《Smart Agricultural Technology》：Sheep face recognition for identity database construction: reduced-image registration and optimization using ConvNeXt-Sheep
编辑推荐：
精准畜牧业需要准确、低干预且适用于实际身份数据库构建的个体识别方法。目前的羊脸识别研究主要关注模型层面的识别性能，而对于新入群个体的面向注册的身份数据库构建缺乏充分的量化分析，特别是在模型开发所需图像数量、个体注册所需图像数量以及视角组成对识别性能的影响方面证
精准畜牧业需要准确、低干预且适用于实际身份数据库构建的个体识别方法。目前的羊脸识别研究主要关注模型层面的识别性能，而对于新入群个体的面向注册的身份数据库构建缺乏充分的量化分析，特别是在模型开发所需图像数量、个体注册所需图像数量以及视角组成对识别性能的影响方面证据有限。为解决这一空白，本研究聚焦于优化新入群羊的面向注册的身份数据库构建策略，使用ConvNeXt-Sheep作为面部身份特征提取模型。ConvNeXt-Sheep以ConvNeXt-Tiny为骨干网络，融入SE（Squeeze-and-Excitation）注意力机制以增强关键面部特征表示，并采用标签平滑（Label Smoothing）提高表示稳定性。收集的数据集被组织为三个身份互斥的子集，分别用于模型开发、姿态分析和注册策略评估，包含401、78和102只羊。随后从训练样本量、注册图像数量、相似度阈值和注册视角组合四个角度研究了注册策略。模型开发集上的五折交叉验证表明，随着每只羊训练图像从2张增加到7张，识别准确率从93.33 ± 0.39%提升至98.54 ± 0.14%。当每只羊使用5张训练图像时，模型达到98.22 ± 0.33%的准确率，95%置信区间为97.81–98.63%，表明该设置在测试数据集和交叉验证协议内于识别性能与训练图像需求间提供了良好平衡。在评估的注册视角组合中，混合正面–侧面注册方案优于单视角注册。在互补视角测试设置下，一正面加两侧面注册方案达到最高准确率96.92 ± 0.59%，而两正面加一侧面的方案保持了高准确率并显示出较低的错误接受率（False Acceptance Rate, FAR）。总体而言，本研究为羊脸识别提供了一种减量化图像的身份证数据库注册策略，并为测试羊养殖条件下构建注册数据库提供了实证指导。
研究背景方面，羊产业是中国畜牧业的重要组成部分，随着生产系统向规模化和集约化管理发展，精细化的个体识别与管理成为提高生产效率的关键基础。射频耳标虽广泛使用，但存在标签丢失、磨损、需近距离读取及潜在应激等问题。虹膜与鼻纹等生物识别需受限成像条件与高质量近距图像，而动物面部图像可在较低束缚下获取，更兼容农场监控环境。现有研究多聚焦模型架构改进以提升静态测试集性能，忽视新个体入库时的注册数据库构建策略，且在农场环境中羊难以配合获取标准正面图像，注册图像过少导致姿态变化下识别不可靠，过多则增加采集与计算负担，关于最优注册图像数与正反侧视角组合的系统量化证据有限。为此，研究人员开展本研究，以ConvNeXt-Sheep为面部身份特征提取基础，评估新入群羊的减量化图像身份注册协议，明确训练图像数、注册图像数、相似度阈值与注册视角组成的影响，得出在每羊5张训练图、新羊3张注册图及混合正反侧视角配置下能平衡性能与采集需求的结论，对实际低干预身份注册具有重要工程指导意义，该论文发表于《Smart Agricultural Technology》。
关键技术方法上，研究人员于2024年7月20日至31日在河北衡水智浩畜牧科技有限公司采集644只1–2岁羊的视频，用Redmi K40手机以30 fps、1920 × 1080分辨率、1–2 m距离在自然光下录制10–30 s视频，抽帧得11343张后人工筛选保留581只羊9786张图，排除63只有效图不足者，构建无身份重叠的三子集：模型开发集（Model Development Set, MDS）含401羊8600图、注册策略集（Registration Strategy Set, RSS）含102新个体718图、姿态分析集（Pose Analysis Set, PAS）含78羊468图并定义偏航角0°≤θ≤15°为正面（Front）、15°<θ≤30°为侧面（Side）。以ConvNeXt-Tiny为骨干，集成改进SE注意力模块（各阶段自适应缩减比r=8,12,12,16，权重ω=0.5+0.5y，内嵌dropout概率0.1）与标签平滑（系数ε=0.1）构成ConvNeXt-Sheep，输出768维特征向量，用余弦相似度匹配，在Windows工作站（Intel i9-12900K、NVIDIA RTX 4090）以PyTorch 2.7.1、CUDA 11.8环境，采用ImageNet-1K预训练权重、AdamW优化器（初始学习率1×10-3、最小1×10-6、权重衰减0.1）、20轮线性预热后余弦衰减、批次96/128、100轮训练，通过五折交叉验证、梯度训练样本实验、注册图像数与相似度阈值τ网格搜索（τ∈[0.5,0.9]步长0.05）、固定3张注册图的视角组合实验（全正、全侧、2正1侧、1正2侧）及新个体与光照变异案例分析进行评估。
研究结果部分，首先3.1节为ConvNeXt-Sheep的性能评估，通过消融实验在MDS五折交叉验证中比较ConvNeXt、ConvNeXt+平滑、ConvNeXt+SE及ConvNeXt-Sheep，发现三者结合达最优准确率98.22 ± 0.33%、F1值97.88 ± 0.31%，显著优于基线与其他对比模型（MobileViTFace、SheepFaceRecog、Siamese等），单图推理时间13.46 ms，重复测量ANOVA显示模型配置对准确率影响显著（F(3,12)=381.61,p<0.001），Holm校正两两比较均显著（p<0.05）。其次3.2节为训练集样本量对模型性能的影响，在MDS上设每羊训练图数Ntrain∈{2,3,4,5,6,7}，发现从2到5张提升明显（93.33±0.39%至98.22±0.33%），5张后差异不显著（5、6、7张同属d组），5张达97.81–98.63%置信区间，为模型开发阶段有利平衡点（F(5,20)=339.70,p<0.001）。再者3.3节为注册图像数量与相似度阈值对识别性能的影响，基于RSS（102新个体）设注册图K=1–3、τ网格搜索，发现K=1时τ=0.7较平衡（准确率87.44±0.57%、FAR2.45±0.40%、FRR10.10±0.67%），τ=0.8时FAR降至0.80±0.18%但FRR升至16.39±0.63%；K=2时τ=0.8准确率92.90±1.00%、FAR2.09±0.65%、FRR5.01±1.01%；K=3时τ=0.8准确率96.91±0.70%、FAR1.75±0.69%、FRR1.35±0.51%，3张注册图在τ=0.8下接近模型开发5张训练图性能，为有利权衡。然后3.4节为注册视角组合对识别性能的影响，基于PAS固定K=3比较四方案，单视角（3正86.70±0.53%、3侧88.44±0.40%）劣于混合视角，2正1侧在互补测试下达95.92±0.72%、FAR0.15±0.21%，1正2侧达最高96.92±0.59%，混合正反侧因正面稳判结构与侧面补轮廓信息优于单视角，证明视角多样性比同视角增量更有效。最后3.5节为新入群个体与代表性光照变异案例验证，RSS下K=3、τ=0.8达96.91±0.70%准确率，光照变异常选案例中ConvNeXt-Sheep在低光阴影与强光远距离下保持正确检索，对比模型不稳定。
讨论部分总结，研究人员指出ConvNeXt-Sheep优因有三：7×7大核深度卷积整合空间分散身份线索（眼纹、鼻梁、耳廓），改进SE模块在农场背景（围栏、槽、影）中重校通道权聚焦面部响应并温和抑制防过抑弱判别特征，标签平滑减硬目标过拟以提升身份表示稳定性与新个体泛化。注册策略工程含义为模型开发5训练图近性能平台，新个体3注册图兼顾性能与采集负担，混合视角补信息优于同视角增量，相似度阈值与注册数耦合优化（2–3图时τ=0.8为保守操作点以控假接受风险）。与现有研究比，ConvNeXt-Sheep在同等协议下准确率与F1优于轻量MobileViTFace（88.70±0.64%、87.22±0.70%）与SheepFaceRecog（94.15±0.56%、93.19±0.66%）且推理13.46 ms平衡效费，明确分阶段采集（开发5图、注册3图）减库建图像需求。局限在于数据主自同一农场相似条件，泛化指训练未见个体而非跨场跨设备跨品种，光照仅为代表样例未系统量化，极端遮挡大偏转小目标仍受影响；未来需跨场景设备品种数据、压缩模型边端推演、融合体型步态等多模态。
结论部分翻译为：为满足羊脸识别中高效身份数据库构建的需求，本研究开发ConvNeXt-Sheep作为面部身份特征提取模型，并在身份互斥协议下系统评估新入群羊的注册策略。（1）通过引入7×7大核卷积与带标签平滑的SE注意力机制，ConvNeXt-Sheep在测试评估设置下改善了面部身份特征表示，在模型开发集上达98.22 ± 0.33%准确率与97.88 ± 0.31% F1值，同等五折协议下优于原始ConvNeXt、Siamese、MobileViTFace、SheepFaceRecog等对比模型。（2）进一步评估模型开发与身份数据库注册所需图像规模，在测试数据集与协议下，每羊5张训练图与新羊3张注册图在识别性能与图像采集需求间提供有利经验权衡。（3）三注册设置中混合正反侧注册优于单视角，互补视角测试下1正2侧达最高96.92 ± 0.59%，2正1侧保高准且FAR更低，表明正面供稳定主判别信息、适量侧面补姿态变异特征，组合提升身份特征库对视角变化适应性。（4）当用2–3注册图时，测试RSS协议下τ=0.8为保守操作阈值而非最大准确率阈值；3注册图时τ=0.8达96.91 ± 0.70%准确率、FAR1.75 ± 0.69%、FRR1.35 ± 0.51%，据此建议3注册图配混合正反侧视角与相似度阈值0.8作为测试羊脸识别设置的减量化图像注册配置。（5）代表性光照变异案例定性分析表明ConvNeXt-Sheep在所选低光、阴影与高照度田间图中保留正确身份检索，但仍需跨光照类别、农场、设备与品种的系统量化验证，未来将进一步纳入更大跨场景数据集、边端推演评估与多模态融合以提升羊身份识别系统在实际大规模养殖中的泛化与实用转移性。由Ziqi Ge、Chunhui Duan、Jincheng Wei、Hongbo Yuan、Man Cheng完成，单位河北农业大学机电工程学院。
