基于深度学习雏鸡面部识别的身份鉴别与性别分类

《Veterinary and Animal Science》：Deep learning-based facial recognition for identity and sex classification in chicks

　　

研究人员构建了首个带有个体身份与性别标注的湘黄鸡（Xianghuang chicken）雏鸡面部数据集，并在正面与侧面视角下，基于五种模型（ResNet-50、ResNet-101、EfficientNet-B0、EfficientNet-B0+CBAM（Convolutional Block Attention Module，卷积块注意力模块）及MobileNet-V2）开展个体识别，Top-1准确率均超过98%。性别分类任务中，单纯依赖面部特征的最高准确率仅为71.01%（ResNet-50，侧面视角），所有模型均表现出明显过拟合。Grad-CAM（Gradient-weighted Class Activation Mapping，梯度加权类激活映射）可视化显示，模型在身份识别时关注包括鼻区与眼周在内的多个面部区域。该研究揭示了雏鸡面部性别线索的生物瓶颈，同时为家禽养殖早期细粒度数字化管理提供了基准。

研究背景方面，随着大规模集约化家禽养殖快速发展，精准的个体识别与性别判定是实现数字化管理、智能育种及改善动物福利的基础前提。传统方法依赖腿环、翅标或射频识别，存在脱落、磨损、人为误差及捕捉应激等问题。计算机视觉与生物识别技术虽提供非接触替代方案，但现有家畜面部识别研究多集中于牛、羊、猪等成年大型经济动物，雏鸡因面部特征更细微、表型相似度高、姿态光照复杂，相关研究明显空白。雏鸡期是分群、免疫与早期生长评估的关键窗口，对实时性与准确性要求严格，而现有深度学习直接迁移成熟架构常受限于特征分辨率不足与小样本过拟合。因此，研究人员以地方特色品种湘黄鸡为对象，构建专用面部数据集，系统评估多视角、多架构下的身份与性别识别性能。该研究发表于《Veterinary and Animal Science》。

关键技术方法上，研究人员在湖南衡阳湘黄鸡系谱场选取360只一日龄雏鸡（雌雄各180只），经泄殖腔翻肛法初筛性别、6周龄冠部发育二次核验；采用三台iPhone 16 Pro在暗室同步采集正面（0°）与双侧（±45°）视频，抽帧后经EfficientNet-B0辅助迭代清洗得6024张合格面部图（正面4073张、侧面1951张）。利用LabelImg标注并训练YOLOv8（You Only Look Once v8）检测器自动裁剪人脸至224×224；按8:2划分数据，身份任务同体闭集图像级划分，性别任务采用被试无关划分防泄漏。比较ResNet-50、ResNet-101、MobileNet-V2、EfficientNet-B0及EfficientNet-B0+CBAM五模型，主干冻结仅微调分类头（CBAM变体微调注意力与头部），性别分类用Focal Loss与AdamW，身份识别用带类别权重的Cross-Entropy Loss与Cosine Annealing调度，均启Mixed-Precision（AMP）。

研究结果部分，引言指出家禽视觉研究缺乏细粒度面部探索，强调非侵入雏鸡性别判定对种群管理价值。材料与方法显示，实验设计通过三机位同步与手动稳姿旋转获取多视角序列；图像采集与预处理中，YOLOv8验证集mAP@0.5达99.5%（正面）与99.6%（侧面），mAP@0.5:0.95为87.2%与88.1%；数据集划分策略明确闭集与被试无关差异。模型比较框架中，五模型参数量3.5M至44.5M不等，推理速度120 FPS（224×224）。性别分类配置采用Focal Loss（γ=2.0，α按类别平衡设0.84/1.24等）、Dropout（p=0.5）、Early Stopping（patience=6）；身份识别配置嵌入层映射至512维、Softmax分类、Cosine Annealing（T_max=100）、Early Stopping（patience=10）。模型评估指标涵盖混淆矩阵导出的准确率、精确率、召回率、F1等。

讨论与结论部分，研究人员指出个体识别Top-1超98%证实雏鸡面部具足够身份判别性，Grad-CAM显示鼻区与眼周为关键区域；性别分类峰值仅71.01%且全面过拟合，揭示雏鸡面部无强性别二态性这一生物瓶颈，单纯视觉面相法难替代谢/基因法。研究意义在于首发湘黄鸡雏鸡面部标注数据集与多视角基准，证明轻量模型（MobileNet-V2、EfficientNet-B0）可实时部署，为早期细粒度个体管理提供非接触路径；同时明确面部性别上限，指引后续需融合多模态或生理特征。结论原文要义：构建首套湘黄鸡雏鸡面部身份-性别数据集，五模型身份识别>98% Top-1，性别仅靠面部≤71.01%且过拟合，Grad-CAM定位鼻区与眼周，填补家禽雏鸡面部识别空白并为数字化养殖提供基准。