動(dòng)物目標(biāo)檢測(cè)識(shí)別已成為畜牧業(yè)的組成部分，是實(shí)現(xiàn)現(xiàn)代精細(xì)化科學(xué)畜牧業(yè)的必由之路。在智慧畜牧中，可做到及時(shí)檢測(cè)動(dòng)物目標(biāo)，確定動(dòng)物個(gè)體身份并獲取相關(guān)信息，建立動(dòng)物個(gè)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(dòng)物賦予一個(gè)獨(dú)特的標(biāo)識(shí)符或標(biāo)志來檢測(cè)識(shí)別動(dòng)物個(gè)體，常見方法是采用塑料耳標(biāo)或射頻識(shí)別設(shè)備來標(biāo)識(shí)動(dòng)物個(gè)體，但存在設(shè)備損壞/丟失、碰撞等外界干擾問題。針對(duì)這一系列問題，安徽大學(xué)互聯(lián)網(wǎng)學(xué)院攜手南陽(yáng)農(nóng)業(yè)職業(yè)學(xué)院、悉尼大學(xué)工學(xué)院，展開了跨學(xué)科、專業(yè)的研究。

該研究基于計(jì)算機(jī)視覺技術(shù)的目標(biāo)檢測(cè)識(shí)別方法，借助其具有非接觸性和實(shí)用性等優(yōu)點(diǎn)，基于目標(biāo)樣本的視覺特征(如形狀、紋理、顏色等)，結(jié)合智能算法實(shí)現(xiàn)目標(biāo)檢測(cè)識(shí)別。動(dòng)物個(gè)體檢測(cè)識(shí)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(shí)現(xiàn)個(gè)體檢測(cè)識(shí)別。

一、臉部檢測(cè)識(shí)別

基于深度學(xué)習(xí)的非接觸式動(dòng)物檢測(cè)識(shí)別能夠有效減輕畜牧場(chǎng)壓力并推動(dòng)精細(xì)化科學(xué)養(yǎng)殖業(yè)的發(fā)展。近期研究人員利用深度學(xué)習(xí)算法實(shí)現(xiàn)了豬、羊、牛等動(dòng)物臉部的無接觸高效檢測(cè)識(shí)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(xùn)練形變卷積神經(jīng)網(wǎng)絡(luò)，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(duì)臉部特征點(diǎn)檢測(cè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行微調(diào)，得到豬臉特征點(diǎn)檢測(cè)模型，用該方法進(jìn)行豬臉特征點(diǎn)檢測(cè)，錯(cuò)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(cè)識(shí)別豬只，實(shí)現(xiàn)了90.18%的平均精度，并且當(dāng)感興趣區(qū)域閾值為0.5、分類概率閾值為0.1時(shí)，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(cè)到的羊臉作為個(gè)體識(shí)別的數(shù)據(jù)，利用VGGFace模型訓(xùn)練后取得了64%左右的識(shí)別準(zhǔn)確率;選取正面羊臉作為輸入數(shù)據(jù)訓(xùn)練V提出了一種基于歐式空間度量的綿羊臉部檢測(cè)識(shí)別方法，利用自然環(huán)境下的羊臉圖像樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以實(shí)現(xiàn)非接觸式綿羊身份識(shí)別。

此外，其針對(duì)羊臉圖像中無效信息多、羊臉姿勢(shì)和角度差的問題，提出羊臉檢測(cè)與校正方法，使綿羊面部區(qū)域?qū)R，最后利用SheepFaceNet實(shí)現(xiàn)羊臉的識(shí)別。Li等將Mobilenetv2與Vision Transformer結(jié)合，提出了一種名為MobileViTFace的羊臉檢測(cè)識(shí)別模型。該模型增強(qiáng)了模型提取細(xì)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(gè)體識(shí)別深度學(xué)習(xí)網(wǎng)絡(luò)模型，采用CNN和深度信念網(wǎng)絡(luò)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(dòng)編碼器技術(shù)對(duì)提取的圖像特征進(jìn)行編碼，優(yōu)于基于口鼻圖像數(shù)據(jù)庫(kù)識(shí)別牛的先進(jìn)方法。

二、整體及關(guān)鍵區(qū)域檢測(cè)識(shí)別

在智慧畜牧領(lǐng)域中，進(jìn)一步對(duì)動(dòng)物整體以及關(guān)鍵區(qū)域的檢測(cè)識(shí)別將有利于更深層次的挖掘動(dòng)物信息，比如腿部與軀干間的位置關(guān)系，腿部間的相對(duì)關(guān)系等，可以反映出動(dòng)物健康信息，而基于深度學(xué)習(xí)在這一方面的信息挖掘研究仍需進(jìn)一步探索。Qiao等提出了一種基于圖像序列的肉牛個(gè)體識(shí)別的深度學(xué)習(xí)模型。通過CNN網(wǎng)絡(luò)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(xùn)練LSTM以捕獲時(shí)空信息并識(shí)別牛只個(gè)體，在15幀和20幀視頻長(zhǎng)度上分別達(dá)到了88%和91%的準(zhǔn)確率。

何東健等提出了一種改進(jìn)的YOLOv3模型用于奶牛個(gè)體識(shí)別，在奶牛背部圖像數(shù)據(jù)集中改進(jìn)的YOLOv3模型的奶牛個(gè)體識(shí)別準(zhǔn)確率為95.91%，平均幀率為32 f/s，可快速識(shí)別奶牛個(gè)體。Hu等采用YOLO模型從原始圖像中檢測(cè)并分割出奶牛區(qū)域，并將檢測(cè)到的奶牛對(duì)象分割成三個(gè)部分，即頭部、軀干和腿部，通過訓(xùn)練三個(gè)獨(dú)立的CNN網(wǎng)絡(luò)從這三個(gè)部分中提取深層特征，并設(shè)計(jì)了特征融合模型獲取最終特征，最后通過支持向量機(jī)分類器來識(shí)別每一頭奶牛，實(shí)現(xiàn)了98.36%的奶牛識(shí)別準(zhǔn)確率。

Jiang等提出了一種FLYOLOv3深度學(xué)習(xí)框架，實(shí)現(xiàn)了復(fù)雜場(chǎng)景下奶牛個(gè)體關(guān)鍵區(qū)域的檢測(cè)(如軀干、腿和頭部)，并在白天和夜間數(shù)據(jù)集上進(jìn)行了驗(yàn)證，均取得了較好的檢測(cè)結(jié)果。

三、無人機(jī)圖像目標(biāo)檢測(cè)

放牧養(yǎng)殖的畜牧場(chǎng)地由于活動(dòng)范圍較大，往往使用無人機(jī)航拍并監(jiān)測(cè)牲畜活動(dòng)信息。而基于UAV的動(dòng)物監(jiān)測(cè)，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(huì)影響基于UAV實(shí)時(shí)檢測(cè)的效果，而深度學(xué)習(xí)可以滿足這一需求。

Andrew等首先在無人機(jī)航拍視頻數(shù)據(jù)基礎(chǔ)上，通過區(qū)域卷積神經(jīng)網(wǎng)絡(luò)R-CNN和核相關(guān)濾波算法實(shí)現(xiàn)荷斯坦奶牛的個(gè)體檢測(cè)和跟蹤，再通過Inception V3-LSTM網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)奶牛的個(gè)體識(shí)別，最終識(shí)別準(zhǔn)確率為98.1%。Shao等和Barbedo等通過CNN網(wǎng)絡(luò)模型在UAV圖像上實(shí)現(xiàn)了奶牛的目標(biāo)檢測(cè)和個(gè)數(shù)統(tǒng)計(jì)。

以上研究表明，深度學(xué)習(xí)技術(shù)應(yīng)用于UAV圖像的目標(biāo)檢測(cè)識(shí)別是可行的，且將深度學(xué)習(xí)技術(shù)應(yīng)用于其他硬件設(shè)備(機(jī)器人、地面車輛等)構(gòu)建智能化監(jiān)測(cè)系統(tǒng)也是未來發(fā)展的主要趨勢(shì)之一。

四、小結(jié)

盡管深度學(xué)習(xí)技術(shù)已經(jīng)在動(dòng)物檢測(cè)識(shí)別領(lǐng)域取得進(jìn)展，但仍存在一些問題，比如缺乏基準(zhǔn)數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn)。由于研究使用的數(shù)據(jù)集、預(yù)處理技術(shù)、指標(biāo)和模型不同，因此對(duì)現(xiàn)有方法進(jìn)行比較得到的結(jié)果并不完全合理。具體來說，目標(biāo)檢測(cè)的結(jié)果好壞與樣本有直接關(guān)系，對(duì)于樣本中只包含單個(gè)個(gè)體或目標(biāo)相對(duì)比較突出時(shí)，目標(biāo)檢測(cè)以及個(gè)體識(shí)別準(zhǔn)確率高，但目標(biāo)區(qū)域檢測(cè)和特征提取方法的選擇也會(huì)直接影響最終的檢測(cè)結(jié)果，且外界環(huán)境(光照強(qiáng)度、遮擋等)以及拍攝角度和圖像質(zhì)量都會(huì)影響檢測(cè)結(jié)果。

故通過多角度構(gòu)建樣本集來實(shí)現(xiàn)目標(biāo)檢測(cè)與個(gè)體識(shí)別仍需要進(jìn)一步探索。例如基于臉部的個(gè)體識(shí)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(huì)呈現(xiàn)多角度的情況，且實(shí)際需求中更希望在現(xiàn)場(chǎng)或遠(yuǎn)程監(jiān)控視頻時(shí)，隨機(jī)抓取一幅圖像即可檢測(cè)并識(shí)別牛只個(gè)體，以及個(gè)體其他的相關(guān)信息。因此，需要構(gòu)建更為復(fù)雜的樣本集(多角度、晝夜)等來模擬實(shí)際飼養(yǎng)中的場(chǎng)景，構(gòu)建可應(yīng)用于不同場(chǎng)景的智能算法，并進(jìn)一步開發(fā)高效精準(zhǔn)及方便操作的檢測(cè)與識(shí)別系統(tǒng)。

審核編輯 黃宇