目录
摘要Ⅰ
关键词Ⅰ
AbstractⅠ
Key wordsⅠ
引言1
1材料与方法1
1.1图像集采集及预处理1
1.1.1图像采集1
1.1.2图像预处理2
1.2细粒度图像分类2
1.3卷积神经网络 3
1.4VGG16网络4
1.5双线性卷积神经网络5
2结果与分析7
2.1.1试验设备7
2.1.2试验图像集7
2.2试验评价指标8
2.2.1准确率8
2.2.1损失值8
2.3试验方法比较8
2.3.1改进的卷积神经网络8
2.3.2VGG16网络15
2.3.3双线性卷积神经网络17
3讨论32
3.1总结32
3.2展望30
致谢30
参考文献33
基于深度学习的奶牛面部识别研究
摘 要
针对奶牛身份识别的问题，本文基于改进的双线性卷积神经网络（BilinearCNN）提出了奶牛面部识别的方法。本文采集了不同天气和不同时间段下15头奶牛的面部图像构建图像集。本文改进双线性卷积神经网络的方法为：去掉VGG16网络中的最后一个池化（pool5）层和倒数第二层卷积（cov）层，添加一个relu5_3层和一个全连接层。在Image2上使用的改进的双线性卷积神经网络识别准确率为100%，现有的VGG16网络准确率为33%，经过改进的卷积神经网络识别准确率为81%。用改进的双线性卷积神经网络对Image1和Image2中3个方向的牛脸图像集和仿真的阴天光线较暗的（Image3）图像集进行试验测试，根据结果可以看出，本文改进的双线性卷积神经网络在图像集Image1、Image2和Image3的三3个方向的牛脸图像中识别的准确率均在90%100%范围内，在光照差异大的数据集识别率在98%左右，验证了该模型在多角度情况下的准确性和光照鲁棒性。
引言
Hinton等人提出深度学习引发了大家对深度学习的 *51今日免费论文网|www.51jrft.com +Q: *351916072* 
关注，因此深度学习在机器视觉有了很多很好的应用，同时深度学习也是目前面部识别领域的重要方法之一[]。但是目前国内和国外的面部识别算法大多为人脸识别的研究，比如，Bledsoe提出了基于几何特征的人面部识别算法[]，这种算法把人脸表示为一个特征向量，借助人脸种眼睛、鼻子等形状之间的集合关系作为特征向量，用特征向量匹配出对应的面部；Turk等人提出了特征脸方法，从面部图像中提取出全局特征，再把高维图像映射到低维的子图像中，完成人脸面部的特征提取并进行识别[]；汤晓鸥等人把深度学习技术和人面部识别相结合，提出了DeepID算法[]。目前国内外也有一些动物面部识别的研究案例，Hansena等人利用神经网络和Hsherface方法提取了猪脸特征，再将两种也正进行融合识别，取得了较高的识别准确率[]。
李仁杰等人构建了灵长类面部数据集并提出了基于改进的卷积神经网卡的灵长类面部识别方法，但是此方法对灵长类动物品种分类，并没有实现个体识别[]。侯金等人研究了基于发育网络的大熊猫面部识别方法，实现了大熊猫个体识别上的突破[]。Hansena等人利用深度神经网络和Hsherface方法提取商业农场环境下的猪脸特征，并将两种特征融合进行分类识别，取得了较高的识别准确率，但是该试验猪的图像集数据较少，背景及光照等条件单一，不具备良好的鲁棒性。
本文提出了改进的双线性卷积神经网络的方法对奶牛的面部识别进行试验，并将此网络与CNN和VGG16网络进行对比以找到更高效的奶牛面部识别的方法。同时在数据集建立方面，将奶牛面部图像分为正面、左侧面和右侧面三个方向数据，试验对各个方向的图像集进行了识别验证，结合养殖场实际情况，也仿真了阴天情况的图像集进行试验。
1 材料与方法
1．1 图像采集及预处理
1．1．1 图像采集
本文涉及到的图像集中的奶牛牛脸图像均为视频截取图像。这些奶牛视频是2017年8月31日至9月16日在蒙古自治区鄂尔多斯市鄂托克旗渠畔村某规模化奶牛养殖场全天拍摄的视频。根据试验需要，本文选择了光照较强的10点到12点和光照相对较弱的16点到19点进行人工截取图像。截取的图像按照奶牛牛脸方向分为正面、左侧面和右侧面，并对三个方向的图像分别建立数据集。本文将15头奶牛进行从0到14的标号。其中10：00至12：00时间段内的图像集记为Image1，16：00至19：00时间段内的图像记为Image2，仿真阴天（光线暗）情况下的图像集记为Image3。图像采集过程如图11所示。


图11.数据采集过程
Fig11.Data collection process
1．1．2图像预处理
为了排除数据集中背景因素对试验结果的干扰，制作数据集的时候对图片中牛脸区域进行截取并用绿色背景将原背景替换。因截图得到的图像大小均不同，范围为[60×60，140×140]，为此，取中值归一化每张图像的大小为100×100。
另外在试验过程中尝试了对数据集中图像进行加入随机椒盐噪声、旋转等操作扩增图像集，以提高网络模型识别效果。
1.2细粒度图像分类

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605737.html