一种猪只重识别方法及系统技术方案

本发明专利技术公开了一种猪只重识别方法及系统，该方法包括如下步骤：S1：图像获取，从图片拍摄接口获取图片或图片序列；S2：目标检测，利用目标检测模型对猪只个体进行检测，并截取感兴趣区域；S3：特征提取，通过特征提取网络对截取区域进行特征提取，得到特征信息；S4：度量学习，计算特征信息与底库中所有个体之间的特征距离，并根据特征距离计算相似度；S5：测试评估，根据相似度对候选个体进行排序，选择相似度最高的个体最为结果输出。本发明专利技术相较于传统的人工辨识，效率提高了多个量级，极大减轻了从业人员的工作负担与风险大幅度降低了人力成本，间接提高了其他养殖作业工作的效率。间接提高了其他养殖作业工作的效率。间接提高了其他养殖作业工作的效率。

【技术实现步骤摘要】
一种猪只重识别方法及系统


[0001]本专利技术涉及图像识别
，尤其涉及一种猪只重识别方法及系统。

技术介绍

[0002]生猪养殖行业中，对猪只个体做区分编号是记录猪只数据库表项的基础，例如称量猪只体重的记录，记录猪只疫苗接种情况等，都是基于猪只个体已经做好区分的前提下进行的。传统的猪只个体区分方法主要依靠人工巡视，检查比对猪只栏圈、脸部、生活习性、体表体征等以区分不同个体。此方法效率低下，并且十分消磨工作人员的意志与精力。对于长年累月生活在小型养殖场（40头左右规模）的工作人员来说，区分不同猪只个体的任务并不困难，然而对于大型养殖场，仅依靠人工记录区分不同个体，并且以之作为依据开展诸如称重、接种疫苗、配种等其他工作将会是一项繁琐且庞大的工作。该项人力成本占据了生产成本的很大部分，并且随着养殖规模的增大，该项人力成本亦将随之增加。神经网络深度学习等人工智能技术应用于行人重识别领域已取得极大成功，在业界首次命中率最高已达到99%，并且重识别框架已足够成熟，足以投入工农业生产。所谓行人重识别（Person Re
‑
identification）指的是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，被广泛认为是一个图像检索的子问题。行人重识别可以实现在给定一个监控行人图像的条件下跨设备检索该行人图像。它旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。应用于野生动物或家畜的重识别（Re
‑
identification）基于已有的行人重识别框架而产生，可实现依据拍摄到图像或者视频序列中的野生动物或家畜的体表特征来确定其个体编号的功能，方兴未艾，有望实现科技反哺工农业发展的美好愿景。
[0003]本申请人发现现有技术当中至少存在以下技术问题：在生猪养殖行业中，采用人工辨识的方法确定猪只编号，不仅导致了猪只识别效率低下，还增加了从业人员的工作负担与风险，人力成本较高。

技术实现思路

[0004]本专利技术的目的在于提供一种猪只重识别方法及系统，以解决如何提高养殖作业过程中确定猪只个体编号效率、减轻人员劳动强度的技术问题。
[0005]本专利技术的目的是采用以下技术方案实现的：一种猪只重识别方法，包括如下步骤：S1：图像获取，从图片拍摄接口获取图片或图片序列；S2：目标检测，利用目标检测模型对猪只个体进行检测，并截取感兴趣区域；S3：特征提取，通过特征提取网络对截取区域进行特征提取，得到特征信息；S4：度量学习，计算特征信息与底库中所有个体之间的特征距离，并根据特征距离计算相似度；S5：测试评估，根据相似度对候选个体进行排序，选择相似度最高的个体最为结果输出。
[0006]进一步的，所述目标检测模型包括YOLO系列目标检测模型和Fast RCNN目标检测模型，通过目标检测模型对猪只个体进行检测获得猪只个体的锚框，并对锚框进行截取。
[0007]进一步的，所述特征提取网络包括ResNet和CNN，通过特征提取网络对截取区域进行特征提取的策略包括只进行全局特征提取、只进行局部特征提取和全局特征提取与局部特征提取相结合。
[0008]进一步的，所述全局特征提取包括如下包括：输入图片；卷积网络层；输出全局特征图谱；池化层；输出特征向量；全连接层；输出分类结果。
[0009]进一步的，所述局部特征提取包括如下步骤：输入图片；依据分块策略分块；每个子块均输入卷积网络；每个子块均输出特征图谱；特征融合；输出特征向量；全连接层；输出分类结果。
[0010]进一步的，所述分块策略包括水平切块、依据姿态信息切块、语义分割和网格切块。
[0011]进一步的，对于追求识别速度的场合，采用全局特征提取的方法；对于追求精确度而算力有限的场合，采用局部特征提取的方法；对于姿态丰富、遮挡严重以及应用序列重识别的场合，采用全局特征提取与局部特征提取相结合的方法。
[0012]进一步的，所述计算特征信息与底库中所有个体之间的特征距离的方法包括欧几里得距离计算方法和余弦距离计算方法，根据特征距离得到损失值。
[0013]进一步的，采用优化器迭代寻找损失值中的最小值。
[0014]一种猪只重识别系统，包括图像获取模块、目标检测模块、特征提取模块、度量学习模块以及测试评估模块，其中，所述图像获取模块用以从图片拍摄接口获取图片或图片序列；所述目标检测模块用以利用目标检测模型对猪只个体进行检测，并截取感兴趣区域；所述特征提取模块用以通过特征提取网络对截取区域进行特征提取，得到特征信息；所述度量学习模块用以计算特征信息与底库中所有个体之间的特征距离，并根据特征距离计算相似度；所述测试评估模块用以根据相似度对候选个体进行排序，选择相似度最高的个体最为结果输出。
[0015]本专利技术的有益效果在于：本专利技术相较于传统的人工辨识，效率提高了多个量级，极大减轻了从业人员的工作负担与风险大幅度降低了人力成本，间接提高了其他养殖作业工
作的效率，省去了用于反复核对猪只个体的时间与生产力，本专利技术是一种低成本、高效率、广适应性、高鲁棒性于一体的科学化规模化猪只重识别方案；依托于计算机视觉与深度学习等计算机科学领域的快速发展，本专利技术为现代化、科学化的猪只养殖提供了有力保障，在真正意义上实现了养殖学、食品工程与计算机科学等多学科的交叉融合，以新兴
为传统工农业赋能，同时，本方法在现代化养殖产业中具有较高的技术优势和市场价值，适合于生产中的实际应用与技术上的进一步推广。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0017]图1为本专利技术流程图；图2为全局特征提取流程图；图3为局部特征提取流程图；图4为度量学习流程图；图5为本专利技术系统框图。
具体实施方式
[0018]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0019]本专利技术的目的是：为提高养殖作业过程中确定猪只个体编号的效率，减轻人员劳动强度，同时用于辅助其他高精确度个体区分技术，如在猪脸识别、猪只体表二维码识别失效时提供替代技术，本专利技术基于计算机视觉技术、神经网络与深度学习方法、目标检测技术、重识别技术、图像检索技术等实现了全自动标识猪只个体编号，以达到区分不同个体的功能，为其他重要的生产作业过程，如称重、接种疫苗的开展等提供了基础。
[0020]为了达到上述目的，本专利技术提供了以下实施例，下面结合附图，对本专利技术的一些实施方式作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种猪只重识别方法，其特征在于，包括如下步骤：S1：图像获取，从图片拍摄接口获取图片或图片序列；S2：目标检测，利用目标检测模型对猪只个体进行检测，并截取感兴趣区域；S3：特征提取，通过特征提取网络对截取区域进行特征提取，得到特征信息；S4：度量学习，计算特征信息与底库中所有个体之间的特征距离，并根据特征距离计算相似度；S5：测试评估，根据相似度对候选个体进行排序，选择相似度最高的个体最为结果输出。2. 如权利要求1所述的一种猪只重识别方法，其特征在于，所述目标检测模型包括YOLO系列目标检测模型和Fast RCNN目标检测模型，通过目标检测模型对猪只个体进行检测获得猪只个体的锚框，并对锚框进行截取。3.如权利要求1所述的一种猪只重识别方法，其特征在于，所述特征提取网络为计算机视觉神经网络，所述计算机视觉神经网络包括ResNet和CNN，通过特征提取网络对截取区域进行特征提取的策略包括只进行全局特征提取、只进行局部特征提取和全局特征提取与局部特征提取相结合。4.如权利要求3所述的一种猪只重识别方法，其特征在于，所述全局特征提取包括如下步骤：输入图片；卷积网络层；输出全局特征图谱；池化层；输出特征向量；全连接层；输出分类结果。5.如权利要求3所述的一种猪只重识别方法，其特征在于，所述局部特征提取包括如下步骤：输入图片；依据分块策略分块；每个子块均输入卷积网络；每个子块均输出特征图谱；特征融合；输出特征向量；全连...

【专利技术属性】
技术研发人员：罗奥成，江熠，谢宇涛，吉祥宇，刘子祯，陈松林，陈星霖，程小玥，吴蕾，宋乐，
申请(专利权)人：天津大学四川创新研究院，
类型：发明
国别省市：