基于卷積神經網絡的豬只個體身份識別研究

馬娜　徐苗

摘? 要： 為了便于管理豬只，需及時關注每只豬的狀態，本研究以真實條件下的7只豬只為研究對象，利用Keras建立了卷積層-池化層-卷積層-池化層2層卷積神經網絡模型對豬只個體身份進行識別。建立的卷積神經網絡模型對豬只個體身份識別的準確率可達85.71%。建立的豬只個體身份識別模型簡單，執行效率高，可以較準確的實現豬只身份識別。

關鍵詞： 豬只; 個體身份識別; Keras; 卷積神經網絡

中圖分類號：TP391.4? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）04-51-04

Research on pig individual identity based on convolutional neural networks

Ma Na Xu Miao

（College of Information Science and Engineering， Shanxi Agricultural University， Taigu， Shanxi 030801， China）

Abstract： In order to facilitate the management of pigs， it is necessary to pay attention to the status of each pig in time. In this paper， using Keras and taking seven pigs under real conditions as the research object， a two-layer convolutional neural network model which includes convolutional layer-pooling layer-convolutional layer-pooling layer is established to identify individual pigs. The accuracy of the convolutional neural network model for individual identification of pigs can reach 85.71%. The pig individual identification model is simple and efficient， which can identify pigs more accurately.

Key words： pig; individual identification; Keras; convolutional neural network

0 引言

我國是世界上養豬數量最多的國家之一，監測豬只健康狀況對生產力和人類健康都至關重要[1-3]。隨著科學技術發展和壯大，信息化時代已經到來，目前我國的養豬業，無論是生產方式、生產能力還是養殖模式，都在發生翻天覆地的變化，正處于由傳統養豬業向信息化養豬業轉變時期[4-7]。很多大型養豬場對于豬只個體身份沒有一個準確有效的識別方法，僅僅依靠管理員的觀察，幾乎不可能實現對豬只連續地、個別地觀察。為了方便管理，一般會通過在豬只耳朵上穿孔來佩戴無線射頻識別標簽（RFID）[8-10]來辨別豬只身份。但這種方法存在一些缺陷：①穿孔很大可能會導致皮膚發炎，影響豬只健康;②隨著豬只之間的接觸，難免會發生咬標、掉標的情況;③養殖人員每隔一段時間都得檢查標簽，很耗費時間和精力。

近年來，機器視覺技術不斷發展，在目標識別[11-14]、跟蹤方面[15-16]有了很大進展，不僅減少了成本，通過實時監測還能及時發現豬只異常。Weijia Huang等[17]提取豬只圖像Gabor 特征、紋理特征，然后利用PCA降低特征維數，最后用支持向量機對豬只身份進行識別。趙偉等[18]提出了一種基于Gabor方向直方圖和支持向量機的豬只個體身份識別方法。首先利用關鍵點提取肩部和臀部兩個特征區域，然后提取豬體背部毛發模式特征，最后將提取的豬只的Gabor方向直方圖作為SVM分類器的輸入進行豬只個體身份識別。Mark F.Hansen等[19]采集豬臉視頻，然后用豬臉訓練神經網絡進行豬只身份識別。該方法要求必須拍攝到豬只正臉，造成身份識別局限性。傳統的豬只身份識別需要對實驗中豬只的前景和目標的特點進行大量的分析，提取有效的特征向量數據作為模式識別和分類器的數據輸入，在特征向量提取和分類器選擇上有很大隨機性。卷積神經網絡[20-22]（Convolutional Neural Networks， CNN）是近些年來圖像識別技術中應用最多，最受歡迎之一的技術，在很多領域都有較高的性能。卷積神經網絡不需要對圖像進行大量的算法處理，只需使用較少的程序代碼就可以建立深度學習模型，進行訓練、評估準確率、并進行預測。因此本文研究利用卷積神經網絡構建豬只個體身份識別模型，該模型的優點是可以對真實條件下的豬只圖像直接進行預測，模型簡單，效率高。

1 卷積神經網絡

1.1 卷積神經網絡的組成

卷積神經網絡包括數據輸入層（input layer）、卷積層（conv layer）、池化層（pooling layer）、激活函數（Activation Function）、Dropout和全連接層（FC layer）。

⑴ 輸入層：對圖像的特征數據預處理，把對圖像的預處理數據轉化成容易識別的圖像特征數據。

⑵ 卷積層：絕大部分計算都是集中在該層完成的。有多少個卷積核，輸出就有多少個卷積核通道。每個卷積核的輸出都生成一個特征圖，這些特征圖堆疊在一起組成整個卷積核輸出的結果。

⑶ 池化層：池化操作一般出現在卷積操作之后，與卷積操作交替在網絡中運行。通過池化層，只把主要特征保留，進一步縮小全連接層中神經網絡節點的特征個數。常見的池化操作方式主要有兩種：最大池化（max pooling）、平均池化（average pooling）。

⑷ 激活函數：用于運行在神經網絡全連接層中的神經元上的非線性函數，它的作用主要是為了激活和提升整個神經網絡的非線性。常用的激活函數有：Sigmoid函數、Tanh函數、ReLU函數[23]。

⑸ Dropout[24]：在神經網絡的學習中，這是一種有效防止過度神經網絡擬合的方法，可以按照一定的擬合比例，將部分非線性神經網絡的單元暫時從神經網絡中分離或丟棄，相當于將原始的神經網絡處理為一個更簡潔的神經網絡。

⑹ 全連接層：是由許多神經元共同連接得來的，經過前面幾次對圖像進行卷積操作和池化操作，把圖像抽象地處理為具有很強特征的信息。特征提取完之后，通過全連接層來完成對圖像的分類任務。

2 基于卷積神經網絡對豬只個體身份進行識別

2.1 數據采集

實驗數據采集于山西省臨汾某養豬場的豬圈內，共采集7只豬只活動視頻，每個視頻1分鐘。利用matlab工具，從采集到的豬只視頻數據中提取出7只豬個體圖像數據，分別存放到7個文件夾中，用文件夾名稱來標記豬只身份。為了保證樣本數據平均性，經篩選，去除部分奇異樣本，再采用適當的數據增強技術對數據集進行擴充，最終得到每只豬只115幅圖像，共805幅豬只圖像。對每只豬個體隨機選取100幅圖像作為訓練集，用15幅作為測試集。訓練集數據總共700幅豬只圖像，測試集總共105幅豬只圖像，輸入卷積神經網絡模型中進行豬只身份識別。

2.2 建立卷積神經網絡模型

本研究利用Keras建立了兩種卷積神經網絡模型，一種模型是：卷積層-池化層-卷積層-池化層-全連接層，簡稱為2層CNN模型，另一種模型是卷積層-池化層-卷積層-池化層-卷積層-池化層-全連接層，簡稱為3層CNN模型。

構建的2層CNN模型結構如圖1所示，3層CNN模型結構如圖2所示。

3 結果與分析

3.1 2層CNN模型與3層CNN模型豬只身份識別結果對比

將105幅測試用圖像輸入到建立好的2層CNN豬只身份識別模型和3層CNN豬只身份識別模型中進行測試，得到結果如表1所示。

從表1中可以看到3層CNN模型與2層CNN模型對于豬只識別準確率，都是85.7%，但是3層CNN模型所用識別時間相對較長，說明隨著網絡結構的增加，豬只身份識別準確率卻不會增加。因此對于本研究中的豬只身份識別，建立2層CNN模型是最優模型。

3.2 2層CNN模型豬只身份識別結果分析

采用2層CNN模型來識別豬只身份，得到圖3混淆矩陣。其中0代表1號豬，1代表2號豬，2代表3號豬，3代表4號豬，5代表6號豬，6代表7號豬。

通過混淆矩陣，可以得到以下結論。

⑴ 對角線上的數字是預測正確的數量。可以看到1號、2號、3號、4號、5號、6號豬只15幅圖像全部預測正確。說明本研究建立的豬只身份識別模型，對于1-6號豬只特征提取精確，識別結果準確。

⑵ 7號豬只身份識別結果很差，15幅圖像中5只被預測成3號豬，10只被預測成6號豬。7號豬只身份識別率很低，原因可能在于7號豬只圖像采集時，里邊包含了多個豬只，對目標豬只身份特征提取造成干擾，導致CNN模型識別率很低。7號豬只采集部分圖像如圖4所示。

3 結論與討論

本文利用Keras構建卷積神經網絡模型對7只豬只個體身份進行識別，準確率可達85.71%。

⑴ 本文建立的豬只身份識別模型可以對真實條件下的豬只身份進行快速識別，避免了傳統機器學習中的手工提取特征，降低人為因素的干擾。

⑵ 本文建立的豬只身份識別模型對只有單目標豬只的圖像身份識別效果較好。在多目標豬只身份識別上有待于改進。

參考文獻（References）：

[1] LEI ZHANG， HELEN GRAY， XUJIONG YE， et al.?Automatic Individual Pig Detection and Tracking in Pig Farms.Laboratory of Vision Engineering， School of Computer Science， University of Lincoln，2019（2）：1-2

[2] 羅土玉，邊峰，鐘日開，等.幼豬生長性能智能測定系統設計和試驗[J].現代農業裝備，2017（2）：65-67

[3] 伍佰鑫，浣成，張翠永，等.規模豬場人工智能監控和預警的研究和應用概況[J].中國豬業，2017（12）：60-61

[4] 沈富林，陸雪林，許棟，等.能物聯助推畜牧產業升級和種養聯動[J].國畜牧業，2016（1）：32-35

[5] 何東健，劉冬，趙凱旋.精準畜牧業中動物信息智能感知與行為檢測研究進展[J].農業機械學報，2016，47（5）：231-244

[6] 米國芹.豬群健康狀態識別與掌握[J].中國畜禽種業，2018，14（9）：137

[7] 朱明，隋斌，齊飛，等.論中國鄉村振興戰略中的農業工程管理創新[J].農業工程學報，2019，35（2）：1-9

[8] KASHIHA MOHAMMADAMIN， BAHR CLAUDIA， OTTSANNE，et al. Automatic weight estimation of individual pigs usingimage analysis[J].Computers and Electronics in Agriculture，2014，107：38-44

[9] 張文文.基于模糊推理的多源信息生豬異常行為綜合監測[D].太原：太原理工大學，2018

[10] 卞子煜.基于深度學習的群養豬個體身份識別[D].江蘇大學，2020

[11] 楊秋妹，肖德琴，張根興.豬只飲水行為機器視覺自動識別[J].農業機械學報，2018，49（6）：232-238

[12] 金耀，何秀文，萬世主，等.基于YOLO v3的生豬個體識別方法[J].中國農機化學報，2021，42（2）：178-183

[13] 李丹，張凱鋒，李行健，等.基于Mask R-CNN的豬只爬跨行為識別[J].農業機械學報，2019，50（增刊）：261-266，275

[14] 王少華，何東健，劉冬.基于機器視覺的奶牛發情行為自動識別方法[J].農業機械學報，2020，51（4）：241-249

[15] 張煒，陳晨.基于機器視覺技術的復雜運動姿態自動跟蹤研究[J].現代電子技術，2021，44（11）：62-66

[16] 李志華，于楊.基于檢測的多目標跟蹤算法綜述[J].物聯網技術，2021，11（4）：20-24

[17] HUANG WJ， ZHU WX， MA CH， et al. Identification ofgroup-housed pigs based on Gabor and Local BinaryPattern features[J]. biosystems engineering，2017，166：90-100

[18] 趙偉.基于Gabor方向直方圖和支持向量機的豬個體身份識別[D].江蘇大學，2017

[19] F. HANSEN M.， L. SMITH M.， N. SMITH L. Towardson-farm pig face recognition using convolutional neuralnetwork[J]. Computer in Industry，2018（98）：145-152

[20] 蓋榮麗，蔡建榮，王詩宇，等.卷積神經網絡在圖像識別中的應用研究綜述[J].小型微型計算機系統：1-6[2021-06-09].http：//kns.cnki.net/kcms/detail/21.1106.TP.20210428.1058.002.html.

[21] 李彥冬，郝宗波，雷航.卷積神經網絡研究綜述[J].計算機應用，2016（9）：33-38

[22] 李炳臻，劉克，顧佼佼，等.卷積神經網絡研究綜述[J].計算機時代，2021（4）：8-12，17

[23] NAIR V，HINTON G E.Rectified linear units improverestricted boltzmann machines [C].Proceedings of the 27th international conference on machine learning （ICML-10），2010：807-814

[24] HINTON G E，SRIVASTAVA N，KRIZHEVSKY A，et al..Improving neural networks by preventing co-adaptation of feature detectors[J].Computer Ence，2012，3（4）：212-223