基于卷积神经网络的猪只个体身份识别研究摘要：为了便于管理猪只，需及时关注每只猪的状态，本研究以真实条件下的7只猪只为研究对象，利用Keras建立了卷积层-池化层-卷积层-池化层2层卷积神经网络模型对猪只个体身份进行识别。建立的卷积神经网络模型对猪只个体身份识别的准确率可达85.71%。建立的猪只个体身份识别模型简单，执行效率高，可以较准确的实现猪只身份识别。关键词：猪只;个体身份识别;Keras;卷积神经网络：TP391.4文献标识码：A：1006-8228（2022）04-51-04ResearchonpigindividualidentitybasedonconvolutionalneuralnetworksMaNaXuMiao（CollegeofInformationScienceandEngineering，ShanxiAgriculturalUniversity，Taigu，Shanxi030801，China）Abstract：Inordertofacilitatethemanagementofpigs，itisnecessarytopayattentiontothestatusofeachpigintime.Inthispaper，usingKerasandtakingsevenpigsunderrealconditionsastheresearchobject，atwo-layerconvolutionalneuralnetworkmodelwhichincludesconvolutionallayer-poolinglayer-convolutionallayer-poolinglayerisestablishedtoidentifyindividualpigs.Theaccuracyoftheconvolutionalneuralnetworkmodelforindividualidentificationofpigscanreach第1页共3页85.71%.Thepigindividualidentificationmodelissimpleandefficient，whichcanidentifypigsmoreaccurately.Keywords：pig;individualidentification;Keras;convolutionalneuralnetwork0引言我是世界上养猪数量最多的国家之一，监测猪只健康状况对生产力和人类健康都至关重要[1-3]。随着科学技术发展和壮大，信息化时代已经到来，目前我国的养猪业，无论是生产方式、生产能力还是养殖模式，都在发生翻天覆地的变化，正处于由传统养猪业向信息化养猪业转变时期[4-7]。很多大型养猪场对于猪只个体身份没有一个准确有效的识别方法，仅仅依靠管理员的观察，几乎不可能实现对猪只连续地、个别地观察。为了方便管理，一般会通过在猪只耳朵上穿孔来佩戴无线射频识别标签（RFID）[8-10]来辨别猪只身份。但这种方法存在一些缺陷：①穿孔很大可能会导致皮肤发炎，影响猪只健康;②随着猪只之间的接触，难免会发生咬标、掉标的情况;③养殖人员每隔一段时间都得检查标签，很耗费时间和精力。近年来，机器视觉技术不断发展，在目标识别[11-14]、跟踪方面[15-16]有了很大进展，不仅减少了成本，通过实时监测还能及时发现猪只异常。Wei激aHuang等[17]提取猪只图像Gabor特征、纹理特征，然后利用PCA降低特征维数，最后用支持向量机对猪只身份进行识别。赵伟等[18]提出了一种基于Gabor方向直方图和支持向量机的猪只个体身份识别方法。首先利用关键点提取肩部和臀部两个特征区域，然后提取猪体背部毛发模式特征，最后将提取的猪只的Gabor方向第2页共3页直方图作为SVM分类器的输入进行猪只个体身份识别。MarkF.Hansen等[19]采集猪脸视频，然后用猪脸训练神经网络进行猪只身份识别。该方法要求必须拍摄到猪只正脸，造成身份识别局限性。传统的猪只身份识别需要对实验中猪只的前景和目标的特点进行大量的分析，提取有效的特征向量数据作为模式识别和分类器的数据输入，在特征向量提取和分类器选择上有很大随机性。卷积神经网络[20-22]（ConvolutionalNeuralNetworks，CNN）是近些年来图像识别技术中应用最多，最受欢迎之一的技术，在很多领域都有较高的性能。卷积神经网络不需要对图像进行大量的算法处理，只需使用较少的程序代码就可以建立深度学习模型，进行训练、评估准确率、并进行预测。因此本文研究利用卷积神经网络构建猪只个体身份识别模型，该模型的优点是可以对真实条件下的猪只图像直接进行预测，模型简单，效率高。1卷积神经网络1.1卷积神经网络的组成卷积神经网络包括数据输入层（inputlayer）、卷积层（convlayer）、池化层（poolinglayer）、激活函数（ActivationFunction）、Dropout和全连接层（FClayer）。⑴输入层：对图像的特征数据预处理，把对图像的预处理数据转化成容易识别的图像特征数据。⑵卷积层：绝大部分计算都是集中在该层完成的。有多少个卷积核，输出就有多少个卷积核通道。每个卷积核的输出都生成一个特征图，这些特征图堆叠在一起组成整个卷积核输出的结果。第3页共3页