一种基于神经网络的防疫耳标识别方法与流程

1.本发明涉及耳标识别技术领域，尤其涉及一种基于神经网络的防疫耳标识别方法。


背景技术：

2.目前我国农业农村部《动物免疫标识管理办法》中规定的生猪免疫耳标广泛使用在生猪的饲养、调运、屠宰过程中的是一种塑料材质的耳标，该耳标具有成本低、创伤小、坚固耐用、无毒无害的诸多优点，但该耳标中的矩阵码不是标准的qr二维码，需要专用的设备才能进行读取，在日常的生产管理和政府监管工作中较为不利，增加了数据采集和管理的难度。随着数字化和信息化建设逐步推进，可自动且低成本地识别该耳标上的号码需求越来越强烈。


技术实现要素：

3.针对上述现有技术中的问题，本发明的目的在于提供一种基于神经网络的防疫耳标识别方法，通过基于卷积神经网络的算法实现对防疫耳标的识别算法，进而实现通过移动端如手机、平板等带摄像头的设备进行耳标号码的快速识别，降低耳标信息采集的难度。
4.本发明是通过如下技术方案实现的：一种基于神经网络的防疫耳标识别方法，包括如下步骤；
5.s1、获取基础数据集：获取a张耳标样本图片作为基础数据集；
6.s2、生成增量数据集：基于基础数据集，扩展生成增量数据集；
7.s3、生成训练数据集：对所述增量数据集进行增强处理，生成训练数据集；
8.s4、cnn网络设计：构建cnn卷积神经网络，对所述训练数据集进行模型训练；
9.s5、cnn网络调参：以设定的识别准确率为导向，在模型训练过程中进行网络调参，并不断优化超参数；其中超参数(卷积核数量、网络层数等)是不能通过训练过程获得的，必须人工来设定，经过参数调整后，本模型结构在样本集可达到准确率为93.4％。软件环境tensorflow作为模型训练工具，硬件环境使用配置2张8g显存的gpu卡的工作站，经过多轮迭代的方式，不断进行超参数优化，最终获取到本方法中描述的超参数。
10.s6，结果验证：训练完成后，对形成的模型进行保存，利用保存的模型对对所述基础数据集进行准确性验证；
11.s7、输出模型：当准确率达到要求后，将保存的模型打包成持久化的模型文件；
12.s8、模型移植：使用tensorflow提供的工具将模型文件编译为可在移动设备上使用的二进制文件(.so)。
13.考虑到所述基础数据集通常采用人工整理，在数量较小的情况下，为了提高样本的泛化效果，进一步，所述s2具体为：基于所述基础数据集，使用python的cv2库相关函数，使用不同的字体，不同的字间距和角度，最终获取增量数据集，其中增量数据集中的图片数量为基础数据集的b倍，且所述增量数据集中的图片均去除多余元素仅保留耳标号码，取a
＝100，b＝200，则增强数据量中的图片数量为20000张。
14.为了进一步增加样本的泛化能力，所述s3具体为：对所述增量数据集中的每个数据均进行如下增强操作：随机亮度(m张)、随机切边(n张)、随机旋转(i张)、随机增加噪点(j张)操作；每张图片经过增强后，形成k张图片，其中k＝m+n+i+j，则训练数据集包括的图片数量为所述增量数据集的k倍；取m＝5，n＝4，i＝5，j＝5，则k＝19，如此训练数据集中将包括380000张图片。
15.进一步，所述训练数据集中的图片均设置为256*256像素。
16.进一步，所述cnn卷积神经网络包括输入层、cov1层、maxpool1层、cov2层、maxpool2层、cov3层、cov4层、maxpool3层、fc全连接层、softmax层。卷积核类似神经元的感受野，过小无法提取有效的局部特征，过大提取的特征过于复杂度。设置合适大小的卷积核，对于cnn网络的的性能非常重要，所以调参过程中对于卷积核大小的调整也是关键的步骤。
17.进一步，所述cnn卷积神经网络的流程如下：
18.所述输入层：将所述训练数据集图片进行灰度化，且所述输入层图像大小设置为221*221像素；调整为灰度图后，图片的通道为1，降低网络的训练参数，所述输入层是将图片数据集输入到卷积神经网络，供后续层作特征提取；
19.所述cov1层：设置96个5*5大小的卷积核进行特征提取，产生96*55*55的张量；卷积运算的目的是提取输入的不同特征，第一层卷积层只能提取一些低级的特征如边缘、线条等；
20.所述maxpool1层：采用3*3大小的卷积核进行池化操作，产生96*27*27的张量；池化层不提取特征而用于减小数据的空间大小，从而参数的数量和计算量也会下降；
21.所述cov2层：设置256个3*3大小的卷积核进行特征提取，产生256*25*25的张量；从上层卷积层中抽取更复杂的特征；
22.所述maxpool2层：采用3*3大小的卷积核进行池化操作，产生256*12*12的张量；maxpool2相当于对特征进行了压缩，防止过拟合；
23.所述cov3层：设置256个2*2大小的卷积核进行特征提取，产生256*7*7的张量；从上层卷积层中抽取更复杂的特征；
24.所述cov4层：设置256个2*2大小的卷积核进行特征提取，产生256*10*10的张量；从上层卷积层中抽取更复杂的特征；
25.所述maxpool3层：采用3*3大小的卷积核进行池化操作，产生256*8*8的张量；
26.所述fc全连接层：对256*8*8特征图进行连接，即使用4096个256*8*8的卷积核，对256*8*8的张量，得到一个值，即为一个特征点,然后对应于4096个神经元中的一个点；该层中的每个神经元与其前一层的所有神经元进行连接。整合卷积层或者池化层中具有类别区分性的局部信息；
27.所述softmax层：采用softmax进行分类，从而将特征映射到对应的分类空间中。
28.进一步，在利用保存的模型对所述基础数据集进行准确性验证之前，先对所述增量数据集中按一定比例选取数据进行准确性验证。
29.本发明的有益效果为：本发明通过数据增强和自动生成技术，使用较少的耳标样本图片数据即可大量生成训练数据集，降低训练数据集构建的难度；基于卷积神经网络进
行模型训练，泛化能力强；实现通过移动终端(手机、平板电脑等设备)摄像头直接识别防疫耳标的功能，降低识别成本。
附图说明
30.图1为本发明整体流程示意图。
31.图2为耳标样本图片示意图。
32.图3为增量数据集中的图片效果图。
33.图4为训练数据集中的图片效果图。
34.图5为cnn卷积神经网络结构图。
具体实施方式
35.为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
36.实施例一，参见图1-图5，本发明是通过如下技术方案实现的：一种基于神经网络的防疫耳标识别方法，包括如下步骤；
37.s1、获取基础数据集：获取100张耳标样本图片作为基础数据集，如图2所示，
38.s2、生成增量数据集：基于所述基础数据集，使用python的cv2库相关函数，，使用不同的字体，不同的字间距和角度，最终生成增量数据集，所述增量数据集中包括20000张图片且所述增量数据集中的图片均去除多余元素仅保留耳标号码；所述增量数据集中的图片的基本效果如图3所示；
39.s3、生成训练数据集：对所述增量数据集中的每个图片均进行如下增强操作：随机亮度(m张)、随机切边(n张)、随机旋转(i张)、随机增加噪点(j张)操作；每张图片经过增强后，形成k张图片，其中k＝m+n+i+j，则训练数据集包括的图片数量为所述增量数据集的k倍；取m＝5，n＝4，i＝5，j＝5，则k＝19，如此训练数据集中将包括380000张图片。所有的样本图片的大小均为256*256像素，所述训练数据集中的图片效果如图4所示；
40.s4、cnn网络设计：如图5所示，构建cnn卷积神经网络，对所述训练数据集进行模型训练；所述cnn卷积神经网络包括输入层、cov1层、maxpool1层、cov2层、maxpool2层、cov3层、cov4层、maxpool3层、fc全连接层、softmax层；卷积核类似神经元的感受野，过小无法提取有效的局部特征，过大提取的特征过于复杂度。设置合适大小的卷积核，对于cnn网络的的性能非常重要，所以调参过程中对于卷积核大小的调整也是关键的步骤；卷积层中神经元的感受野尺f，步长s，卷积核数量k和零填充的数量p计算输出出来，w为输出的张量宽度，h为张量高度，d为张量深度。公式如下：
41.w2＝(w
1-f+2p)/s+1
42.h2＝(h
1-f+2p)/s+1
43.d2＝k
44.所述输入层：对训练数据集的图片不是灰度图像进行灰度化，调整为灰度图后，图片的通道为1，降低网络的训练参数，由于所有图片在数据集生成的时候大小已经设置为256*256像素，在输入层需要按照网络的参数进行输入图像的大小的调整，将所述输入层图像大小设置为221*221像素；所述输入层是将图片数据集输入到卷积神经网络，供后续层作特征提取；
45.所述cov1层：设置5*5大小的卷积核进行特征提取，对221*221的图像进行卷积操作，按照公式，最终获得[(221-5+2*0)/4+1]*[(221-5+2*0)/4+1]＝55*55大小特征矩阵，共设置96个卷积核，最终将产生96*55*55的张量；卷积得到的55*55矩阵需要通过激活函数进行计算，将结果转换为非线性，增强网络泛化能力。该层采用激活函数为relu。同时还要加上一个偏置项y＝relu(wx+b)；卷积运算的目的是提取输入的不同特征，第一层卷积层只能提取一些低级的特征如边缘、线条等；
[0046]
所述maxpool1层：采用3*3大小的卷积核进行池化操作，最终获得[(55-3+2*0)/2+1]*[(55-3+2*0)/2+1]＝27*27大小的特征矩阵，由于不在深度上操作，故最终产生96*27*27的张量；池化层不提取特征而用于减小数据的空间大小，从而参数的数量和计算量也会下降；
[0047]
所述cov2层：设置3*3大小的卷积核进行特征提取，相比5*5的卷积核，相当于感受野更小，更能观察到细节。对96*27*27的图像进行卷积操作，按照公式，最终获得[(27-3+2*0)/1+1]*[(27-3+2*0)/1+1]＝25*25特征矩阵；该层设置256个卷积核，最终将产生256*25*25的张量；从上层卷积层中抽取更复杂的特征；
[0048]
所述maxpool2层：采用3*3大小的卷积核进行池化操作，最终获得[(25-3+2*0)/2+1]*[(25-3+2*0)/2+1]＝12*12大小的特征矩阵。由于不在深度上操作，故最终产生256*12*12的张量；maxpool2相当于对特征进行了压缩，防止过拟合；
[0049]
所述cov3层：设置2*2大小的卷积核进行特征提取，对256*12*12的图像进行卷积操，最终获得[(12-2+2*0)/1+1]*[(12-2+2*0)/1+1]＝7*7特征矩阵。该层设置256个卷积核，最终将产生256*7*7的张量；从上层卷积层中抽取更复杂的特征；
[0050]
所述cov4层：设置2*2大小的卷积核进行特征提取，对256*7*7的图像进行卷积操作，按照公式，最终获得[(11-2+2*0)/1+1]*[(11-2+2*0)/1+1]＝10*10特征矩阵。该层设置256个卷积核，最终将产生256*10*10的张量；从上层卷积层中抽取更复杂的特征；
[0051]
所述maxpool3层：采用3*3大小的卷积核进行池化操作，最终获得[(10-3+2*0)/1+1]*[(10-3+2*0)/1+1]＝8*8大小的特征矩阵。由于不在深度上操作，故最终产生256*8*8的张量；
[0052]
所述fc全连接层：对256*8*8特征图进行连接，即使用4096个256*8*8的卷积核，对256*8*8的张量，得到一个值，即为一个特征点,然后对应于4096个神经元中的一个点；该层中的每个神经元与其前一层的所有神经元进行连接。整合卷积层或者池化层中具有类别区分性的局部信息；
[0053]
所述softmax层：采用softmax进行分类，从而将特征映射到对应的分类空间中；
[0054]
s5、cnn网络调参：以设定的准确率为导向，在模型训练过程中进行网络调参，并不断优化超参数；其中超参数(卷积核数量、网络层数等)是不能通过训练过程获得的，必须人工来设定，经过参数调整后，本模型结构在样本集可达到准确率为93.4％；软件环境tensorflow作为模型训练工具，硬件环境使用配置2张8g显存的gpu卡的工作站，经过多轮迭代的方式，不断进行超参数优化，最终获取到本方法中描述的超参数；最终卷积神经网络结构参数如下表所示：
[0055][0056][0057]
s6，结果验证：训练完成后，对形成的模型进行保存，利用保存的模型对对所述基础数据集进行准确性验证；
[0058]
s7、输出模型：当准确率达到要求后，将保存的模型打包成持久化的模型文件；
[0059]
s8、模型移植：使用tensorflow提供的工具将模型文件编译为可在移动设备上使用的二进制文件(.so)。
[0060]
实施例二，实施例一的基础上，考虑到基础数据集的数据量较小，与增量数据集之间有数级差别，在利用保存的模型对所述基础数据集进行准确性验证之前，先对所述增量数据集中按一定比例选取数据进行准确性验证。
[0061]
首先针对增量数据集的准确性验证通过，若不通过则需要重新训练；通过后再针对基础数据集进行准确性验证，由于基础数据集是未经泛化和扩展的数据，能够防止过拟合；将会出现如下三种情况：1、两次验证准确率都很低，应重审查训练数据集中的数据，然后重新训练；2、第一次准确性验证准确率达到要求，而第二次较低，则说明出现过拟合现象，应根据情况调整训练数据集的数据量；3、两次准确性验证的准确率均达到要求，则当前保存的模型能够满足需求，可以继续进行后续操作。
[0062]
本方法使用python自动生成数据集的方式，为神经网络提供训练用数据集，不需要人工收集大量的数据集。最终的模型的准确率达到93.4％，达到实地使用要求，通过与移动设备集成，可以大大降低在畜牧养殖生产环节中对防疫耳标识别的成本，推动我国畜牧养殖信息化建设。
[0063]
本发明创造的描述中，前面的详细描述已经通过使用框图、流程图和/或示例阐述
了装置和/或过程的各种实施例。在这样的框图、流程图和/或示例包含一个或多个功能和/或操作的程度上，本领域技术人员将理解的是，这样的框图、流程图或示例内的每个功能和/或操作可通过许多各种不同的硬件、软件、固件或实际上它们的任何组合被单独地和/或集体地实现。
[0064]
在系统的各方面的硬件和软件实施方式之间几乎没有差别；硬件或软件的使用通常是(但并不总是，因为在某些情景中在硬件和软件之间的选择可能变得重要)代表成本与效率折衷的设计选择。存在本文中所述的过程和/或系统和/或其它技术可借以被实现的各种手段(例如，硬件、软件和/或固件)，并且优选的手段将随着其中过程和/或系统和/或其它技术被部署的情景的不同而改变。例如，如果实施者确定速度和准确性是极为重要的，那么实施者可选择主要为硬件和/或固件的手段；如果灵活性是极为重要的，那么实施者可选择主要为软件的实施方式；或者，但同样可替换地，实施者可选择硬件、软件和/或固件的某组合。
[0065]
本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。