基于卷積神經(jīng)網(wǎng)絡(luò)的生豬個(gè)體身份識(shí)別系統(tǒng)設(shè)計(jì)

伍群旺 常滿馨 馬長(zhǎng)華

摘要：針對(duì)人工識(shí)別生豬個(gè)體難度大、成本高、耗時(shí)長(zhǎng)等問(wèn)題，引入深度學(xué)習(xí)技術(shù)，提出了兩種不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型。利用生豬圖像制作數(shù)據(jù)集對(duì)ShuffleNetV2與MobileNetV2模型進(jìn)行訓(xùn)練，然后將測(cè)試集輸入模型進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，訓(xùn)練完成的ShuffleNetV2模型效果較好，平均準(zhǔn)確率達(dá)到99.75%。說(shuō)明該文提出的ShuffleNetV2模型具有較高識(shí)別率，可以實(shí)現(xiàn)養(yǎng)殖場(chǎng)環(huán)境下生豬個(gè)體的身份識(shí)別，具有非接觸式、低成本、高精度的特點(diǎn)，能夠提高生豬養(yǎng)殖的智能化、精細(xì)化管理水平。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；豬只識(shí)別；深度學(xué)習(xí)；圖像處理

中圖分類號(hào)：TP391 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）31-0014-03

隨著現(xiàn)代化動(dòng)物養(yǎng)殖技術(shù)的發(fā)展革新，生豬養(yǎng)殖場(chǎng)的環(huán)境趨于多變和復(fù)雜，為了便于大中型養(yǎng)殖場(chǎng)實(shí)現(xiàn)豬只管理的集約化與精細(xì)化，豬只身份識(shí)別技術(shù)亟待得到改進(jìn)。目前，傳統(tǒng)的豬只身份識(shí)別的方法主要有耳缺法、標(biāo)記法、耳標(biāo)法、RFID標(biāo)簽法[1]。耳缺法打耳后易感染、無(wú)法修改、有數(shù)量限制；標(biāo)記法記號(hào)易磨損、易被污染物遮擋、操作煩瑣耗時(shí)長(zhǎng)；耳標(biāo)法標(biāo)簽易掉落、易污損、記錄信息有限；RFID標(biāo)簽法的成本高且易失效，無(wú)法精準(zhǔn)記錄豬的行為軌跡。此外，在豬只的自動(dòng)化管理、智能化管理對(duì)接方面，傳統(tǒng)的豬只識(shí)別方法仍然存在很大缺陷。

近年來(lái)，人工智能的快速發(fā)展推動(dòng)了深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域的應(yīng)用，作為深度學(xué)習(xí)的經(jīng)典算法，卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別方面的表現(xiàn)優(yōu)于傳統(tǒng)方法。使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)生豬個(gè)體進(jìn)行識(shí)別，能夠幫助管理者分辨每一只豬的身份，并精確記錄它們的采食量、體溫變化、運(yùn)動(dòng)情況等各種信息，以監(jiān)測(cè)生豬的生命體征健康狀態(tài)。

本文提出的生豬個(gè)體身份識(shí)別系統(tǒng)不需要人工時(shí)刻觀察，節(jié)省了時(shí)間和經(jīng)濟(jì)成本，提高了生豬識(shí)別效率。該系統(tǒng)首先對(duì)獲取的生豬圖像進(jìn)行預(yù)處理，使用數(shù)據(jù)增強(qiáng)轉(zhuǎn)換技術(shù)擴(kuò)充樣本數(shù)據(jù)，充分利用生豬圖像在網(wǎng)絡(luò)結(jié)構(gòu)中的特征圖。然后將數(shù)據(jù)集載入ShuffleNetV2和MobileNetV2模型進(jìn)行訓(xùn)練，再對(duì)兩種模型識(shí)別效果進(jìn)行評(píng)價(jià)，發(fā)現(xiàn)ShuffleNetV2模型能夠完成實(shí)際養(yǎng)殖環(huán)境下生豬個(gè)體的精準(zhǔn)高效識(shí)別。

1 卷積神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)概述

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN） 是一類包含卷積計(jì)算且具有深層信息處理能力的前饋神經(jīng)網(wǎng)絡(luò)[2-3]。卷積神經(jīng)網(wǎng)絡(luò)充分利用稀疏連接與權(quán)重共享，減少了網(wǎng)絡(luò)的參數(shù)總量，提高了網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性與訓(xùn)練效率。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的代表算法之一，可以提取輸入信息的高階信息進(jìn)行平移不變分類，具有表征學(xué)習(xí)能力。

在2012年的ImageNet大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽（ILSVRC） 上， Alex使用卷積神經(jīng)網(wǎng)絡(luò)以15.3%的 Top-5錯(cuò)誤率奪冠[4]。Alex的成功應(yīng)用啟發(fā)了后續(xù)更多的技術(shù)創(chuàng)新，卷積神經(jīng)網(wǎng)絡(luò)的理論和技術(shù)發(fā)展更加迅速，并作為各種技術(shù)產(chǎn)品廣泛地應(yīng)用在社會(huì)中。

1.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括輸入層、卷積層、池化層（下采樣層）、全連接層和輸出層[5]。

卷積層由多個(gè)特征圖組成，主要任務(wù)是利用卷積核通過(guò)滑動(dòng)掃描提取圖像特征。卷積核類似一個(gè)神經(jīng)元，它的每個(gè)組成元素都有相應(yīng)的權(quán)重系數(shù)和偏差量。卷積層的每個(gè)神經(jīng)元都連接到上一層位置接近的區(qū)域（感受野），需要定義卷積核的大小、步長(zhǎng)，對(duì)感受野內(nèi)的輸入特征進(jìn)行運(yùn)算，隨后生成特征圖。

池化層通常插入在卷積層后面，一層卷積，一層池化，兩種運(yùn)算交替進(jìn)行，其作用是降低特征向量的維度，減少網(wǎng)絡(luò)中參數(shù)的數(shù)量，從而避免過(guò)擬合。

全連接層搭建在卷積層與池化層后面，特征圖在全連接層被展開，每個(gè)輸出結(jié)點(diǎn)與輸入結(jié)點(diǎn)相連接，整合所有的局部特征信息，然后將這些特征映射到樣本的相應(yīng)標(biāo)記空間上。

2 生豬個(gè)體身份識(shí)別系統(tǒng)設(shè)計(jì)

2.1 生豬個(gè)體身份識(shí)別方案

生豬個(gè)體身份識(shí)別方案結(jié)構(gòu)圖如圖 1所示。首先，利用攝像機(jī)采集生豬活動(dòng)視頻，獲取生豬圖像；再對(duì)生豬圖像進(jìn)行預(yù)處理建立數(shù)據(jù)集。然后，使用PyTorch框架搭建卷積神經(jīng)網(wǎng)絡(luò)模型，輸入生豬圖像數(shù)據(jù)集到模型中進(jìn)行訓(xùn)練。最后，從測(cè)試集中選取豬只圖像，輸入訓(xùn)練完成的模型中進(jìn)行預(yù)測(cè)，得到豬只識(shí)別結(jié)果。

2.1.1 數(shù)據(jù)采集

將攝像頭安裝在飼喂裝備的上方，調(diào)整好攝像頭的高度，找到合適視角進(jìn)行視頻錄制，將錄制的豬只活動(dòng)視頻作為素材。然后讀取視頻文件處理成幀，每隔0.5秒截取1幀圖像進(jìn)行保存，再剔除模糊圖片且只保留豬的主體及豬臉圖像。最終獲取豬只主體數(shù)據(jù)9000張，豬只臉部數(shù)據(jù)5000張，一共14000張圖像。用Python對(duì)圖片進(jìn)行編號(hào)，并將70%的圖片保存到訓(xùn)練集，30%的圖片保存到測(cè)試集。

2.1.2 圖像預(yù)處理

先將數(shù)據(jù)集預(yù)處理成為可以被神經(jīng)網(wǎng)絡(luò)讀取的格式，然后對(duì)其進(jìn)行數(shù)據(jù)歸一化處理。再對(duì)訓(xùn)練集做數(shù)據(jù)增強(qiáng)處理，生成更多的訓(xùn)練數(shù)據(jù)。所采用的方法是隨機(jī)裁剪、規(guī)則裁剪、隨機(jī)翻轉(zhuǎn)、調(diào)整亮度對(duì)比度、隨機(jī)噪聲、USM銳化、直方圖均衡化。對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)轉(zhuǎn)換可以將圖像的空間多樣性呈現(xiàn)出來(lái)，提高數(shù)據(jù)集樣本容量，保證訓(xùn)練能夠正常進(jìn)行并得到最佳的訓(xùn)練結(jié)果。

2.1.3 卷積神經(jīng)網(wǎng)絡(luò)

1） MobileNetV2網(wǎng)絡(luò)結(jié)構(gòu)

MobileNet網(wǎng)絡(luò)是2017年推出的一種結(jié)構(gòu)新穎的卷積神經(jīng)網(wǎng)絡(luò)[6]。其新型網(wǎng)絡(luò)結(jié)構(gòu)可實(shí)現(xiàn)卷積分離，減少輸入模型的參數(shù)，降低運(yùn)行的功耗和延遲度。利用逐點(diǎn)卷積減少計(jì)算量，使網(wǎng)絡(luò)模型訓(xùn)練速度加快，得到較好的性能。

MobileNetV2網(wǎng)絡(luò)在原先的MobileNet網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)上進(jìn)行優(yōu)化，即增加了線性瓶頸層和倒置殘差結(jié)構(gòu)。利用通道數(shù)的擴(kuò)張和收縮來(lái)對(duì)圖形的特征進(jìn)行提取和學(xué)習(xí)，使得卷積神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)到更多的圖片特征參數(shù)，并且占用更少的內(nèi)存空間，大大提高了使用效率。

2） ShuffleNetV2網(wǎng)絡(luò)結(jié)構(gòu)

輕量級(jí)網(wǎng)絡(luò)ShuffleNetV主要應(yīng)用于計(jì)算能力受限的移動(dòng)設(shè)備，創(chuàng)新點(diǎn)為逐點(diǎn)群卷積（Pointwise Group Convolution） 和通道混洗（Channel Shuffle） ，可以更好地提取圖像特征[7]。

ShuffleNetV1網(wǎng)絡(luò)的關(guān)鍵部分使用分組卷積（Group Convolution）結(jié)構(gòu)，這一操作明顯減少了參數(shù)的使用量，加快了信息的傳輸速度，從而提高了網(wǎng)絡(luò)的處理能力。通道混洗層的存在也可以較好地解決圖片特征信息傳輸?shù)臄鄬訂?wèn)題，達(dá)到準(zhǔn)確提取特征參數(shù)的目的，有效提升模型的泛化性。為了優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，ShuffleNetV2在ShuffleNetV1的基礎(chǔ)上，采用通道分離（Channel Split） 操作對(duì)通道混洗層的位置進(jìn)行調(diào)整，加快了模型的訓(xùn)練速度。

2.2 實(shí)驗(yàn)與分析

2.2.1 實(shí)驗(yàn)環(huán)境

1） 硬件平臺(tái)

設(shè)備名稱：LAPTOP-RNE2PPQH，處理器：Intel（R） Core（TM） i5-9300H CPU @2.40GHz 2.40 GHz，機(jī)帶：RAM 8.00 GB。

2） 軟件平臺(tái)

PyTorch發(fā)布于2017年，是Facebook公司基于原始的Torch 框架推出深度學(xué)習(xí)框架，采用 Python 作為其主要開發(fā)語(yǔ)言。眾多深度學(xué)習(xí)開源框架為追求速度和效率都在使用靜態(tài)圖，然而靜態(tài)圖限制了研究人員思考其他解決問(wèn)題的方法[8-9]。PyTorch能夠解決上述問(wèn)題，它支持動(dòng)態(tài)計(jì)算圖，所以在PyTorch模型的基礎(chǔ)上進(jìn)行修改非常方便，參數(shù)變量的值也可隨時(shí)查看?，F(xiàn)在PyTorch 已經(jīng)廣泛應(yīng)用在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域。

2.2.2 實(shí)驗(yàn)設(shè)計(jì)

本文使用隨機(jī)梯度下降算法（SGD）訓(xùn)練模型，選擇Nadam作為優(yōu)化器，激活函數(shù)選擇ReLU函數(shù)，損失函數(shù)采用softmax函數(shù)。為了使卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別效果達(dá)到理想狀態(tài)，需要對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行設(shè)置。兩種卷積神經(jīng)網(wǎng)絡(luò)模型的部分參數(shù)設(shè)置如表 1所示。

在網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中，設(shè)置初始學(xué)習(xí)率lr=1e-4；在訓(xùn)練約50個(gè)epoch后，學(xué)習(xí)率lr下降為1e-6。

2.2.3 結(jié)果與分析

針對(duì)生豬個(gè)體身份識(shí)別問(wèn)題，本實(shí)驗(yàn)主要關(guān)注的指標(biāo)為準(zhǔn)確率和損失值，將準(zhǔn)確率與損失函數(shù)繪制為曲線圖，得到訓(xùn)練集與測(cè)試集識(shí)別結(jié)果如圖2、圖3所示。

從圖 2可以看出，在前50個(gè)周期，兩種模型損失函數(shù)曲線不斷下降并趨向于0.82；準(zhǔn)確率不斷上升，達(dá)到96.5%左右。在第50個(gè)周期，學(xué)習(xí)率lr下降為1e-6后，損失函數(shù)曲線快速下降，然后逐漸趨向于0.69；準(zhǔn)確率曲線快速上升，然后穩(wěn)定在99.6%。

從圖 3可以看出，在前50個(gè)周期，ShuffleNetV2模型損失函數(shù)不斷下降，曲線波動(dòng)較小，逐漸收斂于0.73；MobileNetV2模型損失函數(shù)也不斷下降，但曲線波動(dòng)稍大，逐漸收斂于0.75。準(zhǔn)確率不斷上升，ShuffleNetV2曲線平穩(wěn)在99.3%左右；MobileNetV2曲線逐漸收斂于99.1%。在第50個(gè)周期，學(xué)習(xí)率lr下降為1e-6后，模型的損失函數(shù)快速下降，逐漸趨向于0.65；兩種模型準(zhǔn)確率均快速上升，然后穩(wěn)定在99.75%。

經(jīng)過(guò)對(duì)比可以看出，ShuffleNetV2模型表現(xiàn)穩(wěn)定，效果優(yōu)于MobileNetV2模型，可以實(shí)現(xiàn)生豬個(gè)體的身份識(shí)別。

3 結(jié)束語(yǔ)

本文以養(yǎng)殖場(chǎng)環(huán)境下的生豬為研究對(duì)象，設(shè)計(jì)出基于卷積神經(jīng)網(wǎng)絡(luò)的生豬個(gè)體身份識(shí)別系統(tǒng)，其優(yōu)勢(shì)在于不需要對(duì)生豬進(jìn)行特征標(biāo)記，降低了時(shí)間和經(jīng)濟(jì)成本。此系統(tǒng)將預(yù)處理后的生豬圖像制作成數(shù)據(jù)集，再利用數(shù)據(jù)集對(duì)ShuffleNetV2與MobileNetV2模型進(jìn)行訓(xùn)練和測(cè)試。對(duì)比實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，ShuffleNetV2模型收斂速度快，表現(xiàn)穩(wěn)定，適合應(yīng)用于生豬個(gè)體的身份識(shí)別。

參考文獻(xiàn)：

[1] 楊秋妹，肖德琴，張根興.豬只飲水行為機(jī)器視覺(jué)自動(dòng)識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（6）：232-238.

[2] 王統(tǒng).深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及相關(guān)算法[J].信息與電腦，2020（8）：41-43.

[3] Shelhamer E，Long J，Darrell T.Fully Convolutional Networks for Semantic Segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651.

[4] 翟高粵.基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別應(yīng)用[J].甘肅科技縱橫，2021，50（1）：1-3.

[5] 周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（6）：1229-1251.

[6] 趙洋，許軍.基于MobileNetV2與樹莓派的人臉識(shí)別系統(tǒng)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2021，30（8）：67-72.

[7] 宋敏毓，陳力榮，梁建安，等.輕量化改進(jìn)網(wǎng)絡(luò)的實(shí)時(shí)光纖端面缺陷檢測(cè)模型[J].激光與光電子學(xué)進(jìn)展，2022，59（24）：2415006.

[8] 李夢(mèng)潔，董巒.基于PyTorch的機(jī)器翻譯算法的實(shí)現(xiàn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（10）：160-163，167.

[9] Druzhkov P N，Kustikova V D.A Survey of Deep Learning Methods and Software Tools for Image Classification and Object Detection[J].Pattern Recognition and Image Analysis，2016，26（1）：9-15.

【通聯(lián)編輯：唐一東】

收稿日期：2022-06-20

基金項(xiàng)目：江蘇省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（202113986004Y）

作者簡(jiǎn)介：伍群旺（2000—） ，男，江西贛州人，本科生，主要研究方向?yàn)闄C(jī)械設(shè)計(jì)制造及自動(dòng)化專業(yè)；常滿馨（1999—） ，女，山西晉中人，本科生，主要研究方向?yàn)闄C(jī)械電子工程專業(yè)；馬長(zhǎng)華（1975—） ，男，江蘇泰州人，副教授，碩士，主要研究方向?yàn)閳D像處理、模式識(shí)別。