基于LeNet深度學習模型的雛雞性別智能識別

摘 ?要：不同性別雛雞在生產生活中的價值及培育方向均有較大差別，盡早無損傷高效地分辨出雛雞性別從而進行定向培育，實現產業利益最大化。傳統的肛門鑒別法、伴性性狀鑒別法、蛋內尿囊液檢測法和核磁共振測定法均有其不足之處。受肛門鑒別法中對肛部圖片兩大特性傳統人眼檢測方案的啟發，在對原始圖像數據進行關鍵區域特征增強和圖像增廣后，依托于LeNet深度學習模型的強大圖像處理能力實現極高效率的雛雞性別識別。

關鍵詞：雛雞性別鑒定;深度學習;圖像識別;圖像增廣;LeNet

中圖分類號：TP391.41 ? ? 文獻標識碼：A 文章編號：2096-4706（2020）23-0064-03

The Gender Intelligence Recognition of Chicks Based on

the LeNet Deep Learning Model

YANG Luye

（Shanghai University，Shanghai ?200444，China）

Abstract：Different gender chicks have a large difference in the value and cultivation direction in production and life，and distinguish the gender of chicks as early as possible and efficiently without damage，so as to carry out directional cultivation and realize the maximization of industrial benefits. The traditional methods of anal identification，sex-linked charateristics identification，egg allantoic fluid detection and nuclear magnetic resonance detection have their shortcomings. Inspired by the traditional human eye detection scheme of anal image two characteristics in anal identification method，after the key area feature enhancement and image expansion of the original image data，relying on the powerful image processing ability of LeNet deep learning model to realize highly efficient chicks gender recognition.

Keywords：gender identification of chicks;deep learning;image recognition;image augmentation;LeNet

0 ?引 ?言

雛雞性別的識別在傳統及現代養雞業中均屬核心技能[1]。由于雌雞和雄雞所產生的商業價值不盡相同，且雄雞和雌雞培育所需的環境、養殖中的側重點也存在較大差異。所以盡早知曉雛雞的性別并加以分類培育可以優化生產布局，達到商業產能最大化以及提升工業效益的目的。

2 ?現有解決方案

目前工業界和生產生活中經典的方法包括：

（1）肛門鑒別法（又稱“翻肛法”）。該鑒別法須在雛雞出殼后12小時內進行，重點是通過觀察雛雞有無生殖突起及生殖突起的組織形態來區別其雄雌。

（2）伴性性狀鑒別法。該鑒別法是依據伴性遺傳原理，分別培育雌雄品系，通過多品系間雜交，依據初生雛雞的羽毛顏色及其生長速度來判別其雌雄。

（3）蛋內尿囊液檢測法。該檢測法的原理為檢測尿囊內雌激素水平，以此來判斷雞胚的性別。

（4）核磁共振（MRI）測定雞胚性別。該檢測法運用兩套不同的核磁共振成像系統，對處于特定時期的胚盤定位后再對其進行性別篩查[2]。

但上述四種方法在實際生產工作中均有其不足之處。肛門鑒別法在很大程度上依賴檢測人員的鑒別技能，經驗不足的檢測人員難以達到工業級的準確率，且最頂尖的檢測人員的篩選效率也只有30～35只每小時[3]，遠低于工業化生產要求，難以推廣到大型雞場。伴性性狀鑒別法檢測時間周期較長，需要等到雞雛長出足以鑒別性別的性狀如羽色、羽速后方可以實現鑒別性別的目的，無法實現及早篩分雛雞的預期目標;尿囊液體檢測法有嚴格的時間限制，若對在始孵化早期的雞胚進行細胞采樣則會影響雞胚發育;核磁共振測定法中的關鍵步驟即對雞胚的操作必須在外形完整的蛋中進行，此技術尚處于研發階段，無法落實到生產應用中。

3 ?算法模型介紹

近年來，深度學習在各個學科領域的應用中展現了巨大的可能性，突破了諸多瓶頸，有力的推動了諸如計算機視覺、自動語音識別、強化學習、自然語言處理等領域的研究。計算機視覺作為深度學習的重要領域，其中的圖像識別、甄選、分割等細分領域均已取得了諸多杰出的成果。因此，我們想將其中成熟的算法模型遷移到雛雞雄雌鑒別領域，將深度學習算法模型與傳統翻肛法的有效經驗相結合，用大量已準確標注的雞雛性別圖片訓練雞雛雄雌判別模型。通過不斷優化迭代，使判別模型能夠達到智能判別雞雛性別的功效，取代現有繁瑣且代價高昂的人力密集型的傳統解決方案，將經典方法提升推廣到工業級、流水線級的通用解決方案中。

LeNet是一個經典的卷積神經網絡結構[4，5]，對于輸入的二維三通道圖像，經過兩次卷積層到線性整流層和池化層，再經過全連接層，最后使用softmax分類器進行分類。

3.1 ?卷積層

卷積層是卷積神經網絡各層的基礎組成單元，其中每個卷積元參數均由反向傳播算法迭代優化取得。卷積運算可以實現高效的特征提取，低層級卷積層可以從圖像中取得基礎特征如邊緣、角度及線條等，多層級卷積層可以從圖像中獲得如圖像風格等高維特征，為后續圖像分類，分割等任務提供底層信息。

3.2 ?線性整流層

線性整流層是每層神經網絡之間的激活函數族，通過非線性變換，將神經網絡模型所能表達的范圍從線性函數推廣至一般函數域，更加符合真實生產環境中的需求，讓模型在真實建模過程中有更強的魯棒性。

3.3 ?池化層

池化層是以取平均值、最小值、最大值等降維方法將由卷積層傳遞而來的高維特征降低到合適的維度的單元，減少后續計算迭代的時間消耗，提升效率。

3.4 ?全連接層

全連接層是將全局特征和優化后的參數進行點乘計算后得到可信度結果，進而判斷圖片所歸屬的種類的一種結構。

3.5 ?算法原理

在本次模型設計中，底層卷積層負責從輸入層的雞雛圖片數據中抽取圖像低維特征（如圖片邊角位置、總體亮度等），后將RGB三維通道信息轉化為高維數據向量并將其傳輸到線性整流層。線性整流層通過非線性變換將圖片中的低維信息擴展，映射，整合到新的向量空間中，提升基礎信息的復雜度，豐富數據維度。池化層將從網絡前端傳遞來的512維高位數據向量通過平均池化的方法快速降維后，再將其傳遞到全連接層，加速整體模型運算速度，確保模型不會陷入維數災難。全連接層作為輸出層前的最后分類器通過反復迭代優化，進而得最佳的匹配參數，結合前端傳遞下來的特征向量，判別圖像所屬種類后傳遞到到輸出層。

4 ?實驗驗證

我們獲取的原始圖像信息如圖1和圖2所示，經由雛雞判別專家一一標注后分為雄雞雛雞組和雌雞雛雞組。

我們先對所有標注好的圖像數據進行數據平衡，保證雄雌數據所占比重相同，再利用5-folder cross-validation法，將數據隨機無偏分地劃為測試集和驗證集作為輸入，來防止過擬合問題，最終使用LeNet作為特征抽取的深度學習模型進行二分類訓練。但最終獲得的結果不太理想，測試準確率僅為60%～65%，與隨機判別（50%）所得結果差距不大，歸其原因在于信息本身噪音較大，如測試數據集中部分圖片有雛雞尾羽陰影，原圖總體亮度對比度均不高，導致關鍵信息未顯著體現，現有數據量較小（少于1 500張），而模型本身參數量大，導致數據過擬合。

與雞雛分類技術人員溝通后，我們發現傳統人工識別主要依靠觀測倒八形狀區域和圓形突起兩個特殊樣式來區別雄雌，如圖3所示。

為了能夠最大限度地凸顯關鍵性狀，我們對所有圖片使用OpenCV進行以下數據預處理：對于遮罩外部噪音區域采光口所導致的取樣點區別，統一以內切圓形為采樣標準，消除外部干擾，如圖4所示。

通過反復測試處理效果，確定了使用Sobel算子對所有重采樣后的圖像進行優化處理，突出其關鍵性狀，如圖5所示。

由于圖像所代表類別具有旋轉不變性，即圖像旋轉后所代表雞雛性別不變，且在保留關鍵性狀的情況下對圖片進行局部放大、縮小操作也不會改變圖像所歸屬的種類，故由此對原圖像數據進行包括旋轉、放縮等合適的自增操作，如圖6所示。

對原有圖像數據進行這樣的圖像預處理后得到增廣后的圖像數據集，再利用新的圖像數據重新訓練模型，實驗數據如表1所示。在迭代300次以后，得到了較好的結果，模型準確率在測試集達到了94.1%，在驗證集達到了92.5%，檢測效率超過110張/分鐘，達到了預期的目的。

5 ?結 ?論

為了尋找準確且高效的雞雛雌雄判別方案，同時也保障方案本身的可擴展性和可推廣性，我們通過學習經典的人力翻肛法判別經驗，應用計算機視覺輔助程序從源數據中環割選取圓形標準圖像集，依托Sobel算子對劃選好的雛雞圖像進行圖像預處理以突出其中關鍵性征，再借由其旋轉性狀不變的特點進行隨機旋轉圖像增廣，最后使用LeNet深度模型架構進行算法優化迭代訓練，得到有強識別能力的智能雛雞圖像雌雄判別模型。該模型在雞雛性別識別中獲得超過94%的識別準確率和0.085秒/張的平均檢測效率，且未出現明顯過擬合現象，給雞雛識別的領域提供了一條新的思路，打通了人工智能和傳統家禽養殖業的墻壁。目前該模型在全新數據集上的檢測效果仍然有待提升。未來通過更加精細化的雛雞種類劃分和更加全面的雞雛圖像數據初期收集，以及調用更多種成熟的深度學習模型來進行多模型組合預測，我們相信能夠獲得更加高效且魯棒的雞雛識別模型，并將其應用到真實的生產生活中。

參考文獻：

[1] 王健，漠縱泉，肖小珺，等.雞胚性別鑒定——家禽科學研究的新視點 [J].中國家禽，2003（14）：26-36.

[2] 姜桂苗，何劍斌，馬振乾，等.家禽性別控制的研究進展 [J]，黑龍江動物繁殖，2010，18（5）：14-16.

[3] 燕海峰，肖兵南，TREFIL P，等.家禽的性別鑒定方法 [J].動物學雜志，2001（6）：58-61.

[4] ZHANG A，LI M，Lipton Z C，等. 動手學深度學習 [M].人民郵電出版社，2019：15-188.

[5] 鄭睿，余童，程龍閱.基于改進LeNet-5的形狀類似物體識別方法 [J].信息技術與網絡安全，2020，39（6）：31-37+43.

作者簡介：楊陸野（1993—），男，漢族，上海人，初級工程師，碩士，研究方向：計算機視覺。