首页 > 论文范文 > 农业科技论文 > 农业工程论文 > 农业自动化论文 > 探究在人脸识别智慧养殖安防系统基础上的设计和实现

探究在人脸识别智慧养殖安防系统基础上的设计和实现

2020-06-03 234 上传者：管理员

摘要：随着计算机视觉的深入发展，基于人脸识别的安防成为人工智能应用的重要领域。本文基于深度学习相关技术，设计一款基于神经网络的人脸识别安防系统。不仅详细阐述了应用系统的设计与架构，而且对人脸识别模型的设计进行了详细的描述。实验表明，基于神经网络的人脸识别安防系统具有较高的识别率与良好的稳定性，有效的促进了智慧养殖的发展。

关键词：
人脸识别
养殖场
安防
智慧养殖
计算机视觉
重点方向
加入收藏

1、引言

近年来，随着社会经济的发展，小规模养殖场向大型养殖场的转变，已经成了一种必然[1]。然而随着养殖规模的不断扩大，人力成本也会相应的增加。那么如何利用现有的科学技术以及管理体系，形成对大规模养殖场智能化管理，成为当前智慧养殖的重点方向之一。

目前，养殖场的安防体系，主要依靠传统的安防手段来实现，如人工安防等。这不仅需要消耗大量的人工成本，而且效率极其低下[2]。鉴于此，本文结合一般养殖场现有的安防现状，在利用人脸识别技术的基础上，借助于J2EE的相关技术，在MVC模式下，设计和实现一套智能的安防系统，实现对养殖场的智能化管理，提高养殖场的安全系数，降低人工成本，对推动智慧养殖具有重大现实意义。

2、相关技术介绍

2.1MVC

MVC(ModelViewController)，是模型-视图-控制模式的简称[3]。最初在20世纪70年代在GUI的设计中被提出，主要是为了实现界面、程序逻辑处理与数据的分离，从而让系统更灵活，更清晰。而后，随着J2EE技术的发展以及MVC2结构的完善，该模式逐渐扩展到大型的Web项目，并逐渐被应用。

Model:该模块负责业务数据以及业务规则的处理与加工，是模型的核心部分。由于数据的中立性，所以一般来说，模型可以被重复调用。具有较高的复用性。

View:视图是直接与用户进行交互的模块，主要负责数据的输入与输出。如JSP等。

Controller：控制器主要是视图与模型的中转站，本身不做任何的业务处理。仅仅只是在接收业务请求后，将请求参数与指令发送到对应的模型进行处理，并在接收到处理结果后，将数据发送到适当的视图，以便于信息的展示。

2.2人脸识别算法

随着社会的发展，传统身份验证的方式已经不能满足当前社会的安防需求。基于生物特征识别的安防手段已成为当前研究的重点方向。其中又以人脸识别最具有代表性。

目前人脸识别算法多种多样，主要类别包含人脸特征点识别、神经网络识别、模板识别以及基于支持向量机的识别等。

本文基于CNN算法，在结合常规摄像头获取人脸的基础上，从而设计和实现基于CNN人脸识别安防系统。

CNN是一种深度学习算法，它不仅包含卷积计算，而且具有深度结构。其结构主要包含输入层、隐藏层以及输出层[4]，其中隐藏层又包含卷积层、池化层以及全连接层。

3、系统概述

本系统在结合当前养殖场实际需求的基础上，通过常规摄像头，应用服务和人脸识别模块等，实现图像数据采集，传输，预处理，分析，识别与安防管理等服务。

本系统主要包含物理层、云服务层以及第三方应用层三大部分，其中：

物理层：由图像信息采集设备摄像头和网络设备组成，负责数据的采集。摄像头实时采集养殖场图像数据，并通过网络设备、网络协议和网络接口，将养殖场的数据上传到云端，以便于后续的处理与分析。

云服务层：主要由应用系统、识别模块、数据存储模块组成；主要负责实时数据的接收，存储，预处理，分析与识别等服务。由图可知，云服务层在通过API接收到实时图像数据后，不仅将图像数据持久化到数据存储模块，而且还通过一些预处理技术，如人脸检测，将图像中人脸信息进行提取，并通过相关业务逻辑，提交到人脸识别模块，实现人脸识别。应用系统将会根据人脸识别模块的识别结果，进行后续的业务逻辑处理，如安防预警，门禁与考勤等业务。

第三方应用模块：本部分主要为具体应用场景模块，主要包含安防预警、门禁管理以及考勤记录等业务。

4、系统设计

4.1应用系统设计

本应用系统主要提供系统的管理，包含人脸数据管理、预警信息管理，录像信息管理、考勤报表管理等模块。

用户中心：主要包含用户登录、用户个人信息查看和修改等操作。

人脸数据录入管理：人脸数据录入管理，是人脸识别的重要组成部分，即人脸注册，人脸识别模块将会根据注册的人脸，从而实现人脸分类，已完成相应的业务操作。

预警信息：针对人脸识别模块的反馈结果以及预先设定的预警规则，实现预警提示等操作。如非注册人脸入侵预警等。

录像信息管理：该模块包含历史录像信息查看，包含对录像信息的清理操作。

考勤报表管理：主要是为大型养殖场的人事考勤而设计，主要记录注册人脸中人物出现的时间地点等信息。

系统管理：系统的常规管理操作，如参数管理，角色管理，用户管理等。

4.2人脸识别模块设计

人脸识别模块设计三层卷积层。其中输入层的图片主要来源于预处理的结果图片，其大小为64*64*3，也即64*64的RGB图片。然后每个卷积层使用各自的卷积核，如第一层使用3*3的卷积核，最终得到8*8*64的特征向量，作为全连接层的输入，并使用softmax函数实现分类。

5、结论

针对智慧养殖的重要组成部分——安防，本文在充分结合当前实际情况的基础上，利用深度学习等先进的科学技术，设计和实现了一套基于卷积神经网络的养殖场安防系统，形成了一个科学有效的安防体系，这不仅减少了养殖场的人力成本，提高了工作效率与养殖场安全性，而且推动了“互联网+养殖”的发展，对智慧养殖具有重要的现实意义。

参考文献：

[1]刘亮.基于ZigBee的养殖场环境远程监控系统研究与开发[D].西安科技大学,2015.

[2]郑立锋,祝爱萍.沿海养殖场安防智能控制系统的设计[J].江苏农业科学(5):368-369.

[3]刘浪,徐思捷,赵世平.基于MVC模式的测控系统优化研究[J].电子设计工程,2015,23(18):107-109.

[4]陈奎,邢雪妍,田欣沅,等.基于CNN的人脸识别门禁系统设计[J].徐州工程学院学报(自然科学版),33(04):95-98.

钟卫乔,刘志丽.基于人脸识别智慧养殖安防系统的设计与实现[J].农家参谋,2020(15):236.