首页|育肥猪生长过程中脸部变化对识别模型准确率的影响

育肥猪生长过程中脸部变化对识别模型准确率的影响

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为探究猪脸识别模型对育肥猪猪脸生长变化的识别效果,采用深度卷积网络,对大白育肥猪生长过程中脸部变化与识别模型准确率之间的关系进行研究.结果 表明:1)在预训练的DenseNet201、MobileNetV3_ small、SeNet154和Xception 4种模型中,SeNet154模型猪脸识别效果最好,对验证集的识别准确率可达98.80％,选其为猪脸识别模型;2)分别用试验期间第1～2、1～3、1～4和1～5天采集的猪脸图像数据训练该模型,并分别使用第3～8、4～9、5～10和6～11天的数据逐天测试模型的猪脸识别效果发现,使用第1～4与1～5天数据训练的模型猪脸识别效果相当且优于使用第1～2与1～3天数据训练的模型.使用第1～4天数据训练的模型对第5天数据的识别准确率最高,为96.74％,其后5天的识别准确率逐天下降,到第10天为84.17％.分析认为,造成识别准确率下降的原因是猪脸生长、光照变化以及污渍附着.3)使用第(n-4)～(n-1)天(5≤n≤10)的数据重新训练动态模型后,对第n天猪脸数据的识别准确率均在95.82％以上.深度卷积网络模型在猪脸识别方面有较高的识别准确率,可以用于育肥猪的脸部识别;建议在育肥猪的猪脸识别系统中每天都使用至少前4天,且≥10 800组图像数据重新更新猪脸识别模型.
Effect of facial changes on the accuracy of the recognition model during the growth of finishing pigs

张建龙、周康、庄晏榕、滕光辉

展开 >

中国农业大学水利与土木工程学院,北京100083

农业农村部设施农业工程重点实验室,北京100083

北京市畜禽健康养殖环境工程技术研究中心,北京100083

育肥猪 猪脸识别 深度学习 卷积神经网络

“十三五”国家重点研发计划

2016YFD0700204

2021

10.11841/j.issn.1007-4333.2021.06.18

中国农业大学学报
中国农业大学

中国农业大学学报

CSTPCDCSCD北大核心
影响因子：0.971
ISSN：1009-508X
年,卷(期)：2021.26(6)
  • 5
  • 7