基于LeNet深度学习模型的雏鸡性别智能识别

摘  要：不同性别雏鸡在生产生活中的价值及培育方向均有较大差别，尽早无损伤高效地分辨出雏鸡性别从而进行定向培育，实现产业利益最大化。传统的肛门鉴别法、伴性性状鉴别法、蛋内尿囊液检测法和核磁共振测定法均有其不足之处。受肛门鉴别法中对肛部图片两大特性传统人眼检测方案的启发，在对原始图像数据进行关键区域特征增强和图像增广后，依托于LeNet深度学习模型的强大图像处理能力实现极高效率的雏鸡性别识别。

关键词：雏鸡性别鉴定;深度学习;图像识别;图像增广;LeNet

中图分类号：TP391.41     文献标识码：A 文章编号：2096-4706（2020）23-0064-03

The Gender Intelligence Recognition of Chicks Based on

the LeNet Deep Learning Model

YANG Luye

（Shanghai University，Shanghai  200444，China）

Abstract：Different gender chicks have a large difference in the value and cultivation direction in production and life，and distinguish the gender of chicks as early as possible and efficiently without damage，so as to carry out directional cultivation and realize the maximization of industrial benefits. The traditional methods of anal identification，sex-linked charateristics identification，egg allantoic fluid detection and nuclear magnetic resonance detection have their shortcomings. Inspired by the traditional human eye detection scheme of anal image two characteristics in anal identification method，after the key area feature enhancement and image expansion of the original image data，relying on the powerful image processing ability of LeNet deep learning model to realize highly efficient chicks gender recognition.

Keywords：gender identification of chicks;deep learning;image recognition;image augmentation;LeNet

0  引  言

雏鸡性别的识别在传统及现代养鸡业中均属核心技能[1]。由于雌鸡和雄鸡所产生的商业价值不尽相同，且雄鸡和雌鸡培育所需的环境、养殖中的侧重点也存在较大差异。所以尽早知晓雏鸡的性别并加以分类培育可以优化生产布局，达到商业产能最大化以及提升工业效益的目的。

2  现有解决方案

目前工业界和生产生活中经典的方法包括：

（1）肛门鉴别法（又称“翻肛法”）。该鉴别法须在雏鸡出壳后12小时内进行，重点是通过观察雏鸡有无生殖突起及生殖突起的组织形态来区别其雄雌。

（2）伴性性状鉴别法。该鉴别法是依据伴性遗传原理，分别培育雌雄品系，通过多品系间杂交，依据初生雏鸡的羽毛颜色及其生长速度来判别其雌雄。

（3）蛋内尿囊液检测法。该检测法的原理为检测尿囊内雌激素水平，以此来判断鸡胚的性别。

（4）核磁共振（MRI）测定鸡胚性别。该检测法运用两套不同的核磁共振成像系统，对处于特定时期的胚盘定位后再对其进行性别筛查[2]。

但上述四种方法在实际生产工作中均有其不足之处。肛门鉴别法在很大程度上依赖检测人员的鉴别技能，经验不足的检测人员难以达到工业级的准确率，且最顶尖的检测人员的筛选效率也只有30～35只每小时[3]，远低于工业化生产要求，难以推广到大型鸡场。伴性性状鉴别法检测时间周期较长，需要等到鸡雏长出足以鉴别性别的性状如羽色、羽速后方可以实现鉴别性别的目的，无法实现及早筛分雏鸡的预期目标;尿囊液体检测法有严格的时间限制，若对在始孵化早期的鸡胚进行细胞采样则会影响鸡胚发育;核磁共振测定法中的关键步骤即对鸡胚的操作必须在外形完整的蛋中进行，此技术尚处于研发阶段，无法落实到生产应用中。

3  算法模型介紹

近年来，深度学习在各个学科领域的应用中展现了巨大的可能性，突破了诸多瓶颈，有力的推动了诸如计算机视觉、自动语音识别、强化学习、自然语言处理等领域的研究。计算机视觉作为深度学习的重要领域，其中的图像识别、甄选、分割等细分领域均已取得了诸多杰出的成果。因此，我们想将其中成熟的算法模型迁移到雏鸡雄雌鉴别领域，将深度学习算法模型与传统翻肛法的有效经验相结合，用大量已准确标注的鸡雏性别图片训练鸡雏雄雌判别模型。通过不断优化迭代，使判别模型能够达到智能判别鸡雏性别的功效，取代现有繁琐且代价高昂的人力密集型的传统解决方案，将经典方法提升推广到工业级、流水线级的通用解决方案中。

LeNet是一个经典的卷积神经网络结构[4，5]，对于输入的二维三通道图像，经过两次卷积层到线性整流层和池化层，再经过全连接层，最后使用softmax分类器进行分类。

3.1  卷积层

卷积层是卷积神经网络各层的基础组成单元，其中每个卷积元参数均由反向传播算法迭代优化取得。卷积运算可以实现高效的特征提取，低层级卷积层可以从图像中取得基础特征如边缘、角度及线条等，多层级卷积层可以从图像中获得如图像风格等高维特征，为后续图像分类，分割等任务提供底层信息。

3.2  线性整流层

线性整流层是每层神经网络之间的激活函数族，通过非线性变换，将神经网络模型所能表达的范围从线性函数推广至一般函数域，更加符合真实生产环境中的需求，让模型在真实建模过程中有更强的鲁棒性。

3.3  池化层

池化层是以取平均值、最小值、最大值等降维方法将由卷积层传递而来的高维特征降低到合适的维度的单元，减少后续计算迭代的时间消耗，提升效率。

3.4  全连接层

全连接层是将全局特征和优化后的参数进行点乘计算后得到可信度结果，进而判断图片所归属的种类的一种结构。

3.5  算法原理

在本次模型设计中，底层卷积层负责从输入层的鸡雏图片数据中抽取图像低维特征（如图片边角位置、总体亮度等），后将RGB三维通道信息转化为高维数据向量并将其传输到线性整流层。线性整流层通过非线性变换将图片中的低维信息扩展，映射，整合到新的向量空间中，提升基础信息的复杂度，丰富数据维度。池化层将从网络前端传递来的512维高位数据向量通过平均池化的方法快速降维后，再将其传递到全连接层，加速整体模型运算速度，确保模型不会陷入维数灾难。全连接层作为输出层前的最后分类器通过反复迭代优化，进而得最佳的匹配参数，结合前端传递下来的特征向量，判别图像所属种类后传递到到输出层。

4  实验验证

我们获取的原始图像信息如图1和图2所示，经由雏鸡判别专家一一标注后分为雄鸡雏鸡组和雌鸡雏鸡组。

我们先对所有标注好的图像数据进行数据平衡，保证雄雌数据所占比重相同，再利用5-folder cross-validation法，将数据随机无偏分地划为测试集和验证集作为输入，来防止过拟合问题，最终使用LeNet作为特征抽取的深度学习模型进行二分类训练。但最终获得的结果不太理想，测试准确率仅为60%～65%，与随机判别（50%）所得结果差距不大，归其原因在于信息本身噪音较大，如测试数据集中部分图片有雏鸡尾羽阴影，原图总体亮度对比度均不高，导致关键信息未显著体现，现有数据量较小（少于1 500张），而模型本身参数量大，导致数据过拟合。

与鸡雏分类技术人员沟通后，我们发现传统人工识别主要依靠观测倒八形状区域和圆形突起两个特殊样式来区别雄雌，如图3所示。

为了能够最大限度地凸显关键性状，我们对所有图片使用OpenCV进行以下数据预处理：对于遮罩外部噪音区域采光口所导致的取样点区别，统一以内切圆形为采样标准，消除外部干扰，如图4所示。

通过反复测试处理效果，确定了使用Sobel算子对所有重采样后的图像进行优化处理，突出其关键性状，如图5所示。

由于图像所代表类别具有旋转不变性，即图像旋转后所代表鸡雏性别不变，且在保留关键性状的情况下对图片进行局部放大、缩小操作也不会改变图像所归属的种类，故由此对原图像数据进行包括旋转、放缩等合适的自增操作，如图6所示。

对原有图像数据进行这样的图像预处理后得到增广后的图像数据集，再利用新的图像数据重新训练模型，实验数据如表1所示。在迭代300次以后，得到了较好的结果，模型准确率在测试集达到了94.1%，在验证集达到了92.5%，检测效率超过110张/分钟，达到了预期的目的。

5  结  论

为了寻找准确且高效的鸡雏雌雄判别方案，同时也保障方案本身的可扩展性和可推广性，我们通过学习经典的人力翻肛法判别经验，应用计算机视觉辅助程序从源数据中环割选取圆形标准图像集，依托Sobel算子对划选好的雏鸡图像进行图像预处理以突出其中关键性征，再借由其旋转性状不变的特点进行随机旋转图像增广，最后使用LeNet深度模型架构进行算法优化迭代训练，得到有强识别能力的智能雏鸡图像雌雄判别模型。该模型在鸡雏性别识别中获得超过94%的识别准确率和0.085秒/张的平均检测效率，且未出现明显过拟合现象，给鸡雏识别的领域提供了一条新的思路，打通了人工智能和传统家禽养殖业的墙壁。目前该模型在全新数据集上的检测效果仍然有待提升。未来通过更加精细化的雏鸡种类划分和更加全面的鸡雏图像数据初期收集，以及调用更多种成熟的深度学习模型来进行多模型组合预测，我们相信能够获得更加高效且鲁棒的鸡雏识别模型，并将其应用到真实的生产生活中。

参考文献：

[1] 王健，漠纵泉，肖小珺，等.鸡胚性别鉴定——家禽科学研究的新视点 [J].中国家禽，2003（14）：26-36.

[2] 姜桂苗，何剑斌，马振乾，等.家禽性别控制的研究进展 [J]，黑龍江动物繁殖，2010，18（5）：14-16.

[3] 燕海峰，肖兵南，TREFIL P，等.家禽的性别鉴定方法 [J].动物学杂志，2001（6）：58-61.

[4] ZHANG A，LI M，Lipton Z C，等. 动手学深度学习 [M].人民邮电出版社，2019：15-188.

[5] 郑睿，余童，程龙阅.基于改进LeNet-5的形状类似物体识别方法 [J].信息技术与网络安全，2020，39（6）：31-37+43.

作者简介：杨陆野（1993—），男，汉族，上海人，初级工程师，硕士，研究方向：计算机视觉。