一种遮挡式猪只识别的模型训练方法及其系统，涉及猪只识别领域，其通过猪只识别数据准备，对每头猪拍摄多张照片，对同一头用同一个ID号进行标识；使用猪只识别数据，训练猪只识别任务的基础识别模型，采用基础识别模型对半身图和全身图分别提取半身图的深度特征和全身图的深度特征；将得到的特征权重按位与得到的欧氏距离相似度5进行加权相乘，得到最终两张图片的最终的CAP距离，判断这两个图片中猪是否为同一头猪。其有益效果为本发明专利技术无需额外的语义信息，因此计算量较小，检索效率较高。检索效率较高。检索效率较高。
【技术实现步骤摘要】
一种遮挡式猪只识别的模型训练方法及其系统
[0001]本专利技术涉及猪只识别领域，具体为一种遮挡式猪只识别的模型训练方法及其系统。
技术介绍
[0002]猪只识别是一项广泛应用于猪养殖行业的技术，它通过对猪只特征进行识别和分析，帮助养殖户更好地管理猪只。然而，在实际应用中，猪只的遮挡现象也经常会出现，这给猪只识别带来了很大的困难。
[0003]因此，针对猪只识别领域的应用，也需要一种计算量较小且性能不错的遮挡式重识别方案。这种方案可以实时处理各种类型的遮挡图像，并且能够快速准确地识别猪只特征。具体的解决方案包括但不限于增加数据集中包含遮挡的样本、设计更优秀的特征提取器以及利用注意力机制等方法来提高模型的鲁棒性和泛化能力。
[0004]现有的遮挡式识别主要分为两种类型。
[0005]1、利用深度特征重建方法，最小化半身图和全身图的深度特征重建误差来直接进行匹配。缺点：该类方法需要求解一个最优化问题，因此每次只能进行一对一的匹配策略，无法充分利用GPU等设备的张量计算能力，在性能上精度也不高。
[0006]2、利用生成对抗网络来恢复遮挡区域的猪外观信息。缺点：生成对抗网络恢复遮挡区域信息的结果随机性很大，方案无法得到唯一解，在没有足够先验信息的情况下很难正确恢复信息，因此方案的精度无法得到保证。
技术实现思路
[0007]本申请的目的在于提供一种遮挡式猪只识别的模型训练方法，解决目前猪只识别方案大多只适用于无遮挡的猪图片，没有处理猪只遮挡识别的问题。
[0008]为了达到上述目的，本专利技术采用以下技术方案。
[0009]一种遮挡式猪只识别的模型训练方法，其特征在于，具体过程如下。
[0010]步骤1、猪只识别数据准备，对每头猪拍摄多张照片，对同一头用同一个ID号进行标识。
[0011]步骤2、使用猪只识别数据，训练猪只识别任务的基础识别模型，采用基础识别模型对半身图和全身图分别提取半身图的深度特征1和全身图的深度特征2，其中半身图的深度特征1大小为W*H*C，其中W表示半身图的深度特征的宽，H表示半身图的深度特征的长，C表示半身图的深度特征的通道，全身图的深度特征2大小为W~*H~*C~，其中W~表全身图的深度特征2的宽， H~表示全身图的深度特征2的长，C~表示全身图的深度特征2的通道。
[0012]步骤3、将需要判断是不是同一头猪的两张图片送入到训练好的基础识别模型中，利用基础识别模型提取每幅图片对应的半身图的深度特征1和全身图的深度特征2。
[0013]步骤4、对半身图的深度特征1和全身图的深度特征2进行卷积操作，得到注意力特征图3，再对注意力特征图3进行归一化处理，归一化方法如下所示。
[0014]。
[0015]表示响应图上的位置的特征。
[0016]步骤5、对得到的注意力特征图进行水平池化操作，得到一个特征权重4，具体公式如下。
[0017]。
[0018]其中，为特征权重，为在位置的注意力特征图3。
[0019]步骤6、对半身图的深度特征1和全身图的深度特征2进行水平池化，得到局部特征，两者对应位置计算欧氏距离相似度5。
[0020]步骤7、将步骤5得到的特征权重按位与步骤6得到的欧氏距离相似度5进行加权相乘，得到最终两张图片的最终的CAP距离，即最终两张图片的相似度。
[0021]步骤8、根据相似度大小判断这两个图片中猪是否为同一头猪，如果相似度大于0.5则为同一头猪，否则不为同一头猪。
[0022]进一步，所述的基础识别模型采用fast
‑
reid训练而成。
[0023]进一步，将步骤3中提取的半身图的深度特征1和全身图的深度特征2进行卷积计算，在半身图的深度特征1上面的深灰色阴影为全身图的深度特征2，通过滑窗操作，计算半身图的深度特征1和对应位置的全身图的深度特征2点的乘积和，作为当前位置的响应，将所有响应组合在一起，则得到了一副（W~
‑
W+1）*（H~
‑
H+1）*C的注意力特征图3。
[0024]进一步，步骤6中的局部特征为局部半身图的深度特征和局部全身图的深度特征，局部半身图的深度特征的大小为H*C，局部全身图的深度特征的大小为H~*C，如下公式所示。
[0025]。
[0026]其中为局部半身图的深度特征，为半身图的深度特征在位置的特征。
[0027]。
[0028]其中为局部全身图的深度特征，为全身图的深度特征在的特征。
[0029]进一步，步骤7中最终的CAP距离公式如下。
[0030]。
[0031]其中, 为CAP距离, 为特征权重，表示计算欧氏距离，为局部半身图的深度特征，为局部全身图的深度特征。
[0032]本专利技术还提供了一种遮挡式猪只识别的系统，其特征在于，主要包括。
[0033]数据采集模块，用于收集不同猪只的不同视角的图像。
[0034]数据处理模块，用于对数据采集模块进行数据预处理，对数据采集模块的图像进行标准化处理。
[0035]模型训练模块，采用实施例一中的遮挡式猪只识别的模型训练方法生成遮挡式猪只识别模型。
[0036]模型应用模块，将模型训练模块中的模型应用于实际生产中猪只的图像识别，根
据图像给出不同的图像是否为同一头猪的判断结果。
[0037]数据库，用于保存数据采集模块，以及模型应用模块收集和产生的数据。
[0038]进一步，所述图像进行标准化处理的方法为直方图均衡化法，直方图均衡化法的步骤。
[0039]1. 将彩色图像转换为灰度图像：对于彩色图像，需要将其转换为灰度图像，以便进行直方图均衡化。
[0040]2. 计算图像的直方图：对于灰度图像，计算其每个灰度级别（0~255）出现的次数，得到原始直方图。
[0041]3. 计算累计分布函数：计算原始直方图的累计分布函数，即从灰度级别0到当前灰度级别的像素数之和。
[0042]4. 归一化：将累计分布函数除以像素总数，得到归一化的累计分布函数。
[0043]5. 映射像素值：对于每个像素，将其灰度级别替换为归一化的累计分布函数对应的新灰度级别。
[0044]6. 生成新的直方图：对于处理后的图像，重新计算其直方图，得到新的直方图。
[0045]7. 显示处理后的图像：将处理后的图像进行显示或保存。
[0046]本专利技术还公开了一种电子装置，所述电子装置包括。
[0047]一个或多个处理器。
[0048]存储装置，用于存储一个或多个程序。
[0049]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现实施例二提供的一种遮挡式猪只识别的系统。
[0050]其有益效果为。
[0051]1、该方案无需额外的语义信息，因此计算量较小，检索效率较高。
[0052]2、该方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种遮挡式猪只识别的模型训练方法，其特征在于，具体过程如下：步骤1、猪只识别数据准备，对每头猪拍摄多张照片，对同一头用同一个ID号进行标识；步骤2、使用猪只识别数据，训练猪只识别任务的基础识别模型，采用基础识别模型对半身图和全身图分别提取半身图的深度特征(1)和全身图的深度特征(2)，其中半身图的深度特征(1)大小为W*H*C，其中W表示半身图的深度特征的宽，H表示半身图的深度特征(1)的长，C表示半身图的深度特征(1)的通道，全身图的深度特征(2)大小为W~*H~*C~，其中W~表全身图的深度特征(2)的宽， H~表示全身图的深度特征(2)的长，C~表示全身图的深度特征(2)的通道；步骤3、将需要判断是不是同一头猪的两张图片送入到训练好的基础识别模型中，利用基础识别模型提取每幅图片对应的半身图的深度特征(1)和全身图的深度特征(2)；步骤4、对半身图的深度特征(1)和全身图的深度特征(2)进行卷积操作，得到注意力特征图(3)，再对注意力特征图(3)进行归一化处理，归一化方法如下所示：；表示响应图上的位置的特征；步骤5、对得到的注意力特征图进行水平池化操作，得到一个特征权重(4)，具体公式如下：；其中，为特征权重，为在位置的注意力特征图(3)；步骤6、对半身图的深度特征(1)和全身图的深度特征(2)进行水平池化，得到局部特征，两者对应位置计算欧氏距离相似度(5)；步骤7、将步骤5得到的特征权重按位与步骤6得到的欧氏距离相似度(5)进行加权相乘，得到最终两张图片的最终的CAP距离，即最终两张图片的相似度；步骤8、根据相似度大小判断这两个图片中猪是否为同一头猪，如果相似度大于0.5则为同一头猪，否则不为同一头猪。2.根据权利要求1所述的一种遮挡式猪只识别的模型训练方法，其特征在于：所述的基础识别模型采用fast
‑
reid训练而成。3.根据权利要求2所述的一种遮挡式猪只识别的模型训练方法，其特征在于：将步骤3中提取的半身图的深度特征(1)和全身图的深度特征(2)进行卷积计算，在半身图的深度特征(1)上面的深灰色阴影为全身图的深度特征(2)，通过滑窗操作，计算半身图的深度特征(1)和对应位置的全身图的深度特征(2)点的乘积和，作为当前位置的响应，将所有响应组合在一起，则得到了一副（W~
‑
W+1）*（H~
‑
H+1）*C的注意力...
【专利技术属性】
技术研发人员：刘年丰，单彩峰，
申请(专利权)人：青岛兴牧畜牧科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。