[发明专利]一种基于深度学习的智慧牛场的监控与识别方法及装置

权利要求书

1.一种基于深度学习的智慧牛场的监控与识别方法，其特征在于：其包括以下步骤：

1）通过视频监控设备，采集牛场的牛群图片；

2）给牛场牛群图片中的牛只打上标注，做成训练集；

3）将步骤2）的训练集输入到目标检测网络faster rcnn，训练得到牛群目标检测模型；

4）利用牛群目标检测模型对待识别的牛群视频进行检测，框选出视频中每一帧牛的位置；

5）由步骤1）的牛群图片中截取需要进行身份识别的牛的图片，对不同的牛进行编号，做成训练集；

6）将步骤5）的训练集输入到残差网络，训练得到牛识别模型；

7）利用步骤6）的牛识别模型对步骤4）框选出的牛进行身份识别，并将识别结果可视化到牛背上。

2.根据权利要求1所述的基于深度学习的智慧牛场的监控与识别方法，其特征在于：步骤3）中，将步骤2）得到的训练集通过目标检测网络faster rcnn进行分类回归和位置回归，得到牛只在图片上的图片位置。

3.根据权利要求2所述的基于深度学习的智慧牛场的监控与识别方法，其特征在于：步骤3）中，除得到牛只在图片上的图片位置外，还得到其置信度。

4.根据权利要求2所述的基于深度学习的智慧牛场的监控与识别方法，其特征在于：所述的步骤3）具体包括以下子步骤：

3.1）图片进入faster rcnn网络后，首先进行图片归一化，再经过Resnext作为主网络进行特征提取，再输入到RPN网络得到Proposal做特征映射，最后输出一个长度固定的向量用为后续的分类和边框回归；

3.2）通过Softmax函数进行计算分类，通过边框回归对目标框位置进行位置精修，完成后得到牛的目标检测框，进而得到牛群目标检测模型。

5.根据权利要求4所述的基于深度学习的智慧牛场的监控与识别方法，其特征在于：所述的步骤3.1）具体包括：

图片归一化至224*224*3大小，使用Resnext作为主网络进行特征提取，进入Resnext网络后会经过5个卷积层，2个降采样层，生成多个特征图；

设定一个锚点机制，即将特征图中每个点看成是一个组合长方形的中心点，而这个组合长方形是有三种长度3、6、12，三种比例1：1、1：2、2：1组合而成，那么一个中心点就可以衍生出3*3个长方形的框，去掉候选区域中映射到原图上超过原图区域的候选框，这样在一个特征图上衍生出一系列的框，通过框框住的牛身面积判断，低于0.2判定为背景区域，高于0.8判定为牛身，介于两者之间的框删除。

6.根据权利要求4所述的基于深度学习的智慧牛场的监控与识别方法，其特征在于：所述的步骤3.2）中通过Softmax函数将多分类的输出值转换为范围在[0,1]的概率分布，Softmax函数定义如下：

其中i为节点的序号，z_i为第i个节点的输出值，C为输出节点的个数，即分类的类别个数。

7.根据权利要求1所述的基于深度学习的智慧牛场的监控与识别方法，其特征在于：所述的步骤6）使用残差网络作为主网络，提取特征后送入全连接层分类识别，由此得到牛识别模型。

8.根据权利要求7所述的基于深度学习的智慧牛场的监控与识别方法，其特征在于：所述的步骤6）具体包括以下子步骤：

6.1）将牛身图片归一化至Batch_Size*224*224*3大小，送入特征提取网络进行提取；在特征提取时，将残差块个数设置为18，参差块为3*3卷积+BN+ReLu+3*3卷积+BN+SELayer的网络结构；SELayer是指在Resnext网络基础上加入注意力机制，通过对得到的通道的重要性不同进行权重赋值，得到权重后再与上一层输入的特征相乘，对卷积后的特征进行加权，从而提高识别精度；

6.2）然后把残差块提取的特征转化为Batch_Size*512*7*7大小的特征向量送入全连接层进行分类处理。