羊面部识别使用多模型深度学习评估和合奏学习
Pınar Cihan1, Zeynep Banu Ozger2, Ali Yıldız1
1Department of Computer Engineering, Faculty of Corlu Engineering, Tekirdağ Namık Kemal University, Tekirdağ - Türkiye.
概括
深度学习面部识别能够准确地识别单个绵羊,优于传统方法. 集体模型,特别是堆叠集体,实现了最高的识别准确性,提供了可扩展的牲畜管理解决方案.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
- 生物识别信息 生物识别信息
背景情况:
- 传统的羊识别方法 (耳标,RFID) 在准确性和管理效率方面存在局限性.
- 基于深度学习的面部识别为牲畜识别提供了一个非接触式,快速和用户友好的替代方案.
- 有限的研究系统地比较深度学习架构和集成策略,用于识别单个羊.
研究的目的:
- 重建和增强个人绵羊面部识别数据集.
- 系统地评估最先进的深度学习架构和集体方法来识别羊.
- 开发一个实用的图形用户界面 (GUI),用于在农场内识别绵羊.
主要方法:
- 重建和增强一个包含来自172只独特羊的14810只羊面部图像的数据集.
- 在基线和微调配置下评估了16个深度学习架构 (例如,EfficientNet,DenseNet,MobileNet).
- 开发了使用前三种微调架构的软,权重和堆叠组合模型;实现了GUI.
主要成果:
- 微调显著提高了识别准确度,EfficientNetB1达到91.3%.
- 合奏策略进一步提高了业绩:软合奏 (92.4%),加权合奏 (92.6%).
- 堆叠组合实现了最高的识别准确率93.7%;GUI支持实时验证.
结论:
- 微调深度学习模型大大提高了个别绵羊的识别性能.
- 堆叠组合方法提供了最准确和平衡的识别结果.
- 面部生物识别,由集体深度学习和GUI提供动力,为牲畜识别提供了可靠和可扩展的解决方案.
