幼禽生物特征识别装置及方法制造方法及图纸

本发明专利技术提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，根据位置信息对原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。如此，本通过卷积层的递增完成由粗到细的特征提取过程，能够高精度地完成识别。

The device and method of biometric identification for young birds

【技术实现步骤摘要】
幼禽生物特征识别装置及方法
本专利技术涉及一种幼禽生物特征识别装置及方法，具体涉及一种基于深度卷积神经网络对幼禽进行生物特征识别的方法。
技术介绍
目前针对幼禽特别是雏鸡进行性别分类的工作绝大部分还是依靠工人通过观察雏鸡肛门来分类。虽然准确率尚能满足需求，但是分类速度较慢，对工人经验要求高。对于大型孵化场希望能通过机器来分辨，实现全自动流水线工作，以降低成本和提高生产效率。此外，初生雏鸡抵抗力弱，处于集中化孵化环境中病变雏鸡容易造成雏鸡群大量感染，且有些孵化中发育不全或畸形的雏鸡很难存活，如不早期发现并及时处理，在运输或养殖过程中死亡极易造成细菌滋生，威胁雏鸡群健康。孵化场希望能通过机器来在早期分辨初生雏鸡的发育不全或病变以进行相应的处理，提高存活率，提高生产效率。深度神经网络是近几年来发展迅速，在自然语言处理和计算机视觉的发展中起到了至关重要的推动作用，并且也应用到了许多实际生活、工业生产当中，帮人们解决了许多难题。深度神经网络相对于SVM等传统的浅层机器学习架构，在一些复杂的场景模式中具有更加好的性能。在计算机视觉的自然图像分类方向中，深度神经网络已经可以达到95％以上的准确率，已经几乎超过了人类的分辨能力。它还有许多应用的领域、潜在价值等着人们去开发、挖掘。但是对于深度神经网络在雏鸡性别分类、病变识别的应用上，依然存在着识别速度慢，准确率极低，甚至无法识别的情况，难以满足实际生产需求。这导致了目前为止依然是依靠人工来进行雏鸡性别分类。
技术实现思路
本专利技术的目的在于提供一种幼禽生物特征识别装置及方法，旨在至少解决现有技术或相关技术中存在的技术问题之一。为解决上述技术问题，本专利技术提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，每个卷积神经网络子模块都包含着数层卷积层，池化层和激活函数，所述幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，包括Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。优选地，所述识别模块包括多个识别子模块，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入。优选地，所述第一卷积神经网络子模块进一步包括并联的卷积层和扩展卷积层，对所输入的数据分别进行处理后输出到所述扩展卷积子模块；所述识别模块还包括soft-max层。优选地，所述裁剪模块还包括图像增强子模块，对裁剪了大部分背景后的幼禽外观图像执行包括图像增强或归一化处理。优选地，所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。本专利技术的幼禽生物特征识别系统，上述任一种基于深度卷积神经网络的幼禽生物特征识别装置，还包括：图像采集装置，采集作为识别对象的幼禽的图像；图像预处理装置，对所述图像采集装置所采集的图像进行预处理，所述预处理包括边框裁剪、缩放、图像增强中的至少一种。优选地，所述图像采集装置设有姿态调整机构，以获取规定姿态的幼禽图像。本专利技术的基于深度卷积神经网络的幼禽生物特征识别方法，包括以下步骤：定位步骤，对输入的包含有幼禽的原图像，采用级联的多个卷积神经网络依次进行卷积，池化和激活运算后，输入到至少一个全连接层子模块运算后输出幼禽在原图像中的预测的位置信息；剪裁步骤，采用Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别步骤，包括采用级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块对输入的所述幼禽外观图像进行处理的卷积步骤，和将所述卷积步骤的输出数据输入给至少一个全连接层子模块进行处理后，采用识别函数进行计算，输出最终的识别结果的判断步骤，其中，所述卷积步骤中，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入，最后一个识别子模块将输入数据由所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后，输入给所述至少一个全连接层子模块。优选地，所述第一卷积神经网络子模块进一步包括并联的卷积层和扩展卷积层，所述卷积步骤还包括由所述卷积层和所述扩展卷积层分别对所输入的数据分别进行卷积，池化，激活处理后，输出到所述扩展卷积子模块。优选地，还包括采用大量幼禽数据对所述深度卷积神经网络进行训练的训练步骤，所述训练步骤中执行所述定位步骤、所述剪裁步骤和所述识别步骤以对所述卷积神经网络进行训练，并采用损失函数来优化模型参数，保存训练完成后的模型。优选地，所述裁剪步骤还包括图像增强子步骤，对裁剪了大部分背景后的幼禽外观图像执行包括图像增强或归一化处理。优选地，所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。本专利技术的计算机可读记录介质，存储有用于执行上述任一种所述的基于深度卷积神经网络的幼禽生物特征识别方法的计算机程序。专利技术效果本专利技术通过搭建深度卷积神经网络，通过大量的实验不断优化调节，获得一个兼具识别速度快、准确率高适用于多种品种雏鸡的深度卷积神经网络模型。通过本专利技术所提供的技术方案，实时采集雏鸡外观图像，经过图像预处理后输入神经网络模型自动将雏鸡图像与背景分离出来之后，进行性别识别，能够提高识别效率和精度，以便将雏鸡按照性别分开养殖，进而能够降低成本、提高生产效率。附图说明图1为本专利技术的幼禽生物特征识别系统的一个实施例的示意图。图2为本专利技术的深度卷积神经网络模型之一例的整体结构示意图。图3为图2所示的深度卷积神经网络模型的运算模块的说明图。图4为本专利技术的幼禽生物特征识别方法的一个实施例的示意图。图5为本专利技术的采用深度卷积神经网络进行雏鸡性别识别的方法的一个实施例的示意图。图6为本专利技术的深度卷积神经网络模型之一例的整体结构示意图。图7为图6所示的深度卷积神经网络模型的运算模块的说明图。附图标记说明10雏鸡性别识别系统11图像采集装置12图像预处理装置13识别装置100深度神经网络模型101雏鸡定位模块102剪裁模块103性别预测模块具体实施方式以下，参照附图对本专利技术的实施方式进行说明。[实施例1]作为本专利技术的基于深度卷积神经网络的幼禽生物特征识别装置本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于，包括：/n幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，每个卷积神经网络子模块都包含着数层卷积层，池化层和激活函数，所述幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；/n剪裁模块，包括Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及/n识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于，包括：
幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，每个卷积神经网络子模块都包含着数层卷积层，池化层和激活函数，所述幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；
剪裁模块，包括Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及
识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。


2.如权利要求1所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述识别模块包括多个识别子模块，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入。


3.如权利要求2所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述第一卷积神经网络子模块进一步包括并联的卷积层和扩展卷积层，对所输入的数据分别进行处理后输出到所述扩展卷积子模块；
所述识别模块还包括soft-max层。


4.如权利要求1所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述裁剪模块还包括图像增强子模块，对裁剪了大部分背景后的幼禽外观图像执行图像增强或归一化处理。


5.如权利要求1至4中任一项所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。


6.一种幼禽生物特征识别系统，其特征在于，包括如权利要求1至5中任一项所述的基于深度卷积神经网络的幼禽生物特征识别装置，还包括：
图像采集装置，采集作为识别对象的幼禽的图像；
图像预处理装置，对所述图像采集装置所采集的图像进行预处理，所述预处理包括边框裁剪、缩放、图像增强中的至少一种。


7.如权利要求6所述的幼禽生物特征识别系统，其特征在于：
所述图像采集装置设有姿态调整机构，以获取规定姿态的幼禽图像。


8.一种基于深度卷积神经网络的幼禽生物特征识别方...

【专利技术属性】
技术研发人员：杨光华，陈奕宏，邓长兴，马少丹，
申请(专利权)人：暨南大学，
类型：发明
国别省市：广东;44