论文部分内容阅读
信息社会飞速发展,奶牛个体识别作为奶牛信息化管理的重要基础,成为当前畜牧业发展的一个研究热点。随着人工智能与模式识别领域研究的不断深入,利用图像处理算法将奶牛个体识别与计算机视觉相联系,已逐渐成为一项推动奶牛信息化管理的重要举措;而图像识别技术的关键在于特征提取与分类算法的设计。为了有效完成奶牛个体黑白花纹特征的提取与分类,提高奶牛个体识别正确率,本文主要工作如下:首先叙述了奶牛个体图像识别领域应用较多的特征提取算法,给出相应效果图与算法优缺点分析,并提出一种改进的核主成分分析算法;然后介绍了机器学习中经典支持向量机(Support Vector Machine,SVM)分类算法以及核函数的相关理论,并给出解决多分类问题的方案。其次,针对传统图像算法的局限性指出了深度卷积神经网络在图像特征提取方面的优势,结合奶牛黑白花纹特点,本文提出一种CowNetFull卷积神经网络模型,相较于现有奶牛个体识别模型,本文增加了网络层数,并将固定卷积核大小的模式转化为不同层灵活设置卷积核的方式;此外,模型选择Relu作为激活函数加速网络的收敛,并在全连接层后添加了Dropout层,避免了因参数过多而出现过拟合现象。再次,在CowNetFull模型基础上,本文提出基于Haar-CowNet-SVM的奶牛个体识别算法。通过分析传统卷积神经网络中分类部分的局限性,引出本文将CowNetFull的特征提取能力与SVM分类能力相结合的思路;此外,考虑到网络运行性能,提出加入Haar小波预处理操作,并将其得到的子图以一定权值进行融合,保留图像有效信息,消除基本噪声并实现图像的降维。此外,为解决奶牛图像数据不足的问题,本文从采集到处理数据,构建出一个小型的标准数据库用于奶牛个体识别实验,数据库共包含30头奶牛的30000张图片,每头1000张,其中20头奶牛数据组成训练集和验证集,剩余10头作为测试集,每头奶牛均包含不同角度图片,保证了样本的多样性。最后,实验部分给出了相关参数设置、分类算法选择、不同识别模型对比等多组实验及结果,通过在20头奶牛的20000张图像上进行Haar小波预处理、CowNetFull模型训练,得到其验证集在SVM中的识别正确率达到98.8%,明显高出其他几种算法;同时,为了体现文特征提取算法较强的泛化能力,给出了由不同算法在测试集上的识别结果所绘制的Receiver Operating Characteristic Curve(ROC)图。