牛臉識別的應用與研究

王 濤 鄭欽月 趙 平（ 天津農學院，天津300800）

1 概述

1.1 研究背景與意義

隨著社會的進步， 傳統的養殖方式難以科學有效地對牛群進行照看和管理。 人工智能的興起， 對奶牛養殖業的輔助指導產生了重要的影響。 而人臉識別、 神經網絡等技術與養殖業的融合，提高了養殖場的管理效率和經濟效益，促進了養殖過程精準化、自動化、智能化，為其他智能畜牧養殖業的發展提供了技術支持。

1.2 研究現狀

1.2.1 項目研究現狀

利用人工智能技術識別牲畜個體及其生活情況、 習性等的應用在農業生產中變得越來越廣泛。 Xia 等提出一種基于局部二值模式(local binary patterns，LBP)紋理特征的臉部描述模型[1]。 Cai 等在人臉識別方法的基礎上對LBP 進行改進，提出了基于LBP 改進后的牛臉模型[2]。 但遺憾的是，這兩種方法均無法應用在真實的個體牛養殖環境中。

1.2.2 算法研究現狀

基于人工智能的牛臉識別的關鍵是奶牛的面部檢測， 而神經網絡算法的使用有利于牛臉的檢測研究。 RENS.Q.等在前人的基礎上， 將檢測算法中region proposal 的選取算法SS(selective search)改為RPN(region proposal network)網絡，進一步提升了檢測性能[3]。

1.3 研究目的

本次研究旨在建立一個奶牛信息統計儲備系統。 奶牛養殖人員可通過此牛臉識別系統對奶牛建立個體檔案，統計奶牛的年齡，性別，健康狀況，過往疾病史，每天飼料使用量和產出牛奶的量和奶牛的質量等情況。 在每天的養殖過程中， 養殖人員用具有該系統的設備，對奶牛進行面部識別，從而進行精準檔案錄入， 并生成對應的數據分析報告反饋給管理者， 進行智能養殖。 從而便于管理者獲取奶牛個體的詳細信息， 迅速了解牧場情況，降低人工成本，提高管理效率為奶牛養殖主增加經濟收益。

2 研究內容及研究成果

2.1 研究內容

本文在人臉識別算法的基礎上， 以卷積神經網絡為特征提取模型，根據牛的五官和花紋特征，定義牛臉輪廓模型，用牛臉圖像訓練并測試提高算法的精度和效率， 通過機器視覺技術對奶牛個體進行更加精準的識別，從而提高養殖場的管理效率和經濟效益。

2.2 研究方法

卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡,是深度學習的代表算法之一[4]。 層積神經網絡仿造生物的視覺和知覺機制建造，可以進行監督學習,并使用BP 框架進行學習，其計算流程在LeCun (1989) 中就已經確定[5]。

本文首先收集牛的面部特征信息， 根據牛的五官和花紋特征，定義牛臉輪廓模型，以卷積神經網絡為特征提取模型。

基于卷積神經網絡的圖像識別具有以下三個過程： 卷積操作，池化操作，以及激活函數、全連接層和目標函數。當原始數據輸入到機器之后，會經過多次的卷積池化操作，直到把所有特征都抽取出來。 接著，抽取出來的所有特征與全連接層進行對接，得出預測的值，并與目標值進行對比。 最后，機器會對二者的差值進行修復，并重新訓練。 由于卷積神經網絡具有特征不變性，防止過度擬合和特征降維等特點， 在進行識別時具有良好的效果。 圖1 是卷積神經網絡的主要層次。

圖1

卷積操作是將截取到的圖像建立一個矩陣（ 如圖5x5 的矩陣），并在矩陣中建立一個卷積核（ 如圖3x3 的矩陣），對卷積核中的矩陣進行加權求和放到一個新的矩陣當中，這個新的矩陣被稱作卷積特征。 這個卷積特征將作為下一個階段池化操作的輸入。

圖2

在神經元中， 圖像經過卷積池化操作后， 引入激活函數ReLU 函數，增加神經網絡模型的非線性。 ReLU 函數實際上是一個分段函數，當函數的值小于0 時，不管賦值為多少，都會返回0，而函數值大于等于0 時，它返回本身（ X）：

考慮到牛與牛之間面部特征的差異不是很明顯， 在本系統中，我們設立多個卷積層和池化層，用于將每只牛面部的最大特征提取出來，與數據庫中奶牛的面部照片做對比，從而達到牛臉識別的目的。

最后，利用歐式距離目標函數，通過判斷距離的大小來判斷兩張圖片是否相似，進而實現牛臉識別的功能。

2.3 研究成果

實驗表明，卷積神經網絡在牛臉識別上具有很好的效果。利用卷積神經網絡的特征不變性使得牛臉的圖像在經過多次卷積后， 將牛臉的特征提取出來與數據庫中圖像的特征進行比較。 利用特征降維舍棄了圖像中一些不重要的特征，節省了計算機的資源， 將在復雜的環境中進行的牛臉識別進行了簡化。通過牛臉圖像的多次訓練和測試提高了算法的精度和效率，最終實現了奶牛個體的精準識別。

3 結論

本文以卷積神經網絡為特征提取模型， 首先收集錄入每只牛的面部信息。 當原始數據輸入到機器之后，經過多次的卷積池化操作，把所有特征都抽取出來。 接著，抽取出來的所有特征與全連接層進行對接，得出預測的值，并與目標值進行對比。 最后，機器會對二者的差值進行修復，并重新訓練，提高算法的精度和效率，對奶牛個體進行更加精準的識別。 此外，本研究通過一定的改良還可以進行豬、羊等牲畜的識別。