基于卷积神经网络的实时山羊脸部识别和疼痛动作单元分类

作     者：MASUM BILLAH（宋时） 

作者单位：西北农林科技大学 

学位级别：硕士

导师姓名：姜雨

授予年度：2022年

学科分类：0905[农学-畜牧学] 09[农学] 

主      题：山羊图像数据集 面部和面部界标检测 面部识别 疼痛动作单元分类 卷积神经网络 

摘      要：山羊(Capra hircus),是最古老的驯化动物之一,其在全球范围内被认为是肉、奶和纤维的重要来源。目前,不同标签识别的方法被用于山羊个体识别,其是实现山羊提高繁殖、健康和饲养质量革命性的一步。为了保证动物福利,必须确保它们在没有痛苦、伤害或疾病的条件下饲养,因此自动化的精准识别农业显得尤为重要,且动物的面部表情可以帮助农民改善动物的健康和福利。本文提出了一种基于卷积神经网络的羊脸识别和动作单元分类方法,其可从源图像中自动提取面部和面部地标。但是,由于羊脸相似度高且缺乏足够的数据集,导致其比人脸识别更加复杂。本论文由三个不同的公开数据集组成,用于疼痛动作的检测、识别和动作单元的分类。数据集包含1680张图像、3078张羊脸、3326只眼睛、2586个鼻子和4771个耳边界轮廓,其用于羊脸和面部地标检测。在羊脸识别方面,收集了10个个体的4129张图像,从源图像中检索了2387幅耳朵图像和1635幅眼睛图像,用于疼痛动作单元分类。高质量的卷积神经网络(CNN)模型在上述数据集上进行调试。通过羊脸和面部特征检测,并将其裁剪到固定区域,输入图像,检测、身份识别和疼痛动作单元分类。面部特征被用来几何规范化面部。自定义CNN模型是用来提取被检测区域的特征并预测概率。通过羊脸和面部特征检测,并将其裁剪到固定区域,输入图像,检测、身份识别和疼痛动作单元分类。面部特征被用来几何规范化面部,自定义CNN模型是用来提取被检测区域的特征并预测概率,疼痛动作单元分类采用预训练卷积神经网络进行特征提取,采用传统的机器学习模型进行参数学习。本研究中羊脸、眼、口、耳的检测准确率分别为93.26%、83.71%、92.04%和85.55%(平均准确度),10个个体样本的个体识别准确率为96.4%。而且眼、耳面部动作单元分类的准确率分别为81%和95%。本研究为山羊表型数据采集、疾病诊断、活动监测以及最终不需要耳标的养殖提供新的机遇。所有数据集和相关结果均可下载(http://***/10.17632/4skwhnrscr)。