联合损失优化下的高相似度奶山羊身份识别

目的 动物个体身份识别一直是智慧畜牧业的主要难题之一，由于动物个体本身与人类在图像识别上需要的数据特征不同以及各个特征作为个体属性之间的关系不明确，对动物个体识别领域的研究较少，针对具有高相似度的奶山羊个体身份识别问题，提出了基于深度学习的高相似度的奶山羊识别方法。方法 采集了26只萨能奶山羊的全身图像，利用SSD(single shot MultiBox detection)网络进行数据集预处理，并随机选取1 040幅图像作为训练集，260幅图像作为测试集。其次采用ResNet18(residual neural network)预训练模型并进行迁移学习，最后联合三元组损失函数与交叉熵损失函数进行参数调整。研究表明，采用联合损失函数并结合Adam优化器算法时，可获得较好的识别效果。此外，在实验部分针对奶山羊的特征选取问题上，对奶山羊的羊脸区域与奶山羊的全身区域分别采用了三元组损失函数与孪生网络，验证了对奶山羊的识别仅靠羊脸区域的特征时准确率较低；此外，针对网络的训练，本文不仅通过YOLOv3(you only look once)以及孪生网络(siamese network)验证了奶山羊本身属于高相似度的数据集，而且针对奶山羊数据集分别采用三元组损失函数与交叉熵损失函数作为唯一的损失函数，并验证了该方法的有效性。结果 奶山羊识别的最高精准度为93.077%，相较于Triplet-Loss损失函数74.615%的准确率以及CrossEntropy-Loss 89.615%准确率有了较大提升。结论 本文提出的基于深度学习的高相似度的奶山羊识别方法不仅具有较高的准确率，而且在奶山羊个体身份识别方面具有极大的应用价值，有助于准确识别羊的身份，为相似度高的动物个体身份识别提供了思路。

Joint loss optimization based high similarity identification for milch goats