一种基于深度度量学习的羊只个体身份识别方法和系统技术方案

本发明专利技术公开了一种基于深度度量学习的羊只个体身份识别方法和系统，其涉及计算机视觉技术。该方法包括：通过对单个羊只侧视图像数据的采集，使用YOLOv5检测模型对采集到的数据预处理并通过多种方式进行数据增强；构建使用关键部位注意力引导机制的身份识别网络结构，采用TinyNet轻量型网络作为骨干网络，设计特征融合模块将全局特征与关键局部特征融合，对羊只个体特征进行学习，设计自定义池化头输出特征向量；结合交叉熵、三元组与一致性联合损失函数监督网络学习，可以使识别网络更加关注图像中的重要区域；最后将模型进行部署。本发明专利技术以“无接触，无伤害，低成本，高效率”的原则实现羊只个体身份识别。现羊只个体身份识别。现羊只个体身份识别。

【技术实现步骤摘要】
一种基于深度度量学习的羊只个体身份识别方法和系统


[0001]本专利技术涉及计算机视觉
，特别涉及一种基于深度度量学习的羊只个体身份识别方法和系统。

技术介绍

[0002]农业是推进社会发展和进步的基础产业，其中，养殖业作为畜牧业的重要组成部分，在整个农业生产中具有重要的地位。近年来，智慧农业精准养殖的快速发展，传统畜牧业的养殖模式与方式也随之转变，从最初的小规模，依靠人工观察和经验管理的方式，逐渐向大规模、自动化和科学化管理的现代养殖方式转变，成为行业发展的趋势。智慧养殖中对牲畜个体进行实时检测和身份识别是急需要解决的问题。
[0003]牲畜的传统身份标记方法如刻烙印法、耳标法及RFID设备标签法等，容易对动物造成不同程度的伤害。
[0004]随着计算机视觉，模式识别等技术的发展，使用基于图像处理和深度学习的方法对图像中的动物个体进行识别，将成为现代化畜牧领域的研究重点。目前深度学习的动物身份识别多使用分类方法，但由于现有网络模型过于庞大，从而导致识别准确率低。

技术实现思路

[0005]基于此，有必要针对
技术介绍
中，存在现有网络模型过于庞大而使识别准确率不够高的技术问题，提供一种基于深度度量学习的羊只个体身份识别方法和系统。
[0006]本专利技术实施例提供一种基于深度度量学习的羊只个体身份识别方法，该方法包括：
[0007]获取羊只个体身份数据集；所述数据集包括：训练集、检索集；
[0008]构建羊只个体身份识别网络模型；所述羊只个体身份识别网络模型包括：用于全局特征提取的TinyNet轻量型网络，用于将全局特征与关键部位局部特征融合的特征融合模块，及用于关注不同细粒度区域并输出特征向量的的自定义池化层模块；
[0009]通过交叉熵损失、三元组损失和一致性损失构成的联合损失函数，并结合训练集，对羊只个体身份识别网络模型进行训练；
[0010]将检索集和待测试图像均输入羊只个体身份识别网络模型中，获得检索数据特征向量和测试数据特征向量；并计算检索数据特征向量和测试数据特征向量之间的相似度，相似度最高的检索集中图像与待测试图像为同一身份。
[0011]进一步地，所述获取羊只个体身份数据集，包括：
[0012]采集羊只的侧视视频并分帧为图像数据；
[0013]采用YOLOv5目标检测网络，对图像数据进行羊只检测，并截取检测到的羊只图像构成羊只个体身份数据集；并对所述数据集进行人工筛选，构建训练集、检索集和测试集。
[0014]进一步地，所述获取羊只个体身份数据集，还包括：
[0015]通过反转、旋转、调整对比度、调整亮度的方式，对羊只个体身份数据集进行数据
增强处理。
[0016]进一步地，所述自定义池化层模块，包括：依次连接的广义均值池化层、Hardswish激活函数、全连接层和BN层。
[0017]进一步地，所述特征融合模块，包括：
[0018]所述TinyNet轻量型网络的特征提取层输出F经过转置矩阵分别与k个关键点信息H通过哈达玛积融合得到f
L
，将融合特征进行对齐成为KFA，该操作为将特征向量的焦点转移到关键线索部位区域的池化操作。
[0019]进一步地，所述联合损失函数为：
[0020]Loss
all
＝Loss
ce
+a
ⅹ
Loss
kd
+b
ⅹ
Loss
tri
[0021]其中，Loss
all
为联合损失函数，Loss
ce
为交叉熵损失，Loss
kd
为一致性损失，Loss
tri
为三元组损失，a和b为权重参数，且a为0.2，b为0.8。
[0022]进一步地，所述对羊只个体身份识别网络模型进行训练，包括：
[0023]每个批次随机选择一个羊只样本作为锚定样本Anchor，同批次同类别的另一个样本作为正样本Positive，不同类别的样本作为负样本Negative；
[0024]利用羊只个体身份识别网络模型提取特征并映射到高维空间上，分别计算Anchor和正负样本之间的欧式距离，损失函数的优化方向为减少Anchor和正样本之间的距离并增大与负样本之间的距离，实现同类间特征间隔小于不同类间特征间隔。
[0025]使用联合损失函数训练网络，得到最佳网络模型权重；并通过联合损失函数对羊只个体身份识别网络模型进行训练以实现联合优化。
[0026]进一步地，一种基于深度度量学习的羊只个体身份识别方法，还包括：
[0027]将羊只个体身份识别网络模型从PyTorch的pth格式转化为NVIDIA的TensorRT格式以进行轻量化部署。
[0028]本专利技术实施例提供的一种基于深度度量学习的羊只个体身份识别系统，其包括：
[0029]图像采集单元，用于获取羊只个体身份数据集；所述数据集包括：训练集、检索集；
[0030]模型构建单元，用于构建羊只个体身份识别网络模型；所述羊只个体身份识别网络模型包括：用于全局特征提取的TinyNet轻量型网络，用于将全局特征与关键部位局部特征融合的特征融合模块，及用于关注不同细粒度区域并输出特征向量的的自定义池化层模块；
[0031]模型训练单元，用于通过交叉熵损失、三元组损失和一致性损失构成的联合损失函数，并结合训练集，对羊只个体身份识别网络模型进行训练；
[0032]身份识别单元，用于将检索集和待测试图像均输入羊只个体身份识别网络模型中，获得检索数据特征向量和测试数据特征向量；并计算检索数据特征向量和测试数据特征向量之间的相似度，相似度最高的检索集中图像与待测试图像为同一身份。
[0033]进一步地，一种基于深度度量学习的羊只个体身份识别系统，还包括：
[0034]轻量化部署单元，用于将羊只个体身份识别网络模型从PyTorch的pth格式转化为NVIDIA的TensorRT格式以进行轻量化部署。
[0035]本专利技术实施例提供的上述基于深度度量学习的羊只个体身份识别方法和系统，与现有技术相比，其有益效果如下：
[0036]本专利技术选择了“无接触，无伤害，低成本，高效率”的基于计算机视觉的深度度量学
习方法实现羊只个体身份识别，避免了传统方法对羊只造成可能的伤害。具体地，所设计的身份识别网络，使网络更加关注图像中的重要区域；采用联合损失函数的优化方式引导网络学习特征提取能力，避免陷入过拟合。即基于度量的方法在大规模数据情况下准确率更高，本专利技术旨在解决现有网络模型过于庞大准确率不高的问题，在实际场景中更适合推广应用，对促进羊只个体身份识别技术的发展与应用具有现实意义。
[0037]还有，对羊只个体图像采用YOLOv5目标检测方法，减少背景信息的干扰，通过多种数据增强方式，提高数据集质量，解决数据集数据不平衡、训练容易过拟合等问题。
...

【技术保护点】

【技术特征摘要】
1.一种基于深度度量学习的羊只个体身份识别方法，其特征在于，包括：获取羊只个体身份数据集；所述数据集包括：训练集、检索集；构建羊只个体身份识别网络模型；所述羊只个体身份识别网络模型包括：用于全局特征提取的TinyNet轻量型网络，用于将全局特征与关键部位局部特征融合的特征融合模块，及用于关注不同细粒度区域并输出特征向量的的自定义池化层模块；通过交叉熵损失、三元组损失和一致性损失构成的联合损失函数，并结合训练集，对羊只个体身份识别网络模型进行训练；将检索集和待测试图像均输入羊只个体身份识别网络模型中，获得检索数据特征向量和测试数据特征向量；并计算检索数据特征向量和测试数据特征向量之间的相似度，相似度最高的检索集中图像与待测试图像为同一身份。2.如权利要求1所述的基于深度度量学习的羊只个体身份识别方法，其特征在于，所述获取羊只个体身份数据集，包括：采集羊只的侧视视频并分帧为图像数据；采用YOLOv5目标检测网络，对图像数据进行羊只检测，并截取检测到的羊只图像构成羊只个体身份数据集；并对所述数据集进行人工筛选，构建训练集、检索集和测试集。3.如权利要求2所述的基于深度度量学习的羊只个体身份识别方法，其特征在于，所述获取羊只个体身份数据集，还包括：通过反转、旋转、调整对比度、调整亮度的方式，对羊只个体身份数据集进行数据增强处理。4.如权利要求1所述的基于深度度量学习的羊只个体身份识别方法，其特征在于，所述自定义池化层模块，包括：依次连接的广义均值池化层、Hardswish激活函数、全连接层和BN层。5.如权利要求1所述的基于深度度量学习的羊只个体身份识别方法，其特征在于，所述特征融合模块，包括：所述TinyNet轻量型网络的特征提取层输出F经过转置矩阵分别与k个关键点信息H通过哈达玛积融合得到f
L
，将融合特征进行对齐，该操作为将特征向量的焦点转移到关键线索部位区域的池化操作。6.如权利要求1所述的基于深度度量学习的羊只个体身份识别方法，其特征在于，所述联合损失函数为：Loss
all
＝Loss
ce
+a
ⅹ
Loss
kd
+b
ⅹ
Loss
tri
其中，Loss
all

【专利技术属性】
技术研发人员：王美丽，张飞宇，尚诚，李延华，胡建宏，张宏鸣，李书琴，王小龙，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：