牛只的面部识别方法以及系统

本发明涉及生物识别，具体涉及牛只的面部识别方法以及系统。

背景技术：

1、近年来，随着草原畜牧业向规模化、信息化、精细化的方向发展，我国畜牧产业逐渐增强，但支持保障体系仍不健全。为此，国家大力推行牲畜养殖保险，鼓励建设畜禽电子档案，实现精细化管理，加强技术应用，提高安全调控能力。

2、牛作为重要牲畜，在农业生产和经济发展中占据重要地位。在畜禽养殖保险领域，牛的准确识别至关重要。一方面，牛的价值较高，一旦意外发生保险赔付金额较大，对承保牛定期识别旨在防止牛只被调包，避免重复索赔和未保索赔等风险。另一方面，在发生自然灾害、疾病等意外情况时，快速确定受损牛只的身份和实际损失情况，能帮助保险公司及时、合理地进行赔付，保障养殖户的合法权益，促进畜禽养殖保险行业的健康发展。

3、然而，在实际保险中牛体识别的方法成为行业内急需解决的关键难点。与传统人脸识别相比，牛的面部识别面临诸多困难。首先，牛的面部特征相对不明显。人的面部具有丰富的五官特征，具有较高的辨识度，而牛的面部缺乏类似人的明显特征，使得识别的特征点难以准确提取和区分。其次，牛的生活环境更为复杂，可能会受到食物残渣、泥土、粪便等遮盖，影响图像的整体质量和识别的准确性。

4、目前牛体的唯一性识别方法主要包括传统的接触式识别和基于深度学习算法的非接触式识别两大类。传统识别手段如耳切口、热铁烙印和耳标法等，不仅效率低，还会危害动物身体，影响动物福利。基于射频识别的电子耳标法虽然识别方便快捷，但仍受距离和动物数量的限制，同时佩戴的设备也面临着丢失或损坏的风险。

5、以上方法在应对保险工作中的庞大牛群时均显得力不从心，相比之下，非接触式识别则依赖计算机视觉技术、深度学习算法以及非接触式采集设备，具备实时性和高效率的优点，为动物管理和研究提供了强大的技术支持。

6、非接触式牛体身份识别技术作为近年来生物识别领域的重要研究方向，取得了显著的进展，牛的面部作为最直观的外部特征，是标识牛只身份的独特标志。

7、2005年，kim便运用联想记忆神经网络进行牛的面部识别，然而该方法在数据量较大时会出现过拟合现象，且对于复杂环境下的牛体识别准确率不够稳定。随后cai基于人脸识别的方法，通过稀疏和低秩分解对测试图像进行校准，但这种方法对牛只面部特征的针对性不强，容易受到其他外界因素干扰。gebar等人使用分类器从牛的wld特征中识别牛头，由此提出k-nn分类器和fk-nn分类器，但此方法在处理大规模牛群数据时计算效率较低，且对密集牛群场景的适应性不佳，并不适合保险行业的使用。

8、近年来，国内学者也开始关注牛体识别技术的研究。吕昌伟提出一种增量识别算法框架，借助卷积神经网络实现复杂环境下牛体的实时识别，但该算法对于牛只个体特征的提取可能不够精细，在一些特殊情况下可能出现误识别。翁智等将双分支结构与cnn相结合，有效降低牛只姿态变化对识别准确率的影响，然而在面对光照变化较大的场景时，识别效果会受到一定程度的影响。郑鹏在视觉转换器模型的基础上引入可学习的掩码矩阵，添加patch-shift网络层，有效降低图像脏污对识别效果的影响，但该方法的模型复杂度较高，训练和部署的成本较大。wang feng等人通过机器视觉提取面部特征图像，采用的sift算法识别准确率高达98.06％，但sift特征计算和匹配需要大量计算，花费的时间较长，对设备的要求较高，不适合在计算有限的平台上使用。

9、综上所述，未来保险实施依赖无接触、高精度、高自动化的识别方法，而现有的识别方法误识风险大，识别效率低，需要的成本较高，对识别设备和环境有特定要求，已经不适合现代大型养殖场的应用。

技术实现思路

1、本发明解决了现有的牛只识别方法误识风险大，识别效率低，需要的成本较高，对识别设备和环境有特定要求，已经不适合现代大型养殖场的应用的问题。

2、本发明所述的基于残差模块改进的res net主干网络对图像目标识别方法，具体为：

3、原始图像依次经过第一个卷积层、归一化的处理、第二个卷积层、归一化的处理以及第三个卷积层；

4、第一个卷积层、第二个卷积层与第二个卷积层、第三个卷积层残差连接；

5、改变第一个卷积层、第二个卷积层以及第三个卷积层的数量后，经过改变数量后的第一个卷积层、第二个卷积层以及第三个卷积层循环操作，输出多次循环操作后的原始图像；

6、原始图像与经过多次循环操作后的原始图像相加，对原始图像的目标进行识别。

7、进一步地，在本发明的一个实施例中，所述的第一个卷积层为7×7的卷积层，第二个卷积层以及第三个卷积层均为3×3的卷积层。

8、本发明所述的基于卷积神经网络对图像目标进识别方法，所述的方法是基于上述方法所述的基于残差模块改进的res net主干网络对图像目标识别方法实现的，具体为：

9、图像依次输入卷积层、池化层、基于残差模块改进的res net主干网络、全局池化、展平的处理以及归一化的处理对目标识别；

10、通过归一化的处理转化为维度是32的固定特征向量。

11、本发明所述的基于face net对图像的面部识别方法，所述的方法是基于上述方法所述的基于卷积神经网络对图像目标进识别方法实现的，具体为：

12、图像依次经过归一化和正则化的处理，处理后的图像依次经过残差模块、全局平均池化层、全连接层以及卷积神经网络对特征进行识别，特征识别后的图像分别进行计算triplet loss损失函数的损失值和arc face损失函数的损失值，基于triplet loss损失函数和arc face损失函数的权重，将二者的损失值相加获得总损失值，基于总损失值完成对图像的面部识别；

13、全连接层将嵌入向量维度控制在32维。

14、进一步地，在本发明的一个实施例中，所述的triplet loss损失函数的权重为0.6，arc face损失函数的权重为0.4。

15、本发明所述的图像的面部识别方法，所述的方法是基于上述方法所述的基于facenet对图像的面部识别方法实现的，包括以下步骤：

16、步骤s1，采集图像，并对图像预处理后，建立图像数据集，图像数据集包括面部特征数据集和与其对应的身份信息数据集；

17、步骤s2，基于yolov7模型对面部特征数据集进行目标检测；

18、步骤s3，基于face net对图像的面部识别方法对目标检测后的面部特征数据集进行识别，则完成对面部特征数据集的识别的同时，显示与面部特征数据集对应的身份信息数据集。

19、本发明所述的图像的面部识别系统，所述的系统是基于上述方法所述的图像的面部识别方法实现的，包括以下模块：

20、模块s1，采集图像并对图像预处理后，建立图像数据集，图像数据集包括面部特征数据集和与其对应的身份信息数据集；

21、模块s2，基于yolov7模型对面部特征数据集进行目标检测；

22、模块s3，基于face net对图像的面部识别方法对目标检测后的面部特征数据集进行识别，则完成对面部特征数据集的识别的同时，显示与面部特征数据集对应的身份信息数据集。

23、本发明所述的牛只的面部识别方法，所述的方法是基于上述方法所述的图像的面部识别方法实现对牛只面部的识别。

24、本发明所述的牛只的面部识别系统，所述的系统是基于上述方法所述的图像的面部识别系统实现对牛只面部的识别。

25、本发明解决了现有的牛只识别方法误识风险大，识别效率低，需要的成本较高，对识别设备和环境有特定要求，已经不适合现代大型养殖场的应用的问题。具体有益效果包括：

26、1、本发明所述的牛只的面部识别方法，现有的牛只识别方法误识风险大，识别效率低，需要的成本较高，对识别设备和环境有特定要求，已经不适合现代大型养殖场的应用的问题。为了解决上述技术问题，本发明提出的改进的facenet模型能更好的进行特征提取，更加适合牛只的面部结构识别，经过多个卷积层、批归一化层和残差连接的组合，能有效提取牛只面部图像中的复杂特征，从低级纹理和颜色特征到高级语义特征，提高识别准确性，增强模型性能和泛化能力，可以准确识别保险牛的身份信息，对牛只的个体身份进行区分，用于牲畜养殖保险，帮助实现养殖场的精细化管理；

27、2、本发明所述的基于残差模块改进的res net主干网络对图像目标识别方法，将原始的主干网络res net融合残差模块，有效缓解梯度消失问题，使梯度能够更好的向前传播，增强模型训练效果，提升模型训练效率；

28、3、本发明所述的基于face net对图像的面部识别方法，将arc face损失函数和tripletloss损失函数按照权重比为4:6进行划分，能够同时保留两个损失函数的优势，提高模型的可迁移性和泛化能力；

29、4、本发明所述的基于face net对图像的面部识别方法，将嵌入向量的维度从以往模型中的128修改至32，考虑到较低维度的嵌入向量更易于进行可视化和解释，32维度的嵌入向量更加适合牛只的面部识别，为牛只管理和识别提供强大的技术支撑；

30、同时本发明所述的牛只的面部识别系统在识别完个体牛的身份后，可以根据身份信息数据集显示相关电子档案信息。把整套系统搭载到jetson nano开发板后，将开发板连接摄像头进行数据采集，利用其高速运行的优势，可以快速完成目标检测和身份识别对比、记录并保存大量数据信息，能够大大提升保险行业的工作效率，降低人力资源和工作成本。