基于DCNN特征融合的细粒度病鸡识别研究

病鸡区别于健康鸡的视觉特征主要表现在鸡头复合特征、鸡身纹理特征和体态特征.本文提出区域深度特征融合的细粒度病鸡识别方法,模型通过区域定位和分类识别两个阶段实现,区域定位采用Faster R-CNN模型对鸡、鸡头和鸡身进行检测,分类网络通过融合有区分度的语义区域特征,应用CNN网络进行病鸡分类识别.实验采用自制的数据集,通过迁移学习的方法,在共享特征图的基础上,进行分阶段的模型训练和分类.模型在语义区域检测实验中,准确率达到了99％,召回率达到了95％左右,表征模型效果的综合评价指标F1值达到了97％左右,病鸡识别中融合特征的分类精度达到了82.66％.实验结果表明:本文方法对病鸡识别有较好的效果,为在养鸡场实际场景中进行病鸡的实时识别和鸡情监控提供了技术支持.