基于无人机传感器融合的杏仁园叶片与冠层氮含量关联研究

为解决传统侵入式耳标对羊只造成的应激和损伤问题，研究人员开发了基于深度学习的SheepFaceRec模型，通过羊脸图像实现个体识别。该模型整合MTCNN模块进行面部检测和分割，结合FaceNet模块提取特征并生成身份特征文件，在564只羊的测试集上准确率达97.14%，泛化测试集（50只羊）准确率达95.88%。研究为精准畜牧业提供了非侵入、高精度的自动化识别方案。

　　

在规模化畜牧养殖中，个体识别是健康监测和生产管理的基石。传统耳标（RFID）易引发动物应激和标签脱落，而虹膜、鼻纹等非侵入方法存在设备成本高或特征提取困难等问题。羊脸识别虽具潜力，但现有研究多局限于正面图像识别，对头部偏转的鲁棒性不足，且模型泛化能力验证不充分。针对这些瓶颈，河北农业大学团队在《Smart Agricultural Technology》发表研究，提出融合多任务卷积网络（MTCNN）和深度度量学习的SheepFaceRec系统。

研究团队在河北智皓畜牧科技有限公司采集644只绵羊（含642只湖羊和2只巴美肉羊）的视频数据，构建包含6,019张图像的三个数据集：标准数据集（DN）、侧脸数据集（DISF）和泛化测试集（DGT）。关键技术包括：1）采用MTCNN三级级联网络实现多角度羊脸检测，结合SE（Squeeze-and-Excitation）注意力机制增强特征判别力；2）改进损失函数total_loss₁（含L₂正则化）和total_loss₂（融合三元组损失和中心损失）提升模型稳定性；3）通过迁移学习将CASIA-WebFace人脸数据集预训练参数迁移至羊脸识别任务。

3.1 个体识别结果

在DN测试集（564只羊的945张图像）中，模型准确率达97.14%，误识别率仅1.80%。迁移学习使模型收敛速度提升4倍，10个epoch内即达稳定状态。

3.2 消融实验结果

同时采用改进损失函数和SE机制的完整模型性能最优（F1-score 98.55%），较基线模型提升4.18个百分点，证实模块协同增效。

3.3 模型对比

SheepFaceRec在相同测试条件下显著优于ResNet50V2、MobileViTFace等模型，准确率领先6.4个百分点以上，尤其在非正面图像中优势明显。

3.4 非正面图像识别

当羊头偏转≤30°时，识别准确率保持在94.71%以上。左右侧脸识别性能差异<0.5%，显示角度不变性特征提取能力。

3.5 泛化性能测试

对50只新个体的511张图像测试中，模型保持95.88%准确率。仅7只羊因面部污渍、强背光或极端偏转导致识别率低于80%。

3.6 实地验证

在养殖场测量通道部署的系统中，模型对30只湖羊的识别准确率达95.93%，证实实用价值。

讨论与展望

该研究创新性地将人脸识别技术适配于畜牧场景，其"1+n"识别策略（1张注册图像比对n张测试图像）显著降低数据采集成本。局限性在于强背光环境下MTCNN检测失败率升高，未来可通过多模态融合（如结合三维面部重建）进一步提升鲁棒性。该成果为建立动物数字身份档案提供了关键技术支撑，对实现精准饲喂、疫病防控等智慧养殖应用具有重要实践意义。