本发明涉及一种幼禽生物特征识别装置及方法，具体涉及一种基于深度卷积神经网络对幼禽进行生物特征识别的方法。
背景技术：
目前针对幼禽特别是雏鸡进行性别分类的工作绝大部分还是依靠工人通过观察雏鸡肛门来分类。虽然准确率尚能满足需求，但是分类速度较慢，对工人经验要求高。对于大型孵化场希望能通过机器来分辨，实现全自动流水线工作，以降低成本和提高生产效率。
此外，初生雏鸡抵抗力弱，处于集中化孵化环境中病变雏鸡容易造成雏鸡群大量感染，且有些孵化中发育不全或畸形的雏鸡很难存活，如不早期发现并及时处理，在运输或养殖过程中死亡极易造成细菌滋生，威胁雏鸡群健康。孵化场希望能通过机器来在早期分辨初生雏鸡的发育不全或病变以进行相应的处理，提高存活率，提高生产效率。
深度神经网络是近几年来发展迅速，在自然语言处理和计算机视觉的发展中起到了至关重要的推动作用，并且也应用到了许多实际生活、工业生产当中，帮人们解决了许多难题。深度神经网络相对于svm等传统的浅层机器学习架构，在一些复杂的场景模式中具有更加好的性能。在计算机视觉的自然图像分类方向中，深度神经网络已经可以达到95％以上的准确率，已经几乎超过了人类的分辨能力。它还有许多应用的领域、潜在价值等着人们去开发、挖掘。但是对于深度神经网络在雏鸡性别分类、病变识别的应用上，依然存在着识别速度慢，准确率极低，甚至无法识别的情况，难以满足实际生产需求。这导致了目前为止依然是依靠人工来进行雏鸡性别分类。
技术实现要素：
本发明的目的在于提供一种幼禽生物特征识别装置及方法，旨在至少解决现有技术或相关技术中存在的技术问题之一。
为解决上述技术问题，本发明提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，每个卷积神经网络子模块都包含着数层卷积层，池化层和激活函数，所述幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，包括crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。
优选地，所述识别模块包括多个识别子模块，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入。
优选地，所述第一卷积神经网络子模块进一步包括并联的卷积层和扩展卷积层，对所输入的数据分别进行处理后输出到所述扩展卷积子模块；所述识别模块还包括soft-max层。
优选地，所述裁剪模块还包括图像增强子模块，对裁剪了大部分背景后的幼禽外观图像执行包括图像增强或归一化处理。
优选地，所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。
本发明的幼禽生物特征识别系统，上述任一种基于深度卷积神经网络的幼禽生物特征识别装置，还包括：图像采集装置，采集作为识别对象的幼禽的图像；图像预处理装置，对所述图像采集装置所采集的图像进行预处理，所述预处理包括边框裁剪、缩放、图像增强中的至少一种。
优选地，所述图像采集装置设有姿态调整机构，以获取规定姿态的幼禽图像。
本发明的基于深度卷积神经网络的幼禽生物特征识别方法，包括以下步骤：定位步骤，对输入的包含有幼禽的原图像，采用级联的多个卷积神经网络依次进行卷积，池化和激活运算后，输入到至少一个全连接层子模块运算后输出幼禽在原图像中的预测的位置信息；剪裁步骤，采用crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别步骤，包括采用级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块对输入的所述幼禽外观图像进行处理的卷积步骤，和将所述卷积步骤的输出数据输入给至少一个全连接层子模块进行处理后，采用识别函数进行计算，输出最终的识别结果的判断步骤，其中，所述卷积步骤中，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入，最后一个识别子模块将输入数据由所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后，输入给所述至少一个全连接层子模块。
优选地，所述第一卷积神经网络子模块进一步包括并联的卷积层和扩展卷积层，所述卷积步骤还包括由所述卷积层和所述扩展卷积层分别对所输入的数据分别进行卷积，池化，激活处理后，输出到所述扩展卷积子模块。
优选地，还包括采用大量幼禽数据对所述深度卷积神经网络进行训练的训练步骤，所述训练步骤中执行所述定位步骤、所述剪裁步骤和所述识别步骤以对所述卷积神经网络进行训练，并采用损失函数来优化模型参数，保存训练完成后的模型。
优选地，所述裁剪步骤还包括图像增强子步骤，对裁剪了大部分背景后的幼禽外观图像执行包括图像增强或归一化处理。
优选地，所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。
本发明的计算机可读记录介质，存储有用于执行上述任一种所述的基于深度卷积神经网络的幼禽生物特征识别方法的计算机程序。
发明效果
本发明通过搭建深度卷积神经网络，通过大量的实验不断优化调节，获得一个兼具识别速度快、准确率高适用于多种品种雏鸡的深度卷积神经网络模型。通过本发明所提供的技术方案，实时采集雏鸡外观图像，经过图像预处理后输入神经网络模型自动将雏鸡图像与背景分离出来之后，进行性别识别，能够提高识别效率和精度，以便将雏鸡按照性别分开养殖，进而能够降低成本、提高生产效率。
附图说明
图1为本发明的幼禽生物特征识别系统的一个实施例的示意图。
图2为本发明的深度卷积神经网络模型之一例的整体结构示意图。
图3为图2所示的深度卷积神经网络模型的运算模块的说明图。
图4为本发明的幼禽生物特征识别方法的一个实施例的示意图。
图5为本发明的采用深度卷积神经网络进行雏鸡性别识别的方法的一个实施例的示意图。
图6为本发明的深度卷积神经网络模型之一例的整体结构示意图。
图7为图6所示的深度卷积神经网络模型的运算模块的说明图。
附图标记说明
10雏鸡性别识别系统
11图像采集装置
12图像预处理装置
13识别装置
100深度神经网络模型
101雏鸡定位模块
102剪裁模块
103性别预测模块
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
[实施例1]
作为本发明的基于深度卷积神经网络的幼禽生物特征识别装置之一例，图1示出了一种雏鸡性别识别系统的一个实施例，如图1所示，本发明的雏鸡性别识别系统10包括：图像采集装置11、图像预处理装置12和识别装置13。
图像采集装置11采集作为识别对象的雏鸡的图像。图像采集装置11可以包括多个拍摄单元，以拍摄雏鸡各个角度的外观图像，例如设置3个摄像头采集雏鸡前方、侧方、侧上方的图像。该图像采集单元可以布置在孵化场生产流水线中雏鸡经过的地方，当雏鸡经过时自动拍摄，也可以在流水线之外单独设置，由机械抓取装置抓取或人工抓取待识别雏鸡进行图像采集。由于雏鸡好动，根据需要，图像采集装置中可以设置姿态调整机构以获取规定姿态的雏鸡图像，例如可以设置斜坡、台阶以刺激经过的雏鸡张羽，或者方形或圆柱形容器以固定雏鸡站立姿态，通过设置姿态调整机构，能够采集到较为标准的图像，能够减少后期图像处理、识别的运算量，提高识别精度，改善工作效率。
图像采集装置11所采集的图像被传输到图像预处理装置12进行预处理。图像预处理装置12对所采集的图像进行边框裁剪、缩放、图像增强等预处理，以减少光照强度、雏鸡站姿、拍摄角度等因素对雏鸡性别预测造成的影响。
本实施例中，作为一个例子，图像预处理装置12按照下述公式(1)对输入图像进行对比度拉伸，
其中imin，imax是原始图像的最小灰度值和最大灰度值，min和max是要拉伸到的灰度空间的灰度最小值和最大值，作为一个例子，本发明设置最大值为255，最小值为0，但不限于此，可以根据雏鸡品种、日龄、光照条件等进行调整。
图像预处理装置12对雏鸡图像进行预处理之后，输入到识别装置13进行性别识别，本发明的识别装置13采用基于训练的深度卷积神经网络，所述级深度卷积神经网络中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
进一步地，所述深度卷积神经网络大致可以分为2个部分：
1)第一级：对输入的雏鸡外观图像进行目标检测，自动裁剪，自动填充图像边缘，输出一个包含整个雏鸡的图像。
2)第二级：第一级深度卷积神经网络中输出的雏鸡图像，作为第二级的输入，经过多层卷积神经网络模块，全连接层，soft-max层。最后输出雏鸡性别的判别结果。
本发明采用的深度卷积神经网络模型，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。按照卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程。每个独立卷积神经网络模块由卷积神经网络层，池化层,激活层组成。最后一个卷积神经网络层连接一个全连接层和soft-max层，共同完成通过雏鸡外观分辨雏鸡性别的工作。采用本发明的方法，能够加快训练时间，有效提高雏鸡性别识别的速度和准确率。
本发明的深度卷积神经网络模型，在应用于雏鸡自动识别之前先进行模型训练。
模型训练阶段
1)使用图像采集装置11对大量雌雄雏鸡的外观的各个角度进行拍摄，保存为图像文件，并贴上性别标签。
2)图像预处理装置12使用图像增强算法将采集到雏鸡外观图像数据，自动进行图像处理、图像增强。
3)将预处理后的雏鸡外观图像输入识别装置13所搭建的深度卷积神经网络进行训练。使用交叉熵损失函数作为lossfunction来优化参数，交叉熵损失函数如下述公式(2)所示，其中y是雏鸡性别真实值，
训练好后，可采用本发明的系统实施自动识别，同样地，图像采集装置11采集雏鸡外观图像数据，经图像预处理装置12进行预处理之后，输入到识别装置13的已经训练好的深度卷积神经网络模型对雏鸡进行自动检测、分割、识别，并输出雏鸡性别预测结果。
深度卷积神经网络模型
以下，对本发明的所采用的深度卷积神经网络，示例出具体模型结构以进行更具体的说明，但是提供模型具体结构仅仅是为了更好地理解本发明及其优点，并非意图限定本发明。
图2为本发明的所采用的一例深度卷积神经网络模型100的整体结构示意图，图3为图2所示的深度卷积神经网络模型的运算模块的说明图。如图2、图3所示，模型100为基于训练的深度卷积神经网络，其中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
图2中：
1)convlayer:代表卷积神经网络子模块。在图中每个卷积神经网络子模块都包含着数层卷积运算，池化层和激活函数。
2)fullyconnectedlayer:代表全连接层子模块，用于最后输出雏鸡定位信息以及雏鸡性别预测结果。
进一步地，所述深度神经网络模型100大致可以分为雏鸡定位模块101、剪裁模块102和性别预测模块103：
雏鸡定位模块
图像采集装置11所采集的图像经图像预处理装置12进行裁剪、缩放、图像增强等预处理之后，输入到神经网络模型的雏鸡定位模块101。
雏鸡定位模块101的卷积神经网络由6个convlayer级联即convlayer1～6和2个全连接层fullyconnectedlayer组成。
convlayer1～6
简易预处理后的雏鸡外观图像传到第一层卷积神经网络子模块convlayer1，进行卷积，池化，激活运算。使用雏鸡图像的rgb三个通道的信息提取出32个featuremap。将第一层的输出作为第二层卷积神经网络子模块(卷积层convlayer2)的输入，经过运算获得64个featuremap。以此方式，将上一层的输出作为下一层的输出，经过6层的运算后，获得1024个特征图featuremap。
fullyconnectedlayer1～2
fullyconnectedlayer1将convlayer6输出的1024个featuremap平均分成4份，每个部分都采用reshape函数转化成一维的数据，分别输入4个小全连接层；4个小全连接层输出的数据再合并起来最为总的输出，并传给下一层全连接层fullyconnectedlayer2，最终运算后输出雏鸡在原图像中的位置预测像素点信息。
剪裁模块
剪裁模块102包括crop层和增强处理层imageenhancement
crop层：
输入：fullyconnectedlayer2输出的雏鸡在原图像中的位置信息和雏鸡的原始图像；
输出：自动图像裁剪处理，输出裁剪大部分背景后的雏鸡图像。
imageenhancement：
输入：crop层输出的裁剪大部分背景后的雏鸡图像；
输出：使用图像增强，归一化处理算法处理后的雏鸡图像。
性别预测模块
性别预测模块103的卷积神经网络由6个convlayer级联即convlayer7～12和3个用于通道数融合的extendconvlayer，1个全连接层fullyconnectedlayer组成。
convlayer(8,10,12)使用的是本卷积神经网络中的基本单元convblocks。而convlayer(7,9,11)均由2个不同的卷积神经网络子模块组成。它们由本卷积神经网络中的基本单元convblocks和deepconvblocks并联组成。其中deepconvblocks是由convblocks以及1x1的extendconvlayer组合而成，是用于提取数据更深层的特征。它的具体组成结构可看模型图的图例。
雏鸡图像数据流动过程：将imageenhancement处理后的雏鸡图像的rgb三个通道的图像数据归一化，标准化处理后分别输入到convlayer7的2个不同的子模块中进行卷积，池化，激活运算后，再合并2个独立的子模块的输出，获得64个featuremap，再将其输出。
convlayer7输出的数据经过extendconvlayer2的融合运算后，再输入convlayer8。convlayer8将输入的数据进行卷积，池化，激活运算后输出与64个featuremap。将convlayer8的输出与convlayer8的输入合并之后再输入到convlayer9。
后面的convlayer9→convlayer10；convlayer11→convlayer12均以此方式进行连接、传递数据。经过convlayer9→convlayer10运算，输入的64个featuremap会输出256个featuremap作为convlauer11的输入。
经过convlayer11→convlayer12运算后，会将输入的256个featuremap再深一层提取出1024个featuremap。
fullyconnectedlayer3：将convlayer12输出的1024个featuremap展开成一维的数据输入fullyconnectedlayer3，输出的结果经过softmax函数计算，输出最终雏鸡性别的预测结果。
如此，本发明的深度卷积神经网络模型100，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。通过卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程，共同完成通过雏鸡外观分辨雏鸡性别的工作。
[实施例2]
作为本发明的基于深度卷积神经网络的幼禽生物特征识别方法之一例，图4示出了雏鸡性别识别方法的一个实施例，如图4所示，本发明的雏鸡性别识别方法包括：图像采集步骤s11、图像预处理步骤s12和识别步骤s13。
图像采集步骤s11中，通过图像采集装置采集作为识别对象的雏鸡的图像。图像采集装置可以包括多个拍摄单元，以拍摄雏鸡各个角度的外观图像，例如设置3个摄像头采集雏鸡前方、侧方、侧上方的图像。该图像采集单元可以布置在孵化场生产流水线中雏鸡经过的地方，当雏鸡经过时自动拍摄，也可以在流水线之外单独设置，由机械抓取装置抓取或人工抓取待识别雏鸡进行图像采集。由于雏鸡好动，根据需要，图像采集装置中可以设置姿态调整机构以获取规定姿态的雏鸡图像，例如可以设置斜坡、台阶以刺激经过的雏鸡张羽，或者方形或圆柱形容器以固定雏鸡站立姿态，通过设置姿态调整机构，能够采集到较为标准的图像，能够减少后期图像处理、识别的运算量，提高识别精度，改善工作效率。
图像预处理步骤s12中，对图像采集装置所采集的图像进行包括边框裁剪、缩放、图像增强等的预处理，以减少光照强度、雏鸡站姿、拍摄角度等因素对雏鸡性别预测造成的影响。
本实施例中，作为一个例子，图像预处理步骤按照公式(1)对输入图像进行对比度拉伸，
其中imin，imax是原始图像的最小灰度值和最大灰度值，min和max是要拉伸到的灰度空间的灰度最小值和最大值，作为一个例子，本发明设置最大值为255，最小值为0，但不限于此，可以根据雏鸡品种、日龄、光照条件等进行调整。
识别步骤s13中，对预处理之后的图像进行性别识别，本发明采用基于训练的深度卷积神经网络的识别方法，所述级深度卷积神经网络中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
本发明的深度卷积神经网络模型，在应用于雏鸡自动识别之前先进行模型训练。
模型训练阶段
1)执行图像采集步骤s11对大量雌雄雏鸡的外观的各个角度进行拍摄，保存为图像文件，并贴上性别标签。
2)执行图像预处理步骤s12，使用图像增强算法将采集到雏鸡外观图像数据，自动进行图像处理、图像增强。
3)执行识别步骤s13，将预处理后的雏鸡外观图像输入本发明所搭建的深度卷积神经网络进行训练。使用交叉熵损失函数作为lossfunction来优化参数，交叉熵损失函数如下述公式(2)所示，其中y是雏鸡性别真实值，
训练好后，可采用本发明的系统实施自动识别，同样地，图像采集步骤s11采集雏鸡外观图像数据，经图像预处理步骤s12进行预处理之后，识别步骤s13输入到已经训练好的深度卷积神经网络模型对雏鸡进行自动检测、分割、识别，并输出雏鸡性别预测结果。
所述深度卷积神经网络大致可以分为2个部分：
1)第一级：对输入的雏鸡外观图像进行目标检测，自动裁剪，自动填充图像边缘，输出一个包含整个雏鸡的图像。
2)第二级：第一级深度卷积神经网络中输出的雏鸡图像，作为第二级的输入，经过多层卷积神经网络模块，全连接层，soft-max层。最后输出雏鸡性别的判别结果。
图5示出了采用本发明搭建的深度卷积神经网络进行雏鸡性别识别的方法的一个实施例，如图5所示，本发明的基于深度卷积神经网络的识别方法包括以下步骤。
雏鸡定位步骤s101，将包含有幼禽的原图像输入第一级，采用级联的多个卷积神经网络依次进行卷积，池化和激活运算后，输入到至少一个全连接层子模块运算后输出幼禽在原图像中的预测的位置信息；
剪裁步骤s102，采用crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及
性别预测步骤s103，采用级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块对所述幼禽外观图像进行卷积处理，然后输入给至少一个全连接层子模块进行处理后，采用识别函数进行计算，输出最终的识别结果。其中，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入，最后一个识别子模块将输入数据由所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后，输入给所述至少一个全连接层子模块。
本实施例采用的深度卷积神经网络模型，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。按照卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程。每个独立卷积神经网络模块由卷积神经网络层，池化层,激活层组成。最后一个卷积神经网络层连接一个全连接层和soft-max层，共同完成通过雏鸡外观分辨雏鸡性别的工作。采用本实施例的方法，能够加快训练时间，有效提高雏鸡性别识别的速度和准确率。
以下，对本实施例的所采用的深度卷积神经网络，示例出具体模型结构以进行更具体的说明，但是提供模型具体结构仅仅是为了更好地理解本实施例及其优点，并非意图限定本发明。
图6为本实施例的所采用的一例深度卷积神经网络模型的整体结构示意图，图7为图6所示的深度卷积神经网络模型的运算模块的说明图。如图6、图7所示，模型为基于训练的深度卷积神经网络，其中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
图中：
1)convlayer:代表卷积神经网络子模块。在图中每个卷积神经网络子模块都包含着数层卷积运算，池化层和激活函数。
2)fullyconnectedlayer:代表全连接层子模块，用于最后输出雏鸡定位信息以及雏鸡性别预测结果。
本实施例的基于深度卷积神经网络的识别方法，如前文所述，大致可以分为雏鸡定位步骤s101、剪裁步骤s102和性别预测步骤s103。
雏鸡定位步骤
雏鸡定位步骤s101采用的卷积神经网络由6个convlayer级联即convlayer1～6和2个全连接层fullyconnectedlayer组成。
convlayer1～6
简易预处理后的雏鸡外观图像传到第一层卷积神经网络子模块convlayer1，进行卷积，池化，激活运算。使用雏鸡图像的rgb三个通道的信息提取出32个featuremap。将第一层的输出作为第二层卷积神经网络子模块(卷积层convlayer2)的输入，经过运算获得64个featuremap。以此方式，将上一层的输出作为下一层的输出，经过6层的运算后，获得1024个特征图featuremap。
fullyconnectedlayer1～2
fullyconnectedlayer1将convlayer6输出的1024个featuremap平均分成4份，每个部分都采用reshape函数转化成一维的数据，分别输入4个小全连接层；4个小全连接层输出的数据再合并起来最为总的输出，并传给下一层全连接层fullyconnectedlayer2，最终运算后输出雏鸡在原图像中的位置预测像素点信息。
剪裁步骤
剪裁步骤s102中采用crop层和增强处理层imageenhancement进行处理。
crop层：
输入：fullyconnectedlayer2输出的雏鸡在原图像中的位置信息和雏鸡的原始图像；
输出：自动图像裁剪处理，输出裁剪大部分背景后的雏鸡图像。
imageenhancement：
输入：crop层输出的裁剪大部分背景后的雏鸡图像；
输出：使用图像增强，归一化处理算法处理后的雏鸡图像。
性别预测步骤
性别预测步骤s103采用的卷积神经网络由6个convlayer级联即convlayer7～12和3个用于通道数融合的extendconvlayer，1个全连接层fullyconnectedlayer组成。
convlayer(8,10,12)使用的是本卷积神经网络中的基本单元convblocks。而convlayer(7,9,11)均由2个不同的卷积神经网络子模块组成。它们由本卷积神经网络中的基本单元convblocks和deepconvblocks并联组成。其中deepconvblocks是由convblocks以及1x1的extendconvlayer组合而成，是用于提取数据更深层的特征。它的具体组成结构可看模型图的图例。
雏鸡图像数据流动过程：将imageenhancement处理后的雏鸡图像的rgb三个通道的图像数据归一化，标准化处理后分别输入到convlayer7的2个不同的子模块中进行卷积，池化，激活运算后，再合并2个独立的子模块的输出，获得64个featuremap，再将其输出。
convlayer7输出的数据经过extendconvlayer2的融合运算后，再输入convlayer8。convlayer8将输入的数据进行卷积，池化，激活运算后输出与64个featuremap。将convlayer8的输出与convlayer8的输入合并之后再输入到convlayer9。
后面的convlayer9→convlayer10；convlayer11→convlayer12均以此方式进行连接、传递数据。经过convlayer9→convlayer10运算，输入的64个featuremap会输出256个featuremap作为convlauer11的输入。
经过convlayer11→convlayer12运算后，会将输入的256个featuremap再深一层提取出1024个featuremap。
fullyconnectedlayer3：将convlayer12输出的1024个featuremap展开成一维的数据输入fullyconnectedlayer3，输出的结果经过softmax函数计算，输出最终雏鸡性别的预测结果。
如此，本发明采用的深度卷积神经网络模型，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。通过卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程，共同完成通过雏鸡外观分辨雏鸡性别的工作。
实验结果：
为检验本发明的模型的识别效果，将3000只0日龄雏鸡分为3组，分别采用基于vggnet和resnet针对此次雏鸡性别识别实验进行细微调整而获得的deepvggnet和deepresnet与本发明的模型进行雏鸡性别识别测试，根据识别结果统计识别准确率和识别速度，记录如下表。
由上表经过实验对比可见，采用本发明的方法，能够加快训练时间，有效提高雏鸡性别识别的速度和准确率，表现的综合性能最好。
值得注意的是，在本发明的较佳实施例中，虽然以雏鸡性别识别为例对本发明的幼禽生体特征识别进行了说明。但是在其他的实施例中，该生体特征也可以是发育状况、病变特征、健康状况等等，并且不限于雏鸡，本发明的深度卷积神经网络模型还可以适用于雏鸭等幼禽，同样表现出良好的识别准确率和速度，适于大规模养殖业。本领域技术人员可理解，以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。
1.一种基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于，包括：
幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，每个卷积神经网络子模块都包含着数层卷积层，池化层和激活函数，所述幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；
剪裁模块，包括crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及
识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。
2.如权利要求1所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述识别模块包括多个识别子模块，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入。
3.如权利要求2所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述第一卷积神经网络子模块进一步包括并联的卷积层和扩展卷积层，对所输入的数据分别进行处理后输出到所述扩展卷积子模块；
所述识别模块还包括soft-max层。
4.如权利要求1所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述裁剪模块还包括图像增强子模块，对裁剪了大部分背景后的幼禽外观图像执行图像增强或归一化处理。
5.如权利要求1至4中任一项所述的基于深度卷积神经网络的幼禽生物特征识别装置，其特征在于：
所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。
6.一种幼禽生物特征识别系统，其特征在于，包括如权利要求1至5中任一项所述的基于深度卷积神经网络的幼禽生物特征识别装置，还包括：
图像采集装置，采集作为识别对象的幼禽的图像；
图像预处理装置，对所述图像采集装置所采集的图像进行预处理，所述预处理包括边框裁剪、缩放、图像增强中的至少一种。
7.如权利要求6所述的幼禽生物特征识别系统，其特征在于：
所述图像采集装置设有姿态调整机构，以获取规定姿态的幼禽图像。
8.一种基于深度卷积神经网络的幼禽生物特征识别方法，其特征在于，包括以下步骤：
定位步骤，对输入的包含有幼禽的原图像，采用级联的多个卷积神经网络依次进行卷积，池化和激活运算后，输入到至少一个全连接层子模块运算后输出幼禽在原图像中的预测的位置信息；
剪裁步骤，采用crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及
识别步骤，包括采用级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块对输入的所述幼禽外观图像进行处理的卷积子步骤，和将所述卷积步骤的输出数据输入给至少一个全连接层子模块进行处理后，采用识别函数进行计算，输出最终的识别结果的判断子步骤，
其中，所述卷积子步骤中，每个识别子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块依次处理后的数据，和所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后的数据，合并起来作为下一级识别子模块的输入，最后一个识别子模块将输入数据由所述第一卷积神经网络子模块、所述扩展卷积子模块、所述第二卷积神经网络子模块依次处理后，输入给所述至少一个全连接层子模块。
9.如权利要求8所述的基于深度卷积神经网络的幼禽生物特征识别方法，其特征在于：
所述第一卷积神经网络子模块进一步包括并联的卷积层和扩展卷积层，所述卷积步骤还包括由所述卷积层和所述扩展卷积层分别对所输入的数据分别进行卷积，池化，激活处理后，输出到所述扩展卷积子模块。
10.如权利要求8或9所述的基于深度卷积神经网络的幼禽生物特征识别方法，其特征在于：
还包括采用大量幼禽数据对所述深度卷积神经网络进行训练的训练步骤，所述训练步骤中执行所述定位步骤、所述剪裁步骤和所述识别步骤以对所述卷积神经网络进行训练，并采用损失函数来优化模型参数，保存训练完成后的模型。
11.如权利要求8所述的基于深度卷积神经网络的幼禽生物特征识别方法，其特征在于：
所述裁剪步骤还包括图像增强子步骤，对裁剪了大部分背景后的幼禽外观图像执行图像增强或归一化处理。
12.如权利要求8至11中任一项所述的基于深度卷积神经网络的幼禽生物特征识别方法，其特征在于：
所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。
13.一种计算机可读记录介质，其中存储有用于执行如权利要求8至12中任一项所述的基于深度卷积神经网络的幼禽生物特征识别方法的计算机程序。
技术总结