基于ResNet50模型的猪脸识别APP设计研究冯明强曹冬颖李佳妮摘要：为了帮助养猪场实现猪只精准管理，应用深度学习技术设计了一款猪脸识别APP。利用ResNet50神经网络模型对照片进行训练与预测，并以MUI框架和Django框架为依托开发APP。实验结果表明，在ResNet50模型基础上优化后的网络，对猪的面部照片有着较高的识别率。关键词：猪脸识别APP;ResNet50;深度学习;MUI框架：TP311.5：A：1006-8228（2020）06-46-04Abstract：Inordertohelpthepigfarmtoachieveaccuratepigmanagement，apigfacerecognitionAppisdesignedbyusingdeeplearningtechnologyinthispaper.TheResNet50neuralnetworkmodelisusedtotrainandpredictphotos，combiningwithMUIframeworkandDjangoframework，apigfacerecognitionAppisfinallyrealized.TheexperimentresultsshowthattheoptimizednetworkbasedonResNet50modelhasahighrecognitionrateforpig'sfacialphotos.Keywords：pigfacerecognitionApp;ResNet50;deeplearning;MUIframework0引言随着畜牧业不断发展，人们对于食物安全和食品质量的要求不断提升。养殖场为了满足集约化管理与精确测量的要求，需要进行更高效的牲畜识别管理。目前用于猪只身份识别的方法主要为RFID标签方案，但是此方案耗时长、成本高，耳标易丢失，且要对猪耳朵打洞，猪难以适应，对操作人员的安全也构成了威胁[1]。此外，在传统的猪只识别方法下，养殖户进行骗保的现象难以避免。近年来，计算机视觉的飞速发展推动了深度学习技术在众多领域的广泛应用。卷积神经网络作为深度学习的一大经典网络，在图像识别上的表现比传统方法更加优秀。随着AlexNet、VggNet、GoogleNet、ResNet等[2]深层网络模型被相继提出、不断改进，网络模型的识别准确率越来越高，这同时带来了梯度消失和梯度爆炸的问题，而残差网络可以在一定程度上解决这个问题[3]。ResNet50[4]是一种易优化、计算负担小的残差学习框架。随着移动互联网技术迅速发展，各种APP凭借强大的实用功能愈发普及[5]。本文介绍的猪脸识别APP利用ResNet50网络模型的训练结果，实现了对猪只的高精度識别。这款APP能够方便养殖户、保险公司等用户，减少养殖场进行猪只识别所耗费的人力、物力和财力，降低保险公司被养殖户骗取保险金的概率。1数据采集处理与网络模型训练在深度学习中，网络模型的结构优劣是识别率高低的决定性因素，因此下面将分析猪脸照片在ResNet50网络模型下的准确率。1.1数据采集与处理数据集来源于吉林省某地的一家养猪场，此场对猪只实行分栏管理。将摄像头安装在食槽上方，根据摄像头视角范围调整安装角度后，可保证一个摄像头能够拍摄到五头猪只吃饭时的脸部照片。由于猪圈不是完全处于室内，因此拍摄要考虑太阳光照强度，在上午和下午的适宜时间打开摄像头，拍摄期为三天。获得视频数据后，使用OpenCV完成对视频流的分帧，得到的每一张图片包含五头猪。可用两种方法获取到单张照片，一种是使用目标检测神经网络，另一种是使用标记工具。为了提高分割的准确率，本文采用labelImg工具，标记出每一张图片中较为清晰的猪脸，labelImg将每一张图片中的标签信息保存在对应的xml文件中，借助python对文件做相关操作，将每一张图片中标记出的猪脸裁剪为单张照片并保存到相应编号的文件夹。最后，统一各编号猪的数据集并按照3：1：1比例划分为训练集、验证集、测试集。为了提高识别的精确度需要扩充数据集大小，在训练网络时，利用Keras中的数据生成器对原始数据集进行旋转等增强操作。1.2网络搭建与训练在神经网络中，残差网络可以在不影响网络性能的前提下解决梯度消失和梯度爆炸这两个问题。残差网络通过加入shortcutconnections，变得更易于优化。ResNet50是一个性能优良的的残差网络模型，它包含49个卷积层和1个全连接层[6]。为了提高猪脸识别准确率，本文对ResNet50结构进行优化，在最后的全连接层后连接一个最大池化层，以0.25的概率随机丢弃特征，增加一层flatten层，最后连接一个全连接层。本文搭建的网络在Keras平台上运行，keras是一种使用Python语言的深度学习框架，具有良好的封装性，隐藏实现细节，便于搭建、...