基于卷积神经网络的生猪个体身份识别系统设计

伍群旺 常满馨 马长华

摘要：针对人工识别生猪个体难度大、成本高、耗时长等问题，引入深度学习技术，提出了两种不同结构的卷积神经网络识别模型。利用生猪图像制作数据集对ShuffleNetV2与MobileNetV2模型进行训练，然后将测试集输入模型进行预测。实验结果表明，训练完成的ShuffleNetV2模型效果较好，平均准确率达到99.75%。说明该文提出的ShuffleNetV2模型具有较高识别率，可以实现养殖场环境下生猪个体的身份识别，具有非接触式、低成本、高精度的特点，能够提高生猪养殖的智能化、精细化管理水平。

关键词：卷积神经网络；猪只识别；深度学习；图像处理

中图分类号：TP391        文献标识码：A

文章编号：1009-3044（2021）31-0014-03

随着现代化动物养殖技术的发展革新，生猪养殖场的环境趋于多变和复杂，为了便于大中型养殖场实现猪只管理的集约化与精细化，猪只身份识别技术亟待得到改进。目前，传统的猪只身份识别的方法主要有耳缺法、标记法、耳标法、RFID标签法[1]。耳缺法打耳后易感染、无法修改、有数量限制；标记法记号易磨损、易被污染物遮挡、操作烦琐耗时长；耳标法标签易掉落、易污损、记录信息有限；RFID标签法的成本高且易失效，无法精准记录猪的行为轨迹。此外，在猪只的自动化管理、智能化管理对接方面，传统的猪只识别方法仍然存在很大缺陷。

近年来，人工智能的快速发展推动了深度学习技术在图像识别领域的应用，作为深度学习的经典算法，卷积神经网络在图像识别方面的表现优于传统方法。使用卷积神经网络对生猪个体进行识别，能够帮助管理者分辨每一只猪的身份，并精确记录它们的采食量、体温变化、运动情况等各种信息，以监测生猪的生命体征健康状态。

本文提出的生猪个体身份识别系统不需要人工时刻观察，节省了时间和经济成本，提高了生猪识别效率。该系统首先对获取的生猪图像进行预处理，使用数据增强转换技术扩充样本数据，充分利用生猪图像在网络结构中的特征图。然后将数据集载入ShuffleNetV2和MobileNetV2模型进行训练，再对两种模型识别效果进行评价，发现ShuffleNetV2模型能够完成实际养殖环境下生猪个体的精准高效识别。

1 卷积神经网络

1.1 卷积神经网络概述

卷积神经网络（Convolutional Neural Networks， CNN） 是一类包含卷积计算且具有深层信息处理能力的前馈神经网络[2-3]。卷积神经网络充分利用稀疏连接与权重共享，减少了网络的参数总量，提高了网络结构的稳定性与训练效率。卷积神经网络是深度学习的代表算法之一，可以提取输入信息的高阶信息进行平移不变分类，具有表征学习能力。

在2012年的ImageNet大规模视觉识别挑战赛（ILSVRC） 上， Alex使用卷积神经网络以15.3%的 Top-5错误率夺冠[4]。Alex的成功应用启发了后续更多的技术创新，卷积神经网络的理论和技术发展更加迅速，并作为各种技术产品广泛地应用在社会中。

1.2 卷积神经网络的基本结构

卷积神经网络的基本结构包括输入层、卷积层、池化层（下采样层）、全连接层和输出层[5]。

卷积层由多个特征图组成，主要任务是利用卷积核通过滑动扫描提取图像特征。卷积核类似一个神经元，它的每个组成元素都有相应的权重系数和偏差量。卷积层的每个神经元都连接到上一层位置接近的区域（感受野），需要定义卷积核的大小、步长，对感受野內的输入特征进行运算，随后生成特征图。

池化层通常插入在卷积层后面，一层卷积，一层池化，两种运算交替进行，其作用是降低特征向量的维度，减少网络中参数的数量，从而避免过拟合。

全连接层搭建在卷积层与池化层后面，特征图在全连接层被展开，每个输出结点与输入结点相连接，整合所有的局部特征信息，然后将这些特征映射到样本的相应标记空间上。

2 生猪个体身份识别系统设计

2.1 生猪个体身份识别方案

生猪个体身份识别方案结构图如图 1所示。首先，利用摄像机采集生猪活动视频，获取生猪图像；再对生猪图像进行预处理建立数据集。然后，使用PyTorch框架搭建卷积神经网络模型，输入生猪图像数据集到模型中进行训练。最后，从测试集中选取猪只图像，输入训练完成的模型中进行预测，得到猪只识别结果。

2.1.1 数据采集

将摄像头安装在饲喂装备的上方，调整好摄像头的高度，找到合适视角进行视频录制，将录制的猪只活动视频作为素材。然后读取视频文件处理成帧，每隔0.5秒截取1帧图像进行保存，再剔除模糊图片且只保留猪的主体及猪脸图像。最终获取猪只主体数据9000张，猪只脸部数据5000张，一共14000张图像。用Python对图片进行编号，并将70%的图片保存到训练集，30%的图片保存到测试集。

2.1.2 图像预处理

先将数据集预处理成为可以被神经网络读取的格式，然后对其进行数据归一化处理。再对训练集做数据增强处理，生成更多的训练数据。所采用的方法是随机裁剪、规则裁剪、随机翻转、调整亮度对比度、随机噪声、USM锐化、直方图均衡化。对训练集进行数据增强转换可以将图像的空间多样性呈现出来，提高数据集样本容量，保证训练能够正常进行并得到最佳的训练结果。

2.1.3 卷积神经网络

1） MobileNetV2网络结构

MobileNet网络是2017年推出的一种结构新颖的卷积神经网络[6]。其新型网络结构可实现卷积分离，减少输入模型的参数，降低运行的功耗和延迟度。利用逐点卷积减少计算量，使网络模型训练速度加快，得到较好的性能。

MobileNetV2网络在原先的MobileNet网络的基础结构上进行优化，即增加了线性瓶颈层和倒置残差结构。利用通道数的扩张和收缩来对图形的特征进行提取和学习，使得卷积神经网络能学习到更多的图片特征参数，并且占用更少的内存空间，大大提高了使用效率。

2） ShuffleNetV2网络结构

轻量级网络ShuffleNetV主要应用于计算能力受限的移动设备，创新点为逐点群卷积（Pointwise Group Convolution） 和通道混洗（Channel Shuffle） ，可以更好地提取图像特征[7]。

ShuffleNetV1网络的关键部分使用分组卷积（Group Convolution）结构，这一操作明显减少了参数的使用量，加快了信息的传输速度，从而提高了网络的处理能力。通道混洗层的存在也可以较好地解决图片特征信息传输的断层问题，达到准确提取特征参数的目的，有效提升模型的泛化性。为了优化网络结构，ShuffleNetV2在ShuffleNetV1的基础上，采用通道分离（Channel Split） 操作对通道混洗层的位置进行调整，加快了模型的训练速度。

2.2 实验与分析

2.2.1 实验环境

1） 硬件平台

设备名称：LAPTOP-RNE2PPQH，处理器：Intel（R） Core（TM） i5-9300H CPU @2.40GHz 2.40 GHz，机带：RAM 8.00 GB。

2） 软件平台

PyTorch发布于2017年，是Facebook公司基于原始的Torch 框架推出深度学习框架，采用 Python 作为其主要开发语言。众多深度学习开源框架为追求速度和效率都在使用静态图，然而静态图限制了研究人员思考其他解决问题的方法[8-9]。PyTorch能够解决上述问题，它支持动态计算图，所以在PyTorch模型的基础上进行修改非常方便，参数变量的值也可随时查看。现在PyTorch 已经广泛应用在机器学习和深度学习领域。

2.2.2 实验设计

本文使用随机梯度下降算法（SGD）训练模型，选择Nadam作为优化器，激活函数选择ReLU函数，损失函数采用softmax函数。为了使卷积神经网络模型识别效果达到理想状态，需要对网络参数进行设置。两种卷积神经网络模型的部分参数设置如表 1所示。

在网络模型训练过程中，设置初始学习率lr=1e-4；在训练约50个epoch后，学习率lr下降为1e-6。

2.2.3 结果与分析

针对生猪个体身份识别问题，本实验主要关注的指标为准确率和损失值，将准确率与损失函数绘制为曲线图，得到训练集与测试集识别结果如图2、图3所示。

从图 2可以看出，在前50个周期，两种模型损失函数曲线不断下降并趋向于0.82；准确率不断上升，达到96.5%左右。在第50个周期，学习率lr下降为1e-6后，损失函数曲线快速下降，然后逐渐趋向于0.69；准确率曲线快速上升，然后稳定在99.6%。

从图 3可以看出，在前50个周期，ShuffleNetV2模型损失函数不断下降，曲线波动较小，逐渐收敛于0.73；MobileNetV2模型损失函数也不断下降，但曲线波动稍大，逐渐收敛于0.75。准确率不断上升，ShuffleNetV2曲线平稳在99.3%左右；MobileNetV2曲线逐渐收敛于99.1%。在第50个周期，学习率lr下降为1e-6后，模型的损失函数快速下降，逐渐趋向于0.65；两种模型准确率均快速上升，然后稳定在99.75%。

经过对比可以看出，ShuffleNetV2模型表现稳定，效果优于MobileNetV2模型，可以实现生猪个体的身份识别。

3 结束语

本文以养殖场环境下的生猪为研究对象，设计出基于卷积神经网络的生猪个体身份识别系统，其优势在于不需要对生猪进行特征标记，降低了时间和经济成本。此系统将预处理后的生猪图像制作成数据集，再利用数据集对ShuffleNetV2与MobileNetV2模型进行训练和测试。对比实验结果发现，ShuffleNetV2模型收敛速度快，表现稳定，适合应用于生猪个体的身份识别。

参考文献：

[1] 杨秋妹，肖德琴，张根兴.猪只饮水行为机器视觉自动识别[J].农业机械学报，2018，49（6）：232-238.

[2] 王统.深度学习中卷积神经网络的结构及相关算法[J].信息与电脑，2020（8）：41-43.

[3] Shelhamer E，Long J，Darrell T.Fully Convolutional Networks for Semantic Segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651.

[4] 翟高粤.基于卷积神经网络的手写数字识别应用[J].甘肃科技纵横，2021，50（1）：1-3.

[5] 周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（6）：1229-1251.

[6] 赵洋，许軍.基于MobileNetV2与树莓派的人脸识别系统[J].计算机系统应用，2021，30（8）：67-72.

[7] 宋敏毓，陈力荣，梁建安，等.轻量化改进网络的实时光纤端面缺陷检测模型[J].激光与光电子学进展，2022，59（24）：2415006.

[8] 李梦洁，董峦.基于PyTorch的机器翻译算法的实现[J].计算机技术与发展，2018，28（10）：160-163，167.

[9] Druzhkov P N，Kustikova V D.A Survey of Deep Learning Methods and Software Tools for Image Classification and Object Detection[J].Pattern Recognition and Image Analysis，2016，26（1）：9-15.

【通联编辑：唐一东】

收稿日期：2022-06-20

基金项目：江苏省大学生创新创业训练计划项目（202113986004Y）

作者简介：伍群旺（2000—） ，男，江西赣州人，本科生，主要研究方向为机械设计制造及自动化专业；常满馨（1999—） ，女，山西晋中人，本科生，主要研究方向为机械电子工程专业；马长华（1975—） ，男，江苏泰州人，副教授，硕士，主要研究方向为图像处理、模式识别。