一种基于神经网络的防疫耳标识别方法技术

本发明专利技术提供了一种基于神经网络的防疫耳标识别方法，属于耳标识别技术领域。其技术方案为：一种基于神经网络的防疫耳标识别方法，包括如下步骤S1、获取基础数据集：获取a张耳标样本图片作为基础数据集；S2、基于基础数据集，扩展生成增量数据集；S3、对所述增量数据集进行增强处理，生成训练数据集；S4、构建CNN卷积神经网络，对所述训练数据集进行模型训练；S5、CNN网络调参：以设定的准确率为导向，在模型训练过程中进行网络调参；S6，结果验证；S7、输出模型；S8、模型移植。本发明专利技术的有益效果为：使用较少的耳标样本图片即可生成训练数据集；基于卷积神经网络进行模型训练，实现通过移动终端直接识别防疫耳标。直接识别防疫耳标。直接识别防疫耳标。

【技术实现步骤摘要】
一种基于神经网络的防疫耳标识别方法


[0001]本专利技术涉及耳标识别
，尤其涉及一种基于神经网络的防疫耳标识别方法。

技术介绍

[0002]目前我国农业农村部《动物免疫标识管理办法》中规定的生猪免疫耳标广泛使用在生猪的饲养、调运、屠宰过程中的是一种塑料材质的耳标，该耳标具有成本低、创伤小、坚固耐用、无毒无害的诸多优点，但该耳标中的矩阵码不是标准的QR二维码，需要专用的设备才能进行读取，在日常的生产管理和政府监管工作中较为不利，增加了数据采集和管理的难度。随着数字化和信息化建设逐步推进，可自动且低成本地识别该耳标上的号码需求越来越强烈。

技术实现思路

[0003]针对上述现有技术中的问题，本专利技术的目的在于提供一种基于神经网络的防疫耳标识别方法，通过基于卷积神经网络的算法实现对防疫耳标的识别算法，进而实现通过移动端如手机、平板等带摄像头的设备进行耳标号码的快速识别，降低耳标信息采集的难度。
[0004]本专利技术是通过如下技术方案实现的：一种基于神经网络的防疫耳标识别方法，包括如下步骤；
[0005]S1、获取基础数据集：获取a张耳标样本图片作为基础数据集；
[0006]S2、生成增量数据集：基于基础数据集，扩展生成增量数据集；
[0007]S3、生成训练数据集：对所述增量数据集进行增强处理，生成训练数据集；
[0008]S4、CNN网络设计：构建CNN卷积神经网络，对所述训练数据集进行模型训练；
[0009]S5、CNN网络调参：以设定的识别准确率为导向，在模型训练过程中进行网络调参，并不断优化超参数；其中超参数(卷积核数量、网络层数等)是不能通过训练过程获得的，必须人工来设定，经过参数调整后，本模型结构在样本集可达到准确率为93.4％。软件环境TensorFlow作为模型训练工具，硬件环境使用配置2张8G显存的GPU卡的工作站，经过多轮迭代的方式，不断进行超参数优化，最终获取到本方法中描述的超参数。
[0010]S6，结果验证：训练完成后，对形成的模型进行保存，利用保存的模型对对所述基础数据集进行准确性验证；
[0011]S7、输出模型：当准确率达到要求后，将保存的模型打包成持久化的模型文件；
[0012]S8、模型移植：使用TensorFlow提供的工具将模型文件编译为可在移动设备上使用的二进制文件(.so)。
[0013]考虑到所述基础数据集通常采用人工整理，在数量较小的情况下，为了提高样本的泛化效果，进一步，所述S2具体为：基于所述基础数据集，使用python的cv2库相关函数，使用不同的字体，不同的字间距和角度，最终获取增量数据集，其中增量数据集中的图片数量为基础数据集的b倍，且所述增量数据集中的图片均去除多余元素仅保留耳标号码，取a
＝100，b＝200，则增强数据量中的图片数量为20000张。
[0014]为了进一步增加样本的泛化能力，所述S3具体为：对所述增量数据集中的每个数据均进行如下增强操作：随机亮度(m张)、随机切边(n张)、随机旋转(i张)、随机增加噪点(j张)操作；每张图片经过增强后，形成k张图片，其中k＝m+n+i+j，则训练数据集包括的图片数量为所述增量数据集的k倍；取m＝5，n＝4，i＝5，j＝5，则k＝19，如此训练数据集中将包括380000张图片。
[0015]进一步，所述训练数据集中的图片均设置为256*256像素。
[0016]进一步，所述CNN卷积神经网络包括输入层、Cov1层、Maxpool1层、Cov2层、Maxpool2层、Cov3层、Cov4层、Maxpool3层、FC全连接层、softmax层。卷积核类似神经元的感受野，过小无法提取有效的局部特征，过大提取的特征过于复杂度。设置合适大小的卷积核，对于CNN网络的的性能非常重要，所以调参过程中对于卷积核大小的调整也是关键的步骤。
[0017]进一步，所述CNN卷积神经网络的流程如下：
[0018]所述输入层：将所述训练数据集图片进行灰度化，且所述输入层图像大小设置为221*221像素；调整为灰度图后，图片的通道为1，降低网络的训练参数，所述输入层是将图片数据集输入到卷积神经网络，供后续层作特征提取；
[0019]所述Cov1层：设置96个5*5大小的卷积核进行特征提取，产生96*55*55的张量；卷积运算的目的是提取输入的不同特征，第一层卷积层只能提取一些低级的特征如边缘、线条等；
[0020]所述Maxpool1层：采用3*3大小的卷积核进行池化操作，产生96*27*27的张量；池化层不提取特征而用于减小数据的空间大小，从而参数的数量和计算量也会下降；
[0021]所述Cov2层：设置256个3*3大小的卷积核进行特征提取，产生256*25*25的张量；从上层卷积层中抽取更复杂的特征；
[0022]所述Maxpool2层：采用3*3大小的卷积核进行池化操作，产生256*12*12的张量；Maxpool2相当于对特征进行了压缩，防止过拟合；
[0023]所述Cov3层：设置256个2*2大小的卷积核进行特征提取，产生256*7*7的张量；从上层卷积层中抽取更复杂的特征；
[0024]所述Cov4层：设置256个2*2大小的卷积核进行特征提取，产生256*10*10的张量；从上层卷积层中抽取更复杂的特征；
[0025]所述Maxpool3层：采用3*3大小的卷积核进行池化操作，产生256*8*8的张量；
[0026]所述FC全连接层：对256*8*8特征图进行连接，即使用4096个256*8*8的卷积核，对256*8*8的张量，得到一个值，即为一个特征点,然后对应于4096个神经元中的一个点；该层中的每个神经元与其前一层的所有神经元进行连接。整合卷积层或者池化层中具有类别区分性的局部信息；
[0027]所述softmax层：采用softmax进行分类，从而将特征映射到对应的分类空间中。
[0028]进一步，在利用保存的模型对所述基础数据集进行准确性验证之前，先对所述增量数据集中按一定比例选取数据进行准确性验证。
[0029]本专利技术的有益效果为：本专利技术通过数据增强和自动生成技术，使用较少的耳标样本图片数据即可大量生成训练数据集，降低训练数据集构建的难度；基于卷积神经网络进
行模型训练，泛化能力强；实现通过移动终端(手机、平板电脑等设备)摄像头直接识别防疫耳标的功能，降低识别成本。
附图说明
[0030]图1为本专利技术整体流程示意图。
[0031]图2为耳标样本图片示意图。
[0032]图3为增量数据集中的图片效果图。
[0033]图4为训练数据集中的图片效果图。
[0034]图5为CNN卷积神经网络结构图。
具体实施方式
[0035]为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
[0036]实施例一，参见图1
‑...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的防疫耳标识别方法，其特征在于，包括如下步骤；S1、获取基础数据集：获取a张耳标样本图片作为基础数据集；S2、生成增量数据集：基于基础数据集，扩展生成增量数据集；S3、生成训练数据集：对所述增量数据集进行增强处理，生成训练数据集；S4、CNN网络设计：构建CNN卷积神经网络，对所述训练数据集进行模型训练；S5、CNN网络调参：以设定的准确率为导向，在模型训练过程中进行网络调参，并不断优化超参数；S6，结果验证：训练完成后，对形成的模型进行保存，利用保存的模型对对所述基础数据集进行准确性验证；S7、输出模型：当准确率达到要求后，将保存的模型打包成持久化的模型文件；S8、模型移植：将模型文件编译为可在移动设备上使用的二进制文件。2.根据权利要求1所述的基于神经网络的防疫耳标识别方法，其特征在于，所述S2具体为：基于所述基础数据集，使用python的cv2库相关函数，，使用不同的字体，不同的字间距和角度，最终生成增量数据集，其中所述增量数据集中的图片数量为所述基础数据集的b倍，且所述增量数据集中的图片均去除多余元素仅保留耳标号码。3.根据权利要求2所述的基于神经网络的防疫耳标识别方法，其特征在于，所述S3具体为：对所述增量数据集中的每个数据均进行如下增强操作：随机亮度(m张)、随机切边(n张)、随机旋转(i张)、随机增加噪点(j张)操作；每张图片经过增强后，形成k张图片，其中k＝m+n+i+j，则训练数据集包括的图片数量为所述增量数据集的k倍。4.根据权利要求1所述的基于神经网络的防疫耳标识别方法，其特征在于，所述训练数据集中的图片均设置为256*256像素。5.根据权利要求4所述的基于神经网络的防疫耳标识别方法，其特...

【专利技术属性】
技术研发人员：程涛，张利宇，刘瑶，罗龑，李英，
申请(专利权)人：中通服公众信息产业股份有限公司，
类型：发明
国别省市：