[发明专利]基于改进的神经网络对图像中的猪只进行自动识别的方法

说明书

本发明公开了一种基于改进的神经网络对图像中的猪只进行自动识别的方法，包括：S1、获取猪只图像数据；获取的猪只图像数据包括猪只的初始图像，并对初始图像中的猪只进行标注，得到猪只的标注框；S2、将进行标注后的猪只图像输入到改进的神经网络中进行神经网络的参数训练；S3、参数训练完成后，得到一个能够对图像中的猪只进行自动识别的神经网络模型，最终通过该神经网络模型即可对任意输入的图像中的猪只进行自动识别，得到图像中猪只的位置。本发明突破原有技术在精细程度高的任务中不够精准的问题，基于Faster R‑CNN算法提出一种猪只图像识别方法，在增添标注后的已有猪只图像数据集上进行训练和检测识别，并把源Faster R‑CNN的RoIPooling改为MaskR‑CNN的RoIAlign，以提高算法精度。

技术领域

本发明涉及图像的目标检测与识别的技术领域，尤其是指一种基于改进的神经网络对图像中的猪只进行自动识别的方法。

背景技术

图像中的猪只自动识别是智慧畜牧业中一个非常重要的研究方向，畜牧业机械化是现代化畜牧业建设的重要基础，是实现现代化的标志。一个准确有效的猪只图像检测识别方法对高级畜牧业任务起着至关重要的作用。同一养殖场中的猪只与猪只之间的差异比较不明显，且同一猪只的猪与猪之间行为有差异，在不同的时间段表现出的行为不一样，因此图像中的猪只识别可以看作是较高精度图像识别问题，对于图像目标识别，使用的方法正在从传统的机器视觉算法变换到更为准确和鲁棒的神经网络模型，以往的机器视觉算法的设计和训练通常对识别对象的颜色过度依赖，所以对于复杂背景中的目标对象识别的效果不佳，猪只识别方法要求所采用的特征具有较强的表达能力，所采用的分类器具有较好的判别能力，对猪只进行识别有利于养殖场工作人员更好地对猪只进行管理。

目前在目标检测分割和深度学习技术方面，残差网络在保持网络深度所保证的特征提取效果的同时,解决了深度网络由于反向传播的梯度消失导致难以优化训练的难题。YOLO v3单阶段网络在多尺度特征提取的基础上进行的目标对象检测，并且在分类上使用Logistic函数。建立在区域建议网络上设计出的Faster R-CNN模型有特征抽取网络，建议区域提取网络，区域边框回归网络和全连接分类层，Faster R-CNN模型通过双阶段网络架构把这些全都整合在了一起，但是，Faster R-CNN模型的ROIPooling层的每一次量化操作都会对应着轻微的区域特征错位，这些量化操作在图像的感兴趣区域和提取到的特征之间引入了偏差，这些量化可能不会影响对分类任务，但它对预测像素精度掩模有很大的负面影响，这负面影响在猪只识别方面将会被放大。而且传统的基于手工特征的算法及其特征表述能力有限且依赖大量人工标注信息，很难达到很好的效果。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于改进的神经网络对图像中的猪只进行自动识别的方法，突破原有技术在精细程度高的任务中不够精准的问题，在Faster R-CNN的算法基础上提出一种自适应的猪只图像检测识别方法，在增添标注后的已有猪只图像数据集上进行训练和检测识别。迭代训练的算法主框架使用层数较深的五十层残差网络特征网络，并把Faster R-CNN模型的RoIPooling层改进为Mask R-CNN模型中优化的RoIAlign，以提高算法精度。

为实现上述目的，本发明所提供的技术方案为：基于改进的神经网络对图像中的猪只进行自动识别的方法，包括以下步骤：

S1、获取猪只图像数据；其中，获取的猪只图像数据包括猪只的初始图像，并对初始图像中的猪只进行标注，得到猪只的标注框；

S2、将进行标注后的猪只图像输入到改进的神经网络中进行神经网络的参数训练；其中，改进的神经网络包含卷积层、区域建议网络层、池化层和分类层；

S3、参数训练完成后，得到一个能够对图像中的猪只进行自动识别的神经网络模型，最终通过该神经网络模型即可对任意输入的图像中的猪只进行自动识别，即将一张待测图像输入到该神经网络模型中，就会准确识别出图像中猪只的位置。

所述步骤S1包括以下步骤：