本發(fā)明屬于畜牧業(yè)視覺識別，具體涉及一種基于多機(jī)協(xié)同視覺感知的動(dòng)物身份識別認(rèn)證和重識別系統(tǒng)。

背景技術(shù)：

1、重識別技術(shù)，也稱為再識別技術(shù)，是一種利用計(jì)算機(jī)視覺技術(shù)或相關(guān)算法，從圖像或視頻序列中識別出特定目標(biāo)(如行人、車輛、動(dòng)物等)的技術(shù)；重識別技術(shù)旨在解決跨攝像頭、跨時(shí)間、跨視角的目標(biāo)識別問題。它通過提取目標(biāo)對象的特征信息(如外觀、行為模式等)，并在不同的圖像或視頻幀中進(jìn)行比對和匹配，從而實(shí)現(xiàn)目標(biāo)的跨攝像頭追蹤和識別。

2、畜類動(dòng)物養(yǎng)殖場的精益管理要求精確識別每只動(dòng)物，每只動(dòng)物的唯一性通過所分配的唯一標(biāo)識確定(簡稱為id)。傳統(tǒng)的動(dòng)物身份識別方法通常采用在動(dòng)物身上設(shè)置耳標(biāo)、項(xiàng)圈、腳環(huán)等物理設(shè)備來對動(dòng)物身份進(jìn)行標(biāo)識，該物理設(shè)備里保存分配的唯一編號作為動(dòng)物的id，通過專用讀取設(shè)備讀出。例如，在牛養(yǎng)殖場中，在特定活動(dòng)發(fā)生時(shí)，如投料、擠奶、配種、注射疫苗等，需要獲取該id，并以此記錄“牛”個(gè)體的活動(dòng)信息。

3、但是，該傳統(tǒng)的動(dòng)物身份識別方法需要在動(dòng)物身上安裝專用設(shè)備，并在動(dòng)物活動(dòng)區(qū)域的特定位置部署專用讀取設(shè)備，動(dòng)物數(shù)量越大，所需部署的設(shè)備數(shù)量越多，對企業(yè)形成高昂的管理成本；此外，id的存儲(chǔ)設(shè)備與讀取設(shè)備只能在短距離工作，無法在動(dòng)物的整個(gè)活動(dòng)空間提供id，讀取位置受限，且讀取精度受環(huán)境干擾。

4、由此導(dǎo)致的對動(dòng)物管理較為寬松，對個(gè)體動(dòng)物的管理不夠精確，從而可能導(dǎo)致某些危險(xiǎn)從個(gè)體上爆發(fā)出來，最終導(dǎo)致整體的不良反應(yīng)等。因此，本方案提供一種基于多機(jī)協(xié)同視覺感知的動(dòng)物身份識別認(rèn)證和重識別系統(tǒng)用于解決上述背景技術(shù)提出的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對上述背景技術(shù)所提出的問題，本發(fā)明的目的是：旨在提供一種基于多機(jī)協(xié)同視覺感知的動(dòng)物身份識別認(rèn)證和重識別系統(tǒng)，減少了設(shè)備投入，提升了識別精度且不受距離和環(huán)境限制，數(shù)據(jù)自動(dòng)匯總統(tǒng)計(jì)節(jié)省了人工分析時(shí)間，同時(shí)，無接觸式認(rèn)證有益于減少動(dòng)物應(yīng)激反應(yīng)，利于其健康生長和生產(chǎn)性能發(fā)揮。

2、為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采用的技術(shù)方案如下：

3、一種基于多機(jī)協(xié)同視覺感知的動(dòng)物身份識別認(rèn)證和重識別系統(tǒng)，包括信息采集裝置、數(shù)據(jù)處理模塊和智慧平臺顯示裝置；

4、所述信息采集裝置用于對養(yǎng)殖場的動(dòng)物進(jìn)行全方位的信息采集，所述信息采集包括拍攝動(dòng)物的圖片、視頻和相關(guān)的環(huán)境信息；所述信息采集裝置包括巡檢軌道、固定攝像機(jī)、巡檢攝像機(jī)和便攜式攝像設(shè)備，所述巡檢攝像機(jī)設(shè)置于巡檢軌道上，所述巡檢軌道圍繞養(yǎng)殖場設(shè)置；所述信息采集裝置將采集到的信息傳輸至數(shù)據(jù)處理模塊；

5、所述數(shù)據(jù)處理模塊包括服務(wù)器，所述服務(wù)器獲取信息采集裝置發(fā)送的數(shù)據(jù)，所述數(shù)據(jù)處理模塊采用預(yù)訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行目標(biāo)檢測、語義分割和重識別技術(shù)處理采集動(dòng)物信息，生成相應(yīng)的識別和關(guān)聯(lián)結(jié)果；所述識別和關(guān)聯(lián)結(jié)果發(fā)送至智慧平臺顯示裝置；所述識別和關(guān)聯(lián)結(jié)果包括動(dòng)物的身份、位置及狀態(tài)信息；

6、所述智慧平臺顯示裝置接收來自數(shù)據(jù)處理模塊的數(shù)據(jù)，還用于展示養(yǎng)殖場的環(huán)境信息、動(dòng)物的身份、位置及狀態(tài)信息。

7、進(jìn)一步限定，所述信息采集裝置通過通信接口將采集到的圖片或視頻數(shù)據(jù)發(fā)送至數(shù)據(jù)處理模塊。

8、進(jìn)一步限定，包括如下步驟：

9、步驟一：用戶根據(jù)養(yǎng)殖場內(nèi)的攝像頭類型和位置，選擇相應(yīng)的信息采集方案，并采集動(dòng)物信息；

10、步驟二：將步驟一中采集的動(dòng)物信息通過邊緣云計(jì)算技術(shù)傳輸至數(shù)據(jù)處理模塊；

11、步驟三：數(shù)據(jù)處理模塊采用目標(biāo)檢測、語義分割和重識別技術(shù)處理采集到的動(dòng)物信息，

12、生成相應(yīng)的識別和關(guān)聯(lián)結(jié)果；所述動(dòng)物信息包括動(dòng)物圖片或動(dòng)物視頻；

13、步驟四：將步驟三中生成的結(jié)果存儲(chǔ)到數(shù)據(jù)庫，以便后續(xù)的分析和應(yīng)用；

14、步驟五：將步驟三中生成的結(jié)果推送至前端顯示，供用戶查看和決策。

15、進(jìn)一步限定，所述步驟一具體為：固定攝像頭、巡檢攝像頭或便攜式攝像設(shè)備分別對養(yǎng)殖場的動(dòng)物進(jìn)行全方位的信息采集；

16、所述步驟二具體為：將采集到的動(dòng)物信息傳輸至數(shù)據(jù)處理模塊，并采用邊緣云計(jì)算技術(shù)進(jìn)行數(shù)據(jù)處理和存儲(chǔ)；

17、所述步驟三具體為：對采集到的動(dòng)物圖片或動(dòng)物視頻進(jìn)行目標(biāo)檢測，使用計(jì)算機(jī)視覺技術(shù)識別出圖片中的動(dòng)物；再對目標(biāo)檢測到的動(dòng)物進(jìn)行語義分割，將其與背景進(jìn)行分離，以提取更準(zhǔn)確的特征；最后使用重識別技術(shù)對采集到的不同時(shí)間段內(nèi)的同一種動(dòng)物進(jìn)行識別，并將其關(guān)聯(lián)起來，確保動(dòng)物身份的準(zhǔn)確認(rèn)證；

18、所述步驟四具體為：將步驟三中處理的數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)庫，所述數(shù)據(jù)庫存儲(chǔ)的數(shù)據(jù)包括動(dòng)物的屬性信息、識別結(jié)果和環(huán)境數(shù)據(jù)；

19、所述步驟五具體為：將步驟三中生成的識別和關(guān)聯(lián)結(jié)果推送至前端顯示，用戶可查看動(dòng)物的身份認(rèn)證和重識別情況，并根據(jù)用戶的實(shí)際需求作出相應(yīng)的決策。

20、進(jìn)一步限定，所述深度學(xué)習(xí)模型包括小樣本數(shù)據(jù)模型，所述小樣本數(shù)據(jù)模型擴(kuò)充技術(shù)解決由于動(dòng)物行為不可控導(dǎo)致的訓(xùn)練數(shù)據(jù)量少的問題，其步驟包括：

21、抽取少量樣本進(jìn)行屬性特征提取，進(jìn)行耦合特征空間，輸出屬性向量；再將少量樣本通過翻轉(zhuǎn)、旋轉(zhuǎn)或裁剪進(jìn)行隨機(jī)擴(kuò)增得到擴(kuò)增后的真實(shí)樣本；再將屬性特征嵌入網(wǎng)絡(luò)，通過生成器生成對抗網(wǎng)絡(luò)模型，通過語義約束式對抗網(wǎng)絡(luò)對樣本的關(guān)鍵屬性進(jìn)行提取，最后輸出屬性多樣化的樣本。

22、進(jìn)一步限定，所述深度學(xué)習(xí)模型還包括數(shù)據(jù)樣本自適應(yīng)擴(kuò)充訓(xùn)練技術(shù)，所述自適應(yīng)擴(kuò)充訓(xùn)練技術(shù)基于熵值裝袋查詢的主動(dòng)學(xué)習(xí)策略對模型進(jìn)行自適應(yīng)擴(kuò)充訓(xùn)練，包括如下步驟：

23、通過設(shè)置不均衡數(shù)據(jù)集，所述不均衡數(shù)據(jù)集內(nèi)包括訓(xùn)練集和測試集，訓(xùn)練集內(nèi)訓(xùn)練多個(gè)分類器，訓(xùn)練完成后，每個(gè)樣本輸入分類器進(jìn)行生成標(biāo)簽，再選擇最具有代表性的樣本進(jìn)行人工標(biāo)注，得到標(biāo)記樣本并以此建立模型實(shí)現(xiàn)自適應(yīng)擴(kuò)充訓(xùn)練；

24、所述數(shù)據(jù)樣本自適應(yīng)擴(kuò)充訓(xùn)練技術(shù)采用的表達(dá)式為公式1：

25、

26、其中h是樣本xi的熵值，p(y*＝w|xi)表示樣本xi被模型預(yù)測為類別w的概率，y*為模型的預(yù)測結(jié)果，ni是類別總數(shù)。

27、進(jìn)一步限定，所述深度學(xué)習(xí)模型還包括自適應(yīng)學(xué)習(xí)策略，所述自適應(yīng)學(xué)習(xí)策略對未標(biāo)注的全新圖像進(jìn)行學(xué)習(xí)，優(yōu)化知識圖譜，縮短模型訓(xùn)練周期。

28、進(jìn)一步限定，所述重識別技術(shù)對動(dòng)物個(gè)體進(jìn)行身份識別，重識別網(wǎng)絡(luò)同時(shí)提取動(dòng)物的全局特征和局部特征，并根據(jù)相鄰兩幀圖像提取動(dòng)物的步態(tài)特征，綜合識別動(dòng)物的身份信息。

29、本發(fā)明的有益效果：

30、1.本方案提供的一種基于多機(jī)協(xié)同視覺感知的動(dòng)物身份識別認(rèn)證和重識別系統(tǒng)，包括以下步驟：使用攝像頭對養(yǎng)殖場的動(dòng)物進(jìn)行全方位的信息采集，包括拍攝動(dòng)物的圖片和相關(guān)的環(huán)境信息；對采集到的動(dòng)物圖片或視頻進(jìn)行目標(biāo)檢測，使用計(jì)算機(jī)視覺技術(shù)識別出圖片中的動(dòng)物，并對目標(biāo)檢測出的動(dòng)物進(jìn)行語義分割，將其與背景進(jìn)行分離，使用重識別技術(shù)對采集到的不同時(shí)間段內(nèi)的同一種動(dòng)物進(jìn)行識別，并將其關(guān)聯(lián)起來，這可以通過預(yù)訓(xùn)練好的深度學(xué)習(xí)模型或方法來實(shí)現(xiàn)；將處理后的數(shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫中，以便后續(xù)的分析和應(yīng)用。數(shù)據(jù)庫可以存儲(chǔ)動(dòng)物的屬性信息、識別結(jié)果及相關(guān)的環(huán)境數(shù)據(jù)。將處理后的數(shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫中，以便后續(xù)的分析和應(yīng)用。數(shù)據(jù)庫可以存儲(chǔ)動(dòng)物的屬性信息、識別結(jié)果及相關(guān)的環(huán)境數(shù)據(jù)。將生成的排名、推薦、報(bào)表等結(jié)果推送到前端顯示，可以是智能管理平臺或其他相關(guān)的應(yīng)用程序。用戶可以根據(jù)實(shí)際需求查看動(dòng)物的情況、了解檢測結(jié)果，并作出相應(yīng)的決策。

31、2.在成本方面，通過設(shè)置信息采集裝置、基于視覺感知的數(shù)據(jù)處理模塊及巡檢軌道采集養(yǎng)殖場的數(shù)據(jù)，相較于現(xiàn)有的設(shè)計(jì)，減少了設(shè)備投入。在識別精度上，全方位采集動(dòng)物信息，利用計(jì)算機(jī)視覺技術(shù)進(jìn)行目標(biāo)檢測、語義分割和重識別，不受距離和環(huán)境限制，精度更高。在動(dòng)物管理上，精確識別和關(guān)聯(lián)個(gè)體動(dòng)物不同時(shí)段的情況，自動(dòng)分類高產(chǎn)個(gè)體，優(yōu)化管理策略。在效率方面，24小時(shí)實(shí)時(shí)觀察，數(shù)據(jù)自動(dòng)匯總統(tǒng)計(jì)，節(jié)省人工分析時(shí)間。同時(shí)，無接觸式認(rèn)證減少動(dòng)物應(yīng)激反應(yīng)，利于其健康生長和生產(chǎn)性能發(fā)揮。綜上所述，本發(fā)明有效解決了傳統(tǒng)方法對動(dòng)物管理較為寬松，對個(gè)體動(dòng)物的管理不夠精確的技術(shù)問題，同時(shí)為動(dòng)物養(yǎng)殖管理帶來了革新。