基于深度学习算法的烈性犬检测提醒系统论文

SCI论文（www.lunwensci.com）

　　摘 要：近些年来烈性犬伤人事件屡有发生,通过犬类识别对烈性犬伤人事件进行提前预警成为了当下人工智能的一个研 究方向。犬类识别属于深度学习细粒度图像分类的一个典型任务,相比通常的猫狗种类识别等粗颗粒图像识别存在识别率低等 技术难题,本文通过人工神经网络扩充训练集、尝试多种卷积神经网络等方式提升了犬类的识别率,并采用其中一种算法成功 识别出烈性犬,从而将针对烈性犬伤人事件从“事后追责”变成“提前预警”。本文中的扩充数据集采用普通卷积神经网时有 效率为 8.299%,采用迁移学习 VCG16[1] 准确率提升至 81.3423%,采用 ResNet 准确率提升至 89.6542%。

　　【Abstract】：In recent years, there are frequent cases of fierce dog injuries. It has become a research direction of AI to give early warning of fierce dog injuries through dog identification which is a typical task of deep learning fine-grained image classification . Compared with the general coarse-grained image recognition such as cat and dog type recognition, there are technical problems such as low recognition rate. In this paper, the recognition rate of dogs is improved by expanding the training set of artificial neural network and trying various convolution neural networks, and one of the algorithms is successfully used to recognize the fierce dogs. Thus, the incident of fierce dog injury will be changed from "after the event" to "early warning". The effective rate of the extended data set in this paper is 8.299% when using ordinary convolutional neural network , the accuracy rate of VCG16 using transfer learning is increased to 81.3423%, and the accuracy rate of ResNet is increased to 89.6542%.

　　【Key words】： deep learning algorithm;fierce dog;image recognition;convolutional neural network;transfer learning

　　1 研究概述

　　1.1 研究背景

　　上海市 2020 年和 2021 年期间有明确报道的烈性犬 伤人事件分别有 27 起和 35 起(如图 1 所示),导致重 伤甚至死亡,给社会和其他周边的人造成严重的安全隐 患。然而国家明令禁止个人饲养烈性犬却屡禁不止,目 前国内外针对烈性犬伤人问题大多是出台法律命令禁 止,事后发生追悔莫及,但是缺乏有效的监督管理手段 来提前预防。


　　本文主要通过图像识别技术来识别烈性犬,将烈性犬伤人从事后追责变成提前预警,大大降低了事故发生 率,保障人民生命及健康安全,并为可能发生的违法行 为提供充分证据。

　　1.2 发展现状

　　完成对烈性犬的预警首先需要识别出来犬的种类, 并在此基础上进一步识别出哪些是烈性犬。传统方式识 别犬的种类主要有专家判断、DNA 鉴定等,这都需要 花费大量的时间和金钱。也有采用在犬类的耳朵上穿孔 佩戴无线射频标签(RFID),但是容易引起犬类不适, 发生咬标掉标等情况。如果采用图像处理技术来识别, 则面临比较高的挑战。因为图像识别对于识别猫狗种类 等粗颗粒度的识别准确率比较高,但是对于细颗粒度的 区分则存在一定的难度。依据图像对狗进行分类难度很 高,例如大部分正常人也难以区分惠比特和灵缇犬、喜 乐蒂牧羊犬和苏格兰牧羊犬等。


　　目前进行犬的种类的方案最新技术是采用深度学习 [2]。 深度学习是近些年来在人工智能领域取得的重大突破之 一。用在图像识别的应用有很多,包括人脸识别、安防 领域、火警。并且,受神经网络思想的启发,目前包括 语音识别、机器翻译、自然语言处理和大数据分析、预 测等。但是存在识别率不足够高的问题,主要原因如 下 ：常见问题即为样本图片数量过少、无法满足实验与 测试需求、深度神经网络不适应等问题。

　　1.3 本文研究目标

　　本文希望以獒犬类、斗犬类、牧羊犬类、猎犬类(详 见《国家农业部确定烈性犬种类》)为标准,成功区分大 部分烈性犬与非烈性犬。烈性犬的识别率能够达到 70% 以上,针对识别到的烈性犬类能够语言报警,并能够总 结出在此过程中各因素对于识别结果的影响。

　　2 研究方法设计

　　2.1 数据收集

　　数 据 集 由 以 ImagineNet、Kaggle 等 网 站 下 载, 由训练集、验证集和测试集组成,分别包含 6680、835 和 836 张图片 [3.4], 共涉及 135 种犬类。训练集中的图 片主要用于模型拟合以训练权重参数,验证集的图片用 于模型迭代训练时验证模型泛化能力(准确率、召回率 等)以决定是否停止训练,测试集用来评估模型最终的 泛化能力。

　　2.2 扩充数据集

　　为了增加训练数据集,可采取以下方式 ：在训练 数据上增加微小的扰动或者变化,或者可以增加噪声 数据。主要的数据增强方法有 ：翻转变换 、随机修剪、 色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动、旋转变换 / 反射变换等。这里主要通过图像切割 (生成比图像尺寸小一些的矩形框) 和图像翻转(对图 像进行左右翻转),将原始数据增加为 3 倍,经过扩充 以后训练集中共包含了 20040 张图片,验证集和测试集 中各自包含 2505 张和 2508 张。

　　2.3 实验理论

　　本文主要采用 Python 语言,通过神经网络方法实 现深度学习 [5],深度学习框架选择的是 TensorFlow。 TensorFlow 是谷歌在 2015 年底开源的一个深度学习框 架,已经得到广泛的应用。本文主要通过采用不同的卷 积神经网络的算法匹配不同的数量集的图片来验证对犬 种类识别的准确率的影响。本项目卷积神经网络包含普 通卷积神经网 [6]、迁移学习 [7]VCG16 和 ResNet50.

　　2.3.1 普通卷积神经网络

　　该网络由 3 个卷积层和最大池化层组成,通过卷积 层可去除输入图片像素数组中的空间信息而仅保留图片 内容,Filters 数量递增(16、32、64),kernel_size 卷积 窗口为 2.MaxPooling(最大池化层),使得空间维度下 降为上一层的一半,通过卷基层和最大池化层的组合使 用,我们可以获得很深且空间维度很小的数组。Batch Normalization 层用来降低协变量偏移并加速运算过程, GlobalAveragePooling2D 替代 Flatten, 减少参数的使 用量,避免了过拟合现象。添加 Dropout 层可以很有效 的避免模型过拟合。网络中的最后层级是具有 Softmax 激活函数的密集层,最后层级的节点数量应该等于狗狗 数据集中的类别总数,针对数据集中的每个对象类别都 有一个条目,使其返回概率。

　　2.3.2 VGG16

　　VGG16 是卷积神经网络模型,共包含 ：13 个卷积层 (Convolutional Layer)、3 个全连接层(Fully connected Layer) 和 5 个池化层(Pool layer)。其中, 卷积层和 全连接层具有权重系数,因此也被称为权重层,总数目 为 13+3=16.VGG16 的突出特点是简单,体现在卷积 层均采用相同的 3×3 卷积核参数,池化层均采用相同 的 2×2 池化核参数。

　　2.3.3 ResNet50

　　ResNet50 残差网络是由来自 Microsoft Research 的 4 位学者提出的卷积神经网络,在 2015 年的 ImageNet 大规模视觉识别竞赛(ImageNet Large Scale Visual Recognition Challenge, ILSVRC) 中获得了图像分类 和物体识别的优胜。残差网络的特点是容易优化,并且 能够通过增加相当的深度来提高准确率。其内部的残差 块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。

　　2.4 实验方法

　　实验处理流程 ：导入数据—数据预处理—搭建模型 架构—训练模型—验证准确性。

　　2.4.1 导入数据集并进行预处理

　　读取图像将其缩放为 224×224 的图像,并将图像 调整为具有 4 个维度的张量,(1. 224. 224.3)通过对每 张图像的像素值除以 255.对图像实现归一化处理。

　　对于输入到 ResNet-50 网络,还需要进行一些额外 的处理 ：首先,这些图像的通道顺序为 RGB,我们需 要重排他们的通道顺序为 BGR ;其次,预训练模型的 输入都进行了额外的归一化过程。因此我们在这里也要 对这些张量进行归一化,即对所有图像所有像素都减去 像素均值 [103.939. 116.779. 123.68](以 RGB 模式表 示,根据所有的 ImageNet 图像算出)。

　　2.4.2 统计识别成功率

　　实验一 ：普通卷积神经网络(原始数据集) ;

　　实验二 ：VCG16(原始数据集) ;

　　实验三 ：ResNet50(原始数据集) ;

　　实验四 ：普通卷积神经网络(扩充数据集) ;

　　实验五 ：VCG16(扩充数据集) ;

　　实验六 ：ResNet50(扩充数据集)。

　　2.4.3 实现恶性犬预警

　　恶性犬报警流程如图 2 所示。



　　3 实验结果与分析

　　如表 1 所示的实验结果可知, 对比原始数据集和扩 充数据集,在 3 种神经网络结构下实验的准确性均有 不同程度提升,从 5% 到最高 10% 左右,可得出结论, 扩充数据集对提升识别的准确率有正相关性。

　　同时对比 3 种卷积神经网络结构的识别准确率发现普 通卷积神经网络分别为 3.279% 和 8.299%,VCG16 分别为 71.172% 和 81.3423%, ResNet50 分别为 79.7847% 和 89.6542%。可得出结论 ：从识别准确率上而言 ResNet50> VCG16> 普通卷积神经网络, 同时本文实现了恶性犬的准确率接近 90% 的识别率,可以满足实验目的。

　　4 总结与展望

　　本文研究了基于深度学习算法如何识别烈性犬并提 醒的系统。通过 3 种方式逐步提升识别烈性犬准确率, 并马上进行提醒。该系统的功能将烈性犬伤人从事后追 责变成提前预警,大大降低了事故发生率,保障了人 民生命及健康安全,并为可能发生的违法行为提供充分 证据。



　　该方法不仅可以用于狗的品种识别,还可以扩展到 其他动物品种,如可用于野生动物保护、儿童动物启蒙 教育等多个领域。

　　参考文献

　　[1] 柯溢,卢亚玲.基于VGG16的宠物犬识别方法[J].电子制作, 2020(21):42-45.
　　[2] 李思瑶.基于深度学习的犬种识别算法及应用研究[D].贵州: 贵州大学,2020:5-7
　　[3] BAI Y L,YU W,XIAO T J,et al.Bag-of-words Based Deep Neural Network for Image Retrieval[M].In ACM Multimedia, 2014:23-25.
　　[4] BAI Y L,YANG K Y,YU W,et al.Automatic Image Dataset Construction from Click-Through logs Using Deep Neural Network[M].In Proceedings of the 23rd Annual ACM Conference on Multimedia Conference.ACM,2015:441- 450.
　　[5] LIUJX,ANGJOO K,DAVIDJ,et al.Dog Breed Classification Using Part Lo- calization[M].In Computer Vision-ECCV,2012. 2012:172-185.
　　[6] 杨冰,陈浩月,王小华,等.基于卷积神经网络的中国绘画图像 分类[J].软件导刊,2019.18(1):5-8.
　　[7] 袁文翠,孔雪.基于迁移学习的图像识别研究[J].微型电脑应 用,2018.34(7):10-12.
 
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/58196.html