کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7121876 1461471 2018 33 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Deep learning framework for recognition of cattle using muzzle point image pattern
ترجمه فارسی عنوان
چارچوب یادگیری عمیق برای شناسایی گاو با استفاده از الگوی تصویر نقطه
کلمات کلیدی
ترجمه چکیده
بیومتریک حیوانات یک منطقه مرزی از بینایی کامپیوتری، شناخت الگو و علم شناختی است که نقش حیاتی برای ثبت نام، شناسایی منحصر به فرد و تأیید دام (گاو) را بازی می کند. تکنیک های بازاریابی و ساخت ظاهری بافت دست ساخته موجود نمی توانند تشخیص حیوانات را در محیط بدون محدودیت انجام دهند. به تازگی روش های یادگیری عمیق برای به رسمیت شناختن گونه ها و یا حیوانات فردی با استفاده از ویژگی های بصری بیشتر توجه کرده است. در این تحقیق پیشنهاد روش مبتنی بر یادگیری عمیق برای شناسایی گاوهای فردی بر اساس الگوی نزولی اولیه (بینی) الگوی تصویری تصویری برای رسیدگی به مشکل حیوانات از دست رفته یا مبادله شده و ادعاهای بیمه کاذب پیشنهاد شده است. سهم عمده این کار به شرح زیر است: (1) آماده سازی پایگاه داده تصویر نقطه نقطه ضعف، که به طور عمومی قابل دسترس نیست؛ (2) استخراج مجموعه برجسته ویژگی های بافت و نمایش تصویر نقطه ضعف گاو با استفاده از کنفولون مبتنی بر یادگیری عمیق شبکه عصبی، شبکه عصبی باور عمیق، رویکردهای ارائه شده را پیشنهاد می دهد. تکنیک خودکار انکودینگ انباشته شده برای کدگذاری ویژگی های استخراج شده از تصاویر نقطه خمی استفاده می شود و (3) نتایج تجربی و تجزیه و تحلیل رویکرد پیشنهادی. نتایج تجربی گسترده نشان می دهد که رویکرد یادگیری عمیق پیشنهاد شده از روش های پیشرفته تر برای شناخت گاو در پایگاه داده تصویر نقطه نقطه برخوردار است. اثربخشی رویکرد یادگیری عمیق پیشنهاد شده تحت تنظیمات مختلف شناسایی محاسبه می شود. با تست های چندگانه، دقت شناسایی رتبه 1 تا 98.99٪ به دست می آید.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
چارچوب یادگیری عمیق برای شناسایی گاو با استفاده از الگوی تصویر نقطه
چکیده انگلیسی
Animal biometrics is a frontier area of computer vision, pattern recognition and cognitive science to plays the vital role for the registration, unique identification, and verification of livestock (cattle). The existing handcrafted texture feature extraction and appearance based feature representation techniques are unable to perform the animal recognition in the unconstrained environment. Recently deep learning approaches have achieved more attention for recognition of species or individual animal using visual features. In this research, we propose the deep learning based approach for identification of individual cattle based on their primary muzzle point (nose pattern) image pattern characteristics to addressing the problem of missed or swapped animals and false insurance claims. The major contributions of the work as follows: (1) preparation of muzzle point image database, which are not publically available, (2) extraction of the salient set of texture features and representation of muzzle point image of cattle using the deep learning based convolution neural network, deep belief neural network proposed approaches. The stacked denoising auto-encoder technique is applied to encode the extracted feature of muzzle point images and (3) experimental results and analysis of proposed approach. Extensive experimental results illustrate that the proposed deep learning approach outperforms state-of-the-art methods for recognition of cattle on muzzle point image database. The efficacy of the proposed deep learning approach is computed under different identification settings. With multiple test galleries, rank-1 identification accuracy of 98.99% is achieved.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 116, February 2018, Pages 1-17
نویسندگان
, , , , , , ,