鄭志強(qiáng),胡 鑫,翁 智,王雨禾,程 曦
(內(nèi)蒙古大學(xué)電子信息工程學(xué)院,呼和浩特 010021)
(*通信作者wzhi@imu.edu.cn)
畜牧業(yè)是農(nóng)業(yè)的重要組成部分,智能化管理是提升畜牧業(yè)發(fā)展質(zhì)量的重要手段,因此動(dòng)物個(gè)體智能識(shí)別技術(shù)的研究成為了學(xué)者們的關(guān)注熱點(diǎn)。相較于耳標(biāo)與烙印,基于生物特征的個(gè)體識(shí)別技術(shù)因其對(duì)動(dòng)物健康更有利而得到人們的重視。其中圖像識(shí)別是最主要的實(shí)現(xiàn)方式,它在大數(shù)據(jù)支撐下對(duì)網(wǎng)絡(luò)進(jìn)行自主學(xué)習(xí)優(yōu)化,通過深度學(xué)習(xí)對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行生物特征提取,完成個(gè)體識(shí)別,因此從圖像數(shù)據(jù)中精準(zhǔn)提取目標(biāo)個(gè)體的生物特征成為實(shí)現(xiàn)高精度動(dòng)物個(gè)體識(shí)別的關(guān)鍵。
在基于圖像的動(dòng)物個(gè)體識(shí)別中,傳統(tǒng)方法是提取目標(biāo)個(gè)體的顏色[1]、形狀[2]和紋理[3]等特征完成個(gè)體識(shí)別,而虹膜特征則是較為準(zhǔn)確的差異化特征。方超等[4]提出利用邊緣特征對(duì)牛眼虹膜進(jìn)行精準(zhǔn)定位,進(jìn)而提取虹膜特征實(shí)現(xiàn)牛個(gè)體識(shí)別;Lu等[5]通過幾何方法擬合分割牛眼虹膜,提取局部特征與全局特征并編碼作為識(shí)別特征;Barron等[6]利用雙視網(wǎng)膜系統(tǒng)進(jìn)行綿羊個(gè)體識(shí)別,采用基于OR 邏輯運(yùn)算符和匹配分?jǐn)?shù)求和的決策準(zhǔn)則提高準(zhǔn)確率。傳統(tǒng)的虹膜算法已經(jīng)取得一定成果,但仍面臨著小樣本導(dǎo)致的泛化能力不足、魯棒性不強(qiáng)、算法設(shè)計(jì)較復(fù)雜等問題。
在這樣的需求下,神經(jīng)網(wǎng)絡(luò)出現(xiàn)在人們的視野中。神經(jīng)網(wǎng)絡(luò)是通過對(duì)大量的數(shù)據(jù)進(jìn)行深度學(xué)習(xí),分析每一類別圖像的像素排布規(guī)律,最后自動(dòng)對(duì)該類圖像進(jìn)行特征提取識(shí)別。目前神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于生活的各個(gè)領(lǐng)域,如機(jī)器翻譯[7]、唇語(yǔ)識(shí)別[8]、視頻換臉[9]等。人們也開始將神經(jīng)網(wǎng)絡(luò)應(yīng)用于畜牧業(yè),如Trokielewicz 等[10]利用卷積神經(jīng)網(wǎng)絡(luò)提取馬匹的虹膜特征與眼部特征來(lái)完成馬匹身份識(shí)別;Nguyen 等[11]則對(duì)野生動(dòng)物圖像使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取并完成分類;de Arruda 等[12]首先利用熱圖像與SLIC(Simple Linear Iterative Clustering)分割算法完成對(duì)目標(biāo)的定位,然后利用卷積神經(jīng)網(wǎng)絡(luò)提取RGB 圖像中定位區(qū)域的特征信息,完成對(duì)野生動(dòng)物的分類。
基于虹膜圖像的個(gè)體身份識(shí)別不會(huì)損害動(dòng)物的健康,且虹膜特征具有個(gè)體差異,識(shí)別精度更高,但是相關(guān)數(shù)據(jù)的采集較為困難,除了需要專業(yè)設(shè)備,動(dòng)物個(gè)體對(duì)眼部圖像采集也有一定的抗拒性,難以配合完成;同時(shí),動(dòng)物眼部睫毛遮擋、采集時(shí)的光照等也會(huì)降低圖像質(zhì)量,使得虹膜特征不易提取,所以基于虹膜特征的動(dòng)物個(gè)體識(shí)別的實(shí)用性不高。為此,本文提出了一種新的實(shí)用性較高的識(shí)別方式,利用DenseNe(tDense convolutional Network)[13]對(duì)整個(gè)牛眼圖像進(jìn)行特征提取識(shí)別,同時(shí)針對(duì)小數(shù)據(jù)集的情況對(duì)DenseNet 進(jìn)行改進(jìn),提高了網(wǎng)絡(luò)對(duì)小數(shù)據(jù)特征的提取能力,增強(qiáng)網(wǎng)絡(luò)的泛化能力和遷移性,改進(jìn)后的網(wǎng)絡(luò)更加經(jīng)濟(jì)便利,能方便應(yīng)用于畜牧場(chǎng)。
DenseNet[13]是Huang 等于2017 年提出的最優(yōu)深度模型,該網(wǎng)絡(luò)借鑒了ResNet[14]與GoogLeNet[15]的優(yōu)點(diǎn),將跨連接充分應(yīng)用到了模塊內(nèi)的每一個(gè)特征層,即任一卷積層的輸入直接包含了前面所有卷積層的輸出,特征得到充分復(fù)用,高低層次的特征融合使得網(wǎng)絡(luò)具有較強(qiáng)的抗過擬合性能,且參數(shù)量更小,跨連接的應(yīng)用也緩解了層數(shù)加深而導(dǎo)致的梯度消失問題。DenseNet 結(jié)構(gòu)的核心為DenseBlock 和Transition layer,Huang 等[13]提出三種基本結(jié)構(gòu)分別為DenseNet、DenseNet-B和DenseNet-BC。DenseNet-B 是在DenseNet 的基礎(chǔ)上,在DenseBlock 內(nèi)部加入了1×1 的卷積核,旨在降低每一層的輸入特征圖的維度,減少計(jì)算量;DenseNet-BC 結(jié)構(gòu)基于DenseNet-B,在Transition layer 內(nèi)加入一個(gè)壓縮率參數(shù)θ,根據(jù)不同的實(shí)際需求設(shè)置參數(shù)值,可以將上一個(gè)DenseBlock 輸出的特征圖維度降低相應(yīng)的比例,有效減少由于網(wǎng)路層數(shù)增加產(chǎn)生的巨大計(jì)算量。因此,本文采用DenseNet-BC 網(wǎng)絡(luò)。該網(wǎng)絡(luò)整體流程結(jié)構(gòu)如圖1 所示,結(jié)構(gòu)核心為DenseBlock 和Transition layer。
圖1 DenseNet-BC網(wǎng)絡(luò)整體流程結(jié)構(gòu)Fig.1 DenseNet-BC network overall process structure
DenseNet-BC 網(wǎng)絡(luò)結(jié)構(gòu)首先采用7×7 卷積對(duì)輸入圖像進(jìn)行初步的下采樣和降維,再對(duì)多個(gè)DenseBlock 與Transition layer 依次進(jìn)行級(jí)聯(lián)實(shí)現(xiàn)特征提取,最后利用提取到的特征完成分類。DenseBlock 模塊的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示,由四個(gè)Denselayer 連接組成,其中每一層均實(shí)現(xiàn)了稠密連接,層內(nèi)包含批歸一化層(Batch Normalization,BN)、激活函數(shù)、卷積層,由1×1 卷積核構(gòu)成的卷積層實(shí)現(xiàn)通道降維、減少計(jì)算量。DenseBlock 模塊內(nèi)的稠密連接指任一層的輸入特征包含了模塊內(nèi)前面所有層的輸出特征,卷積層輸入計(jì)算公式為:
圖2 DenseBlock內(nèi)部結(jié)構(gòu)Fig.2 DenseBlock internal structure
其中:I2、I3、I4、I5分別表示H2、H3、H4、H5的輸入;k0表示最開始的輸入特征圖通道數(shù);k表示網(wǎng)絡(luò)的通道增長(zhǎng)率。根據(jù)式(1)~(4)可以看出:DenseNet通過對(duì)DenseBlock 模塊內(nèi)前面所有層的輸出特征通過拼接得到當(dāng)前層的輸入特征;同樣,當(dāng)前層的輸出特征也是模塊內(nèi)后面所有層的輸入特征的一部分,卷積層輸出特征的高頻復(fù)用,極大地增強(qiáng)了不同層次特征的融合利用;同時(shí)跨連接也可以避免梯度消失問題,為了防止大量特征拼接導(dǎo)致計(jì)算成本過高,任一層的輸出特征都通過降維得到較小的通道維度。
Transition Layer 的應(yīng)用主要是為了降低稠密模塊輸出特征維度,避免拼接操作造成的特征通道維度過大,同時(shí)要實(shí)現(xiàn)特征下采樣以輸入下一稠密模塊進(jìn)行特征提取。Transition Layer 通過1×1 的卷積核實(shí)現(xiàn)特征通道降維,通過2×2 平均池化層實(shí)現(xiàn)特征下采樣,而通道降維的相關(guān)參數(shù)為壓縮率θ,θ是一個(gè)0~1 的參數(shù),代表降維的比例,本文θ取0.5,即將通過卷積核后的特征圖數(shù)量減少一半。
本文針對(duì)牛眼部圖像提取特征完成個(gè)體識(shí)別,所以除了形狀、顏色等特征外,需要進(jìn)行語(yǔ)義特征提取,較深的網(wǎng)絡(luò)提取到的特征更完整,但是計(jì)算量大,導(dǎo)致識(shí)別速度慢,因此采用DenseNet-BC 結(jié)構(gòu)作為識(shí)別網(wǎng)絡(luò)框架。本文經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)DenseNet-BC 架構(gòu)的網(wǎng)絡(luò)識(shí)別準(zhǔn)確率不高,故對(duì)DenseNet-BC結(jié)構(gòu)作出改進(jìn)。首先,借鑒原始的DenseNet-BC 結(jié)構(gòu),本文搭建了一個(gè)共71 層的DenseNet-BC 網(wǎng)絡(luò)架構(gòu),如圖3 所示,網(wǎng)絡(luò)的輸入數(shù)據(jù)為224×224的RGB牛眼圖像。
圖3 DenseNet-71結(jié)構(gòu)Fig.3 DenseNet-71 structure
牛眼圖像輸入DenseNet-71 后會(huì)首先經(jīng)過卷積層實(shí)現(xiàn)對(duì)輸入圖像的降維以及下采樣,通過對(duì)比識(shí)別準(zhǔn)確率,卷積核尺寸為5×5 時(shí),網(wǎng)絡(luò)的特征提取效果會(huì)比7×7 卷積核更好,所以網(wǎng)絡(luò)輸入的濾波器的卷積核選擇5×5。
Denselayer 選用的激活函數(shù)是修正線性單元(Rectified Linear Unit,ReLU),該函數(shù)在負(fù)半軸置零使得其具有良好的稀疏性,而在非負(fù)區(qū)間則是穩(wěn)定輸出的線性函數(shù)。計(jì)算公式為:
根據(jù)式(5)可以看出,當(dāng)產(chǎn)生負(fù)梯度時(shí),ReLU 函數(shù)的輸出值為零,即神經(jīng)元不被激活,神經(jīng)元死亡。激活函數(shù)的輸入為BN層的輸出,所以激活函數(shù)的輸入最大值為1,而當(dāng)輸入值趨近于0 時(shí),經(jīng)過多次反向傳播,則會(huì)出現(xiàn)梯度消失問題。為了解決ReLU 的梯度消失,本文根據(jù)函數(shù)特性采用了縮放指數(shù)線性單元(Scaled exponential Linear Unit,SeLU)激活函數(shù)[16],計(jì)算公式為:
其中:λ=1.050 700 987 355 480 493 419 334 985 294 6,α=1.673 263 242 354 377 284 817 042 991 671 7,是Klambauer 經(jīng)過大量計(jì)量驗(yàn)證得出的值。根據(jù)式(6)可以看出,SeLU 的正半軸輸出略大于輸入,因此可以放大較小的輸入值,SeLU 的負(fù)半軸不同于ReLU 的直接置零輸出方式,而是輸出一個(gè)略小于0 的值,避免了神經(jīng)元死亡,這也同時(shí)保持了ReLU 的單側(cè)抑制效果,具有良好的稀疏性,避免因小樣本和網(wǎng)絡(luò)層過深引起的梯度消失問題,使網(wǎng)絡(luò)更好地應(yīng)用在小數(shù)據(jù)樣本研究中,在深層網(wǎng)絡(luò)中即使加入噪聲也能快速收斂到均值為0、方差為1。
原始的DenseNet-BC 中包含了Dropout 層,Dropout 通過隨機(jī)置零多個(gè)網(wǎng)絡(luò)神經(jīng)元降低神經(jīng)元之間的共適應(yīng)關(guān)系,抑制過擬合的發(fā)生,等同于將輸入圖像中的部分像素信息置零,降低神經(jīng)元對(duì)局部特征的依賴性。效果如圖4 所示,圖4(a)中的牛眼區(qū)域?qū)?yīng)圖4(b)中灰色區(qū)域,圖4(b)中的標(biāo)記代表該位置被置零。
圖4 Dropout效果圖Fig.4 Dropout effect
網(wǎng)絡(luò)通過卷積實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的特征提取,因?yàn)榫矸e操作的特定實(shí)現(xiàn)方式,使得特征信息之間具有一定的相互影響,Dropout 可以通過置零神經(jīng)元放棄部分特征,但在卷積層后會(huì)因?yàn)樘卣鏖g的相互影響而仍學(xué)習(xí)到冗余特征,并傳入到下一層,因此Dropout對(duì)于卷積層的效果較為一般。若DenseNet內(nèi)部采用大量跨層直連,會(huì)出現(xiàn)大量冗余無(wú)效的牛眼特征,會(huì)導(dǎo)致識(shí)別準(zhǔn)確率下降,為此本文轉(zhuǎn)而采用更完善的DropBlock來(lái)代替Dropout。DropBlock[17]模塊是谷歌團(tuán)隊(duì)于2018 年提出的一個(gè)針對(duì)卷積神經(jīng)網(wǎng)絡(luò)的正則化模塊,效果如圖5 所示。DropBlock 會(huì)隨機(jī)將特征的某一連通區(qū)域置零,強(qiáng)制網(wǎng)絡(luò)學(xué)習(xí)其余區(qū)域的特征,以此來(lái)實(shí)現(xiàn)卷積層的正則化,提高抗過擬合能力。
圖5 DropBlock效果圖Fig.5 DropBlock effect
DropBlock 模塊包含兩個(gè)重要的參數(shù):block_size和γ。其中block_size表示的是準(zhǔn)備丟棄的方塊尺寸,一般網(wǎng)絡(luò)會(huì)取3、5、7。當(dāng)block_size=1時(shí),DropBlock變?yōu)閭鹘y(tǒng)的Dropout模塊;當(dāng)block_size=7時(shí),效果最好。參數(shù)γ表示的是丟棄的語(yǔ)義信息激活單元塊的概率,計(jì)算公式為:
其中:keep_prob表示將單元塊保留的概率;feat_size表示特征圖大小。
在DropBlock模塊中網(wǎng)絡(luò)會(huì)隨機(jī)舍棄部分牛眼特征,通過深層網(wǎng)絡(luò)的多次提取,最終會(huì)得到最優(yōu)特征并作為識(shí)別特征。改進(jìn)前后的Denselayer 如圖6 所示,圖6(a)表示原始的Denselayer,圖6(b)表示使用SeLU 與DropBlock 的Denselayer改進(jìn)層。由于使用SeLU 代替ReLU、使用DropBlock 代替Dropout,這增強(qiáng)了Denselayer 的抗過擬合能力,保障了模型的魯棒性。
圖6 Denselayer內(nèi)部結(jié)構(gòu)Fig.6 Denselayer internal structure
本文所用DenseNet-71 結(jié)構(gòu)中包含4 個(gè)DenseBlock 模塊,但模塊內(nèi)部包含的Denselayer 層的個(gè)數(shù)不同,4 個(gè)DenseBlock內(nèi)包含的Denselayer 個(gè)數(shù)分別為3、6、12、12,輸入特征的通道超參數(shù)設(shè)置為64,通道增長(zhǎng)率設(shè)置為32。
實(shí)驗(yàn)所用數(shù)據(jù)來(lái)源于牧場(chǎng)實(shí)地采集,其中截取牛眼區(qū)域作為實(shí)驗(yàn)數(shù)據(jù)集,實(shí)驗(yàn)環(huán)境為Windows 10 的64 位系統(tǒng),采用Pytorch 作為深度學(xué)習(xí)框架,編程語(yǔ)言采用Python。計(jì)算機(jī)內(nèi)存為32 GB,搭載Intel Core i9-9900K,3.6 GHz x8 CPU 處理器,并采用英偉達(dá)Quadro P6000顯卡加速圖像處理。網(wǎng)絡(luò)一共訓(xùn)練300個(gè)epoch,初始學(xué)習(xí)率為10-3,batch_size為132。
大型數(shù)據(jù)集的建立耗時(shí)耗力且網(wǎng)絡(luò)遷移成本高,所以選取小型數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通常畜牧場(chǎng)的牛只數(shù)量為60~1 000,所以選取10 頭牛作為數(shù)據(jù)集進(jìn)行訓(xùn)練。相較于60~1 000 頭牛的數(shù)量,10 頭牛是小數(shù)據(jù)集。本次實(shí)驗(yàn)所使用的數(shù)據(jù)選自于科爾沁左翼后旗的西門塔爾牛,采集牛眼圖像時(shí)對(duì)每頭牛的每只眼睛從不同角度進(jìn)行拍攝、裁剪,得到150張圖像,每頭牛共300 張牛眼圖像,選取其中的240 張作為訓(xùn)練集與驗(yàn)證集,其余60 張作為測(cè)試集。網(wǎng)絡(luò)訓(xùn)練時(shí),會(huì)首先通過不同角度旋轉(zhuǎn)來(lái)進(jìn)行擴(kuò)充數(shù)據(jù),實(shí)現(xiàn)數(shù)據(jù)增強(qiáng),牛眼圖像數(shù)據(jù)集部分圖像如圖7所示。
圖7 牛眼圖像數(shù)據(jù)集示例Fig.7 Examples of cattle eye image dataset
本次實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)包括精確率PR(Precision Rate)、召回率RR(Recall Rate)和準(zhǔn)確率AR(Accuracy Rate)。各個(gè)指標(biāo)計(jì)算公式如下:
其中:真陽(yáng)TP(True Positives),表示的是正確的牛眼樣本被目標(biāo)檢測(cè)器判別為正確的牛眼的樣本數(shù)量;假陽(yáng)FP(False Positives),表示的是錯(cuò)誤的牛眼樣本被目標(biāo)檢測(cè)器判別為正確的牛眼的樣本數(shù)量;假陰FN(False Negatives),表示的是正確的牛眼樣本被目標(biāo)檢測(cè)器判別為錯(cuò)誤的牛眼的樣本數(shù)量;真陰TN(True Negatives),表示的是錯(cuò)誤的牛眼樣本被目標(biāo)檢測(cè)器判別為錯(cuò)誤的牛眼的樣本數(shù)量;Z表示正確樣本數(shù);C表示錯(cuò)誤樣本數(shù)。牛眼識(shí)別分類效果越好,表示提取到的牛眼特征更加精確,所以特征提取算法的目標(biāo)是提高準(zhǔn)確率。由于本次實(shí)驗(yàn)數(shù)據(jù)集包含10 頭牛,所以對(duì)精確率、召回率和準(zhǔn)確率均取平均值。
由于數(shù)據(jù)集的小樣本特點(diǎn)與DenseNet-71的深層特點(diǎn),為了防止過擬合、提升網(wǎng)絡(luò)的泛化能力與魯棒性,本文網(wǎng)絡(luò)優(yōu)化了激活函數(shù)與Dropout 層。激活函數(shù)會(huì)影響到網(wǎng)絡(luò)的抗過擬合能力,因此應(yīng)在保障特征稀疏性的同時(shí)進(jìn)一步優(yōu)化激活函數(shù),而Dropout 層在本文小數(shù)據(jù)的情況下,未能有效地抑制過擬合,因此本文網(wǎng)絡(luò)針對(duì)激活函數(shù)與Dropout 層進(jìn)行改進(jìn)。表1 是對(duì)基礎(chǔ)DenseNet-71 使用不同激活函數(shù)進(jìn)行識(shí)別結(jié)果對(duì)比,總共做了五組實(shí)驗(yàn),包括ReLU、ReLU6、ELU(Exponential Linear Unit)、LeakyReLU 和SeLU,內(nèi)部采用的Dropout模塊。從表1可知,使用SeLU激活函數(shù)識(shí)別準(zhǔn)確率最高且比原始的ReLU 函數(shù)識(shí)別準(zhǔn)確率提高了1.51 個(gè)百分點(diǎn),平均精確率比改進(jìn)前提高了2.91 個(gè)百分點(diǎn),改進(jìn)后的網(wǎng)絡(luò)精度有所提升。
表1 激活函數(shù)對(duì)比實(shí)驗(yàn)結(jié)果 單位:%Tab.1 Comparison experiment result of activation function unit:%
本文對(duì)DropBlock 與Dropout 也進(jìn)行了對(duì)比實(shí)驗(yàn),為了控制變量,實(shí)驗(yàn)中使用SeLU 作為激活函數(shù),實(shí)驗(yàn)結(jié)果如表2 所示。從表2可以看出,DropBlock模塊比Dropout識(shí)別準(zhǔn)確率高1.01 個(gè)百分點(diǎn),精確率與召回率均有增加,這說明隨機(jī)舍棄部分區(qū)域特征可以更好地增強(qiáng)卷積層的抗過擬合能力。
表2 Dropout與DropBlock對(duì)比實(shí)驗(yàn)結(jié)果 單位:%Tab.2 Comparison experiment result of Dropout and DropBlock unit:%
為了更好地解釋改進(jìn)后DenseNet-71的優(yōu)勢(shì),本文進(jìn)行如下的消融實(shí)驗(yàn),將改進(jìn)后的DenseNet-71 與原始的DenseNet-71 進(jìn)行對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表3 所示。從表3 可以發(fā)現(xiàn),與原始的DenseNet 相比,單獨(dú)使用SeLU 激活函數(shù)和DropBlock時(shí),準(zhǔn)確率均有提高;二者同時(shí)使用時(shí)提高了2.52 個(gè)百分點(diǎn)。
表3 改進(jìn)前后DenseNet-71對(duì)比實(shí)驗(yàn)結(jié)果Tab.3 Comparison experiment result of DenseNet-71 before and after improvement
DropBlock 可以有效地增強(qiáng)網(wǎng)絡(luò)的魯棒性與泛化能力,而在網(wǎng)絡(luò)的不同部位使用DropBlock 也同樣會(huì)得到不同的網(wǎng)絡(luò)性能,本文通過在不同位置添加、刪減、移動(dòng)DropBlock來(lái)得到模塊最優(yōu)位置。一共做了四組實(shí)驗(yàn),DenseNet_0 表示去掉DropBlock,DenseNet_1 表示DropBlock 在激活函數(shù)的前面,DenseNet_2 表 示DropBlock在卷積層前面,DenseNet_3 表示DropBlock 在卷積層后面,實(shí)驗(yàn)結(jié)果如表4所示。從表4可知,DenseNet_0的準(zhǔn)確率最低,DenseNet_3準(zhǔn)確率最高,在卷積層后使用DropBlock模塊可以使網(wǎng)絡(luò)達(dá)到最優(yōu)的效果。
表4 不同DropBlock位置對(duì)比實(shí)驗(yàn)結(jié)果 單位:%Tab.4 Comparison experiment results of different DropBlock locations unit:%
值得注意的是,DenseBlock 通過內(nèi)部的多個(gè)卷積組對(duì)特征進(jìn)行提取、降維與拼接融合。對(duì)每個(gè)DenseBlock 內(nèi)部的卷積組個(gè)數(shù)進(jìn)行設(shè)計(jì)調(diào)整,具體的調(diào)整方法如表5 所示,激活函數(shù)為SeLU,使用DropBlock。從表5 可以看出,DenseNet-71 準(zhǔn)確率最高,且參數(shù)量明顯低于其他幾個(gè)模型,DenseNet-71 模型參數(shù)量近似為DenseNet-121 的一半。實(shí)驗(yàn)結(jié)果表明,本文選定的結(jié)構(gòu)能以較小的參數(shù)量得到較高的識(shí)別準(zhǔn)確率。
表5 不同Denselayer配置對(duì)比實(shí)驗(yàn)結(jié)果Tab.5 Comparison experiment results of different Denselayer settings
為了檢驗(yàn)改進(jìn)后的DenseNet 在牛眼特征提取識(shí)別優(yōu)于其他網(wǎng)絡(luò),對(duì)改進(jìn)后的DenseNet 與現(xiàn)有網(wǎng)絡(luò)進(jìn)行對(duì)比,共做了五組實(shí)驗(yàn),具體識(shí)別網(wǎng)絡(luò)包括VGG-19、GoogLeNet、ResNet-18、DenseNet-121 和改進(jìn)后的DenseNet-71,具體結(jié)果如表6 所示。從表6 可以看出,改進(jìn)后的DenseNet-71 在準(zhǔn)確率上優(yōu)于其他幾個(gè)神經(jīng)網(wǎng)絡(luò),與經(jīng)典的DenseNet-121 相比準(zhǔn)確率提高2.14 個(gè)百分點(diǎn)。改進(jìn)后的DenseNet-71 雖然識(shí)別準(zhǔn)確率僅比GoogLeNet 高出1.22 個(gè)百分點(diǎn),但是網(wǎng)絡(luò)的大小約縮減了3/4。同時(shí),由表1 可知,改進(jìn)前網(wǎng)絡(luò)的準(zhǔn)確率、精確率和召回率 分 別 為94.95%、94.79% 和94.96%,采 用SeLU 和DropBlock 改進(jìn)后,網(wǎng)絡(luò)的準(zhǔn)確率、精確率和召回率分別提升了2.52個(gè)百分點(diǎn)、3.32個(gè)百分點(diǎn)和2.94個(gè)百分點(diǎn)。
表6 識(shí)別網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)結(jié)果Tab.6 Comparison experiment results of recognition network
針對(duì)牛眼圖像特征提取識(shí)別,本文提出了一種牛眼特征提取網(wǎng)絡(luò)算法,通過密集連接提取牛眼特征,利用SeLU 和DropBlock 加強(qiáng)網(wǎng)絡(luò)的抗過擬合性和魯棒性。本文所提網(wǎng)絡(luò)能對(duì)牛眼進(jìn)行高精度識(shí)別,為牛個(gè)體識(shí)別系統(tǒng)的智能化提供理論基礎(chǔ)。