《Veterinary Sciences》：Short-Term Longitudinal Biometric Identification of Cattle Using Planum Nasolabiale Images and a Two-Stage Deep Learning Framework
编辑推荐：
个体牛只识别是牛群溯源（traceability）与精准畜牧业管理的核心需求，但耳标、电子标签等常规标识可能因丢失、损毁或难以读取而失效。本研究评估了一种基于牛鼻梁区（planum nasolabiale, PN）图像的免 invasive 生物识别框架。该系
个体牛只识别是牛群溯源（traceability）与精准畜牧业管理的核心需求，但耳标、电子标签等常规标识可能因丢失、损毁或难以读取而失效。本研究评估了一种基于牛鼻梁区（planum nasolabiale, PN）图像的免 invasive 生物识别框架。该系统采用两级流水线：先用 YOLOv12n 检测器完成鼻部定位，再采用基于 ImageNet 预训练 EfficientNetB0 的分类器进行个体识别。48头奶牛（32头成年母牛、16头犊牛）于2025年1月31日（T0）与2025年6月11日（T1，间隔131天）各采集4张正面及近正面图像，共384张纵向图像。检测模型开发数据集包含来自屠宰场独立取样牛只的565张图像及Zenodo公开的210张图像（共775张），与纵向数据集在个体和图像层面均无重叠。在训练子集（n=543）上应用在线增强（mosaic、copy–paste、HSL色彩变换、水平翻转与缩放）。系统对192张T1图像的闭合集纵向识别准确率为96.3%（95% CI: 92.67–98.22%），鼻部检测精度（precision）为0.890、召回率（recall）为0.978、mAP@0.5为0.982，完整推理流程在NVIDIA L4 GPU上每图像仅需8.3 ms。结果显示，基线期PN图像所提取的 discriminative 特征在131天后仍能较好地保留，支持将PN成像作为现有牛只识别方法的非 invasive 补充工具。
研究背景与问题提出
动物个体识别是 livestock traceability、疾病监测、育种记录与精准管理的基石。耳标（ear tags）、纹身（tattoos）、烙印（branding）及射频识别（RFID）等物理标识虽被广泛使用，但存在丢失、损毁、误读或被人为移除的风险，部分操作还需约束或造成组织损伤。牛的鼻梁区（planum nasolabiale, PN，即鼻孔与上唇之间无毛、湿润的皮肤区域）具有个体特异的乳突、棱脊、沟纹与多边形区等结构，传统上称为“鼻纹”（nose print），可由数字图像直接提取身份特征，无需接触动物。既往研究多属横断面设计或随机图像分区，所得高精度不足以证明系统能在真正独立的二次成像时识别同一头牛，更难以评估生长导致的形态变化对识别的影响。
研究设计与关键技术方法
本研究由土耳其 Kayseri 的 Erciyes 大学农业研究与应用中心（ERüTAM）开展，采用闭合集可行性实验设计。主要技术方法包括：（1）以同一台 Canon EOS R50 相机、同一操作者在两次独立日期采集同群48头荷斯坦母牛（32头成年母牛、16头犊牛）各4张正面/近正面PN图像，T1图像不参与模型开发；（2）基于775张独立图像（屠宰场565张＋Zenodo公开集210张，按 543/116/116 划分）训练 YOLOv12n 鼻部与稻草检测器（1024×1024输入、batch size 16、100 epochs、AdamW、学习率0.002、AMP、在线增强仅用于训练子集）；（3）以192张T0图像按约70%/15%/15%划分训练、验证与内部测试集，微调 ImageNet 预训练 EfficientNetB0（冻结前100层，新分类头含全局平均池化、30% dropout 及48类全连接层，Adam优化50 epochs）；（4）以192张T1图像作独立时序测试，并用 Wilson 评分法计算95%置信区间。
研究结果
- •
2.4 节（YOLOv12n 鼻部与稻草检测）：系统经100 epochs 训练，鼻部类 precision 0.890、recall 0.978、mAP@0.5 0.982，且在全部232张验证/测试图像上均成功定位鼻部，平均交并比（mean IoU）0.96；稻草类检测较困难（recall 0.578、mIoU 0.76），因其形态不规则且易与明亮区域混淆。
- •
3.2 节（131天独立重识别）：192张T1图像中185张被正确分类，整体纵向重识别准确率为96.35%（95% CI: 92.67–98.22%），其中成年母牛128张、犊牛64张，证明该结果反映的是独立采集会话下的性能而非单次会话内的近重复图像。
- •
3.3 节（计算性能）：YOLOv12n 对 1024×1024 图像推理 4.6 ms，EfficientNetB0 对 224×224 PN 裁片推理 3.2 ms，完整流水线 8.3 ms/图像（约120帧/s）。
讨论与结论
研究者指出，96.35%的准确率表明在日期、体位、光照、表面状态与生长均发生变化的131天内，PN 的 discriminative 图像特征仍被较好保留。然而，高重识别率仅反映 discriminative 特征被保留，不证明每个解剖细节不变。犊牛（16头）的纳入可检验生长期软组织的稳定性，但因未将年龄组作为预设终点，不能推断犊牛与成年牛性能相同。相较 Shojaeipour 等（300头牛，99.11%）与 Li 等（268头牛，98.7%）的横断面基准，本研究样本量较小但时序协议更严格，未来需多场点、多品种验证及开放集测试。作者总结，两级 YOLOv12n–EfficientNetB0 框架可在基线期后131天的独立成像会话中成功重识别48头牛，准确率为96.35%，支持将PN成像作为法律确立标识（耳标/RFID）的补充工具，用于免接触识别、差异核查与丢失标识后的身份恢复，但长期追踪、多场点验证与开放集拒绝机制仍是后续工作。
