一种基于迁移学习的动物个体识别方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114842505A(43)申请公布日2022.08.02(21)申请号202210411457.6(22)申请日2022.04.19(71)申请人中国农业大学地址100193北京市海淀区圆明园西路2号(72)发明人杨颖吴潇刘刚(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师吴勇涛(51)Int.Cl.G06V40/10(2022.01)G06N3/04(2006.01)G06V10/774(2022.01)权利要求书2页说明书8页附图4页(54)发明名称一种基于迁移学习的动物个体识别方法及装置(57)摘要本发明提供一种基于迁移学习的动物个体识别方法及装置，其中的方法包括：获取待识别动物的目标图像；对目标图像进行预处理，得到预处理图像；对原始ResNet34网络模型进行改进，获取改进型ResNet34网络模型，改进型ResNet34网络模型的初始模型参数通过迁移学习获得；将预处理图像输入至预先训练的改进型ResNet34网络模型，得到待识别动物的个体识别结果，该方法能够有效提高动物个体识别效率，且对光照、待识别动物姿态以及遮挡等问题不敏感，具有较好的鲁棒性，保证了动物个体识别的准确性。CN114842505ACN114842505A权利要求书1/2页1.一种基于迁移学习的动物个体识别方法，其特征在于，包括：获取待识别动物的目标图像；对所述目标图像进行预处理，得到预处理图像；对原始ResNet34网络模型进行改进，获取改进型ResNet34网络模型，所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得；将所述预处理图像输入至预先训练的改进型ResNet34网络模型，得到所述待识别动物的个体识别结果。2.根据权利要求1所述的基于迁移学习的动物个体识别方法，其特征在于，所述对原始ResNet34网络模型进行改进，获取改进型ResNet34网络模型，包括：通过删减预设数量的中间网络层，简化所述原始ResNet34网络模型中的残差单元，以得到改进型ResNet34网络模型。3.根据权利要求2所述的基于迁移学习的动物个体识别方法，其特征在于，所述对原始ResNet34网络模型进行改进，获取改进型ResNet34网络模型，还包括：将所述原始ResNet34网络模型的原始全连接层改进为目标全连接层，所述目标全连接层包括第一全连接层和第二全连接层；所述第一全连接层设置有Dropout函数。4.根据权利要求1所述的基于迁移学习的动物个体识别方法，其特征在于，所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得，包括：获取ImageNet数据集和预训练网络模型；利用所述ImageNet数据集对所述预训练网络模型进行训练，得到目标预训练网络模型；获取所述目标预训练网络模型的预训练参数；基于所述迁移学习，将所述预训练参数迁移至所述改进型ResNet34网络模型，得到所述初始模型参数。5.根据权利要求1所述的基于迁移学习的动物个体识别方法，其特征在于，所述对所述目标图像进行预处理，得到预处理图像，包括：对所述目标图像依次进行裁剪、水平翻转、归一化以及标准化处理，得到所述预处理图像。6.根据权利要求1‑5任一项所述的基于迁移学习的动物个体识别方法，其特征在于，所述将所述预处理图像输入至预先训练的改进型ResNet34网络模型，得到所述待识别动物的个体识别结果，之前还包括：获取所述待识别动物的训练数据集；根据所述训练数据集，训练所述改进型ResNet34网络模型至收敛。7.一种基于迁移学习的动物个体识别装置，其特征在于，包括：目标图像获取模块，用于获取待识别动物的目标图像；图像预处理模块，用于对所述目标图像进行预处理，得到预处理图像；网络模型获取模块，用于对原始ResNet34网络模型进行改进，获取改进型ResNet34网络模型，所述改进型ResNet34网络模型的初始模型参数通过迁移学习获得；动物个体识别模块，用于将所述预处理图像输入至预先训练的改进型ResNet34网络模型，得到所述待识别动物的个体识别结果。2CN114842505A权利要求书2/2页8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于迁移学习的动物个体识别方法的步骤。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于迁移学习的动物个体识别方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于迁移学习的动物个体识别方法的步