(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210394606.2 (22)申请日 2022.04.14 (71)申请人 哈尔滨理工大 学 地址 150001 黑龙江省哈尔滨市南岗区学 府路52号哈尔滨理工大 学 (72)发明人 房国志　刘锋　张晓琢　 (74)专利代理 机构 哈尔滨三目知识产权代理事 务所(普通 合伙) 23214 专利代理师 刘冰 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络及改进K-SVD算法的动物 种类识别方法 (57)摘要 一种基于神经网络及改进K ‑SVD算法的动物 种类识别方法， 属于图像识别领域。 一种基于神 经网络及改进K ‑SVD算法的动物种类识别方法， 由视频图像数据经过预处理得到图片数据制作 动物个体身份识别数据集； 步骤二、 改进YOLOv4 方法， 并依据改进的YOL Ov4算法检测图像 数据中 动物目标； 其中， 改进YOLOv4是指利用数据集进 行模型的预训练， 之后通过构建的目标检测数据 集进行Fine ‑tuning， 训练合适的权重； 基于K ‑ SVD算法， 增加图像的三色分量信息， 对K ‑SVD算 法改进， 以对动物个体图像去噪； 基于深度卷积 神经网络的动物 个体身份识别。 采用本发明方法 对动物个 体识别的准确率高。 权利要求书1页 说明书5页 附图2页 CN 114758357 A 2022.07.15 CN 114758357 A 1.一种基于神经网络及改进K ‑SVD算法的动物种类识别方法， 其特征在于： 所述方法通 过以下步骤实现： 步骤一、 制作动物个 体身份识别数据集； 由视频图像数据经过预处理得到图片数据， 利用LabelImg标定工具进行标定， 制作用 于个体检测的目标检测数据集； 步骤二、 改进YOLOv4方法， 并依据改进的YOLOv4算法检测图像数据中是否存在动物目 标； 若存在， 则进行 下一步的图像去噪操作； 若不存在， 则将此图像归为无动物目标的图像集 合； 其中， 改进YOLOv4是指利用数据集进行模型的预训练， 之后通过构建的目标检测数据 集进行Fine‑tuning， 训练合 适的权重； 步骤三、 基于K ‑SVD算法， 增加图像的三色分量信息， 对K ‑SVD算法改进， 以对动物个体 图像去噪； 步骤四、 基于深度卷积神经网络的动物个 体身份识别； 以TensorFlow为深度学习框架， 将检测完成后的训练集图像作为InceptionV3网络的 输入， 训练得到较优化的奶牛身份识别模型。 2.根据权利要求1所述的一种基于神经网络及改进K ‑SVD算法的动物种类识别方法， 其 特征在于： 步骤一所述对的制作动物个 体身份识别数据集的过程包括： 数据样本标注： 数据样本标注利用LabelImg标注工具进行人工标记， 标记 目标在原始 图像中的位置并注明所属类别， 并为每 个图像生成一个相应的xml文件。 3.根据权利要求1或2所述的一种基于神经网络及改进K ‑SVD算法的动物种类识别方 法， 其特征在于： 步骤二所述的依据改进的YOLOv4算法检测图像数据中是否存在动物目标 的过程包括： 设计YOLOv4的网络结构： 由CSPDarknet53作为骨干网络， SPP作为Neck的附加模块， PANet作为Neck的特征融合 模块， YOLOv3作为Head； 其中Darknet53包含了5个大残差块， 这5个大残差块包含的小残差 单元个数分别为1、 2、 8、 8、 4； CSPDarknet53在Darknet53的每个大残差块上加上了CSPNet， 通过梯度的变化集成到特征图中， 将特征图分为两部 分， 一部分进行卷积操作， 另一部 分与 上一次的卷积结果进行结合； 在目标检测过程中， CSP提升CNN的学习能力， 同时减少计算 量； PANet充分利用了特 征融合， YOLOv4中还将融合的方法由加法改为乘法； SSD的网络模型基于一个前馈的卷积神经网络VGG16： 将VGG16全连接层中的FC6层和 FC7层替换成3x3的卷积层Conv6和1x1的卷积层Conv7； 去 掉VGG16中所有的Dropout层和FC8 层； 将VGG16中的池化层pool5由原来stride=2的2x2变成stride=1的3x3； 添加了Atrous算 法； 在VGC16的基础上新增了卷积层。权　利　要　求　书 1/1 页 2 CN 114758357 A 2一种基于神经 网络及改进K ‑SVD算法的动物种类识别方 法 [0001] 技术领域 [0002]本发明涉及动物识别方法， 特别涉及一种基于神经网络及改进K ‑SVD算法的动物 种类识别方法。 背景技术 [0003]就我国畜牧业发展而言， 规模化养殖能够有效提高畜牧业养殖生产效率， 不仅有 利于农民增产增收， 而且有效提升食品安全保 障和疫病防控能力， 成为实现畜牧业领域经 济增长与环境可持续发展的有效途径。 然而， 实现规模化养殖也意味着面临更大的挑战， 在 一定程度上对养殖的方式方法以及管理体系都提出了更高的要求。 在规模化养殖中， 牲畜 群体中个体由于年龄、 体征、 防疫等信息的差异会造成产量的差异， 比如羊、 奶牛的产奶量 在不同个体的差异会比品种差异更大。 因此， 针对精准畜牧业养殖， 尤其是羊这种单体经济 价值较大的牲畜， 在养殖过程中需要考虑个体差异， 根据采集得到个体的生长情况， 进而针 对不同个体制 定不同的养殖方案， 实现精细化养殖。 传统的基于耳标式的动物个体身份识 别一方面识别效果受到距离的 限制， 耳标也易因损坏而失效； 另一方面， 穿刺型的耳标安装 于动物耳部会对动物身体产生物理上的损伤， 安装不当甚至会导致动物耳 朵撕裂并且存在 一定的概率导致脱落和丢失， 而电子耳标也会影响动物的生长状况。 因此这种采用人工巡 视‑采集信息 ‑分析整理的识别方式不仅人力物力成本较高， 而且无法及时准确地将 个体生 长信息进行反馈， 从而无法有效指导管理人员针对发生的问题进行优化， 从而在很大程度 上制约了 养殖的生产力。 [0004]牲畜个体的识别和行为的智能感知是精准畜牧业的核心。 牛、 猪、 羊作为常见牲畜 与我们的生活息息相关， 同时具有一定的经济价值， 国内外诸多学者对这些牲畜展开了广 泛的研究。 就 目前结合精准畜牧业未来的发展趋势和市场需求来看， 动物个体信息的智能 感知与行为检测的发展 方向更多的集中在非接触、 高精度以及高度自动化。 因此， 作为精 准 畜牧业的前提与基础， 建立一种基于非接触式、 成本较低、 识别精度较高的牲畜个体识别算 法具有重要的现实意义。 本发明通过构建数据集， 结合目标检测算法与个体识别算法， 提出 了一种基于深度卷积神经网络的牛个体身份识别方法， 有效提升了个体的识别准确率与识 别速率， 为牲畜的个 体身份识别提供了有效的解决途径。 [0005]实现牲畜快速高效的个体身份识别是精准畜牧业的基础， 有助于提高畜产品品 质， 增强畜产品在国际市场的竟争力。 实现畜牧业经济增长与可持续生态农业， 在提高生产 效率的同时大大降低了人力、 物力成本。 精准畜牧要求实现对牲畜个体信息采集并对行为 进行分析， 因此个体身份识别是信息 自动采集和处理的前提和基础。 精准养殖体系中牲畜 个体档案的建立、 信息的采集、 养殖管理的方式以及畜牧产品溯源等各个环节， 都以牲畜个 体识别为前提。 基于神经网络的个体身份识别不仅可以实现智能获取牲畜信息、 提高养殖 场工作效率， 而且有利于后续基于监控视频对动物行为进行分析， 根据分析动物行为规律说　明　书 1/5 页 3 CN 114758357 A 3