摘要：把人工智能中卷积神经网络(CNN)，应用到湖羊品种性状测定。建立测定通道，为更精确的获得每只湖羊的身份 信息，采用对每个通过高清相机扫描得来的图像进行手动标记，进而湖羊身份信息库被成功建立，再通过卷积神经网络对 事先已经建立好的湖羊身份库中的图像进行特征识别研究和湖羊身份精准识別， 为湖羊品种性状智能化测定系统建立规范 和基础。

　　关键词： 人工智能,特征识别,身份认证,湖羊

　　0 引言

　　湖羊品种特征明显，人工智能的统计数量即可增加 准确性;更好的统计湖羊性状参数，将搜集好的湖羊图 像样本集输入构建湖羊个体模型中， 经过CNN算法演 变来验证样本集的身份标记。采用ROC的曲线下面积对 个体识别算法进行结果分析，来验证样本真实身份标记 和预测身份标记的数据准确性，利用智能化技术，可以 实现对湖羊的个体身份信息进行标识、对其品种性状进 行精准测量，有效关联湖羊个体信息与品种性状，实现 对湖羊肉用方向选种、育种与生长情况的精细化、智能 化、高效化管理。当前人们也愈加重视畜产品品质与安 全，快速、准确且即时识别畜禽个体身份，特征识别技术在畜禽身份研究的使用，既可以实现畜牧场精准化管 理，也为畜牧业带来新的产业形态和商业模式，拥有广 阔的应用领域。

　　1 材料与方法

　　1.1 图像数据采集

　　本文是以浙江临安罗塘大湾里湖羊养殖场中的湖羊 进行数据研究，为采集湖羊的不同阶段，将在室内进行 数据采集，通过对湖羊的不同角度和个体图像的扫描获 取，通过对每只羊采集100张左右图像，共采集500只羊 总计50 000张图片，采集活动湖羊图像数据的视频主要 来源湖羊养殖场中的实时监控数据，通过获得湖羊图像 数据，对湖羊侧视图的图像提取和目标分割，然后对湖羊身份库的图像构建，采用湖羊唯一编码标记的方法， 最终对训练和构建的样本集通过CNN网络来完成测试。

　　1.2 分析处理采集的图像

　　提高后续算法的适应性，首先对图像进行中值滤波 去噪，采用“参考白”法[1]进行光照补偿。考虑到围栏 对前景图像的遮挡及提高算法的实时性的要求，应用 超像素彩色图像分割算法 SLIC( simple linear iterative clustering) [2] ，将图像中同质的像素聚集为超像素，同 时应用SLIC算法能够将细长目标结构其融入背景这一内 涵，将围栏融入图像背景;应用模糊C均值算法(Fuzzy C-means ，FCM )[3] ，从SLIC分割算法将图像分割为具 有相似性状的子区域中提取前景[4] 。通过对湖羊图像分 割和形态学处理的操作，选择基于时间，图像边缘相似 匹配度进行综合评估，图1为正常光照采集下的部分前 景提取结果。

　　1.3 对采集的图像建立图像库

　　动物图像库来源于养殖场安装的监控，利用本文所 提出的多目标动物图像分割方法对监控采集的湖羊集群 侧视图进行前景与背景分割[5] ，利用椭圆对前景对象的轮 廓进行拟合，实现对湖羊个体的轮廓勾勒，见图2.利 用个体轮廓提取湖羊个体图像，即可形成湖羊图像库。

　　1.4 对采集的图像建立湖羊图像身份库

　　通过对湖羊个体唯一身份标识的方法来开发针对湖 羊个体识别的软件系统，通过对湖羊每个个体进行手工 轮廓勾勒来完成对湖羊个体的身份标记，为建立湖羊个体图像和身份之间的关系，采用对湖羊侧视采集的图像 进行分割，包括羊运动中的图像等，对湖羊养殖场中的 湖羊图像身份库的构建方面，必须完成湖羊个体图像库 和身份库的关联任务。

　　2 基于卷积神经网络湖羊个体特征识别

　　2.1 多尺度卷积核特征策略设计

　　因卷积神经网络是典型的深度学习技术和人工神经 网络拓扑结构[6] 。通过非常直接的将图像数据作为输入 信号的方法，预处理一些复杂的操作， CNN的前端由卷 积层和池化层的连接组成，随后由前卷积层和池化层聚 合产生一个或多个完全互连的层来分类图像特征[7] ，本 文主要通过一种基于多尺度卷积核的分析策略和特征提 取来实现湖羊个体识别和身份认证的匹配和关联照，见 图3.

　　2.2 特征提取优化策略设计方法

　　为使湖羊个体识别未知的图像和已知的图像个体， 必须对每只湖羊做一个分类标签，湖羊识别模式的分类数就是湖羊数量，把湖羊躯干图像特征分布结果分布在 整个图像区域当中。然后用Inception V3将每个湖羊个 体图像数据输入分类层[8] ，最终每个湖羊图像标签的置 信区间已获得。本文通过用获取同一只湖羊的不同角度 图像作为研究数据，先根据获得2幅图像的数据结果， 然后根据结果确定联合精度値，通过构建完全联通的神经 网络，对湖羊个体的置信値和输入数据的动物标签进行训 练，识别的结果就是获得多幅湖羊图像数据。

　　3 湖羊个体身份特征识别研究

　　3.1 构建湖羊身份识别模型

　　动物图像身份库是卷积神经网络的训练样本集，动 物图像作为训练样本集的X，动物身份标记作为训练样 本集的Y[9] 。再利用卷积神经网络模型以及特征信息提 取策略对训练样本集进行分割提取，并以图像特征信息 作为图像层面湖羊个体的分类依据，训练神经网络模 型，构建湖羊身份识别模型[10]。

　　3.2 湖羊身份特征待识别样本集构建

　　本文通过湖羊身份待识别样本集作为湖羊个体识别 模型的验证样本，采集的所有数据都从湖羊养殖场视频 监控获得，然后根据本文提出的多目标动物图像分割方 法对采集的湖羊侧视图进行前景和背景的分割，处理过 程见图4.

　　3.3 湖羊模型精度量化分析

　　本文首先对湖羊的湖羊个体身份进行标识，为更好的去验证身份识别模型的认证精度，将待识别样本输入 到运行身份识别模型中，经过模型推测，获得样本认证 标识，用来验证真实身份与预测身份的样本集，通过设 计的ROC曲线的曲线下面积对模型预测数据精确度进行 量化分析[11] ，经计算得知曲线下面积为0.987 6.结果表 明该身份识别模型有很高的识别认证精度，见图5.

　　4 训练与验证

　　4.1 湖羊个体图像采集训练

　　本文通过湖羊养殖场中的高清摄像头从不同角度采 集获得湖羊图像，然后通过改变不同的拍摄环境来采集 湖羊图像，比如聚焦模糊、运动模糊、下雪、积霜等模 式下采集湖羊图像，采用不同拍摄环境，不同分辨率获 取湖羊图像的目的就是丰富湖羊身份检测的数据集。采 集图像效果见图6.

　　利用上述方法对湖羊养殖场中的湖羊进行采集，采 集的图片总数为3 000张，考虑到采集到的湖羊图像的均 衡性、图像深度、分辨率因素，利用分类法随机将采集 的图像分为10份，分别利用本文所训练好的动物个体身 份识别模型对上述5组图像集进行检测学习，通过模型 推测湖羊身份与真实湖羊身份对比，为总结湖羊个体身 份识别检测性能提供数据支撑。湖羊检测准确率计算公 式见公式1.

　　湖羊识别精确度= (湖羊身份识别正确的数量/ 湖羊的总数量)× 100%　(公式1 )

　　通过将已采集完成的5组湖羊群体图像输入到已经 构建好的湖羊个体身份识别模型中，然后利用公式1计 算湖羊识别精确率，检测的湖羊数据和计算结果见表 1 ，通过测试的数据得知，湖羊的检测准确率平均为 0.929 0.

　　4.2 湖羊身份识别数据集验证训练测试

　　对湖羊身份库的样本集识别不仅是身份库里面的， 还应该考虑不属于身份库中的湖羊样本个数，应及时剔 除不属于样本个体集，还应在上述检测的10组样本集 中对每组加入100张部分属于和不属于的湖羊图像数据 集，用此来丰富样本数据集的验证，提高验证样本数据 集个体识别的准确率，见图7.

　　为验证湖羊个体特征识别模型的成功率，将上述10 组的湖羊数据样本集输入个体识别模型当中，通过个体 识别模型运算得出，属于身份库、部分属于、不属于身 份库的样本特征识别的准确率，计算公式见公式2.

　　湖羊个体特征识别准确率=【(属于身份库湖羊数量+不属于身份库剔除数量)/湖羊的总数量】× 100% (公式2 )

　　对于从湖羊个体身份识别的模型输出的数据判断来 看，湖羊的特征识别验证的准确率计算方法见公式2 ， 通过模型识别验证准确率见表2.

　　5 结果与分析

　　从湖羊检测准确率的测量和验证结果来看，人工智 能的卷积神经网络能够在非常短时间内成功完成湖羊图 像的卷积计算，湖羊征提取、身份识别等各项操作，并 具有较高的计算效率和识别效率，因此该应用在实际生 产中具有很好的推广前景。从湖羊特征模型验证测试来 看，基于人工智能能够准确地检测出属于身份库的湖羊 个体身份，但本文在对陌生湖羊的身份识别和数据采集 方面存在一定的不足，有数据显示有可能将陌生湖羊误 判将现有湖羊身份库中湖羊样本集中的数据情况[12] ，通 过对湖羊个体识别模型运行时间进行统计分析，基于人工智能的湖羊个体识别系统，能够在非常短的时间内完 成和实现湖羊个体身份判别。

　　6 讨论

　　本文通过把计算机机器视觉、图像处理、图像识 别、图像测量等技术应用到湖羊个体身份信息识别中 去，从湖羊个体识别的算法做重点阐述，然后从湖羊养 殖场所采集的图像数据，对湖羊群的侧视图进目标分 割、图像提取，计算等，并建立和标记湖羊唯一的编码 图像身份识别认证库系统，获取的图像身份识别认证库 作为卷积神经网络的输入样本训练集数据，训练和构建 强大的神经网络，对现实中的养殖场的湖羊进行精确特 征识别提供有说服力的参考数据[13] 。研究结果显示，此 开发的湖羊个体特征识别系统更有利的为湖羊品种性状 智能化测定系统建立规范和基础。

　　参考文献

　　[1] 杨帆，王志陶，张华.精通图像处理经典算法[M] .北京：北 京航空航天大学出版社， 2014 .

　　[2] Achanta R ，Shaji A ，Smith K ，et al . SLIC superpixels compared to state-of-the-art superpixel methods[J] . IEEE Transactions on Pattern Analysis & Machine Intelligence ， 2012 ，34( 11 )：2 274-2 282 .

　　[3] Bezdek J C .Pattern Recognition with Fuzzy Objective Function Algorithms[M] .New York ：Plenum Press ，1981 .

　　[4] 景壮壮.基于机器视觉的育肥猪生长信息监测研究[D] . 呼和 浩特：内蒙古农业大学， 2020 .

　　[5] 石炜，张帅奇.基于边缘的图像分割在牛体尺测量中的应用[J] . 数字技术与应用， 2020 ，38(2 )：48-51 .

　　[6] 李卓， 杜晓冬， 毛涛涛， 等.基于深度图像的猪体尺检测系 统[J] .农业机械学报， 2016 ，47( 3 )：311-318 .

　　[7] 王嘉欣，雷志春.一种基于特征融合的卷积神经网络人脸识 别算法[J] .激光与光电子学进展， 2020 ，57( 10)：339-345.

　　[8] Hansen M F ，Smith M L ，Smith L N ，et al .Towards on-farm pig face recognition using convolutional neural networks[J] . Computers in Industry ，2018 ，98 ：145-152 .

　　[9] 骞宇澄，刘昭策.深度学习的实现与发展：从神经网络到机 器学习[J] . 电子技术与软件工程， 2017( 11 )：30-31 .

　　[10] 张丽霞， 卫泽珍， 李金邦， 等.动物个体识别方法种种[J] . 野生动物学报， 2015 ，36(4 )：475-478 .

　　[11] 刘捷.基于图像分析的植物叶片识别研究[D] .南京：南京信 息工程大学， 2020 .

　　[12] 李卓.基于立体视觉技术的生猪体重估测研究[D] .北京：中 国农业大学， 2016 .

　　[13] 张丽娜.基于跨视角机器视觉的羊只体尺参数测量方法研究[D]. 呼和浩特：内蒙古农业大学， 2017