[发明专利]一种基于中位值注意力残差网络的猪脸识别方法

说明书

本发明公开了一种基于中位值注意力残差网络的猪脸识别方法，属于模式识别技术领域，该发明方法通过训练集对中位值注意力残差网络进行反复的迭代训练，得到具有最佳识别性能的猪脸识别模型，并使用其对待识别的猪脸图像实现猪脸识别。本发明方法引入注意力机制到残差网络中，其中，注意力机制的数据压缩方法采取中位值压缩，得到更好的通道描述符，并赋予不同通道更精准的权值。本发明的方法在测试集上有着很好的识别正确率，均高于传统的分类方法。因此，能很好解决目前猪脸识别中存在的问题，适应实际的应用。

技术领域

本发明涉及模式识别技术领域，尤其涉及一种基于中位值注意力残差网络的猪脸识别方法。

背景技术

模式识别技术在养殖业中已经有着广泛的应用，其中，利用图像处理技术和深度学习的方法实现猪脸识别和分类已经成为近些年研究的热点问题。同时，猪脸识别也是智能养猪和猪疾病防控的重要环节，对推动人工智能养猪起着决定性作用。

猪作为常见的家禽类动物，不同个体之间存着着一定的差异性，理论上可以直接将深度学习中的模式识别方法迁移学习至猪脸识别，但猪脸识别又存在着一些特殊的问题，具体包括如下：

第一，猪的繁殖存在着一胎多生，猪个体之间的相似度会比较高，传统的模式识别方法应用于相似的个体之间时，会造成识别准确率的骤降，需要分类效果更好的模式识别方法；

第二，猪生活的环境较为复杂，进行猪脸识别的时候，周围环境的变化在一定程度上会影响识别的可靠性和准确性，需要鲁棒性较好的算法去完成猪脸的识别；

第三，猪脸常时间都是脏兮兮的，会掩盖部分面部特征，对特征提取造成干扰，增加识别的难度，需要更好的模式识别算法去解决这个问题；

第四，进行猪脸识别的时候，猪并不会配合着去进行数据的采集，所以在进行猪脸识别的时候应当考虑多角度特征提取和识别，在采集数据库的时候，应该考虑此问题，以更好的符合实际应用需求，同时，多角度识别，对模式识别算法也有着更高的要求。

上述问题，会造成直接将深度学习中的模式识别方法迁移学习至猪脸识别时，会造成识别精度不高，可靠性差等问题。所以亟需一种较好的猪脸识别方法，能解决上述问题，更好的完成实际应用场景下猪脸的识别，为人工智能养猪和猪疾病防控奠定基础。

发明内容

本发明的目的是解决上述现有技术中存在的问题。具体地，采用中位值注意力残差网络MAM_ResNet50作为识别模型，利用训练集来训练MAM_ResNet50，利用测试集，选择性能最好的MAM_ResNet50，作为猪脸识别模型，完成对猪脸的识别任务。与传统方法相比，本发明方法，在残差网络中，加入基于中位值压缩的注意力机制，赋予不同通道权值对通道值进行校正，提高对关键任务的关注程度，从而提高在多角度，较脏猪脸，复杂环境下猪脸识别的正确率。

为达上述目的，本发明提供了一种基于中位值注意力残差网络的猪脸识别方法，包括通过训练中位值注意力残差网络得到具有最优识别性能的猪脸识别模型，并利用该猪脸识别模型实现猪脸图像的识别，具体包括以下步骤：

步骤1，构建猪脸识别的训练集和测试集

采集M类猪脸图片，其中M记为猪脸的类别数；

对M类猪脸图片的每个类别随机挑选A张猪脸图片，获得M×A张猪脸图片，然后对M×A张猪脸图片采用B种图像预处理方式进行图像增强，并保留每种图像处理方式得到的猪脸图像，即共得到A×M×(B+1)张猪脸图片，该A×M×(B+1)张猪脸图片组成训练集；

在M类猪脸图片的每类中另外挑选C张猪脸图片，获得M×C张猪脸图片，该M×C张猪脸图片组成测试集，A≠C；

步骤2，训练中位值注意力残差网络得到最优分类效果模型，并将最优分类效果模型记为猪脸识别模型，具体步骤如下：