基于迁移学习和度量学习的牛鼻纹识别方法研究.pdfVIP

摘要

摘要

近年来，国家大力扶持数字农牧业的发展。乡村振兴局的成立更是确立了数字农

牧业的发展方向。然而，当前我国农牧领域的数字化、智能化程度还几乎空白，处于

起步阶段，特别是在中小型牧场、合作社及个体养殖户方面。因此亟须通过智能化手

段解决农牧业相关痛点难题，将信息化技术与畜牧生产有机融合，形成突破。

本研究以牛只监管为切入点。过去，对牛只进行监管主要依靠一些硬件设施对其

进行标记，甚至采用会对牛造成伤害的方法。这种做法不仅会使动物感到疼痛，并且

可能导致伤口感染。如今，在监管过程中引入人工智能和大数据相结合的方式寻找一

种高效且健康的方法已经成为当下需要探索解决的问题。

由于牛鼻纹具有独特的生物特征，并且不会随着时间改变，在识别个体身份上与

人类的指纹相似，具有潜在优势，因此可以作为匹配个体的身份信息。本文提出了基

于迁移和度量学习的牛鼻纹识别方法，主要贡献及研究内容如下：

（1）本文提出了一种基于迁移学习的网络模型，通过对轻量级的三种特征提取

网络进行微调，加载了在ImageNet上预训练的权重参数，并有选择的冻结网络模型

最后三层，采用了四种不同的模型训练策略：从零开始训练、迁移学习（所有层冻结）、

解冻最后一层和解冻最后三层。通过在公开的牛脸数据集和本文构建的牛鼻纹数据集

上实验，评估了各网络模型的识别准确率。实验结果表明，迁移学习策略相比完全从

零开始训练的效果更好，尤其是在解冻部分层数后，模型的准确率进一步提升。

（2）为了解决复杂的牛鼻纹理和形状特征的分类问题，本文还提出了一种融合

SwinTransformer和Triplet的网络模型，该模型的前端是SwinTransformer，它通过

引入平移窗口机制和分层结构来实现更高效的视觉特征提取，且在处理大尺寸图像而

不受显存限制，可以提取牛鼻纹图像的全局特征；后端由一个Triplet网络结构组成，

它适用于学习图像之间的相似性，将前端的特征向量进行降维并计算各特征向量之间

的欧氏距离，通过距离的远近程度判断特征向量之间的相似性。同时，本文构建了一

个联合损失函数，它由一个自适应的三元组损失和交叉熵损失组成，自适应三元组损

失去除了边距超参数，使其能够不受超参数的影响而自动调整正负样本之间的距离。

联合损失函数既可以直接对图像的类别直接进行预测，也可以学习样本之间的相似与

不同，极大地提高了牛鼻纹识别的准确率。

关键字：深度学习；卷积神经网络；牛鼻纹；生物特征；度量学习

I

重庆理工大学硕士学位论文

II

Abstract

Abstract

Inrecentyears,Chinahasbeenhighlysupportiveofthedevelopmentofdigital

agricultureandanimalhusbandry.TheestablishmentoftheRuralRevitalizationBureau

hasprovidedcleardirectionforthedevelopmentofdigitalagricultureandanimal

husbandry.However,thecurrentlevelofdigitalizationandintelligenceinChinese

agriculturalandpastoralsectorsisrelativelyweakanddevelopingslowly.Thissituationis

particularlyprevalentamongsmallandmedium-sizedfarms,cooperatives,andindividual

farmers.Therefore,itisnecessarytoaddressthechallengesinagricultureandanimal

hus