[发明专利]一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法

说明书

本发明公开了一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法，包括以下步骤：S1，采集牛场奶牛图片，构建奶牛图像数据集；S2，采用LabelMe软件对图像数据集中的奶牛图片进行人工标注，在奶牛图片上标注出面部检测框和关键点信息；S3，对标注后的奶牛图像数据集进行数据变换与增强，并将进行数据变换与增强后的数据集划分为训练集和测试集；S4，构建卷积神经网络，将步骤S3得到的训练集数据输入构建好的卷积神经网络进行训练，得到牛脸检测与关键点识别模型；S5，将步骤S3得到的测试集数据输入训练好的识别模型，输出牛脸检测框和牛脸关键点信息。本发明的模型可以同时完成牛脸检测和牛脸关键点定位任务，提高了牛脸识别的效率。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法。

背景技术

随着现代生活质量的提升，人们对于蛋白质的需求也逐渐增多。为了满足人们对于营养物质的需求，国内养殖的奶牛数量逐渐增多，养殖的方式也逐渐集中。养殖规模的转变导致养殖方式的改变，原来依靠个人经验和体力的散户养殖的方式已经不再适用。要做到对众多且集中的奶牛进行个性且精细地管理，就需要将智能化技术引入机械设备。

奶牛的检测与识别是智能化养殖奶牛的基础任务，奶牛检测与识别是指机器通过接收器收集的现场信息检测奶牛位置，并将奶牛信息与已知数据库中的奶牛信息进行匹配的过程。

传统监测、识别和跟踪奶牛方法通常会对奶牛进行标记，通过这些标记定位奶牛。比如文献1（Kumar S, Tiwari S, Singh SK. Face Recognition of Cattle: Can it beDoneProc Natl Acad Sci India Sect Phys Sci, 2016, 86:137–48.）公开了为牛“纹身”、冷冻烙印这些永久或者半永久的标记技术，可以防止标记丢失，但是会对奶牛的身体造成伤害，增加奶牛的应激反应，还会消耗大量劳动力。文献2（Want R. An introductionto RFID technology.  IEEE Pervasive Comput, 2006, 5:25–33.）和文献3（Ruiz-GarciaL, Lunadei L. The role of RFID in agriculture: Applications, limitations andchallenges.  Comput Electron Agric, 2011, 79:42–50.）公开了常使用的临时标记技术，需要给奶牛携带上耳标等设备，这些设备通常成本较高并且容易丢失，降低了管理和追溯奶牛的效率。所以相较于上述传统方法，使用基于深度学习的计算机视觉方法可以无接触地通过自然的生物特征来对奶牛进行检测和识别，这是一个更加人道和高效的方法。

基于深度学习的牛脸检测方法是使用深度学习检测模型对采集的奶牛图像上的牛脸进行矩形检测框框选。