一种基于卷积神经网路的生猪常见病害识别方法与流程

一种基于卷积神经网路的生猪常见病害识别方法
1.一、技术领域：本发明涉及畜禽养殖技术领域中病害防治技术，具体涉及的是一种基于卷积神经网路的生猪常见病害识别方法。
2.二、

背景技术：
新时期下，随着我国市场经济体制的不断完善，居民的生活质量获得显著改善，市场对猪肉产品的需求量持续增加，带动了生猪养殖行业的快速发展，行业逐渐趋于规模化和现代化，常见病害是危害养殖经济效益的重要因素，养殖户需要采取有效的措施进行防治。近年来，随着食品安全事件的频发，如何保证养殖业健康发展，避免及预防畜禽发生疾病，并在发生疾病时及时防治十分关键。
3.三、

技术实现要素：
本发明的目的是提供一种基于卷积神经网路的生猪常见病害识别方法，这种基于卷积神经网路的生猪常见病害识别方法用于为生猪病害的快速智能诊断提供技术支持。
4.本发明解决其技术问题所采用的技术方案是：这种基于卷积神经网路的生猪常见病害识别方法包括如下步骤:步骤一、采集常见生猪病害图像和生猪无病害图像，常见生猪病害包括口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病，口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病，每种生猪病害图像至少100张，生猪无病害图像至少100张；步骤二、建立生猪常见病害数据库；选择每种生猪病害图像100张，结合生猪日常生活环境中存在的不确定因素对病害数据进行随机扩充，不确定因素包括光照条件、卫生条件、生猪状态；扩充后的每种生猪病害图像达到1000张，并将每种病害分别进行标签标记，标签名称分别依次为0、1、2、3、4；另选择无病害图像100张，使用上述相同数据扩充方法进行数据扩充，扩充后的无病害图像总量达到1000张，并对无病害图像进行标签标注，标签名称为5，最终建立完善生猪病害数据集swine epidemics
‑
6000；步骤三、建立用于生猪常见病害识别的卷积神经网络swine epidemics net
‑
5；swine epidemics net
‑
5由特征提取网络和分类网络组成，同时还使用上采用、全局最大池化和合并技术，分类网络采用开源softmax分类器进行分类；特征提取网络包括cbr特征提取模块、resunitn特征提取模块、zcrn特征提取模块；cbr特征提取模块由2d卷积层、批归一化层和激活函数层组成；resunitn特征提取模块由若干个cbr特征提取模块和残差边组成，其中残差边由2d卷积层和批归一化层组成；zcrn特征提取模块由zeropadding补零、cbr特征提取模块和resunitn特征提取模块组成；3.1、利用串行分支单独进行通道特征信息提取，并结合后续合并、全局最大池化和卷积技术，将所提取的空间特征信息和通道特征信息进行充分融合，从而有效提高模型特征提取能力；通过分支ⅰ进行，输入图像a尺寸为224*224*3，经过cbr特征提取模块、zcr2特征提取模块和zcr3特征提取模块进行下采样后输出图像d，输出图像d的尺寸为28*28*64，再经
全局最大池化层充分提取通道特征信息后输出图像e，输出图像e的尺寸为1*1*64；因经过全局最大池化层后每一个特征层中仅保留1个有效权重，即每个特征层中仅包含1*1个特征信息，将输出图像e作为1*1卷积层使用，并将其与其他串行空间特征提取分支所得输出图像进行卷积操作，来实现通道特征信息与空间特征信息的充分融合；3.2、其他串行空间特征提取分支，通过分支ⅱ和分支ⅲ进行；分支ⅱ，所述输入图像a尺寸为224*224*3，经过cbr特征提取模块、zcr2特征提取模块和zcr3特征提取模块进行下采样后，又经过zcr4特征提取模块进行下采样输出图像c，输出图像c的尺寸为14*14*128；分支ⅲ，所述输入图像a尺寸为224*224*3，经过cbr特征提取模块、zcr2特征提取模块和zcr3特征提取模块进行下采样后，又经过zcr4特征提取模块、zcr3特征提取模块进行下采样后输出图像b，输出图像b尺寸为7*7*256，输出图像b经双线性差值上采样后与输出图像c进行合并操作得到输出图像f，输出图像f的尺寸为14*14*384；3.3、将具有空间特征信息的输出图像f与具有通道特征信息的输出图像e进行卷积操作，实现空间特征信息与通道特征信息的充分融合，获得新的输出图像g，输出图像g的尺寸为14*14*64，再将输出图像g经全局最大池化层后得到输出图像h，输出图像h的尺寸为1*1*64，此时使用全局最大池化层代其他统分类模型中常用的全连接层，有效降低模型参数总量，有效避免模型过拟合；3.4、将输出图像h传入分类网络进行分类，分类网络所使用的分类器是softmax分类器；步骤四、通过随机采样的方式将swine epidemics
‑
6000数据集分为两部分，训练集和测试集，训练集用于模型进行有监督学习，测试集用于评价模型精确度，其中训练集数据占数据集总量的4/5，测试集数据占数据集总量的1/5；步骤五、swine epidemics net
‑
5网络的训练，利用步骤四得到的训练集输入到步骤三建立的swine epidemics net
‑
5网络中进行模型训练，训练前对swine epidemics net
‑
5网络利用adam优化算法进行优化，获得优化后的swine epidemics net
‑
5网络；步骤六、将步骤四得到的测试集图像输入到通过步骤五得到的优化后的swine epidemics net
‑
5网络，进行对常见生猪病害的识别。
5.上述方案中步骤二中随机扩充的方法：2.1、几何变换：旋转、变行、裁切，针对生猪日常生活中可能存在的生理状态变化对数据图像采集的影响，生理状态变化包括站立、匍匐、侧卧；2.2、颜色变换：噪声模糊、亮度变化、颜色扰动，针对生猪日常生活环境变化带来的水汽、猪身卫生条件对数据图像采集的影响，日常生活环境变化包括光照条件变化、猪舍温度变化；2.3、组合叠加：图像叠加、图像挖空、色块叠加，针对生猪日常生活场景中可能存在的遮挡现象对生猪的遮挡；日常生活场景中可能存在的遮挡现象包括生猪间的相互遮挡、围栏对生猪的遮挡、食槽对生猪的遮挡。
6.本发明具有以下有益效果：1、本发明在特征提取网络中，创新性的引入了串行分支单独进行通道特征信息的提取，并将提取后的通道特征信息与其他串行特征提取分支提取的空间特征信息进行充分
融合，从而有效提高swine epidemics net
‑
5网络模型的特征提取能力，最终达到提高swine epidemics net
‑
5网络模型识别精度和泛化性能的目的。
7.2、本发明目前swine epidemics net
‑
5模型在swine epidemics
‑
6000数据集上取得了91.7%的识别结果，采用本发明的技术方案可以为生猪病害的快速智能诊断提供技术支持，具有一定的实用性。
8.四、附图说明：图1是本发明的流程图；图2是本发明步骤二中数据扩充图像；图3是swine epidemics net
‑
5网络结构图；图4是cbr特征提取模块；图5是resunitn特征提取模块；图6是zcrn特征提取模块。
9.五、具体实施方式：下面对本发明做进一步说明：参阅图1，这种基于卷积神经网路的生猪常见病害识别方法包括如下步骤:步骤一、采集常见生猪病害图像和生猪无病害图像，常见生猪病害包括口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病，口蹄疫、蓝耳病、非洲猪瘟、猪链球菌病、猪巴氏杆菌病，每种生猪病害图像至少100张，生猪无病害图像至少100张。
10.步骤二、建立生猪常见病害数据库；选择常见病害5种，每种病害选择图像100张，结合生猪日常生活环境中可能存在的不确定因素（如：光照条件、卫生条件、生猪状态等）对病害数据进行随机扩充，扩充后的每种病害图像达到1000张，并将每种病害分别进行标签标记，标签名称分别依次为0、1、2、3、4，另选择无病害图像100张，使用上述相同数据扩充方法进行数据扩充，扩充后的无病害图像总量达到1000张，并对无病害图像进行标签标注，标签名称为5，最终建立完善生猪病害数据集swine epidemics
‑
6000，如表1所示。
11.表1：swine epidemics
‑
6000数据分布表生猪病害种类数量口蹄疫1000蓝耳病1000非洲猪瘟1000猪链球菌病1000猪巴氏杆菌病1000健康1000数据扩充原则及方法：1. 几何变换：旋转、变行、裁切。主要针对生猪日常生活中可能存在的生理状态变化，如：站立、匍匐、侧卧等情况对数据图像采集的影响。（数据扩充效果如图2所示）2. 颜色变换：噪声模糊、亮度变化、颜色扰动。主要针对生猪日常生活环境变化，如：光照条件变化、猪舍温度变化带来的水汽、猪身卫生条件等情况对数据图像采集的影响。（数据扩充效果如图2所示）
3. 组合叠加：图像叠加、图像挖空、色块叠加。主要针对生猪日常生活场景中可能存在的遮挡现象，如：生猪间的相互遮挡、围栏、食槽等基础设施对生猪的遮挡。（数据扩充效果如图2所示）步骤三、建立用于生猪常见病害识别的卷积神经网络swine epidemics net
‑
5（如图3所示）。
12.swine epidemics net
‑
5网络由特征提取网络和分类网络组成，特征提取网络特征提取网络包括cbr特征提取模块、resunitn特征提取模块、zcrn特征提取模块，同时还使用了上采用、全局最大池化和合并技术，分类部分采用开源softmax分类器进行分类。cbr特征提取模块（如图4所示），该模块由2d卷积层、批归一化层和激活函数层组成；resunitn特征提取模块（如图5所示），该模块由若干个cbr特征提取模块和残差边组成，其中残差边由2d卷积层和批归一化层组成； zcrn特征提取模块（如图6所示），该模块由zeropadding补零、cbr特征提取模块和resunitn特征提取模块组成。
13.3.1、利用串行分支单独进行通道特征信息提取，并结合后续合并、全局最大池化和卷积技术，将所提取的空间特征信息和通道特征信息进行充分融合，从而有效提高模型特征提取能力；通过分支ⅰ进行，输入图像a尺寸为224*224*3，经过cbr特征提取模块、zcr2特征提取模块和zcr3特征提取模块进行下采样后输出图像d，输出图像d的尺寸为28*28*64，再经全局最大池化层充分提取通道特征信息后输出图像e，输出图像e的尺寸为1*1*64；因经过全局最大池化层后每一个特征层中仅保留1个有效权重，即每个特征层中仅包含1*1个特征信息，将输出图像e作为1*1卷积层使用，并将其与其他串行空间特征提取分支所得输出图像进行卷积操作，来实现通道特征信息与空间特征信息的充分融合。
14.3.2、其他串行空间特征提取分支，通过分支ⅱ和分支ⅲ进行；分支ⅱ，输入图像a尺寸为224*224*3，经过cbr特征提取模块、zcr2特征提取模块和zcr3特征提取模块进行下采样后，又经过zcr4特征提取模块进行下采样输出图像c，输出图像c的尺寸为14*14*128；分支ⅲ，输入图像a尺寸为224*224*3，经过cbr特征提取模块、zcr2特征提取模块和zcr3特征提取模块进行下采样后，又经过zcr4特征提取模块、zcr3特征提取模块进行下采样后输出图像b，输出图像b尺寸为7*7*256，输出图像b经双线性差值上采样后与输出图像c进行合并操作得到输出图像f，输出图像f的尺寸为14*14*384。
15.3.3、将具有空间特征信息的输出图像f与具有通道特征信息的输出图像e进行卷积操作，实现空间特征信息与通道特征信息的充分融合，获得新的输出图像g，输出图像g的尺寸为14*14*64，再将输出图像g经全局最大池化层后得到输出图像h，输出图像h的尺寸为1*1*64，此时使用全局最大池化层代其他统分类模型中常用的全连接层，有效降低模型参数总量，有效避免模型过拟合。
16.3.4、将输出图像h传入分类网络进行分类，分类网络所使用的分类器是softmax分类器。
17.步骤四、通过随机采样的方式将swine epidemics
‑
6000数据集分为两部分，训练集和测试集，训练集用于模型进行有监督学习，测试集用于评价模型精确度，其中训练集数据占数据集总量的4/5，测试集数据占数据集总量的1/5；
步骤五、swine epidemics net
‑
5网络的训练，利用步骤四得到的训练集输入到步骤三建立的swine epidemics net
‑
5网络中进行模型训练，训练前对swine epidemics net
‑
5网络利用adam优化算法进行优化，获得优化后的swine epidemics net
‑
5网络；步骤六、将步骤四得到的测试集图像输入到通过步骤五得到的优化后的swine epidemics net
‑
5网络，进行对常见生猪病害的识别。
18.本发明创新引入了串行分支单独进行通道征信息提取，目前在卷积神经网络中，图像纹理特征信息往往存在于空间特征信息中，而图像色彩特征信息则往往存在于通道特征信息中，传统的卷积神经网络中，往往将通道特征信息与空间特征信息作为整体进行提取，而本发明结合swine epidemics
‑
6000数据集中各病害色彩信息存在较大差异性的特点，创新性的引入了串行分支单独进行通道特征信息提取，并结合后续合并、全局最大池化和卷积等技术，将所提取的空间特征信息和通道特征信息（即：纹理特征信息与色彩特信息）进行充分融合，从而有效提高模型特征提取能力，具体操作过程如图3中分支ⅰ所示，输入图像a尺寸为224*224*3，经过cbr特征提取模块、zcr2特征提取模块和zcr3特征提取模块进行下采样后输出图像d，输出图像d的尺寸为28*28*64，再经全局最大池化层充分提取通道特征信息后输出图像e，输出图像e的尺寸为1*1*64。因经过全局最大池化层后每一个特征层中仅保留1个有效权重，即每个特征层中仅包含1*1个特征信息，故可以将输出图像e作为1*1卷积层使用，并将其与其他串行空间特征提取分支所得输出图像进行卷积操作，来实现通道特征信息与空间特征信息（即：纹理特征信息与色彩特信息）的充分融合。