鄭欽月 趙平

摘? ?要：隨著計算機技術(shù)的發(fā)展和廣泛應用，牛場管理方式必須借助于信息化技術(shù)才能適應現(xiàn)代奶牛養(yǎng)殖業(yè)的發(fā)展?；谕ㄟ^牛臉面部識別，可以鑒別奶牛的身份、咀嚼分析及健康狀況評估等。文章通過卷積神經(jīng)網(wǎng)絡模型識別牛臉圖像，實現(xiàn)了奶牛個體識別和健康狀況檢測等功能。

關鍵詞：牛臉識別;深度學習;卷積神經(jīng)網(wǎng)絡;面部特征

1? ? 基于深度卷積神經(jīng)網(wǎng)絡的奶牛個體識別方法

采用深度卷積神經(jīng)網(wǎng)絡對奶牛個體提取突出特征，與庫中的特征信息進行對比，從而實現(xiàn)對奶牛個體的有效識別[1]。本文主要步驟是通過數(shù)據(jù)采集和預處理、設計和訓練卷積神經(jīng)網(wǎng)絡、生成識別模型來進行奶牛個體的識別。

DeepFace，DeepID，F(xiàn)aceNet等算法都是基于深度卷積神經(jīng)網(wǎng)絡的人臉識別算法，都高準確率地實現(xiàn)了人臉識別[2]，但若直接應用于牛臉，還存在一定的困難。

牛臉識別系統(tǒng)是利用卷積神經(jīng)網(wǎng)絡模型對輸入的牛臉圖像提取特征，將該特征同庫中的特征信息進行比對，從而有效識別奶牛個體，保存相關信息，科學、有效地對牛群進行照看和管理。此研究過程包括圖像采集、卷積神經(jīng)網(wǎng)絡模型構(gòu)建、訓練和實現(xiàn)等步驟。

2? ? 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）是一種深度學習模型，常用于進行生物識別，其組成包括：輸入層、卷積層、池化層、全連接層、輸出層;訓練過程分為兩個階段，即前向傳播階段和反向傳播階段，具體過程如圖1所示。

3? ? 研究內(nèi)容

3.1? 圖像采集

要實現(xiàn)牛臉識別系統(tǒng)，最重要的就是圖像的采集，圖像采集時應該注意拍攝圖像的設備器材、圖像多樣性設計和圖像預處理技術(shù)。首先，要選取適當?shù)膱D像拍攝器材，確保采集圖像的高質(zhì)量;其次，要從不同的角度和時間拍攝圖片，以保證牛臉圖片的多樣性;最后，要對圖像進行預處理，提取牛臉特征，分析特征所反映的信息，便于加工處理[3]。

3.2? 模型構(gòu)建

Lecun[4]提出的LeNet-5不僅是最早的卷積神經(jīng)網(wǎng)絡之一，也是用于識別手寫數(shù)字的高效卷積神經(jīng)網(wǎng)絡模型。本文以LeNet-5的模型結(jié)構(gòu)為基礎，提出6層卷積神經(jīng)網(wǎng)絡，用于牛臉識別，如圖2所示。卷積神經(jīng)網(wǎng)絡模型直接將收集到的數(shù)據(jù)圖像作為輸入，之后由兩個卷積層和兩個池化層交替組成用于特征提取，再接入一個用于分類的全連接層，輸出采用Softmax回歸層[5]。

（1）輸入層。在卷積神經(jīng)網(wǎng)絡模型的輸入層中，輸入的圖片格式與其他神經(jīng)網(wǎng)絡的圖像輸入格式不同。對于黑白顏色的圖片，CNN的輸入是一個二維神經(jīng)元，而對于RGB格式的圖片，CNN的輸入則是一個三維神經(jīng)元，如圖3所示，在本系統(tǒng)中，輸入圖片數(shù)據(jù)的格式設置為64×64×3。

（2）卷積層。是卷積神經(jīng)網(wǎng)絡的基礎，最主要的特征是局部連接和權(quán)值共享，不僅減少了所訓練參數(shù)，還降低了計算的復雜度，通過模擬簡單細胞的形成和作用，提取一些低級特征[6]。

卷積層中卷積核大小為3×3，步長為1，卷積核通過卷積圖片數(shù)據(jù)形成局部感受野，與圖片的特征值進行內(nèi)積（如果需要可再加上一個偏置量），在激活函數(shù)的作用下得到的下一層神經(jīng)元矩陣稱為一個特征映射圖。卷積層操作如圖4所示。

該層的數(shù)學表達式為：

其中，K（l）={（u，v）∈N2∣0

（3）池化層。設置在連續(xù)卷積層中間，經(jīng)過池化層的采樣，圖像的特征保持不變，在降低維度的同時，減少了冗余信息的干擾，在一定程度上防止了過擬合問題。池化層常用的方法有Max Pooling和Average Pooling。本文采用最大值采樣，池化大小為2×2。

（4）全連接層。在整個卷積神經(jīng)網(wǎng)絡中起到分類作用，每一層是由許多神經(jīng)元組成的1×4 096的平鋪結(jié)構(gòu)[8]。

（5）Softmax回歸層。是LeNet-5的最后一層，采用RBF函數(shù)進行計算，即計算輸入向量和參數(shù)向量之間的歐式距離。本文研究的卷積神經(jīng)網(wǎng)絡模型最后一層采用非線性分類能力強的Softmax回歸作為分類器[5]，將傳統(tǒng)神經(jīng)網(wǎng)絡模型所得的最終結(jié)果由向量轉(zhuǎn)為各個樣本屬于各個類別的概率。

3.3? 模型訓練

將收集的牛臉圖片的80%作為訓練集，剩下的20%作為測試集。由于牛臉具有多樣性，本文采用的是批量梯度下降法[9]。同時，也是為了出現(xiàn)過擬合問題時，采用“dropout”方法解決。

3.4? 結(jié)果分析

本團隊多次使用訓練集樣本訓練網(wǎng)絡，直到出現(xiàn)的偏差在允許的范圍內(nèi)，否則不會停止訓練，用測試集對該卷積神經(jīng)網(wǎng)絡模型的性能進行驗證。驗證結(jié)果顯示：該牛臉識別系統(tǒng)能夠很好地識別出輸入圖像中奶牛個體的類別，準確率較高。同時，該系統(tǒng)具有較好的穩(wěn)定性，不會隨外界變化而變化[10]。

3.5? 模型實現(xiàn)

將訓練好的卷積神經(jīng)網(wǎng)絡模型保存，當需要對牛臉圖像進行識別時，直接將牛臉圖像作為數(shù)據(jù)輸入到訓練好的卷積神經(jīng)網(wǎng)絡模型中，模型會對輸入的圖片進行特征提取，將其與庫中的特征信息進行比對，從而得出該奶牛與庫中奶牛個體相似的比例，工作人員根據(jù)比例實現(xiàn)對奶牛個體的識別[11]。

4? ? ?結(jié)語

本文研究的牛臉識別系統(tǒng)使用卷積神經(jīng)網(wǎng)絡模型，不僅減少了對圖像進行預處理等復雜步驟的操作，還有效提高了牛臉識別率，實現(xiàn)了對牛場的科學、有效管理。當然，系統(tǒng)也存在一定的問題，例如，如果輸入的圖像數(shù)據(jù)過多，運算速率就會降低，模型中采用的方法還可以進一步優(yōu)化等，都需要繼續(xù)深入研究。

[參考文獻]

[1]張滿囤，徐明權(quán)，于洋，等.基于深度卷積神經(jīng)網(wǎng)絡的奶牛個體識別方法[J].農(nóng)業(yè)工程學報，2015（5）：181-187.

[2]鮑睿棟，趙敏.基于卷積神經(jīng)網(wǎng)絡的人臉識別研究綜述[J].軟件導刊，2018（4）：6-8.

[3]李雪晨.圖像采集識別技術(shù)及應用研究[D].廣州：廣東工業(yè)大學，2012.

[4]LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998（11）：2278-2324.

[5]陳耀丹，王連明.基于卷積神經(jīng)網(wǎng)絡的人臉識別方法[J].東北師大學報（自然科學版），2016（2）：70-76.

[6]丁冠祺，劉宇涵，楊皓博.基于卷積神經(jīng)網(wǎng)絡的人臉識別[J].信息記錄材料，2018（9）：48-49.

[7]SYAFEEZE A R，KHALIL H M，LIEW S S，et al.Convolut-

ional neral network for face recognition with pose and Illumination Variation[J].International Journal of Engineering&Technology，2014（1）：44-57.

[8]黃俊華，田壯.基于改進VGG卷積神經(jīng)網(wǎng)絡的奶牛牛臉識別研究[J].湖北農(nóng)機化，2019（13）：126.

[9]丁冠祺，劉宇涵，楊皓博.基于卷積神經(jīng)網(wǎng)絡的人臉識別[J].信息記錄材料，2018（9）：48-49.