检索结果-南通市图书馆

基于关键点检测与欧氏空间度量的羊脸识别研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于关键点检测与欧氏空间度量的羊脸识别研究

作者：薛宏成内蒙古工业大学

学位级别：硕士

内蒙古自治区是我国重要的农牧养殖地区,养羊业是其中的标志性产业。随着信息技术的发展,数字化、智能化、自动化成为现代化养殖业的主要发展方向,羊只个体识别成为亟待解决的问题。目前,国内外对于羊只身份识别的方法仍然以射频电子耳... 详细信息

内蒙古自治区是我国重要的农牧养殖地区,养羊业是其中的标志性产业。随着信息技术的发展,数字化、智能化、自动化成为现代化养殖业的主要发展方向,羊只个体识别成为亟待解决的问题。目前,国内外对于羊只身份识别的方法仍然以射频电子耳标方式为主,但是这种方法具有成本高、对羊造成一定伤害、容易脱落、替换等缺陷。相比而言,以羊脸这一具有唯一性的生物特征作为鉴别依据,使用计算机视觉实现的非接触式羊只个体识别研究已经取得很大进展。本课题利用深度学习在图形图像处理方面的优势,研究了基于关键点检测与欧式空间度量的羊脸识别方法。由于羊脸识别问题没有大型公开数据集,故通过自行采集获得原始羊脸数据、筛选得到可用实验数据、扩充并标注实验数据完成羊脸数据集的构建。对于图片中存在冗余信息干扰的问题,提出先检测再对齐最后识别的处理方法。使用目标检测算法提取图片中的羊脸区域,然后使用关键点检测算法定位脸部关键点,接下来使用面部对齐算法进行对齐,最后使用对齐后的羊脸完成识别。使用自制的羊脸检测数据集训练基于更多锚框数量、基于不同覆盖域阈值、基于不同检测框合并算法的羊脸检测神经网络模型;使用自制的羊脸关键点数据集训练羊脸关键点检测算法;使用自制的羊脸识别数据集训练基于Inception-V2特征提取网络、中心损失函数优化的羊脸识别神经网络模型以解决欧式空间度量问题。通过上述组合方案以达到最佳的羊脸识别效果。本课题将羊脸目标检测模型、羊脸关键点检测算法以及个体身份识别算法相结合,使用自制数据集进行训练,最终通过度量不同羊脸的欧氏空间距离以实现开集羊脸识别。实验结果表明该方法在实际场景中可有效进行个体识别,具有较好的工程应用价值。

关键词：羊脸检测羊脸关键点检测欧式空间度量羊脸识别

基于坐标注意力机制和YOLO v5s模型的山羊脸部检测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

农业机械学报 2023年第7期54卷 313-321页

作者：郭阳阳洪文浩丁屹黄小平安徽大学互联网学院合肥230039 农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230039

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取... 详细信息

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次,在YOLO v5s的主干网络融入坐标注意力机制,以充分利用目标的位置信息,提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明,改进YOLO v5s模型的检测精确率为95.6%,召回率为83.0%,mAP0.5为90.2%,帧速率为69 f/s,模型内存占用量为13.2 MB;与YOLO v5s模型相比,检测精度提高1.3个百分点,模型所占内存空间减少1.2 MB;且模型的整体性能远优于Faster R-CNN、YOLO v4、YOLO v5s模型。此外,本文构建了不同光照和相机抖动的数据集,来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位,为动物精细化养殖时目标检测识别提供了检测思路和技术支持。

关键词：羊脸检测 YOLO v5s 坐标注意力机制精准畜牧

基于坐标注意机制和YOLO v5s模型的山羊脸部检测方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年

作者：郭阳阳洪文浩丁屹黄小平农业生态大数据分析与应用技术国家地方联合工程研究中心安徽大学互联网学院

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中，羊群存在多角度、分布随机、灵活多变羊脸检测难度大的问题，以YOLO v5s为基础目标检测网络，提出了一种结合坐标信息的山羊脸部检测模型。首先，通过移动设备获... 详细信息

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中，羊群存在多角度、分布随机、灵活多变羊脸检测难度大的问题，以YOLO v5s为基础目标检测网络，提出了一种结合坐标信息的山羊脸部检测模型。首先，通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次，在YOLO v5s的主干网络融入坐标注意机制，以充分利用目标的位置信息，提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明，改进的YOLO v5s模型的检测精确率为95.6%，召回率为83.0%，mAP@0.5为90.2%，帧率为69 f/s，模型内存占用量为13.2MB；与原始YOLO v5s模型相比，检测精度提高了1.3个百分点，模型所占内存空间减少了1.2MB；且模型的整体性能远优于FasterR-CNN、YOLO v4模型。此外，模拟并构建了不同光照和相机抖动的数据集，来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位，为动物精细化养殖时目标检测识别提供了检测思路和技术支持。

关键词：羊脸检测 YOLO v5s 坐标注意机制精准畜牧

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度与小波特征融合的羊脸识别方法研究

基于深度与小波特征融合的羊脸识别方法研究

作者：谦博西北农林科技大学

学位级别：硕士

规模化养殖是现代奶山羊产业的主要发展方向,精确、快速的奶山羊个体识别方法在其中起着关键性作用。在传统养殖过程中,大多采用给奶山羊佩戴耳标的方式实现个体识别,然而,这种方式会给羊带来痛苦,对其造成生理损伤,还会引发应激反应或... 详细信息

规模化养殖是现代奶山羊产业的主要发展方向,精确、快速的奶山羊个体识别方法在其中起着关键性作用。在传统养殖过程中,大多采用给奶山羊佩戴耳标的方式实现个体识别,然而,这种方式会给羊带来痛苦,对其造成生理损伤,还会引发应激反应或疾病。此外,羊耳标识别效率较低,消耗的硬件成本和人力成本却很高,而且无法有效应对农险理赔环节中的欺诈行为。近年来,随着养殖场摄像设备的增多,以及人工智能的快速发展,基于深度学习、计算机视觉技术的家畜个体识别方法已成为重要研究方向。本文利用羊脸图像的深度特征与小波特征,依次提出羊脸检测、识别模型,提供了一种高精度、无接触、低成本识别奶山羊的方法。主要工作及结论如下:(1)羊脸图像数据集构建。本文以西农萨能奶山羊为采集对象,在不同光照、不同角度等条件下进行图像数据采集。为提高数据集的质量,紧接着对采集到的不合格图像进行剔除,并基于SSIM指标对相似度过高的图像进行过滤。之后,使用label Img标注工具进行羊脸区域标注,制作PASCAL VOC格式的标签文件,形成羊脸检测数据集。最后,进行图像裁剪和缩放,以及数据增强,实现样本容量的扩充,形成包含总计17 600张羊脸图像的羊脸识别数据集。(2)基于改进YOLOv7的轻量级羊脸检测模型构建方法研究。为实现羊脸的精确、快速检测,本文以YOLOv7目标检测模型为基础,使用Ghost模块替换常规卷积操作,添加ECA轻量级注意力机制,并将模型的定位损失函数优化为SIo U Loss。实验结果表明,改进后的YOLOv7-Ghost-ECA-SIo U模型有效降低了模型规模,精确率、召回率、m AP三项指标较YOLOv7分别提升了3.80、2.65、3.15个百分点,能够高效完成羊脸检测任务。(3)基于小波变换与卷积神经网络的羊脸识别模型构建方法研究。为解决养殖场条件下羊的个体识别问题,本文设计了基于2D-DWT与卷积运算的羊脸特征提取模块,对羊脸深度特征和小波特征进行特征融合,并据此模块完成卷积神经网络搭建,形成了羊脸识别模型DWT-Goat Net。实验结果表明,所提出模型在日间光照环境、夜间灯光环境两种不同场景下羊脸识别测试集上识别准确率分别可达99.74%和99.89%。模型结构简单、收敛迅速,引入小波特征后模型的特征提取能力取得了一定增益,且模型相较于经典卷积神经网络在羊脸识别任务中更具优越性,为精准养殖、农险理赔和动物福利等领域问题提供了有效解决方案。

关键词：奶山羊 YOLOv7 小波变换特征融合羊脸检测羊脸识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的欧拉羊羊脸识别研究

基于深度学习的欧拉羊羊脸识别研究

作者：孟祥磊青海大学

学位级别：硕士

青海省地处青藏高原,具有丰富的生态资源和独有的畜牧特色,盛产欧拉羊。为了有效地利用生态资源,促进特色畜牧业的发展,欧拉羊精准化养殖势在必行。为了缓解传统的欧拉羊识别方法在养殖过程中出现的问题,本文结合深度学习技术与目标识... 详细信息

青海省地处青藏高原,具有丰富的生态资源和独有的畜牧特色,盛产欧拉羊。为了有效地利用生态资源,促进特色畜牧业的发展,欧拉羊精准化养殖势在必行。为了缓解传统的欧拉羊识别方法在养殖过程中出现的问题,本文结合深度学习技术与目标识别技术,提出了一种两阶段的欧拉羊羊脸识别方法,包括羊脸检测阶段和羊脸识别阶段。本文在自己编写的视频截图软件辅助下,从欧拉羊视频中提取出了有代表性的5797张帧图像,建立了一个欧拉羊图像数据集。在欧拉羊数据集中,原始帧图像以及截取的羊脸图像共有11594张,欧拉羊有547只。欧拉羊数据集分为羊脸检测数据集与羊脸识别数据集。在羊脸检测数据集中,5217张图像作为训练集,580张图像作为测试集。在羊脸识别数据集中,490只欧拉羊的5210张羊脸图像作为训练集,其余的57只欧拉羊的587张羊脸图像作为测试集,并且不存在同一只欧拉羊的羊脸图像既在训练集中也在测试集中的情况。在羊脸检测阶段,本文借鉴YOLO系列算法思想,在对比了四种主干网络性能的基础上,提出了一种以距离交并比(Distance Intersection over Union,DIo U)为引导的羊脸检测网络,此羊脸检测网络可以有效地检测到羊脸的位置与大小,检测的平均DIo U值为0.66,检测速度为每张图像24毫秒。在羊脸识别阶段,本文建立了一个欧拉羊羊脸特征库,并提出了一种可以跨数据集识别的羊脸识别方法。该方法是以不同欧拉羊的羊脸图像的特征向量之间的欧氏距离作为判断不同羊脸图像是否代表同一只欧拉羊的依据。当新的一只欧拉羊出现时,该方法不需要重新训练神经网络。该方法的识别准确率达到了87.6%,识别每张羊脸图像所需的时间为41毫秒。另外,本文结合羊脸识别方法的特性,提出了一种基于特征向量差值的可视化热力图方法,给出了特征提取网络在羊脸图像上的感兴趣区域,展示了本文羊脸识别方法的有效性。

关键词：欧拉羊深度学习羊脸检测羊脸识别热力图

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于轻量化神经网络的羊脸识别方法研究

基于轻量化神经网络的羊脸识别方法研究

作者：周利香西北农林科技大学

学位级别：硕士

监控设备已成为羊场的基本设施,基于计算机视觉技术检测羊脸,进而识别不同羊只,成为智慧养殖领域智能识别的解决方案之一。本研究以现有动物检测识别模型体积较大,缺少轻量化模型研究工作为研究背景,以奶山羊和滩羊为研究对象。利用摄... 详细信息

监控设备已成为羊场的基本设施,基于计算机视觉技术检测羊脸,进而识别不同羊只,成为智慧养殖领域智能识别的解决方案之一。本研究以现有动物检测识别模型体积较大,缺少轻量化模型研究工作为研究背景,以奶山羊和滩羊为研究对象。利用摄像头得到的实时视频流数据,展开视频羊脸识别工作。首先通过羊脸检测模型标记羊脸区域,然后通过羊脸识别模型实现个体分类识别,得到一个可行有效的实时视频监控下的羊脸识别方法。针对羊脸相似性大,远距离场景下单一颜色的羊脸错误分类概率更高难以辨别的问题,主要研究内容及结果如下:(1)轻量级羊脸检测模型G-Retina Face构建方法研究。针对视频中存在羊只侧脸导致检测准确率不高,且检测模型规模较大的问题,本研究构建了轻量级羊脸检测模型G-Retina Face。首先根据羊脸区域五官特征和位置关系研究设计羊脸关键点,然后通过利用轻量级Ghost Net网络和改进的多任务损失函数对Retina Face检测模型的参数规模进行优化,最后构建了轻量级羊脸检测模型G-Retina Face。相比于Retina Face模型,G-Retina Face模型的F得分提升了1.10%,运行时间快了181毫秒,模型规模缩小了107.1MB。实验结果表明,G-Retina Face模型能根据羊脸关键点的位置关系和距离更好地展开视频和图片中的羊脸检测的侧脸剔除工作,可为羊脸实时检测识别提供技术支持。(2)轻量级羊脸识别模型ECAS-MFC构建方法研究。针对羊只相似度高导致远距离识别准确度较低的问题,本研究构建了轻量级羊脸识别模型ECAS-MFC。首先根据羊脸轮廓和五官特征构建了融合空间信息的高效通道(Efficient channel and spatial attention,ECAS)模块,然后通过在Mobile Face Net网络的深度特征提取层中引入ECAS模块,构建了轻量级羊脸识别模型ECAS-MFC。相比于Mobile Face Net模型,ECAS-MFC模型在开集验证中的识别率提升了7.21%,在闭集验证中的识别率提升了2.61%,模型规模缩小了0.3MB。实验结果表明,ECAS-MFC模型拥有较高的识别率,模型更为轻量化,针对类间距离更小的羊脸识别任务,具有更好的羊只个体识别效果。基于上述研究,本文设计了有效稳定的轻量级羊脸识别方法,能够在现实场景下实现视频监控下的羊脸识别,可为羊场智慧化养殖提供解决方案。

关键词：羊脸检测 RetinaFace GhostNet 注意力机制羊脸识别 MobileFaceNet

基于注意力机制的轻量级羊脸识别方法研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力机制的轻量级羊脸识别方法研究与实现

作者：杨家林西北农林科技大学

学位级别：硕士

在现代规模化的羊产业生产经营和管理中,羊只身份识别是一项实现精准化养殖的基础性的重要工作。在实际生产应用时,基于无线射频识别技术的传统识别方法存在识别距离有限、成本高和耳标易脱落等缺点。近年来,随着养殖场中摄像设备的普... 详细信息

在现代规模化的羊产业生产经营和管理中,羊只身份识别是一项实现精准化养殖的基础性的重要工作。在实际生产应用时,基于无线射频识别技术的传统识别方法存在识别距离有限、成本高和耳标易脱落等缺点。近年来,随着养殖场中摄像设备的普及以及人脸识别技术的发展,利用计算机视觉技术实现对个体身份的识别得到了广泛应用,很多基于卷积神经网络构建的羊脸识别模型取得了优异的效果。但现有很多模型存在参数过多、计算复杂度高,难以在羊场实际环境中部署应用的问题。为此构建轻量级羊脸识别模型有很大的应用前景和产业价值。本论文主要从目标检测和图像识别的本质原理出发,为使模型能够在算力有限的边缘计算设备上部署和运行,兼顾羊脸识别任务的速度和精度,对轻量级羊脸检测和识别模型的构建方法进行了深入的研究和探讨,以提高羊脸识别模型在边缘计算设备上的可应用性。本研究的主要完成工作可归纳如下:(1)基于Retina Face的羊脸检测模型构建方法研究。为实现对羊脸的快速准确检测,以Retina Face模型为基础构建羊脸检测模型。选取基于深度可分离卷积的轻量级Mobile Net作为模型的特征提取网络;针对实际应用中存在对不同距离的羊脸进行检测的场景,设计自适应空洞编码模块增强特征感受野,加强模型对不同尺度羊脸的检测能力;为了进一步增强羊脸边界框回归效果,采用CIo U损失函数作为羊脸边界框损失函数。实验结果表明,改进后的羊脸检测模型平均精确率达到97.12%,相较于原始Retina Face模型提高3.54个百分点,模型大小降低0.25MB,计算量减小为原来的64.7%。(2)基于双重注意力机制的羊脸识别模型构建方法研究。针对羊只个体间相似度较高难以区分的问题,以轻量级模型Shuffle Net V2中的通道混合模块为基础构建羊脸识别模型。融合SKNet卷积注意力机制加强模型对不同尺度羊脸特征的提取能力;融合MPECANet混合池化通道注意力机制加强通道域特征的提取能力;针对羊脸识别数据集训练样本过小,难以手工设定度量函数最优超参数的问题,采用自适应余弦度量函数(Adacos)对模型进行训练以自适应调整到最优超参数并加快模型收敛速度。实验结果表明,改进后的羊脸识别模型正确识别率达到91.52%,相较于Shuffle Net V2模型提高4.67个百分点,模型大小降低0.99MB且计算量仅增加2MFLOPs。(3)基于Jetson Nano的羊脸识别系统设计与实现。针对深度学习模型难以在羊场实际环境中部署的问题,以Jetson Nano边缘计算设备为平台,将羊脸检测和识别模型在设备上进行部署,并在该设备上实现了基于Py Qt框架的羊脸识别系统。通过网络摄像头对羊场中的羊只个体进行视频图像采集,实现了对羊脸的实时检测和识别并将识别结果进行可视化展示,对促进羊脸识别的应用落地有很强的现实意义。

关键词：深度学习卷积神经网络羊脸检测羊脸识别注意力机制