基于卷积神经网络的大白母猪发情行为识别方法研究

发布时间：2024-04-14 04:39

　　针对现有发情检测方法灵敏度低、识别时间长、易受外界干扰等缺点,根据大白母猪试情时双耳竖立的特征,提出一种基于卷积神经网络(Convolutional neural network,CNN)的大白母猪发情行为识别方法。首先通过采集公猪试情时发情大白母猪与未发情大白母猪的耳部图像,划分训练集样本(80%)与验证集样本(20%)用于后期训练。随后,基于Alex Net卷积神经网络构建分类模型(Alex Net_Sow),并对该模型的网络结构进行简化,简化后的模型包含2个卷积模块和2个全连接模块,选择修正线性单元(Rectified linear units,Re LU)作为激活函数,用自适应矩估计(Adaptive moment estimation,Adam)方法优化梯度下降,选择Softmax作为网络分类器,通过结合增强学习的方法对模型进行训练,得到模型应用于验证集的准确率达到99%。此外,设定了发情鉴定的时间阈值,并结合Lab VIEW的Python节点用于模型应用。当公猪试情时,大白母猪双耳竖立时长达到76 s时,则可判定其为发情。该方法对大白母猪发情识别的精确率...

【文章页数】：7 页

【部分图文】：

图1大白母猪耳部图像示例

为了提高模型的准确性，减少过拟合现象的出现并增强模型泛化性，往往需要使用大量数据来进行训练[27]。由于本试验周期短且图像样本较单一，容易使得神经网络出现过拟合[28]，过拟合现象会使模型的准确性下降[29]，因此需要在深度学习之前对图像数据进行预处理。首先将猪只耳部图像缩小至1....

图2各模型准确率与损失值曲线

神经网络训练参数设置为:每一个训练批次(Batch)的图像数量为64，训练迭代次数(Epoch)为30，初始学习速率为0.001。图2为AlexNet＿Sow＿Simplified模型在训练集和验证集上的准确率及损失值随迭代次数变化曲线。从图2a中可知，模型在训练集与验证集上的....

本文编号：3954132