牛脸识别的应用与研究

王 涛 郑钦月 赵 平（ 天津农学院，天津300800）

1 概述

1.1 研究背景与意义

随着社会的进步， 传统的养殖方式难以科学有效地对牛群进行照看和管理。 人工智能的兴起， 对奶牛养殖业的辅助指导产生了重要的影响。 而人脸识别、 神经网络等技术与养殖业的融合，提高了养殖场的管理效率和经济效益，促进了养殖过程精准化、自动化、智能化，为其他智能畜牧养殖业的发展提供了技术支持。

1.2 研究现状

1.2.1 项目研究现状

利用人工智能技术识别牲畜个体及其生活情况、 习性等的应用在农业生产中变得越来越广泛。 Xia 等提出一种基于局部二值模式(local binary patterns，LBP)纹理特征的脸部描述模型[1]。 Cai 等在人脸识别方法的基础上对LBP 进行改进，提出了基于LBP 改进后的牛脸模型[2]。 但遗憾的是，这两种方法均无法应用在真实的个体牛养殖环境中。

1.2.2 算法研究现状

基于人工智能的牛脸识别的关键是奶牛的面部检测， 而神经网络算法的使用有利于牛脸的检测研究。 RENS.Q.等在前人的基础上， 将检测算法中region proposal 的选取算法SS(selective search)改为RPN(region proposal network)网络，进一步提升了检测性能[3]。

1.3 研究目的

本次研究旨在建立一个奶牛信息统计储备系统。 奶牛养殖人员可通过此牛脸识别系统对奶牛建立个体档案，统计奶牛的年龄，性别，健康状况，过往疾病史，每天饲料使用量和产出牛奶的量和奶牛的质量等情况。 在每天的养殖过程中， 养殖人员用具有该系统的设备，对奶牛进行面部识别，从而进行精准档案录入， 并生成对应的数据分析报告反馈给管理者， 进行智能养殖。 从而便于管理者获取奶牛个体的详细信息， 迅速了解牧场情况，降低人工成本，提高管理效率为奶牛养殖主增加经济收益。

2 研究内容及研究成果

2.1 研究内容

本文在人脸识别算法的基础上， 以卷积神经网络为特征提取模型，根据牛的五官和花纹特征，定义牛脸轮廓模型，用牛脸图像训练并测试提高算法的精度和效率， 通过机器视觉技术对奶牛个体进行更加精准的识别，从而提高养殖场的管理效率和经济效益。

2.2 研究方法

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一[4]。 层积神经网络仿造生物的视觉和知觉机制建造，可以进行监督学习,并使用BP 框架进行学习，其计算流程在LeCun (1989) 中就已经确定[5]。

本文首先收集牛的面部特征信息， 根据牛的五官和花纹特征，定义牛脸轮廓模型，以卷积神经网络为特征提取模型。

基于卷积神经网络的图像识别具有以下三个过程： 卷积操作，池化操作，以及激活函数、全连接层和目标函数。当原始数据输入到机器之后，会经过多次的卷积池化操作，直到把所有特征都抽取出来。 接着，抽取出来的所有特征与全连接层进行对接，得出预测的值，并与目标值进行对比。 最后，机器会对二者的差值进行修复，并重新训练。 由于卷积神经网络具有特征不变性，防止过度拟合和特征降维等特点， 在进行识别时具有良好的效果。 图1 是卷积神经网络的主要层次。

图1

卷积操作是将截取到的图像建立一个矩阵（ 如图5x5 的矩阵），并在矩阵中建立一个卷积核（ 如图3x3 的矩阵），对卷积核中的矩阵进行加权求和放到一个新的矩阵当中，这个新的矩阵被称作卷积特征。 这个卷积特征将作为下一个阶段池化操作的输入。

图2

在神经元中， 图像经过卷积池化操作后， 引入激活函数ReLU 函数，增加神经网络模型的非线性。 ReLU 函数实际上是一个分段函数，当函数的值小于0 时，不管赋值为多少，都会返回0，而函数值大于等于0 时，它返回本身（ X）：

考虑到牛与牛之间面部特征的差异不是很明显， 在本系统中，我们设立多个卷积层和池化层，用于将每只牛面部的最大特征提取出来，与数据库中奶牛的面部照片做对比，从而达到牛脸识别的目的。

最后，利用欧式距离目标函数，通过判断距离的大小来判断两张图片是否相似，进而实现牛脸识别的功能。

2.3 研究成果

实验表明，卷积神经网络在牛脸识别上具有很好的效果。利用卷积神经网络的特征不变性使得牛脸的图像在经过多次卷积后， 将牛脸的特征提取出来与数据库中图像的特征进行比较。 利用特征降维舍弃了图像中一些不重要的特征，节省了计算机的资源， 将在复杂的环境中进行的牛脸识别进行了简化。通过牛脸图像的多次训练和测试提高了算法的精度和效率，最终实现了奶牛个体的精准识别。

3 结论

本文以卷积神经网络为特征提取模型， 首先收集录入每只牛的面部信息。 当原始数据输入到机器之后，经过多次的卷积池化操作，把所有特征都抽取出来。 接着，抽取出来的所有特征与全连接层进行对接，得出预测的值，并与目标值进行对比。 最后，机器会对二者的差值进行修复，并重新训练，提高算法的精度和效率，对奶牛个体进行更加精准的识别。 此外，本研究通过一定的改良还可以进行猪、羊等牲畜的识别。