達(dá)措 趙啟軍 高定國 索南尖措 尼瑪扎西

摘要：為推動(dòng)精準(zhǔn)畜牧業(yè)的發(fā)展及探討長時(shí)間跨度下的動(dòng)物個(gè)體識(shí)別，構(gòu)建間隔6個(gè)月和12個(gè)月的同一批牦牛個(gè)體圖像數(shù)據(jù)集。試驗(yàn)采用引入注意力機(jī)制的PCB+SE-ResNet50識(shí)別模型，實(shí)現(xiàn)短時(shí)和長時(shí)牦牛個(gè)體識(shí)別，從而分析影響長時(shí)牦牛個(gè)體識(shí)別的因素，并在該長時(shí)數(shù)據(jù)集上與ViT和PGCFL模型識(shí)別結(jié)果進(jìn)行比較。結(jié)果表明：該模型在間隔6個(gè)月和12個(gè)月的數(shù)據(jù)集上識(shí)別平均精度均值達(dá)到60.37%、41.56%。相較于ViT，分別提高1.64%、5.82%；相較于PGCFL，分別提高12.40%、11.22%。該研究可為長時(shí)牦牛個(gè)體識(shí)別、養(yǎng)殖信息化及牲畜精準(zhǔn)管理等提供理論依據(jù)和方法指導(dǎo)。

關(guān)鍵詞：精準(zhǔn)畜牧業(yè)；牦牛；個(gè)體識(shí)別；注意力機(jī)制；動(dòng)物生物特征

中圖分類號(hào)： TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

Research on long-term yak individual recognition based on attention networks

Abstract：

In order to promote the development of precision animal husbandry and discuss the long-term span of animal individual recognition， in this paper， the same batch of yak individual image datasets with an interval of 6 months and 12 months are constructed. In the experiment， the PCB+SE-ResNet50 recognition model with attention mechanism was used to realize short-term and long-term yak individual recognition， so as to analyze the factors affecting long-term yak individual recognition. The recognition results of this long-term dataset were compared with those of ViT and PGCFL models. The results showed that the mean average precision of the model reached 60.37% and 41.56% on the data set with an interval of 6 months and 12 months. Compared with ViT， it was 1.64% and 5.82% higher， respectively， and compared with PGCFL， it was 12.40% and 11.22% higher， respectively. This study can provide theoretical basis and method guidance for long-term yak individual identification， breeding information and precision management of livestock.

Keywords：

precision animal husbandry; yak; individual identification; attention mechanism; animal biometrics

0 引言

牦牛作為高原地區(qū)的重要牲畜，在鞏固牧民脫貧致富成果和推動(dòng)鄉(xiāng)村振興中發(fā)揮著不可或缺的作用。然而傳統(tǒng)的牦牛養(yǎng)殖模式存在一些問題，如養(yǎng)殖效率低下和管理不精確等。為了解決這些問題，借助深度學(xué)習(xí)技術(shù)對(duì)同一頭牦牛進(jìn)行個(gè)體識(shí)別，通過分析其行為、疾病和運(yùn)動(dòng)軌跡，可以有效提高養(yǎng)殖效率，這是一項(xiàng)具有重要意義的科研工作。隨著牦牛年齡的增長，其自身特征也會(huì)發(fā)生變化，如長角、毛發(fā)變化等，這使得長時(shí)間內(nèi)的牦牛個(gè)體識(shí)別變得極具挑戰(zhàn)性。

傳統(tǒng)的牲畜個(gè)體識(shí)別方法主要有基于人為標(biāo)記或附著人工標(biāo)記物區(qū)分不同個(gè)體，如環(huán)標(biāo)法、刺紋法、烙印法、染料標(biāo)記法、微電子芯片掩埋法［1］和射頻識(shí)別（Radio Frequency Identification，RFID）［2］標(biāo)簽等。其中，基于微電子芯片或射頻標(biāo)簽的方法識(shí)別準(zhǔn)確率高，但這種侵入式的識(shí)別方案需要在動(dòng)物的耳朵上穿孔來佩戴無線射頻識(shí)別標(biāo)簽或者在動(dòng)物體內(nèi)植入芯片，容易引起動(dòng)物的不適，造成咬標(biāo)、掉標(biāo)的情況發(fā)生。為了解決這種問題，一些研究人員試圖用基于圖像的生物特征識(shí)別方法實(shí)現(xiàn)動(dòng)物個(gè)體識(shí)別，例如根據(jù)奶牛的尾椎部圖像識(shí)別奶牛個(gè)體［3］、使用豬的俯拍圖像對(duì)豬進(jìn)行個(gè)體識(shí)別［4］、根據(jù)東北虎身體上的花紋圖像識(shí)別其個(gè)體［5］、構(gòu)建母豬和仔豬個(gè)體圖像數(shù)據(jù)集并使用YOLOv3方法實(shí)現(xiàn)高效的豬只個(gè)體識(shí)別［6］以及根據(jù)動(dòng)物的臉部［78］、行為［9］等特征進(jìn)行動(dòng)物個(gè)體識(shí)別。還有一些研究人員嘗試將基于圖像的重識(shí)別（re-ID）方法應(yīng)用于動(dòng)物飼養(yǎng)［1011］和野生動(dòng)物保護(hù)［1214］。隨著科學(xué)技術(shù)的發(fā)展，計(jì)算機(jī)視覺技術(shù)應(yīng)用到諸多行業(yè)中［1516］，盡管以上研究證明了基于圖像的生物特征識(shí)別方法在智慧畜牧養(yǎng)殖領(lǐng)域的巨大前景，但是現(xiàn)有的研究尚未深入分析隨著時(shí)間變化，動(dòng)物個(gè)體識(shí)別模型的準(zhǔn)確率變化情況。本文以同一頭牦牛個(gè)體識(shí)別為研究對(duì)象，首次分析時(shí)間跨度對(duì)動(dòng)物個(gè)體識(shí)別的影響。

本文構(gòu)建間隔6個(gè)月和間隔12個(gè)月的同一批牦牛個(gè)體圖像數(shù)據(jù)集，并且使用最新的識(shí)別方法在該數(shù)據(jù)集上進(jìn)行同時(shí)間段和不同時(shí)間段的牦牛個(gè)體識(shí)別對(duì)比試驗(yàn)，據(jù)此分析時(shí)間跨度對(duì)牦牛個(gè)體識(shí)別效果的影響，為長時(shí)牦牛個(gè)體識(shí)別（即跨越較長時(shí)間間隔的牦牛個(gè)體識(shí)別）研究及其在實(shí)際場(chǎng)景中的應(yīng)用提供有益參考。

1 數(shù)據(jù)集

本文的數(shù)據(jù)集包含兩部分。第一部分是間隔12個(gè)月的數(shù)據(jù)集，分別是2019年（其中所有的牦牛個(gè)體在同一個(gè)月內(nèi)采集）和2020年（經(jīng)過一年后進(jìn)行采集，在時(shí)間跨度下牦牛的體形和花紋以及牦牛的角等發(fā)生變化）采集的牦牛圖像數(shù)據(jù)。2019年數(shù)據(jù)集中有55頭牦牛個(gè)體共1282張圖像，2020年數(shù)據(jù)集中有同樣的55頭牦牛個(gè)體共1533張圖像。這部分?jǐn)?shù)據(jù)來源于前期工作［17］中采集的牦牛圖像數(shù)據(jù)集如圖1所示，2019年的數(shù)據(jù)相比2020年的數(shù)據(jù)，圖像背景更加復(fù)雜，清晰度也較低。第二部分是間隔6個(gè)月的牦牛圖像數(shù)據(jù)集，采集于2021年夏季和冬季（經(jīng)過6個(gè)月后進(jìn)行采集，在時(shí)間跨度為6個(gè)月后，牦牛的體形和皮毛會(huì)發(fā)生一定的變化）。夏季數(shù)據(jù)集中有33頭牦牛個(gè)體共1155張圖像，冬季數(shù)據(jù)集中有同樣的33頭牦牛個(gè)體的848張圖像。

1.1 數(shù)據(jù)預(yù)處理

原始圖像中的牦牛先經(jīng)過自動(dòng)檢測(cè)和定位，然后其中的牦牛區(qū)域被裁剪出來。如果一幅圖像中有多只牦牛，則僅取其中面積最大的那一只，如圖2所示。為了使模型更好地符合實(shí)際養(yǎng)殖環(huán)境的要求，本文使用水平翻轉(zhuǎn)、隨機(jī)遮擋和添加高斯噪聲等數(shù)據(jù)增強(qiáng)方法。

1.2 數(shù)據(jù)集劃分

兩部分?jǐn)?shù)據(jù)集分別劃分為訓(xùn)練集（train）、注冊(cè)集（gallery）和探測(cè)集（query）。在間隔12個(gè)月數(shù)據(jù)集上的具體劃分情況如表1所示。其中注冊(cè)集和探測(cè)集中的是同一批牦牛個(gè)體，且不同于訓(xùn)練集中的個(gè)體。間隔6個(gè)月的牦牛圖像數(shù)據(jù)集為冬季和夏季。此數(shù)據(jù)集的具體劃分情況如表2所示。同樣地，注冊(cè)集和探測(cè)集中的是同一批牦牛個(gè)體，且不同于訓(xùn)練集中的個(gè)體。

2 PCB+SE-ResNet50方法

為了更有效地驗(yàn)證和分析出長時(shí)間跨度對(duì)牦牛個(gè)體識(shí)別的影響，使用了在短時(shí)牦牛個(gè)體識(shí)別上能夠達(dá)到較高水平的PCB+ResNet50作為基線方法。

在重識(shí)別任務(wù)中局部特征具有更好的搜索效果和關(guān)注圖像中細(xì)粒度特征的能力， 基于部分的卷積基線（Part-based Convolutional Baseline，PCB［18］），提出了簡單的圖片水平均等切片方法，利用分區(qū)策略學(xué)習(xí)區(qū)域級(jí)別的特征，提取圖像中的細(xì)粒度特征來實(shí)現(xiàn)行人重識(shí)別。本文結(jié)合牦牛的特點(diǎn)對(duì)此方法進(jìn)行改進(jìn)，實(shí)現(xiàn)長時(shí)牦牛個(gè)體識(shí)別的目的。

PCB+ResNet50［19］方法中使用ResNet50作為骨架網(wǎng)絡(luò)提取牦牛特征，然后計(jì)算特征相似度從而得到識(shí)別結(jié)果，如圖3所示。受近年來注意力機(jī)制在視覺識(shí)別任務(wù)中的優(yōu)異表現(xiàn)的啟發(fā)，將具備注意力機(jī)制的SE-ResNet50［20］作為骨架網(wǎng)絡(luò)。

詳細(xì)過程如下：首先，將牦牛圖像輸入SE-ResNet50中提取特征圖（用張量T表示）；然后，根據(jù)牦牛身體呈水平方向的特點(diǎn)，模型將張量T劃分為p個(gè)垂直條（區(qū)別于行人重識(shí)別中的水平條），并將每個(gè)垂直條紋平均池化為單個(gè)區(qū)域級(jí)列向量gi（i=1，2，…，p），空間大小1×1×2 048。隨后，該列向量g通過1×1卷積層，批量歸一化（BN）層和ReLU激活層得到降維后的特征向量，成為256維度的列向量h；最后，每個(gè)降維后的列向量h單獨(dú)經(jīng)過一個(gè)全連接層后，都會(huì)分別輸入到分類器中，即用p個(gè)n（訓(xùn)練集ID數(shù)目）分類的SoftMax作為分類器進(jìn)行訓(xùn)練；在網(wǎng)絡(luò)訓(xùn)練階段時(shí)，通過最小化交叉熵?fù)p失函數(shù)的和來進(jìn)行優(yōu)化網(wǎng)絡(luò)的訓(xùn)練；在測(cè)試階段時(shí)，分別串聯(lián)向量g和h作為牦牛圖像的特征表示。使用訓(xùn)練得到的模型對(duì)gallery和query中牦牛圖像提取特征，根據(jù)余弦相似度計(jì)算兩者之間的相似度，并將gallery中所有圖像按照與query圖像的相似度從大到小排序，排序結(jié)果即為牦牛個(gè)體識(shí)別結(jié)果，而query圖像中的牦牛被識(shí)別為與其相似度最高的gallery圖像中的那只牦牛個(gè)體。

3 試驗(yàn)結(jié)果

本文使用PyTorch深度學(xué)習(xí)框架實(shí)現(xiàn)PCB+ResNet50和PCB+SE-ResNet50模型，在配備了NVIDIA GTX-1080Ti GPU的計(jì)算機(jī)上分別訓(xùn)練這兩個(gè)模型。優(yōu)化器采用隨機(jī)梯度下降（Stochastic Gradient Descent，SGD） 優(yōu)化器，動(dòng)量系數(shù)設(shè)置為0.9，學(xué)習(xí)率設(shè)置為0.005，dropout設(shè)置為0.5，使用交叉熵?fù)p失函數(shù)（Cross Entropy）進(jìn)行30輪迭代（epochs）訓(xùn)練。

3.1 間隔12個(gè)月數(shù)據(jù)集上的試驗(yàn)結(jié)果

在間隔12個(gè)月的數(shù)據(jù)集上進(jìn)行兩種試驗(yàn)，對(duì)比分析模型在同時(shí)間段和不同時(shí)間段上的識(shí)別效果。

3.1.1 不同訓(xùn)練集的結(jié)果

將兩個(gè)不同年份的訓(xùn)練集分為單年份訓(xùn)練集（2019train、2020train）和多年份訓(xùn)練集（2019train+2020train），并使用PCB+ResNet50進(jìn)行了同時(shí)間段和跨時(shí)間段的識(shí)別效果對(duì)比試驗(yàn)。

試驗(yàn)中使用了兩種評(píng)價(jià)指標(biāo)：mAP和Rank-k。其中mAP是平均精度均值（mean Average Precision）的縮寫，它是將多分類任務(wù)中的平均精度求和再取平均，反映了檢索的牦牛對(duì)象在注冊(cè)集中所有正確的圖片排在排列表前面的程度，能夠更加全面地衡量牦牛個(gè)體識(shí)別模型的性能。Rank-k是算法返回的排序列表中，前k位為存在檢索目標(biāo)則稱為Rank-k命中，本文試驗(yàn)中只列出其中的Rank-1和Rank-5的指標(biāo)。在該數(shù)據(jù)集上試驗(yàn)評(píng)價(jià)指標(biāo)如表3所示。

由此試驗(yàn)可以看出，當(dāng)只用單年份訓(xùn)練集時(shí)，由于模型學(xué)習(xí)的只有同時(shí)間段的牦牛圖像數(shù)據(jù)，因此模型在時(shí)間跨度大的牦牛數(shù)據(jù)集上識(shí)別準(zhǔn)確率很低。為了促進(jìn)模型學(xué)習(xí)更加魯棒的牦牛特征，本文豐富了訓(xùn)練數(shù)據(jù)集，進(jìn)一步驗(yàn)證模型在時(shí)間跨度下對(duì)牦牛特征的學(xué)習(xí)能力。

使用合并了兩個(gè)年份數(shù)據(jù)的訓(xùn)練集即多年份訓(xùn)練集（2019train+2020train）進(jìn)行長時(shí)牦牛個(gè)體識(shí)別的對(duì)比試驗(yàn)。在2019年gallery數(shù)據(jù)集上，同時(shí)間段的query數(shù)據(jù)的mAP為54.85%，間隔12個(gè)月的query數(shù)據(jù)上的mAP提高了6.40%。在2020年gallery數(shù)據(jù)集上，同時(shí)間段的query數(shù)據(jù)上的mAP提高了17.84%，間隔12個(gè)月的query數(shù)據(jù)上的mAP提高了18.04%。詳細(xì)指標(biāo)如表4所示。

以上試驗(yàn)結(jié)果表明，模型具有較好的提取和學(xué)習(xí)到牦牛的特征能力，因而當(dāng)使用混合數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，在長時(shí)牦牛圖像數(shù)據(jù)集上的識(shí)別準(zhǔn)確率均有提升。但是，相比較而言，短時(shí)牦牛圖像的識(shí)別準(zhǔn)確率仍顯著高于長時(shí)牦牛圖像的識(shí)別準(zhǔn)確率，這說明長時(shí)牦牛個(gè)體識(shí)別還需要從模型設(shè)計(jì)角度做更深入研究。此外，對(duì)比表3和表4中的試驗(yàn)結(jié)果，還可以看出數(shù)據(jù)質(zhì)量對(duì)模型識(shí)別效果的影響：當(dāng)訓(xùn)練數(shù)據(jù)中包含不同質(zhì)量的訓(xùn)練數(shù)據(jù)時(shí)，使用較高質(zhì)量的數(shù)據(jù)作為注冊(cè)數(shù)據(jù)（gallery）能得到更高的識(shí)別準(zhǔn)確率。這一現(xiàn)象對(duì)于在實(shí)際應(yīng)用中如何更有效地訓(xùn)練和部署牦牛個(gè)體識(shí)別系統(tǒng)具有很好的指導(dǎo)意義。

3.1.2 不同模型的試驗(yàn)結(jié)果

為了對(duì)比不同模型的識(shí)別效果，將模型中的主干網(wǎng)絡(luò)從普通的ResNet50替換為具有注意力機(jī)制的SE-ResNet50，并使用相同的多年份訓(xùn)練集（2019train+2020train）進(jìn)行對(duì)比試驗(yàn)。在2019年的gallery數(shù)據(jù)上，訓(xùn)練好的模型在同時(shí)間段的query數(shù)據(jù)上的mAP提高了6.20%，而在間隔12個(gè)月的query數(shù)據(jù)上的mAP提高了1.30%。在2020年的gallery數(shù)據(jù)上，同時(shí)間段的query數(shù)據(jù)上的mAP提高了1.38%，間隔12個(gè)月的query數(shù)據(jù)上的mAP則提高了6.17%。詳細(xì)評(píng)估指標(biāo)如表5所示。

以上試驗(yàn)結(jié)果表明，引入注意力機(jī)制能夠有效提升模型學(xué)習(xí)更加魯棒和具有判別性的牦牛軟特征，在短時(shí)牦牛個(gè)體識(shí)別和長時(shí)牦牛個(gè)體識(shí)別上均獲得了更高的準(zhǔn)確率。圖4可視化了兩種模型在牦牛圖像上的關(guān)注區(qū)域，可以看出SE-ResNet50使模型關(guān)注到了圖像上的更多判別區(qū)域。因此，進(jìn)一步優(yōu)化牦牛個(gè)體識(shí)別模型的網(wǎng)絡(luò)設(shè)計(jì)是值得重點(diǎn)關(guān)注的方向。

3.2 間隔6個(gè)月數(shù)據(jù)集上的試驗(yàn)結(jié)果

考慮到不同季節(jié)的環(huán)境變化較大以及牦牛剪毛等的影響（圖5），本文專門評(píng)估不同季節(jié)采集的牦牛圖像數(shù)據(jù)的識(shí)別效果，分析季節(jié)變化對(duì)識(shí)別結(jié)果的影響。

3.2.1 不同訓(xùn)練集的試驗(yàn)結(jié)果

把間隔6個(gè)月的訓(xùn)練集分為單季節(jié)訓(xùn)練集（w_train、s_train）和多季節(jié)訓(xùn)練集（w_train+s_train），并使用PCB+Resnet50模型進(jìn)行牦牛個(gè)體識(shí)別效果對(duì)比試驗(yàn)。這里，‘w和‘s分別表示冬季和夏季。單季節(jié)訓(xùn)練集詳細(xì)評(píng)估指標(biāo)如表6所示。

用合并了兩個(gè)季節(jié)的數(shù)據(jù)的多季節(jié)訓(xùn)練集（w_train+s_train）訓(xùn)練牦牛個(gè)體識(shí)別模型，并在不同的gallery和query數(shù)據(jù)集上進(jìn)行測(cè)試。相比于單季節(jié)訓(xùn)練數(shù)據(jù)，當(dāng)gallery與query同為冬季數(shù)據(jù)時(shí)，mAP提高了10.15%，當(dāng)query換成間隔6個(gè)月的夏季數(shù)據(jù)時(shí)，mAP提高了14.98%。同樣地，當(dāng)gallery和query均為夏季數(shù)據(jù)時(shí)，mAP提高了0.36%，當(dāng)使用冬季數(shù)據(jù)作為query時(shí)，mAP下降了3.99%。從此試驗(yàn)可以看出，夏季作為注冊(cè)集時(shí)識(shí)別效果提升不大，甚至略有下降，導(dǎo)致這種現(xiàn)象的可能原因是牦牛一般在夏季剪毛，降低了牦牛體表紋理特征的豐富程度。多季節(jié)訓(xùn)練集詳細(xì)評(píng)估指標(biāo)如表7所示。

對(duì)比表6和表7，同樣可以發(fā)現(xiàn)在訓(xùn)練數(shù)據(jù)集中包含不同季節(jié)的圖像有助于促進(jìn)模型學(xué)習(xí)到牦牛的軟特征，但是仍不足以完全克服跨季節(jié)的長時(shí)牦牛個(gè)體識(shí)別面臨的挑戰(zhàn)，如環(huán)境背景的變化和牦牛剪毛導(dǎo)致的體表特征的變化等。

3.2.2 不同模型的試驗(yàn)結(jié)果

使用SE-ResNet50主干網(wǎng)在多季節(jié)訓(xùn)練集上的試驗(yàn)結(jié)果如表8所示。

當(dāng)使用SE-ResNet50作為骨架網(wǎng)絡(luò)時(shí)，相比于ResNet50，在多季節(jié)數(shù)據(jù)上訓(xùn)練好的模型，在冬季gallery數(shù)據(jù)上，識(shí)別冬季query數(shù)據(jù)的mAP從87.81%提升到了90.15%，識(shí)別夏季query數(shù)據(jù)的mAP則從46.66%提升到了60.37%。同樣地，在夏季數(shù)據(jù)上訓(xùn)練好的模型，在夏季gallery數(shù)據(jù)上，識(shí)別夏季query數(shù)據(jù)的mAP從87.07%提升到了88.65%，而識(shí)別冬季query數(shù)據(jù)的mAP從35.39%提升到了53.34%。

4 試驗(yàn)結(jié)果與分析

4.1 長時(shí)牦牛個(gè)體識(shí)別

不同時(shí)間間隔的牦牛個(gè)體識(shí)別結(jié)果如圖6所示，其中上面兩行是使用PCB+ResNet50在時(shí)間跨度為12個(gè)月和6個(gè)月的牦牛圖像上的個(gè)體識(shí)別效果，下面兩行是使用PCB+SE-ResNet50在時(shí)間跨度為12個(gè)月和6個(gè)月的牦牛圖像上的個(gè)體識(shí)別效果，圖中的數(shù)字1～10表示Rank1～Rank10，紅框表示識(shí)別錯(cuò)誤的牦牛，綠框表示識(shí)別正確的。從圖6中可以看出，影響模型識(shí)別效果的因素包括外部因素和內(nèi)部因素，而這些因素會(huì)導(dǎo)致牦牛個(gè)體類內(nèi)相似度的降低或者類間相似度的增加，從而造成識(shí)別錯(cuò)誤。

外部因素：由于外部環(huán)境或人為因素導(dǎo)致的影響。

1） 拍攝角度變化。由于不同視角觀察到的牦牛身體部位不同，導(dǎo)致缺少有效特征以識(shí)別牦牛身份，進(jìn)而誤識(shí)成其它個(gè)體（圖7）。

2） 毛發(fā)變化。牦牛的毛發(fā)隨著時(shí)間推移會(huì)自然生長，而牧民們會(huì)定期對(duì)牦牛剪毛，這會(huì)改變牦牛的表觀特征。此外，傷病或其他事故等也會(huì)導(dǎo)致牦牛體表特征的改變，例如身上傷疤導(dǎo)致花紋變化或折斷牛角等（圖8）。

內(nèi)部因素：在長時(shí)牦牛個(gè)體識(shí)別中內(nèi)部因素是指牦牛生長過程中導(dǎo)致牦牛特征發(fā)生改變的因素，主要包含以下幾種。

1） 牦牛生長。牦牛個(gè)體隨著年齡增長，其體表特征會(huì)發(fā)生比較明顯的改變，如毛發(fā)和牛角的生長，導(dǎo)致類內(nèi)的相似度降低，增加了識(shí)別難度（圖9）。

2） 紋理信息少，個(gè)體差異小。由于牦牛群多是近親繁殖，因此牦牛的毛色、花紋、牛角形狀和顏色等具有很高的相似性和遺傳性，特別是純色牦牛（如全身都是黑色毛發(fā)），缺乏紋理特征，導(dǎo)致牦牛個(gè)體識(shí)別極具挑戰(zhàn)性（圖10）。

由于以上因素的影響，長時(shí)牦牛個(gè)體識(shí)別極具挑戰(zhàn)性。為了能夠更好地滿足牦牛養(yǎng)殖場(chǎng)的實(shí)際應(yīng)用需求，降低時(shí)間跨度對(duì)牦牛個(gè)體識(shí)別效果的影響，研究人員還需要在數(shù)據(jù)集構(gòu)建、模型優(yōu)化等方面開展更深入更全面的研究工作。

4.2 不同算法模型比較

為了驗(yàn)證本模型的可靠性，將在長時(shí)牦牛個(gè)體識(shí)別數(shù)據(jù)集上與PGCFL和ViT算法模型進(jìn)行對(duì)比。試驗(yàn)結(jié)果得出在三種模型中PCB+SE-ResNet50在該數(shù)據(jù)集上的識(shí)別效果達(dá)到最佳。詳細(xì)評(píng)估指標(biāo)如表9所示。

5 結(jié)論

1） 本文建立了間隔6個(gè)月和間隔12個(gè)月的長時(shí)牦牛個(gè)體識(shí)別圖像數(shù)據(jù)集，以同一頭牦牛個(gè)體為識(shí)別對(duì)象，首次探討了動(dòng)物生物特征識(shí)別方法受時(shí)間變化的影響情況，并在所構(gòu)建的數(shù)據(jù)集上使用PCB+ResNet50和PCB+SE-ResNet50進(jìn)行同時(shí)間段和不同時(shí)間段的牦牛個(gè)體識(shí)別效果對(duì)比試驗(yàn)。該試驗(yàn)結(jié)果表明引入注意力機(jī)制可以促進(jìn)模型自主地學(xué)習(xí)牦牛的關(guān)鍵特征，并提取更加魯棒、更具有判別性的軟特征，從而提高長時(shí)牦牛個(gè)體識(shí)別的平均精度均值。

2） 本試驗(yàn)?zāi)Ｐ蚉CB+SE-ResNet50在間隔6個(gè)月和間隔12個(gè)月的長時(shí)牦牛個(gè)體識(shí)別數(shù)據(jù)集上與ViT和PGCFL模型識(shí)別結(jié)果進(jìn)行比較。相較于ViT，mAP分別提升了1.64%、5.82%；相較于PGCFL，mAP分別提升了12.40%、11.22%。說明該方法在長時(shí)數(shù)據(jù)集上的有效性。

3） 本文詳細(xì)探究了時(shí)間跨度對(duì)牦牛個(gè)體識(shí)別效果的影響，從內(nèi)部因素和外部因素兩個(gè)角度分析了影響長時(shí)牦牛個(gè)體識(shí)別的主要原因，為解決長時(shí)牦牛個(gè)體識(shí)別提供了良好的理論依據(jù)。

4） 構(gòu)建更大規(guī)模的數(shù)據(jù)集和如何進(jìn)一步優(yōu)化適用于長時(shí)牦牛個(gè)體識(shí)別模型是未來的研究重點(diǎn)。

參 考 文 獻(xiàn)

［1］ 張麗霞， 衛(wèi)澤珍， 李金邦， 等. 動(dòng)物個(gè)體識(shí)別方法種種［J］. 野生動(dòng)物學(xué)報(bào)， 2015， 36（4）： 475-478.

Zhang Lixia， Wei Zezhen， Li Jinbang， et al. Differential method for animal individual identification ［J］. Chinese Journal of Wildlife， 2015， 36（4）： 475-478.

［2］ Azmi N， Kamarudin L M， Zakaria A， et al. Radio frequency identification （RFID） range test for animal activity monitoring ［C］. 2019 IEEE International Conference on Sensors and Nanotechnology. IEEE， 2019： 1-4.

［3］ Li W， Ji Z， Wang L， et al. Automatic individual identification of Holstein dairy cows using tailhead images ［J］. Computers and Electronics in Agriculture， 2017， 142： 622-631.

［4］ 郭依正， 朱偉興， 馬長華， 等. 基于Isomap和支持向量機(jī)算法的俯視群養(yǎng)豬個(gè)體識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（3）： 182-187.

Guo Yizheng， Zhu Weixing， Ma Changhua， et al. Top-view recognition of individual group-housed pig based on Isomap and SVM ［J］. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（3）： 182-187.

［5］ 顧佳音， 劉輝， 姜廣順. 東北虎（Panthera tigris altaica）個(gè)體識(shí)別技術(shù)研究進(jìn)展［J］. 野生動(dòng)物， 2013， 34（4）： 229-237.

Gu Jiayin， Liu Hui， Jiang Guangshun. A review of potential techniques for identifying individual Amur tigers （Panthera tigris altaica） ［J］. Chinese Journal of Wildlife， 2013， 34（4）： 229-237.

［6］ 金耀， 何秀文， 萬世主， 等. 基于YOLO v3的生豬個(gè)體識(shí)別方法［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（2）： 178-183.

Jin Yao， He Xiuwen， Wan Shizhu， et al. Individual pig identification method based on YOLO v3 ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 178-183.

［7］ 溫長吉， 張笑然， 吳建雙， 等. 基于多注意力機(jī)制級(jí)聯(lián)LSTM模型的豬臉表情識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（12）： 181-190.

Wen Changji， Zhang Xiaoran， Wu Jianshuang， et al. Pig facial expression recognition using multi-attention cascaded LSTM model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（12）： 181-190.

［8］ 謝秋菊， 吳夢(mèng)茹， 包軍， 等. 融合注意力機(jī)制的個(gè)體豬臉識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（7）： 180-188.

Xie Qiuju， Wu Mengru， Bao Jun， et al. Individual pig face recognition combined with attention mechanism ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（7）： 180-188.

［9］ 董力中， 孟祥寶， 潘明， 等. 基于姿態(tài)與時(shí)序特征的豬只行為識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（5）： 148-157.

Dong Lizhong， Meng Xiangbao， Pan Ming， et al. Recognizing pig behavior on posture and temporal features using computer vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（5）： 148-157.

［10］ Kumar S， Singh S K. Monitoring of pet animal in smart cities using animal biometrics ［J］. Future Generation Computer Systems， 2018， 83： 553-563.

［11］ Li Z， Ge C， Shen S， et al. Cow individual identification based on convolutional neural network ［C］. Proceedings of the 2018 International Conference on Algorithms， Computing and Artificial Intelligence， 2018： 1-5.

［12］ Bruslund Haurum J， Karpova A， Pedersen M， et al. Re-identification of zebrafish using metric learning ［C］. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision Workshops， 2020： 1-11.

［13］ Cheng X， Zhu J， Zhang N， et al. Detection features as attention （defat）： A keypoint-free approach to Amur tiger re-identification ［C］. 2020 IEEE International Conference on Image Processing （ICIP）. IEEE， 2020： 2231-2235.

［14］ Wang L， Ding R， Zhai Y， et al. Giant panda identification ［J］. IEEE Transactions on Image Processing， 2021， 30： 2837-2849.

［15］ 于雪瑩， 高繼勇， 王首程， 等. 基于生成對(duì)抗網(wǎng)絡(luò)和混合注意力機(jī)制殘差網(wǎng)絡(luò)的蘋果病害識(shí)別［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（6）： 166-174.

Yu Xueying， Gao Jiyong， Wang Shoucheng， et al. Apple disease recognition based on Wasserstein generative adversarial networks and hybrid attention mechanism residual network ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（6）： 166-174.

［16］ 張繼成， 李德順. 基于深度殘差學(xué)習(xí)的成熟草莓識(shí)別方法［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（2）： 136-142.

Zhang Jicheng， Li Deshun. Ripe strawberry recognition method based on deep residual learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（2）： 136-142.

［17］ Zhang T， Zhao Q， Da C， et al. Yak ReID-103： A benchmark for yak re-identification ［C］. 2021 IEEE International Joint Conference on Biometrics （IJCB）. IEEE， 2021： 1-8.

［18］ Sun Y， Zheng L， Yang Y， et al. Beyond part models： Person retrieval with refined part pooling （and a strong convolutional baseline） ［C］. Proceedings of the European Conference on Computer Vision （ECCV）， 2018： 480-496.

［19］ He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.

［20］ Li L， Zhang T， Cuo D， et al. Automatic identification of individual yaks in in-the-wild images using part-based convolutional networks with self-supervised learning ［J］. Expert Systems with Applications， 2023， 216： 119431.