基于深度學習的牛臉識別研究

鄭欽月 趙平

摘? ?要：隨著計算機技術的發(fā)展和廣泛應用，牛場管理方式必須借助于信息化技術才能適應現代奶牛養(yǎng)殖業(yè)的發(fā)展?；谕ㄟ^牛臉面部識別，可以鑒別奶牛的身份、咀嚼分析及健康狀況評估等。文章通過卷積神經網絡模型識別牛臉圖像，實現了奶牛個體識別和健康狀況檢測等功能。

關鍵詞：牛臉識別;深度學習;卷積神經網絡;面部特征

1? ? 基于深度卷積神經網絡的奶牛個體識別方法

采用深度卷積神經網絡對奶牛個體提取突出特征，與庫中的特征信息進行對比，從而實現對奶牛個體的有效識別[1]。本文主要步驟是通過數據采集和預處理、設計和訓練卷積神經網絡、生成識別模型來進行奶牛個體的識別。

DeepFace，DeepID，FaceNet等算法都是基于深度卷積神經網絡的人臉識別算法，都高準確率地實現了人臉識別[2]，但若直接應用于牛臉，還存在一定的困難。

牛臉識別系統是利用卷積神經網絡模型對輸入的牛臉圖像提取特征，將該特征同庫中的特征信息進行比對，從而有效識別奶牛個體，保存相關信息，科學、有效地對牛群進行照看和管理。此研究過程包括圖像采集、卷積神經網絡模型構建、訓練和實現等步驟。

2? ? 卷積神經網絡

卷積神經網絡（Convolutional Neural Network，CNN）是一種深度學習模型，常用于進行生物識別，其組成包括：輸入層、卷積層、池化層、全連接層、輸出層;訓練過程分為兩個階段，即前向傳播階段和反向傳播階段，具體過程如圖1所示。

3? ? 研究內容

3.1? 圖像采集

要實現牛臉識別系統，最重要的就是圖像的采集，圖像采集時應該注意拍攝圖像的設備器材、圖像多樣性設計和圖像預處理技術。首先，要選取適當的圖像拍攝器材，確保采集圖像的高質量;其次，要從不同的角度和時間拍攝圖片，以保證牛臉圖片的多樣性;最后，要對圖像進行預處理，提取牛臉特征，分析特征所反映的信息，便于加工處理[3]。

3.2? 模型構建

Lecun[4]提出的LeNet-5不僅是最早的卷積神經網絡之一，也是用于識別手寫數字的高效卷積神經網絡模型。本文以LeNet-5的模型結構為基礎，提出6層卷積神經網絡，用于牛臉識別，如圖2所示。卷積神經網絡模型直接將收集到的數據圖像作為輸入，之后由兩個卷積層和兩個池化層交替組成用于特征提取，再接入一個用于分類的全連接層，輸出采用Softmax回歸層[5]。

（1）輸入層。在卷積神經網絡模型的輸入層中，輸入的圖片格式與其他神經網絡的圖像輸入格式不同。對于黑白顏色的圖片，CNN的輸入是一個二維神經元，而對于RGB格式的圖片，CNN的輸入則是一個三維神經元，如圖3所示，在本系統中，輸入圖片數據的格式設置為64×64×3。

（2）卷積層。是卷積神經網絡的基礎，最主要的特征是局部連接和權值共享，不僅減少了所訓練參數，還降低了計算的復雜度，通過模擬簡單細胞的形成和作用，提取一些低級特征[6]。

卷積層中卷積核大小為3×3，步長為1，卷積核通過卷積圖片數據形成局部感受野，與圖片的特征值進行內積（如果需要可再加上一個偏置量），在激活函數的作用下得到的下一層神經元矩陣稱為一個特征映射圖。卷積層操作如圖4所示。

該層的數學表達式為：

其中，K（l）={（u，v）∈N2∣0

（3）池化層。設置在連續(xù)卷積層中間，經過池化層的采樣，圖像的特征保持不變，在降低維度的同時，減少了冗余信息的干擾，在一定程度上防止了過擬合問題。池化層常用的方法有Max Pooling和Average Pooling。本文采用最大值采樣，池化大小為2×2。

（4）全連接層。在整個卷積神經網絡中起到分類作用，每一層是由許多神經元組成的1×4 096的平鋪結構[8]。

（5）Softmax回歸層。是LeNet-5的最后一層，采用RBF函數進行計算，即計算輸入向量和參數向量之間的歐式距離。本文研究的卷積神經網絡模型最后一層采用非線性分類能力強的Softmax回歸作為分類器[5]，將傳統神經網絡模型所得的最終結果由向量轉為各個樣本屬于各個類別的概率。

3.3? 模型訓練

將收集的牛臉圖片的80%作為訓練集，剩下的20%作為測試集。由于牛臉具有多樣性，本文采用的是批量梯度下降法[9]。同時，也是為了出現過擬合問題時，采用“dropout”方法解決。

3.4? 結果分析

本團隊多次使用訓練集樣本訓練網絡，直到出現的偏差在允許的范圍內，否則不會停止訓練，用測試集對該卷積神經網絡模型的性能進行驗證。驗證結果顯示：該牛臉識別系統能夠很好地識別出輸入圖像中奶牛個體的類別，準確率較高。同時，該系統具有較好的穩(wěn)定性，不會隨外界變化而變化[10]。

3.5? 模型實現

將訓練好的卷積神經網絡模型保存，當需要對牛臉圖像進行識別時，直接將牛臉圖像作為數據輸入到訓練好的卷積神經網絡模型中，模型會對輸入的圖片進行特征提取，將其與庫中的特征信息進行比對，從而得出該奶牛與庫中奶牛個體相似的比例，工作人員根據比例實現對奶牛個體的識別[11]。

4? ? ?結語

本文研究的牛臉識別系統使用卷積神經網絡模型，不僅減少了對圖像進行預處理等復雜步驟的操作，還有效提高了牛臉識別率，實現了對牛場的科學、有效管理。當然，系統也存在一定的問題，例如，如果輸入的圖像數據過多，運算速率就會降低，模型中采用的方法還可以進一步優(yōu)化等，都需要繼續(xù)深入研究。

[參考文獻]

[1]張滿囤，徐明權，于洋，等.基于深度卷積神經網絡的奶牛個體識別方法[J].農業(yè)工程學報，2015（5）：181-187.

[2]鮑睿棟，趙敏.基于卷積神經網絡的人臉識別研究綜述[J].軟件導刊，2018（4）：6-8.

[3]李雪晨.圖像采集識別技術及應用研究[D].廣州：廣東工業(yè)大學，2012.

[4]LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998（11）：2278-2324.

[5]陳耀丹，王連明.基于卷積神經網絡的人臉識別方法[J].東北師大學報（自然科學版），2016（2）：70-76.

[6]丁冠祺，劉宇涵，楊皓博.基于卷積神經網絡的人臉識別[J].信息記錄材料，2018（9）：48-49.

[7]SYAFEEZE A R，KHALIL H M，LIEW S S，et al.Convolut-

ional neral network for face recognition with pose and Illumination Variation[J].International Journal of Engineering&Technology，2014（1）：44-57.

[8]黃俊華，田壯.基于改進VGG卷積神經網絡的奶牛牛臉識別研究[J].湖北農機化，2019（13）：126.

[9]丁冠祺，劉宇涵，楊皓博.基于卷積神經網絡的人臉識別[J].信息記錄材料，2018（9）：48-49.