牲畜特征向量的提取方法、装置、计算机设备和存储介质制造方法及图纸

本申请揭示了一种牲畜特征向量的提取方法、装置、计算机设备和存储介质，其中牲畜特征向量的提取方法包括：获取基于指定图片样本、以及所述图片样本对应的特征向量训练完成的第一CNN模型；冻结所述第一CNN模型的指定层的权重参数；将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量。本申请基于迁移学习的理念，利用已经训练过的第一CNN模型，结合fine‑tune方法，在识别牲畜过程中，只需要对第一CNN模型的最后几层进行处理，其它层的权重参数可以冻结，即，识别牲畜图片的过程中，第一CNN模型被冻结的层不需要参与处理的过程，进而大大地提高了牲畜图片识别的速度。

【技术实现步骤摘要】
牲畜特征向量的提取方法、装置、计算机设备和存储介质
本申请涉及到牲畜识别领域，特别是涉及到一种牲畜特征向量的提取方法、装置、计算机设备和存储介质。
技术介绍
在牲畜保险业务中，养殖户往往利用没有成熟的识别牲畜的技术，而使用未投保的牲畜作为已投保的牲畜进行骗保，保险公司的保险风险较大。而区别报险牲畜是否为投保牲畜，可以通过图像进行区分，因此，在投保时拍摄一组照片，报险时拍摄一组照片，然后对两组照片进行比对，以判定当前的报险牲畜是否为投保的牲畜。由于养殖户在投保过程中要对大批量的牲畜进行拍照识别，以得到对应投保牲畜的特征向量，方便在报险时对病死牲畜的识别，判断病死牲畜是否为投保牲畜。因为需要大批量地识别牲畜，所以需要一种可以提高识别牲畜速度的方法。
技术实现思路
本申请的主要目的为提供一种快速识别牲畜的牲畜特征向量的提取方法、装置、计算机设备和存储介质。为了实现本申请提出的目的，本申请提出一种牲畜特征向量的提取方法，包括：获取基于指定图片样本、以及所述图片样本对应的特征向量训练完成的第一CNN模型；冻结所述第一CNN模型中指定层的权重参数；将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量。进一步对，所述第一CNN模型包括VGG19模型，所述冻结所述第一CNN模型中指定层的权重参数的步骤，包括：冻结所述第一CNN模型中前十八层的权重参数。进一步地，所述将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量的步骤之前，包括：获取所述第一CNN模型最后一层的节点数量，根据所述节点数量生成最大输入所述待识别的牲畜图片数量的提醒信息。进一步地，所述将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量的步骤之后，包括：对所述待识别的牲畜图片对应的特征向量进行softmax归一化处理。进一步地，所述将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量的步骤之前，包括：将所述第一CNN模型中未冻结的各层神经网络的权重参数重置为0。进一步地，所述获取基于指定图片样本、以及所述图片样本对应的特征向量训练完成的第一CNN模型的步骤之前，包括：获取指定区域养殖户的名单，并根据名单分配待识别单一牲畜种类的脸部图片采集任务给各养殖户；收集养殖户反馈的图片，并存储到指定的存储空间内形成所述图片样本；将所述图片样本分成训练集和测试集，基于指定的第二CNN模型进行训练，得到训练完成的所述第一CNN模型。进一步地，所述将所述图片样本分成训练集和测试集，基于指定的第二CNN模型进行训练，得到训练完成的所述第一CNN模型的步骤之前，包括：判断所述图片样本的数量是否达到预设值；若达到，则停止发送图片获取任务。本申请还提供一种牲畜特征向量的提取装置，包括：获取单元，用于获取基于指定图片样本、以及所述图片样本对应的特征向量训练完成的第一CNN模型；冻结单元，用于冻结所述第一CNN模型中指定层的权重参数；处理单元，用于将待识别的牲畜图片输入到所述CNN模型中进行处理，所述待识别的牲畜图片对应的特征向量。本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。本申请的牲畜特征向量的提取方法、装置、计算机设备和存储介质，基于迁移学习的理念，利用已经训练过的第一CNN模型，结合fine-tune方法(所谓fine-tune就是用已经训练好的模型，加上我们自己的数据，来训练新的模型，相当于使用已经训练好的的模型的前几层，来提取浅层特征，最后再落入新数据集的分类中)，在识别牲畜过程中，只需要对第一CNN模型的最后几层进行处理，其它层的权重参数可以冻结，即，识别牲畜图片的过程中，第一CNN模型被冻结的层不需要参与处理的过程，进而大大地提高了牲畜图片识别的速度。附图说明图1为本申请一实施例的牲畜特征向量的提取方法的流程示意图；图2为本申请一实施例的牲畜特征向量的提取方法的流程示意图；图3为本申请一实施例的牲畜特征向量的提取方法的流程示意图；图4为本申请一实施例的牲畜特征向量的提取装置的结构示意框图；图5为本申请一实施例的牲畜特征向量的提取装置的结构示意框图；图6为本申请一实施例的牲畜特征向量的提取装置的结构示意框图；图7为本申请一实施例的牲畜特征向量的提取装置的结构示意框图；图8为本申请一实施例的计算机设备的结构示意框图。本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。参照图1，本申请实施例提供一种牲畜特征向量的提取方法，包括步骤：S1、获取基于指定图片样本、以及所述图片样本对应的特征向量训练完成的第一CNN模型；S2、冻结所述第一CNN模型中指定层的权重参数；S3、将待识别的牲畜图片输入到所述CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量。如上述步骤S1所述，CNN(ConvolutionalNeuralNetwork，卷积神经网络)模型的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数(Sigmoid函数是一个在生物学中常见的S型的函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间)作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。上述第一CNN模型是一种训练好的模型，即，无需重新通过图片样本进行训练，而是拿来主义，将其它领域或场景下训练完成的CNN模型拿过来直接使用。本实施例中，上述第一CNN模型包括VGG19模型、VGG16模型、VGG-F模型、ResNet50模型、ResNet152模型、DPN131模型、InceptionV3模型、Xception模型、DenseNet模型和AlexNet模型中的一种。如上述步骤S2所述，第一CNN模型中包括多层(例如，卷基层和全连接层)，根据预设规则，可以将其中至少一个层作为指定层(不包括最后一层)，并冻结指定层的权重参数。在一种可能的实施方式中，由于第一CNN模型中的多个卷基层和多个全连接层存在先后顺序，可以按照各层之间的先后顺序，将排序前N的卷基层或/和全连接层作为指定层，其中N为大于1小于第一CNN模型本文档来自技高网...

【技术保护点】
1.一种牲畜特征向量的提取方法，其特征在于，包括：获取基于指定图片样本、以及所述图片样本对应的特征向量训练完成的第一CNN模型；冻结所述第一CNN模型中指定层的权重参数；将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量。

【技术特征摘要】
1.一种牲畜特征向量的提取方法，其特征在于，包括：获取基于指定图片样本、以及所述图片样本对应的特征向量训练完成的第一CNN模型；冻结所述第一CNN模型中指定层的权重参数；将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量。2.根据权利要求1所述的牲畜特征向量的提取方法，其特征在于，所述第一CNN模型包括VGG19模型，所述冻结所述第一CNN模型中指定层的权重参数的步骤，包括：冻结所述第一CNN模型中前十八层的权重参数。3.根据权利要求1所述的牲畜特征向量的提取方法，其特征在于，所述将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量的步骤之前，包括：获取所述第一CNN模型最后一层的节点数量，根据所述节点数量生成最大输入所述待识别的牲畜图片数量的提醒信息。4.根据权利要求1所述的牲畜特征向量的提取方法，其特征在于，所述将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量的步骤之后，包括：对所述待识别的牲畜图片对应的特征向量进行softmax归一化处理。5.根据权利要求1所述的牲畜特征向量的提取方法，其特征在于，所述将待识别的牲畜图片输入到所述第一CNN模型中进行处理，得出所述待识别的牲畜图片对应的特征向量的步骤之前，包括：将所述第一CNN模型中未冻结的各层的权重参数重置为0。6.根据权利要求1所述的牲...

【专利技术属性】
技术研发人员：刘奡智，王健宗，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44