基于深度学习的绵羊面部特征识别模型SheepFaceRec的开发与应用分析

为解决传统侵入式耳标对绵羊造成的应激损伤问题，研究人员开发了基于面部特征的深度学习模型SheepFaceRec。该模型整合MTCNN人脸检测和FaceNet特征提取模块，在564只绵羊测试集上达到97.14%识别准确率，在50只新个体泛化测试中保持95.88%准确率，30°内面部偏转时准确率仍达94.71%。研究为精准畜牧业提供了非侵入式个体识别方案。

　　

在集约化畜牧业快速发展的背景下，中国作为全球绵羊存栏量第一的国家（2023年达1.44亿只），面临着个体识别的重大挑战。传统RFID耳标不仅会造成动物应激和损伤，还存在被啃咬脱落的问题。而非侵入式识别方法如虹膜、视网膜或鼻纹识别，又因设备成本高、绵羊鼻部绒毛覆盖等限制难以推广。更棘手的是，绵羊缺乏稳定的体表斑纹特征，且不同品种耳朵形态差异显著，这使得开发通用识别系统异常困难。

针对这些行业痛点，由Hongbo Yuan、Zhaohan Liu等组成的研究团队创新性地将人类面部识别技术迁移至绵羊个体识别领域。他们开发的SheepFaceRec模型，通过融合多任务卷积神经网络(MTCNN)和深度度量学习框架FaceNet，结合挤压激励(SE)注意力机制，实现了对绵羊面部特征的精准提取和匹配。这项发表于《Smart Agricultural Technology》的研究，为畜牧业提供了一种高效、低成本的生物识别解决方案。

研究团队采用了三项关键技术：首先利用MTCNN模块实现多尺度人脸检测和关键点定位（包括双眼、鼻孔和鼻尖），其采用的改进损失函数total_loss_1整合了L2正则化项以增强泛化能力；其次构建基于Inception-ResNet-v1的FaceNet模块，通过total_loss_2损失函数（融合三元组损失、中心损失和交叉熵损失）优化特征空间分布；最后引入SE注意力机制强化关键面部结构的特征提取。实验数据来自河北衡水智豪畜牧科技有限公司的644只绵羊（642只湖羊和2只巴美肉羊），通过智能手机采集的665段视频中提取图像构建三个独立数据集。

在模型性能方面，DN测试集的564只绵羊上取得97.14%的识别准确率，误识率仅1.8%。特别值得注意的是，模型展现出优异的泛化能力——在完全未参与训练的50只绵羊DGT数据集上仍保持95.88%的准确率。针对实际应用中常见的面部偏转问题，研究团队系统评估了不同偏转角度的识别效果：当偏转角θ≤30°时，准确率稳定在94%以上；即使在θ>30°的极端情况下，模型仍能保持90%以上的识别性能。

通过详尽的消融实验证实，SE注意力机制和改进损失函数的协同作用至关重要——同时采用total_loss_1、total_loss_2和SE模块的完整模型，其F1-score达到98.55%，显著优于单一改进方案。与ResNet50V2、MobileViTFace等对比模型相比，SheepFaceRec在所有测试场景中均保持2-7个百分点的性能优势。

现场试验进一步验证了模型的实用性。在河北某牧场的实际部署中，模型集成到绵羊体尺测量系统中，对3-8月龄的30只湖羊进行连续测试，最终取得95.93%的现场识别准确率。研究同时揭示了当前技术的局限性：在强逆光条件下，约1.06%的图像因面部特征丢失导致检测失败。

这项研究的创新价值在于：首次将经过海量人脸数据预训练的Inception-ResNet-v1架构成功迁移至绵羊识别领域，通过改进损失函数和注意力机制的组合，有效解决了小样本条件下类内差异大、类间差异小的识别难题。研究者建议未来可结合三维面部重建技术，通过多模态融合进一步提升模型鲁棒性。SheepFaceRec的成功开发，为构建智能化畜牧业管理系统提供了关键技术支撑，其"一次注册、终身识别"的特性，极大降低了规模化养殖场的运维成本。