動物目標檢測識別已成為畜牧業(yè)的組成部分，是實現(xiàn)現(xiàn)代精細化科學畜牧業(yè)的必由之路。在智慧畜牧中，可做到及時檢測動物目標，確定動物個體身份并獲取相關信息，建立動物個體檔案，為數(shù)字化管理和畜牧產(chǎn)品溯源提供信息支撐。

目前通常通過給動物賦予一個獨特的標識符或標志來檢測識別動物個體，常見方法是采用塑料耳標或射頻識別設備來標識動物個體，但存在設備損壞/丟失、碰撞等外界干擾問題。針對這一系列問題，安徽大學互聯(lián)網(wǎng)學院攜手南陽農(nóng)業(yè)職業(yè)學院、悉尼大學工學院，展開了跨學科、專業(yè)的研究。

該研究基于計算機視覺技術的目標檢測識別方法，借助其具有非接觸性和實用性等優(yōu)點，基于目標樣本的視覺特征(如形狀、紋理、顏色等)，結合智能算法實現(xiàn)目標檢測識別。動物個體檢測識別的常用樣本圖像包括口鼻、面部、軀干等區(qū)域，并基于區(qū)域特征信息來實現(xiàn)個體檢測識別。

一、臉部檢測識別

基于深度學習的非接觸式動物檢測識別能夠有效減輕畜牧場壓力并推動精細化科學養(yǎng)殖業(yè)的發(fā)展。近期研究人員利用深度學習算法實現(xiàn)了豬、羊、牛等動物臉部的無接觸高效檢測識別。

李向宇和李慧盈利用相似度較高的豬臉匹配數(shù)據(jù)集訓練形變卷積神經(jīng)網(wǎng)絡，得到形變后的豬臉數(shù)據(jù)集，并使用形變豬臉數(shù)據(jù)集對臉部特征點檢測神經(jīng)網(wǎng)絡模型進行微調(diào)，得到豬臉特征點檢測模型，用該方法進行豬臉特征點檢測，錯誤率僅為5.60%。

何嶼彤等在YOLOv3模型引入密連塊和SPP模塊，提出YOLOv3DBSPP模型來檢測識別豬只，實現(xiàn)了90.18%的平均精度，并且當感興趣區(qū)域閾值為0.5、分類概率閾值為0.1時，模型的平均精度均值比YOLOv3模型高9.87%。

魏斌等將YOLOv3算法檢測到的羊臉作為個體識別的數(shù)據(jù)，利用VGGFace模型訓練后取得了64%左右的識別準確率;選取正面羊臉作為輸入數(shù)據(jù)訓練V提出了一種基于歐式空間度量的綿羊臉部檢測識別方法，利用自然環(huán)境下的羊臉圖像樣本對網(wǎng)絡進行訓練，以實現(xiàn)非接觸式綿羊身份識別。

此外，其針對羊臉圖像中無效信息多、羊臉姿勢和角度差的問題，提出羊臉檢測與校正方法，使綿羊面部區(qū)域對齊，最后利用SheepFaceNet實現(xiàn)羊臉的識別。Li等將Mobilenetv2與Vision Transformer結合，提出了一種名為MobileViTFace的羊臉檢測識別模型。該模型增強了模型提取細粒度特征的能力，并通過Transformer抑制背景信息的干擾，從而更有效地區(qū)分不同的羊臉。

Kumar等開發(fā)了一種基于奶?？诒菆D像樣本的個體識別深度學習網(wǎng)絡模型，采用CNN和深度信念網(wǎng)絡提取一組紋理特征并表示牛的口鼻圖像，通過堆疊降噪自動編碼器技術對提取的圖像特征進行編碼，優(yōu)于基于口鼻圖像數(shù)據(jù)庫識別牛的先進方法。

二、整體及關鍵區(qū)域檢測識別

在智慧畜牧領域中，進一步對動物整體以及關鍵區(qū)域的檢測識別將有利于更深層次的挖掘動物信息，比如腿部與軀干間的位置關系，腿部間的相對關系等，可以反映出動物健康信息，而基于深度學習在這一方面的信息挖掘研究仍需進一步探索。Qiao等提出了一種基于圖像序列的肉牛個體識別的深度學習模型。通過CNN網(wǎng)絡從圖像序列中提取視覺特征，然后將這些提取的特征用于訓練LSTM以捕獲時空信息并識別牛只個體，在15幀和20幀視頻長度上分別達到了88%和91%的準確率。

何東健等提出了一種改進的YOLOv3模型用于奶牛個體識別，在奶牛背部圖像數(shù)據(jù)集中改進的YOLOv3模型的奶牛個體識別準確率為95.91%，平均幀率為32 f/s，可快速識別奶牛個體。Hu等采用YOLO模型從原始圖像中檢測并分割出奶牛區(qū)域，并將檢測到的奶牛對象分割成三個部分，即頭部、軀干和腿部，通過訓練三個獨立的CNN網(wǎng)絡從這三個部分中提取深層特征，并設計了特征融合模型獲取最終特征，最后通過支持向量機分類器來識別每一頭奶牛，實現(xiàn)了98.36%的奶牛識別準確率。

Jiang等提出了一種FLYOLOv3深度學習框架，實現(xiàn)了復雜場景下奶牛個體關鍵區(qū)域的檢測(如軀干、腿和頭部)，并在白天和夜間數(shù)據(jù)集上進行了驗證，均取得了較好的檢測結果。

三、無人機圖像目標檢測

放牧養(yǎng)殖的畜牧場地由于活動范圍較大，往往使用無人機航拍并監(jiān)測牲畜活動信息。而基于UAV的動物監(jiān)測，雖然目前UAV硬件處理速度得到很大地改善，但算法性能仍會影響基于UAV實時檢測的效果，而深度學習可以滿足這一需求。

Andrew等首先在無人機航拍視頻數(shù)據(jù)基礎上，通過區(qū)域卷積神經(jīng)網(wǎng)絡R-CNN和核相關濾波算法實現(xiàn)荷斯坦奶牛的個體檢測和跟蹤，再通過Inception V3-LSTM網(wǎng)絡結構實現(xiàn)奶牛的個體識別，最終識別準確率為98.1%。Shao等和Barbedo等通過CNN網(wǎng)絡模型在UAV圖像上實現(xiàn)了奶牛的目標檢測和個數(shù)統(tǒng)計。

以上研究表明，深度學習技術應用于UAV圖像的目標檢測識別是可行的，且將深度學習技術應用于其他硬件設備(機器人、地面車輛等)構建智能化監(jiān)測系統(tǒng)也是未來發(fā)展的主要趨勢之一。

四、小結

盡管深度學習技術已經(jīng)在動物檢測識別領域取得進展，但仍存在一些問題，比如缺乏基準數(shù)據(jù)集和評估標準。由于研究使用的數(shù)據(jù)集、預處理技術、指標和模型不同，因此對現(xiàn)有方法進行比較得到的結果并不完全合理。具體來說，目標檢測的結果好壞與樣本有直接關系，對于樣本中只包含單個個體或目標相對比較突出時，目標檢測以及個體識別準確率高，但目標區(qū)域檢測和特征提取方法的選擇也會直接影響最終的檢測結果，且外界環(huán)境(光照強度、遮擋等)以及拍攝角度和圖像質(zhì)量都會影響檢測結果。

故通過多角度構建樣本集來實現(xiàn)目標檢測與個體識別仍需要進一步探索。例如基于臉部的個體識別研究，大多數(shù)數(shù)據(jù)集是臉正面拍攝的圖像，然而頭部也會呈現(xiàn)多角度的情況，且實際需求中更希望在現(xiàn)場或遠程監(jiān)控視頻時，隨機抓取一幅圖像即可檢測并識別牛只個體，以及個體其他的相關信息。因此，需要構建更為復雜的樣本集(多角度、晝夜)等來模擬實際飼養(yǎng)中的場景，構建可應用于不同場景的智能算法，并進一步開發(fā)高效精準及方便操作的檢測與識別系統(tǒng)。

審核編輯 黃宇