基于双分支原型网络与自适应颜色局部二值模式的少样本牛鼻纹生物特征识别方法研究

研究人员针对传统牲畜管理方法在个体识别中的不足，开发了TBPN-ACEM框架，通过双分支网络结构（Two-Branch Prototype Network）结合自适应颜色局部二值模式（AC-LBP）和增强边界原型损失（Enhanced Margin Prototype Loss），在仅需5-7张样本/类的条件下，于公开数据集和泰国牛鼻数据集分别取得98.80%和100%的识别准确率，为资源受限的畜牧业提供了高效非侵入式解决方案。

　　

在东南亚小型农场中，传统耳标和RFID技术面临成本高、易篡改等问题，而基于深度学习的牛脸识别又受限于数据采集难度。泰国作为拥有560万头牛、畜牧业贡献2%GDP的国家，亟需开发适应资源受限环境的生物识别方案。牛鼻纹因其指纹般的独特性成为理想靶标，但现有方法存在三大瓶颈：需要大量样本、对光照敏感、缺乏跨品种泛化能力。

针对这些挑战，来自泰国农业大学（Kasetsart University）的研究团队在《Smart Agricultural Technology》发表创新成果，提出TBPN-ACEM框架。该研究通过三项核心技术突破：1）并行处理局部纹理与全局结构的双分支网络；2）采用贝叶斯优化自动调节参数的AC-LBP模块；3）引入动态类别间距的Enhanced Margin Prototype Loss，在少样本条件下实现了媲美全监督模型的性能。

关键技术方法包括：1）使用300-Cattle-Source公开数据集（含2900张图像）和自建泰国牛鼻数据集（200张图像）进行跨环境验证；2）通过贝叶斯优化动态确定LBP的采样点数量（P）和半径（R）；3）采用ConvNeXt-Base等四种骨干网络对比特征提取效果；4）通过t-SNE可视化验证嵌入空间的类间分离度。

研究结果方面：

1. 识别准确率：双分支架构在传统原型损失下已达97.88%准确率，增强边界损失进一步将性能提升至98.80%。泰国数据集更实现100%完美识别，证明对实地复杂环境的适应性。
2. 计算效率：ResNet50骨干仅需68.45ms单图推理时间，模型体积45MB，适合移动端部署。
3. 特征可视化：热力图显示AC-LBP分支专注鼻纹细粒度特征（如脊线），而DaViT分支捕捉整体空间结构，印证双路径互补性。

这项研究的意义在于：首次将自适应纹理编码与原型学习结合应用于牲畜识别，其样本效率可降低数据采集成本90%以上。实际应用中，该系统可无缝对接泰国《动物流行病法》要求的追溯体系，尤其适合老龄化农村社区——泰国65岁以上农民占比已达14%，亟需此类"低技术门槛"解决方案。未来通过边缘计算部署和动态参数优化，有望成为东南亚数字畜牧业的基础设施。