综述：基于人工智能的牲畜面部识别进展：从算法创新到端到端精准养殖应用

《AgriEngineering》：Advancing Livestock Facial Recognition with AI: From Algorithm Innovation to End-to-End Precision Farming Application Hao Zhao, Dan Hong, Jinhui Wang and Ruiqin Ma

　　

精准畜牧养殖（Precision Livestock Farming, PLF）中的非接触式监测需要可靠的个体识别及面部锚定分析技术，以实现畜舍多变环境下动物个体与纵向健康及行为信号的关联。当前相关研究证据分散于各流程模块，且由于鲁棒性与操作性关键性能指标（Key Performance Indicators, KPIs）的报告标准不一致，导致技术落地就绪度难以评估。本研究旨在梳理该领域的研究演进脉络，综合面向部署的证据与设计原则。研究采用两阶段综述方法：首先基于Web of Science核心合集（2005–2025年，2005年前相关记录零星分布）进行CiteSpace文献计量图谱分析，随后对2022–2025年同行评审实证研究进行范围性综合，检索源以ScienceDirect为主，辅以Web of Science、Scopus、IEEE Xplore及中国知网（CNKI）。纳入标准为使用牲畜面部图像（RGB和/或热成像/红外）进行身份识别功能或面部耦合感兴趣区域（Region of Interest, ROI）分析，并包含定量队列评估的研究。经质量-相关性-部署（Quality–Relevance–Deployment, QRD）筛选后，最终保留24项研究。研究人员整合了部署影响因素与研究缺口，并提出“数字个体（Digital Individuals）”概念，将其作为多模态纵向记录与闭环决策支持的持久身份锚点。

1. 引言

在计算机视觉、深度学习与智慧农业快速发展的驱动下，畜牧业正逐步向规模化、自动化及数据驱动的管理范式转型。精准畜牧养殖的核心目标之一是实现细粒度的个体级监测与干预，例如精准饲喂、疾病早期预警、福利评估及可持续生产，同时避免过高的劳动力投入与管理负担。在此背景下，可靠的个体识别成为连接异构数据流（如视觉、热信号、行为与生理指标）至特定动物的“入口”，从而实现个体层面的连续纵向追踪。传统识别方法如耳标与射频识别（Radio Frequency Identification, RFID）虽仍广泛应用，但属于接触或半接触式方案，常需人工干预，存在丢失、损坏风险，并在特定生产场景中增加动物处理负担。相比之下，人工智能驱动的面部识别（AI-FR）提供了一种非侵入性且潜在远距离替代方案，支持连续监测与可扩展的数字管理。除身份验证外，面部生物特征还可与下游分析整合，将身份与健康及行为指标关联，从而为精准饲喂、疫病监测、福利监控及更广泛的畜牧业可持续发展目标提供更高质量的数据支撑。面部识别作为现代计算机视觉的成熟分支，已在以人为中心的场景中取得广泛成功，广泛应用于公共安全、金融、医疗、教育及消费服务等领域，并进一步融入考勤管理与用户认证等实用系统，乃至疫情防控相关的数字治理生态。然而，将这些进展迁移至牲畜场景时存在显著的结构性不对称：以人为中心的研究占据主导地位，而面向牲畜的人工智能面部识别则相对不足、研究分散且规模较小。现有牲畜AI-FR研究往往集中于有限物种与狭窄场景，如牛只识别、羊只应用及猪只监测任务，导致证据碎片化且方法论整合有限。更根本的是，牲畜AI-FR需在农场特有约束下运行，这些约束与典型以人为中心的场景差异显著，包括严重遮挡（如围栏、饲喂设备及群体重叠）、非受控光照与背景杂乱、非刚性姿态变化以及同品种群体内极高的个体相似性。同时，PLF的实际部署常要求在严格的计算、延迟、能耗及运行稳定性限制下进行边缘推理。这些条件共同限制了模型的鲁棒性、跨牧场与跨品种泛化能力及实际可扩展性。此外，主流计算机视觉的前沿架构向牲畜应用的扩散存在滞后，如Transformer-based模型等先进设计因数据饥渴特性及对大规模预训练的依赖，进入牲畜研究的时间较晚且数量有限。尽管智能养殖领域关注度持续提升，牲畜面部识别的证据基础仍分散于不同物种、传感设置与评估协议之中。现有二次研究虽对PLF中的AI技术及通用动物监测提供了有价值的概览，但多聚焦于广阔的技术图景或通用识别任务，尚缺乏一个整合性的、以部署为核心的认知体系，能够在更广泛的面部分析生态中客观定位牲畜面部识别，并明确结合农场环境鲁棒性与边缘效率需求来综合技术进展。因此，本研究旨在通过两阶段设计——结合基于CiteSpace的文献计量图谱（2005–2025）与近期同行评审实证研究（2022–2025）的重点综合——对面向PLF的AI驱动牲畜面部识别进行范围性综述，重点强调实际部署。研究目标包括：（i）将牲畜面部识别定位于更广泛的面部分析生态系统之中；（ii）从感兴趣区域检测与对齐、识别及面部身份锚定分析等全流程角度，综合考虑农场环境与边缘计算约束，整合关键技术策略与证据，以提升牲畜面部分析的鲁棒性与效率；（iii）识别阻碍跨牧场与时间可扩展部署的证据缺口与方法论局限，并提出报告建议。为实现上述目标，研究围绕三个核心问题展开：首先探究2005–2025年AI驱动面部识别研究的演进历程，以及牲畜相关研究相对于主要面部分析领域的定位；其次分析在农场约束（遮挡、光照变化、姿态多变性与时间漂移）及边缘计算资源限制下，PLF全流程中哪些技术策略被报道可提升牲畜面部分析的鲁棒性与效率，涵盖核心身份模块（人脸检测或ROI检测、对齐、识别或验证，以及适用的开集识别）及紧密耦合的面部身份锚定分析（如用于体温提取的面部区域分割，以及基于面部线索的福利或健康推断）；最后识别最制约跨牧场与时间集成管道可扩展部署的证据缺口与方法论局限，包括数据集与标准碎片化、跨时间与跨牧场验证不足、开集或开放世界场景评估稀缺、边缘KPI（延迟、吞吐量、占用空间）报告不完整，以及连接感知模块与决策KPI的系统级田间试验有限等问题。本文余下章节安排如下：第2节阐述综述设计与筛选流程；第3节展示文献计量分析结果；第4节概述技术框架与系统架构；第5节总结前沿进展；第6节讨论当前挑战与未来机遇；第7节给出结论。

2. 研究方法与数据采集

本文采用两阶段综述设计，整合宏观文献计量图谱与微观层面、面向部署的技术综合，以提供牲畜面部生物特征的互补视角。首先，对WoSCC语料库（2005–2025）进行文献计量图谱分析，勾勒该领域的历史轨迹并识别演变中的主题集群。其次，精选2022–2025年的技术证据集，综合近期架构发展（如Transformer-based模型与面向边缘AI的设计），这些内容与设备端效率及实际部署约束最为相关。选择该时间窗口旨在（i）捕捉当前模型家族与加速器感知实现，（ii）优先纳入报告部署相关测量指标（如吞吐量、延迟、占用空间，若可用）的研究，以及（iii）减少与早期综述已充分总结的传统流程的冗余。鉴于本文定位为最新范围性综述而非正式系统综述或荟萃分析，其目标是代表性、面向部署的覆盖，而非穷尽所有符合条件的研究。为提高透明度，研究人员明确记录了用于编译文献池及精选深入研究文献的信息来源、数据库字段、关键词主题及筛选考量。综述范围采用适配的PICOS结构以明确纳入边界：研究对象为生产型牲畜物种（牛、羊、山羊、猪、家禽及马），排除实验动物与野生动物；干预措施为基于AI的面部生物特征技术，在技术综合中侧重深度学习及近期Transformer相关架构；应用场景为 domestic livestock management environments（如农场与育肥场）；结局指标包括宏观文献计量指标（如关键词爆发与共引结构）以及与部署相关的微观技术与操作指标（如报告的准确率/mAP、推理延迟/吞吐量及边缘硬件上的模型占用空间，若可用）；研究类型为同行评审期刊论文与会议论文集。术语说明中明确了“非侵入性”与“非接触式”指传感过程中无需物理标记或处理，“AI-based”指数据驱动的计算机视觉方法而非基于规则的启发式方法，“个体水平”指性能在唯一动物身份层面评估，“部署相关”指为现场可行性提供信息的证据与报告，包括农场变异性下的鲁棒性及边缘约束，“开集识别”与“开放世界操作”分别指拒绝未知个体的能力与随时间变化的群体与环境下的部署需求，“时间分离评估”与“跨牧场验证”强调训练与测试数据的时空独立性，“边缘原生”指为资源受限环境下的设备端推理设计的模型与流程，“治理感知”指关注隐私、访问控制与负责任数据共享的数据实践与系统设计，“KPI驱动”指除识别精度外还报告操作与决策层面指标的评估方式。

3. 文献计量分析结果

AI驱动的面部识别在2005–2025年间主导了出版物格局，从2000年代中期每年不足约100篇增长至2020年代初峰值超过每年1200篇，2025年仍维持在每年约1000篇的水平。相比之下，牲畜面部生物特征研究在大部分时期内发表量较低，仅在最强年份达到两位数高位，而多个非农业应用领域（如情感计算与隐私/安全/伦理）则达到每年数百篇的规模。这种持续的差异表明研究活动成熟度与关注度存在转化差距，但仅凭发文量不能指示领域就绪度，因此后续章节通过部署导向的证据评估就绪度。牲畜面部识别在2005–2025年间呈现出显著的轨迹转变：2005至2016年发文量接近零，反映了早期依赖手工特征流程的“冷启动”阶段，这类方法对农场变异性（光照、姿态、遮挡、污物及群养）敏感。2017年左右随着深度学习——特别是CNN-based流程——的采用，曲线急剧上升，并持续强劲至2025年，标志着从可行性演示向更广泛的方法开发与测试应用过渡。牛只是贡献最大且增长最快的类别，这与乳业系统中个体动物的经济价值及机器人挤奶与自动监测中对可靠识别的操作需求一致；猪只为第二大类别，而小反刍动物因经济与技术约束（如羊毛遮挡与群居行为）增长较慢。

关键词爆发检测进一步解码了学术界的关注焦点转移。第一阶段（2005–2016年）为基础时代，由“人脸检测”、“动作单元”与“人机交互”等关键词主导，反映对图像采集与特征提取基本机制的关注，且该阶段研究完全以人为中心，几乎未检测到牲畜或农业场景的信号。第二阶段（2017–2020年）为深度学习繁荣期，见证了“分类”（强度=2.76）与“面部表情识别”（强度=2.72）的最强爆发，表明重点从身份验证转向表达与情感相关任务，但这些技术突破的益处仍局限于人类应用，动物相关关键词的缺失凸显了显著滞后。第三阶段（2021年至今）为新兴分化期，首次出现了有意义的牲畜导向概念，如“动物福利”与“动物情感”（强度均为0.95），表明学界开始探索计算机视觉与行为学的交叉领域，但其爆发强度远低于早期技术关键词，暗示该子领域仍处于起步阶段。总体而言，关键词爆发图谱描绘了技术成熟度远超其在农业中应用的格局，动物相关关键词的延迟出现与较弱强度凸显了明显的机会缺口，未来的挑战不在于发明新算法，而在于将这些成熟计算模型适配于精准畜牧养殖的特定复杂需求。

关键词共现聚类分析进一步揭示了两个领域的知识结构差异。通用领域网络表现出高度成熟性，最大的集群如“#0面部表情识别”与“#2情绪检测”与“#1机器学习”、“#8卷积神经网络”等方法论集群紧密交织，表明主流社区已超越基本身份验证，开始利用先进深度学习架构处理复杂的语义任务。相比之下，牲畜导向网络呈现出更紧凑但结构清晰的工程聚焦格局，以“#0人工智能”与“#6计算机视觉”等基础工程集群为核心枢纽，连接各类子任务。值得注意的是，“#8 GLCM（灰度共生矩阵）”与现代AI术语并存，凸显了该领域从保留传统特征工程方法向日益采用深度学习范式的演进轨迹。聚类模式清晰地展示了从通用方法论到特定应用的转变，方法论集群（#3特征提取、#4图像处理）直接与物种特定任务（如“#2羊脸识别”）及更广泛目标（如“#5动物福利”）相连，表明牲畜面部识别不再仅是理论概念，而是正积极适配以解决特定的畜牧挑战。“动物福利”集群的出现尤其重要，表明该技术正从简单身份验证向非侵入式健康与行为监测扩展。然而，牲畜网络的密度与节点数均低于通用领域，印证了其仍属未被充分探索的领域，主要受限于数据稀缺、生物变异性与环境复杂性等因素。

4. 技术框架与系统架构

与人的面部识别不同，牲畜生物特征采集具有机会性，发生在畜舍或育肥场中，动物在快速变化的光照、杂乱背景及频繁部分遮挡下自由活动。这些因素会引入显著的时间域漂移，并可能导致标准CNN骨干网络过拟合于干扰线索而非携带身份信息的面部模式。因此，近期面向农场的研宄趋于收敛于三阶段设计逻辑：输入级干扰抑制、注意力引导的特征提取及基于边距的判别嵌入学习。第一阶段并非单纯的美学预处理，在实际部署中，光照增强与基于分割的背景去除已被明确用于提升对天气驱动光照波动与背景干扰的鲁棒性，从而使模型专注于面部属性而非农场特异性伪影。第二阶段中，注意力机制提供了一种原则性方法来抑制背景噪声并放大稳定的生物地标。在猪脸识别中，混合注意力模块通过热力图可视化被证明能集中响应面部区域并降低对无关环境的敏感性；对于遮挡严重的牛只场景，融入通道-空间Transformer风格头的架构被提出以改善复杂背景与严重遮挡下的特征表示；此外，交叉注意力可融合互补的生物特征线索，如联合建模面部与鼻纹图案以增强对齐与判别性。第三阶段解决了牲畜生物特征的核心瓶颈——同品种内极高的表型相似性，传统Softmax分类器往往产生不足的类别间边距。因此，近期牲畜研究日益采用基于边距的度量学习（如ArcFace等角度边距损失或三元组边距目标），以强制实现更高的类内紧凑性与更清晰的类间分离。实际生产场景中，已有研究将ArcFace损失与轻量级检测-识别流程结合，报告了91.3%的识别准确率与实时吞吐量（24 FPS），证明了边距嵌入在牧场群管理中的部署可行性。这些发现得到了多项农场/畜舍评估的实证支持，表明数据级适应光照/遮挡、注意力驱动的背景伪影抑制及边距嵌入学习构成了农场环境下鲁棒牲畜面部识别的互补杠杆。

基于所选研究的实证证据，研究人员综合了一个用于非接触式精准畜牧管理的端到端部署流程。需强调的是，现有文献很少在商业农场上对整个“身份+生理+警报”集成系统进行端到端评估，大多数论文仅在农场或近农场条件下验证特定模块（如跟踪/身份、热成像地标或生理估计）。因此，该流程应被解释为由实验证明模块组成的证据基础集成，而非单一完全集成的商业产品验证。流程始于农场环境下的RGB与热成像/红外传感双通道非接触式数据采集，其可行性已在大学机器人奶牛场得到验证，实现了稳定的ROI跟踪与中等至高度的生理信号恢复一致性。预处理与过滤阶段针对拥挤畜舍的主要挑战，通过多牛只跟踪框架维持身份一致的轨迹，实现稳定轨迹中的代表帧采样与冗余/低价值帧减少，而非依赖人工筛选。ROI对齐阶段在牲畜部署中仍是相对报告不足的部分，许多流程借鉴人脸对齐方法而缺乏牲畜特异性地标基准或农场消融实验。不过，已有直接农场背景证据表明，基于地标的姿态控制能改善牛脸识别，通过IoU-based时间人脸跟踪与五关键点面部地标检测，优先选择“正面”人脸，并结合几何归一化，在跨天评估协议中实现了98.0%的平均精度（mAP）。核心识别阶段在标准化ROI基础上，通过解决时间域漂移问题实现鲁棒身份验证，上述跨天分割评估证明了该方法在模拟真实农场时间漂移方面的有效性。关联推理与应用阶段需谨慎描述，因为现有证据仍是模块化的：热成像生理提取与RGB-热成像传感下的呼吸及心率推断可行性已获验证，多模态融合逻辑也在行为识别中显示出通过整合视频与可穿戴传感器流提升下游推理性能的潜力，但这些研究尚未构成单一端到端的、商业验证的健康警报流程，能将自动面部ID与自动生命体征在规模上显式融合。因此，该流程作为PLF部署的系统级抽象，但当前证据基础仍以模块级为主，报告系统KPI（如延迟、正常运行时间与警报质量）的严格端到端田间试验仍然有限。

5. 前沿进展概述

高质量且多样化的数据集是PLF中可靠面部识别的基础，决定了受控环境中学习的模型能否泛化至具有可变光照、遮挡、动物外观变化及异构相机设置的真实畜舍。当前牲畜面部数据集在物种、规模、图像模态及环境复杂性方面差异巨大，这些差异直接影响报告的性能和部署声明的真实性。数据集规模与丰富度在不同研究间高度不均，小规模探索性工作依赖有限样本，虽对原型流程与可行性演示有价值，但无法充分代表商业运营所需的个体内与个体间变异性。即使达到中等队列规模，可及性与代表性仍可能受限，如私有羊只数据集虽提供有意义的算法开发规模，但外部复现困难。相比之下，更大规模的数据集开始支持更稳定的优化与可靠的评估，如包含21,742张图像的猪只数据集支持强闭集个体识别，包含44,747张图像的十品种羊只数据集支持比单品种集合更广的表型空间内的品种级判别。重要的是，更丰富的数据集不仅是“更多图像”，更是“更广覆盖”：纵向采样日益必要，因为面部外观