融合注意力机制的个体猪脸识别

TP391.4; 随着机器视觉技术的发展,猪脸识别作为猪只个体识别方法之一受到广泛关注.为了探索非接触式的猪只个体精准识别,该研究通过深度学习模型DenseNet融合CBAM(Convolutional Block Attention Module),建立改进的DenseNet-CBAM模型对猪脸进行识别.将DenseNet121模型进行精简,然后将CBAM注意力模块嵌入到精简的DenseNet121分类网络之前,以加强对关键特征的提取,实现猪脸图像的分类.以随机采集的1195张猪脸图像作为数据集对本文模型进行测试.结果表明,DenseNet-CBAM模型对个体猪脸识别的准确率达到99.25％...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 38; no. 7; pp. 180 - 188
Main Authors 谢秋菊, 吴梦茹, 包军, 尹辉, 刘洪贵, 李欣, 郑萍, 刘文洋, 陈刚
Format Journal Article
LanguageChinese
Published 东北农业大学电气与信息学院,哈尔滨 150030 01.04.2022
农业农村部生猪养殖设施工程重点实验室,哈尔滨 150030%东北农业大学电气与信息学院,哈尔滨 150030%东北农业大学动物科技学院,哈尔滨 150030
农业农村部生猪养殖设施工程重点实验室,哈尔滨 150030%朝阳市建平县畜牧技术推广总站,朝阳 122000%东北农业大学动物科技学院,哈尔滨 150030%朝阳市凌源市种畜场,朝阳 122000
Subjects
DenseNet
注意力机制
机器视觉
猪脸识别
图像处理
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2022.07.020

Cover

More Information
Summary:TP391.4; 随着机器视觉技术的发展,猪脸识别作为猪只个体识别方法之一受到广泛关注.为了探索非接触式的猪只个体精准识别,该研究通过深度学习模型DenseNet融合CBAM(Convolutional Block Attention Module),建立改进的DenseNet-CBAM模型对猪脸进行识别.将DenseNet121模型进行精简,然后将CBAM注意力模块嵌入到精简的DenseNet121分类网络之前,以加强对关键特征的提取,实现猪脸图像的分类.以随机采集的1195张猪脸图像作为数据集对本文模型进行测试.结果表明,DenseNet-CBAM模型对个体猪脸识别的准确率达到99.25％,模型参数量仅为DenseNet121的1/10;与ResNet50、GoogLeNet和MobileNet模型相比,DenseNet-CBAM的识别准确率分别提高了2.18、3.60和23.94个百分点.研究结果可为智能化养殖过程非接触式个体识别提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2022.07.020