算法的识别准确率分别提高了2.99、9.58、6.26、3.85和4.49个百分点,推理速度分别提升了2.67、0.77、0.10、1.28和0.94帧/s。该模型对牛只有较为优秀的识别效果,适于在嵌入式设备上部署,实现了牛只面部识别精度和推理速度之间的平衡。

基于牛脸和躯干综合信息的奶牛个体识别研究

针对基于单一信息对奶牛个体身份识别精度低的问题,本文提出1种基于牛脸和躯干综合信息对奶牛个体身份识别的方法。在Mask R-CNN目标检测模型的基础上进行改进,将注意力机制模块引入到Mask R-CNN的ResNet50特征提取网络的输出阶段,能够在图像通道和空间上增强奶牛身份信息。针对奶牛不同部位,本文对改进前后的Mask R-CNN模型分别基于牛脸、基于躯干以及基于牛脸和躯干综合信息进行了相关实验。实验结果表明,原始Mask R-CNN模型基于牛脸和躯干综合信息进行奶牛个体识别,比单独基于牛脸或躯干的识别精度提高2.3%~3.7%。改进后的Mask R-CNN模型在自建奶牛图像数据集上的准确率达到了93.63%,mAP值达到92.16%,相较于原始Mask R-CNN,准确率提高了2.92%,mAP值提高了2.63%。本文方法能够实现对养殖场环境下奶牛个体身份的识别,可为奶牛的精准养殖提供技术支持。

基于深度学习的牛脸目标检测研究

为解决牛脸目标识别精度问题,研究以深度学习图像处理技术为支撑,采用一种基于轻量型牛脸数据集训练下的Yolov5目标检测算法模型,对采集到的涵盖复杂背景的牛只图像中的牛脸目标进行识别。在Yolov5模型基础上针对牛脸部分细小目标对象检测能力做出改进。引入CBAM即插即用的注意力机制,增强网络对有意义区域的感知能力,并减少对牛舍背景复杂环境噪声等干扰信息的影响。融合BiFPN加权双向特征金字塔网络结构,可有效地融合牛只个体面部深层和浅层特征,提高网络对图像中包含牛只个体中大、小牛脸面部目标的检测能力。研究以小样本牛脸数据集支持,牛脸目标检测的平均准确率为0.934。结果表明,该研究可在实际生产中对牛脸目标进行有效检测。

基于脸部RGB-D图像的牛只个体识别方法

为实现非接触、高精度个体识别,本文提出了一种基于牛只脸部RGB-D信息融合的个体身份识别方法。以108头28~30月龄荷斯坦奶牛作为研究对象,利用Intel RealSense D455深度相机采集2334幅牛脸彩色/深度图像作为原始数据集。首先,采用冗余图像剔除方法和自适应阈值背景分离算法进行图像预处理,经增强共得到8344幅牛脸图像作为数据集;然后,分别选取Inception ResNet v1、Inception ResNet v2和SqueezeNet共3种特征提取网络进行奶牛脸部特征提取研究,通过对比分析,确定FaceNet模型的最优主干特征提取网络;最后,将提取的牛脸图像特征L2正则化,并映射至同一特征空间,训练分类器实现奶牛个体分类。测试结果表明,采用Inception ResNet v2作为FaceNet模型的主干网络特征提取效果最优,在经过背景分离数据预处理的数据集上测试牛脸识别准确率为98.6%,验证率为81.9%,误识率为0.10%。与Inception ResNet v1、SqueezeNet网络相比,准确率分别提高1、2.9个百分点;与未进行背景分离的数据集相比,准确率提高2.3个百分点。

基于融合坐标信息的改进YOLO V4模型识别奶牛面部

为实现奶牛个体的准确识别,基于YOLO V4目标检测网络,提出了一种融合坐标信息的奶牛面部识别模型。首先,采集71头奶牛面部图像数据集,并通过数据增强扩充提高模型的泛化性能。其次,在YOLO V4网络的特征提取层和检测头部分分别引入坐标注意力机制和包含坐标通道的坐标卷积模块,以增强模型对目标位置的敏感性,提高识别精度。试验结果表明,改进的YOLO V4模型能够有效提取奶牛个体面部特征,平均精度均值为93.68%,平均帧率为18帧/s,虽然检测速度低于无锚框的CenterNet,但平均精度均值提高了10.92%;与Faster R-CNN和SSD模型相比,在检测速度提高的同时,精度分别提高了1.51和16.32个百分点;与原始YOLO V4相比,mAP提高0.89%,同时检测速度基本不变。该研究为奶牛精准养殖中的牛脸图像识别提供了一种有效的技术支持。

基于改进SSD模型的牛脸检测

针对牲畜牛健康检测中的牛脸快速检测问题,提出一种基于改进单镜头多盒检测器(single shot multibox detector,SSD)模型的牛脸检测方法。以轻量级网络MobileNet v2作为模型的基础网络,较使用VGG-16的SSD模型,速度有一定提高;使用K-均值聚类对模型默认框的高宽比进行优化,使模型更加具有针对性。实验结果表明,和其它方法相比,该方法在精确率、召回率、FPS等指标上较优。

基于深度网络模型的牛脸检测算法比较

针对传统检测方法在牛脸检测应用方面存在的检测设备易损、检测结果不理想等问题,根据大数据、多差异性原则,使用手机和相机在某奶牛养殖场采集奶牛数据,构建了一个超过10 000张不同条件下(如遮挡、模糊、光照变化等)的奶牛数据集.在此基础上使用目前有代表性的基于深度网络模型的目标检测方法(如SSD,Faster R-CNN和R-FCN等)对该数据集进行试验对比分析.结果表明:Faster R-CNN模型综合检测精度最高,可达0.990,但其检测速度相对较慢,为11 F·s^(-1);SSD模型的检测速度最快,为47 F·s^(-1),但其检测精度与Faster R-CNN相比略低,约为0.945.

基于Vision Transformer模型的牛脸识别算法

使用卷积神经网络(Convolutional Neural Networks, CNN)提取牛脸特征时,往往忽略全局上下文信息,只能提取到牛脸图像的局部特征信息。视觉转换器(Vision Transformer, ViT)模型的全局感受野能有效改善CNN局部感受野问题。提出一种基于ViT模型的牛脸识别算法。首先,在ViT模型中加入patch-shift网络层,通过获取牛脸图像的全局特征和局部特征,以及局部特征之间的相关性,有效缓解了牛脸图像脏污的影响;然后,在patch-shift网络层之后加入可学习的掩码矩阵,运用掩码矩阵学习图像块的重要性,使模型更加关注牛脸图像块,抑制了背景噪声的干扰。在包含正脸、左侧脸和右侧脸3种正常图像库和特殊图像库中进行仿真实验,和基于CNN的牛脸识别算法相比,提出的算法有效降低了零误识下的拒识率,提高了Top1排序性能。

奶牛面部识别图像倾斜校正算法的研究

实现基于计算机视觉的奶牛面部自动识别是奶牛场数字化的关键步骤之一。为此,提出了基于奶牛面部结构特征的图像倾斜校正算法:使用彩色图像预处理和图像二值化分离图像中奶牛面部信息与背景信息,再结合奶牛面部几何结构特征,提出了使用旋转—投影法估计图像倾斜的角度,通过改进积分投影函数、降低图像分辨率的方法提高算法的运算速度,最后根据奶牛面部的对称性提高角度计算精度,并根据该角度校正奶牛面部图像。经实验验证,该算法运算速度快,校正效果好。

大倾角π放工作面跨大断层破碎带连续开采

-256北扩区18-2层π放工作面采用技术上先进、经济上合理、安全上可靠的措施,实现跨大断层破碎带连续开采,取得了良好的经济效益和社会效益,为今后大倾角煤层π放工作面开采提供了重要的实践和理论依据。

基于三元损失的保险业务牛脸识别系统的设计

针对当前畜牧保险行业勘察、定损中牛身份识别难的问题,本文将深度学习框架与物联网(internet of things,IOT)技术结合构建牛脸识别系统。系统中以Inception_Resnet_v1作为深度学习网络框架,结合Triplet Loss损失函数,完成牛面部特征的提取,通过计算余弦距离对特征进行身份识别。基于flask和vue框架布署牛脸检测和特征提取及验证模型,开发牛脸信息数据库,提供身份注册和验证web服务。为验证系统可行性,采集并制作牛脸识别数据集CFID200,在20%未见牛脸的条件下,牛脸识别系统准确率与验证率达到95%以上,满足保险业务牛脸身份识别需要。