牛臉識別的應(yīng)用與研究

王 濤 鄭欽月 趙 平（ 天津農(nóng)學(xué)院，天津300800）

1 概述

1.1 研究背景與意義

隨著社會的進步， 傳統(tǒng)的養(yǎng)殖方式難以科學(xué)有效地對牛群進行照看和管理。 人工智能的興起， 對奶牛養(yǎng)殖業(yè)的輔助指導(dǎo)產(chǎn)生了重要的影響。 而人臉識別、 神經(jīng)網(wǎng)絡(luò)等技術(shù)與養(yǎng)殖業(yè)的融合，提高了養(yǎng)殖場的管理效率和經(jīng)濟效益，促進了養(yǎng)殖過程精準化、自動化、智能化，為其他智能畜牧養(yǎng)殖業(yè)的發(fā)展提供了技術(shù)支持。

1.2 研究現(xiàn)狀

1.2.1 項目研究現(xiàn)狀

利用人工智能技術(shù)識別牲畜個體及其生活情況、 習(xí)性等的應(yīng)用在農(nóng)業(yè)生產(chǎn)中變得越來越廣泛。 Xia 等提出一種基于局部二值模式(local binary patterns，LBP)紋理特征的臉部描述模型[1]。 Cai 等在人臉識別方法的基礎(chǔ)上對LBP 進行改進，提出了基于LBP 改進后的牛臉模型[2]。 但遺憾的是，這兩種方法均無法應(yīng)用在真實的個體牛養(yǎng)殖環(huán)境中。

1.2.2 算法研究現(xiàn)狀

基于人工智能的牛臉識別的關(guān)鍵是奶牛的面部檢測， 而神經(jīng)網(wǎng)絡(luò)算法的使用有利于牛臉的檢測研究。 RENS.Q.等在前人的基礎(chǔ)上， 將檢測算法中region proposal 的選取算法SS(selective search)改為RPN(region proposal network)網(wǎng)絡(luò)，進一步提升了檢測性能[3]。

1.3 研究目的

本次研究旨在建立一個奶牛信息統(tǒng)計儲備系統(tǒng)。 奶牛養(yǎng)殖人員可通過此牛臉識別系統(tǒng)對奶牛建立個體檔案，統(tǒng)計奶牛的年齡，性別，健康狀況，過往疾病史，每天飼料使用量和產(chǎn)出牛奶的量和奶牛的質(zhì)量等情況。 在每天的養(yǎng)殖過程中， 養(yǎng)殖人員用具有該系統(tǒng)的設(shè)備，對奶牛進行面部識別，從而進行精準檔案錄入， 并生成對應(yīng)的數(shù)據(jù)分析報告反饋給管理者， 進行智能養(yǎng)殖。 從而便于管理者獲取奶牛個體的詳細信息， 迅速了解牧場情況，降低人工成本，提高管理效率為奶牛養(yǎng)殖主增加經(jīng)濟收益。

2 研究內(nèi)容及研究成果

2.1 研究內(nèi)容

本文在人臉識別算法的基礎(chǔ)上， 以卷積神經(jīng)網(wǎng)絡(luò)為特征提取模型，根據(jù)牛的五官和花紋特征，定義牛臉輪廓模型，用牛臉圖像訓(xùn)練并測試提高算法的精度和效率， 通過機器視覺技術(shù)對奶牛個體進行更加精準的識別，從而提高養(yǎng)殖場的管理效率和經(jīng)濟效益。

2.2 研究方法

卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)的代表算法之一[4]。 層積神經(jīng)網(wǎng)絡(luò)仿造生物的視覺和知覺機制建造，可以進行監(jiān)督學(xué)習(xí),并使用BP 框架進行學(xué)習(xí)，其計算流程在LeCun (1989) 中就已經(jīng)確定[5]。

本文首先收集牛的面部特征信息， 根據(jù)牛的五官和花紋特征，定義牛臉輪廓模型，以卷積神經(jīng)網(wǎng)絡(luò)為特征提取模型。

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別具有以下三個過程： 卷積操作，池化操作，以及激活函數(shù)、全連接層和目標函數(shù)。當(dāng)原始數(shù)據(jù)輸入到機器之后，會經(jīng)過多次的卷積池化操作，直到把所有特征都抽取出來。 接著，抽取出來的所有特征與全連接層進行對接，得出預(yù)測的值，并與目標值進行對比。 最后，機器會對二者的差值進行修復(fù)，并重新訓(xùn)練。 由于卷積神經(jīng)網(wǎng)絡(luò)具有特征不變性，防止過度擬合和特征降維等特點， 在進行識別時具有良好的效果。 圖1 是卷積神經(jīng)網(wǎng)絡(luò)的主要層次。

圖1

卷積操作是將截取到的圖像建立一個矩陣（ 如圖5x5 的矩陣），并在矩陣中建立一個卷積核（ 如圖3x3 的矩陣），對卷積核中的矩陣進行加權(quán)求和放到一個新的矩陣當(dāng)中，這個新的矩陣被稱作卷積特征。 這個卷積特征將作為下一個階段池化操作的輸入。

圖2

在神經(jīng)元中， 圖像經(jīng)過卷積池化操作后， 引入激活函數(shù)ReLU 函數(shù)，增加神經(jīng)網(wǎng)絡(luò)模型的非線性。 ReLU 函數(shù)實際上是一個分段函數(shù)，當(dāng)函數(shù)的值小于0 時，不管賦值為多少，都會返回0，而函數(shù)值大于等于0 時，它返回本身（ X）：

考慮到牛與牛之間面部特征的差異不是很明顯， 在本系統(tǒng)中，我們設(shè)立多個卷積層和池化層，用于將每只牛面部的最大特征提取出來，與數(shù)據(jù)庫中奶牛的面部照片做對比，從而達到牛臉識別的目的。

最后，利用歐式距離目標函數(shù)，通過判斷距離的大小來判斷兩張圖片是否相似，進而實現(xiàn)牛臉識別的功能。

2.3 研究成果

實驗表明，卷積神經(jīng)網(wǎng)絡(luò)在牛臉識別上具有很好的效果。利用卷積神經(jīng)網(wǎng)絡(luò)的特征不變性使得牛臉的圖像在經(jīng)過多次卷積后， 將牛臉的特征提取出來與數(shù)據(jù)庫中圖像的特征進行比較。 利用特征降維舍棄了圖像中一些不重要的特征，節(jié)省了計算機的資源， 將在復(fù)雜的環(huán)境中進行的牛臉識別進行了簡化。通過牛臉圖像的多次訓(xùn)練和測試提高了算法的精度和效率，最終實現(xiàn)了奶牛個體的精準識別。

3 結(jié)論

本文以卷積神經(jīng)網(wǎng)絡(luò)為特征提取模型， 首先收集錄入每只牛的面部信息。 當(dāng)原始數(shù)據(jù)輸入到機器之后，經(jīng)過多次的卷積池化操作，把所有特征都抽取出來。 接著，抽取出來的所有特征與全連接層進行對接，得出預(yù)測的值，并與目標值進行對比。 最后，機器會對二者的差值進行修復(fù)，并重新訓(xùn)練，提高算法的精度和效率，對奶牛個體進行更加精準的識別。 此外，本研究通過一定的改良還可以進行豬、羊等牲畜的識別。