Идентификация сельскохозяйственных животных с использованием биометрических методов на основе компьютерного зрения

В области управления животноводством технология индивидуальной идентификации сельскохозяйственных животных находится в состоянии непрерывного развития, охватывая такие цели, как точное отслеживание активности животных, оптимизация процедур вакцинации, эффективный контроль заболеваний, точная запись индивидуального роста, а также предотвращение краж и мошенничества. Эти достижения имеют ключевое значение для эффективного и устойчивого развития животноводческой отрасли. 

В последнее время визуальная биометрия сельскохозяйственных животных стала весьма перспективным направлением исследований благодаря своей неинвазивной природе. Цель данной статьи — всесторонне изучить методы индивидуальной идентификации сельскохозяйственных животных, основанные на методах компьютерного зрения. Она начинается с разъяснения уникальности основных биометрических характеристик животных, таких как черты морды, и их ключевой роли в процессе распознавания. В данном обзоре систематически рассматриваются среды и устройства для сбора данных, используемые в соответствующих исследованиях, и предоставляется анализ влияния различных сценариев на точность распознавания. Затем в обзоре подробно анализируются и разъясняются методы идентификации сельскохозяйственных животных на основе существующих результатов исследований, с акцентом на применение и тенденции передовых технологий, таких как глубокое обучение. Мы также выделяем проблемы, с которыми сталкивается эта область, такие как качество данных и эффективность алгоритмов, и представляем базовые модели и инновационные решения, разработанные для решения этих проблем. Наконец, рассматриваются потенциальные будущие направления исследований, включая изучение методов мультимодального слияния данных, создание и оценку крупномасштабных эталонных наборов данных, а также применение технологий отслеживания и идентификации множества объектов в сценариях животноводства.

Процесс индивидуальной идентификации сельскохозяйственных животных включает присвоение уникальной метки каждому животному наряду с проверкой его личности. В сфере современного животноводства эта практика имеет решающее значение по нескольким причинам. Она улучшает профилактику и контроль заболеваний, обеспечивает прослеживаемость продукции и безопасность пищевых продуктов, повышает эффективность разведения и экономические результаты, а также способствует продвижению устойчивых практик в животноводстве [1,2].

Обычные методы идентификации, такие как надрезы на ушах, клеймение горячим железом и татуирование, относительно просты в реализации [3]. Однако эти методы имеют inherent limitations, включая то, что они не соответствуют принципам благополучия животных, обладают низкой точностью и недостаточной долговечностью. Электронные методы идентификации, такие как электронные бирки, ошейники, ножные кольца, маркируют идентичность с помощью носимых методов, методов подкожной имплантации или методов встроенных в рубец [4–6], и обладают высокой точностью. Тем не менее, эти методы подвержены повреждениям, потере и могут вызывать стрессовые реакции у животных. В отличие от них, индивидуальная идентификация сельскохозяйственных животных, основанная на биометрических характеристиках, обладает преимуществом относительной стабильности и уникальности. Например, идентификация на основе черт морды не требует какой-либо маркировки или ношения маркировочных устройств на животном. Это удобный, быстрый и благоприятный для животных метод. Поэтому идентификация сельскохозяйственных животных на основе визуальных биометрических характеристик привлекла значительное внимание в последние годы [7,8].

Область индивидуальной идентификации сельскохозяйственных животных с использованием подходов компьютерного зрения охватывает как традиционные методы машинного обучения, так и подходы глубокого обучения. Традиционные методы машинного обучения опираются на ручные экстракторы признаков для идентификации характеристик, которые отличают отдельных животных на предварительно обработанных изображениях. Затем эти извлеченные признаки сравниваются с известной библиотекой признаков идентичности животных, что позволяет определить личность текущего животного путем применения алгоритма классификации [9]. Быстрое развитие технологии глубокого обучения способствовало значительному прогрессу в области индивидуальной идентификации сельскохозяйственных животных. Методы глубокого обучения позволяют автоматически извлекать признаки из больших наборов данных путем построения глубоких нейронных сетей, таких как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN). Этот подход устраняет необходимость в тщательно разработанных экстракторах признаков и способствует сквозному процессу, который идет от ввода изображения к выходу распознавания идентичности [10]. На Рисунке 1 показан фундаментальный процесс идентификации сельскохозяйственных животных на основе компьютерного зрения.

2. Биометрические характеристики сельскохозяйственных животных

Использование биометрических характеристик для целей идентификации должно соответствовать требуемым стандартам уникальности, стабильности и безвредности, чтобы гарантировать их пригодность для практического применения. В настоящее время биометрические характеристики, обычно используемые для различения разных особей скота, включают рисунок сосудов сетчатки, рисунок радужной оболочки, рисунок морды (носогубное зеркало), черты морды и рисунок тела. По мере углубленного изучения исследователями в смежных областях некоторые новые методы начинают применяться для индивидуальной идентификации сельскохозяйственных животных.

2.1. Сосудистые узоры сетчатки

Распределение кровеносных сосудов в сетчатке является очень уникальной характеристикой, которая остается постоянной на протяжении всей жизни животного и может даже использоваться для различения однояйцевых близнецов [12]. Следовательно, рисунок сосудов сетчатки может использоваться в качестве уникальной визуальной характеристики для идентификации сельскохозяйственных животных. Из-за специфичности расположения сетчатки большинство ранних исследований полагались на устройства со встроенным программным обеспечением, например, компания Optibrand (США) разработала портативное устройство для захвата и распознавания изображений сетчатки, OptiReader, включающее управляющий компьютер и регистратор данных, цифровую видеокамеру и GPS-приемник. Аллен и др. [13] применили это устройство для захвата и распознавания изображений сетчатки крупного рогатого скота, и показатель успешности распознавания достиг 98,3%. Баррон и др. [14] применили эту систему для распознавания овец, и на Рисунке 2 показана иллюстрация операции захвата изображения сетчатки овцы с использованием устройства OptiReader, состояние зрачка овцы при тусклом и ярком свете и изображение сосудов сетчатки овцы. Устройство не поддерживает обработку изображений, поэтому точность ограничена условиями освещения [15]. В 2021 году Мустафи и др. [16] разработали ReflS, биометрическую систему на основе изображений сетчатки коз, которая создает шаблоны путем сегментации изображения, нормализации, кодирования и сопоставления шаблонов с использованием расстояния Хэмминга, и была протестирована на более чем 200 изображениях 12 коз с точностью 99%. В 2024 году Сайгих и др. [15] разработали систему распознавания изображений сетчатки крупного рогатого скота под названием CattNIs, которая обрабатывалась с помощью методов обработки изображений, таких как масштабирование и преобразование цвета, а затем признаки извлекались с использованием таких методов, как ускоренные устойчивые признаки (SURF) и признаки из ускоренного сегментного теста (FAST). Итоговая точность распознавания SURF составила 92,25%, что стало наилучшим результатом.

Более ранняя реализация идентификации скота на основе рисунка сосудов сетчатки была основана на принципе сопоставления изображений. Однако этот подход ограничен вычислительной мощностью оборудования, которая не может справляться с проблемами изменяющихся условий съемки. Более того, процесс обновления или настройки такого программного обеспечения часто был сложным и дорогостоящим [17]. Впоследствии применение методов обработки изображений в определенной степени решило проблему влияния изменений окружающей среды на процесс сопоставления. Идентификация скота на основе рисунка сетчатки представляет собой жизнеспособный вариант, хотя и не лишена проблем, включая трудности в получении изображений сетчатки и влияние внешних условий, таких как освещение и вспышка, на качество изображений сетчатки. Кроме того, для получения изображения сетчатки требуется приблизиться к животному, что может вызвать стрессовую реакцию у скота, и система может дать сбой, если роговица глаза животного повреждена [18].

2.2. Узоры радужной оболочки глаза

В 1987 году ученые-офтальмологи Флом и Сафир предложили метод использования радужной оболочки человеческого глаза для целей идентификации [19]. Радужная оболочка сельскохозяйственных животных демонстрирует сопоставимую структуру с человеческой радужкой, состоящую из богатой текстуры, которая остается неизменной на протяжении всей жизни животного после ее формирования [20]. Например, технология распознавания радужной оболочки была внедрена для индивидуальной идентификации скаковых лошадей [21]. Захват изображения радужной оболочки является crucial step в распознавании идентичности на основе радужки. Контактные методы сбора изображений не являются благоприятными для животных; поэтому Хэ и др. [22] изобрели бесконтактное устройство для захвата изображения радужной оболочки с автообратной связью, которое включает четыре подкомпонента: автоматический захват, освещение, обратную связь и поворотное оборудование (Рисунок 3b). Лу и др. [23] использовали это устройство для получения серии изображений радужной оболочки коров и предложили систему идентификации коров на основе анализа радужной оболочки. Внутренняя и внешняя границы радужной оболочки коровы аппроксимируются двумя эллипсами на основе краевых изображений. Набор высокочастотных 2D-CWT коэффициентов выбирается в качестве признаков для распознавания. Фазовая информация коэффициентов используется для кодирования признаков, а для классификации применяется расстояние Хэмминга. По мере развития технологий изучение технологии распознавания радужной оболочки стало более всесторонним и разнообразным. Например, в 2017 году Трокилевич и др. [24] исследовали использование глубоких сверточных нейронных сетей (DCNN) для распознавания лошадей по их радужной оболочке и периокулярным признакам. В 2019 году Ларреги и др. [25] предложили неинвазивный метод сегментации радужной оболочки глаз крупного рогатого скота, способный обрабатывать изображения, сделанные обычной камерой видимого света в полевых условиях. На Рисунке 3a изображено изображение радужной оболочки глаза коровы. В 2021 году Рой и др. [26] собрали изображения радужной оболочки черных бенгальских коз и определили порог соответствия для черных бенгальских коз. На Рисунке 3c показан сбор изображений радужной оболочки коз с помощью камеры для радужной оболочки.

Проблемы, такие как локализация области радужной оболочки и отделение склеры от радужки, часто связаны с распознаванием радужной оболочки из-за особого расположения радужки. В попытке решить эти проблемы появился ряд исследовательских работ. Например, Ли и др. [27] предложили пошаговый сканирующий иерархический алгоритм окружности для быстрой локализации радужной оболочки крупного рогатого скота. Сунь и др. [28] предложили метод сегментации радужной оболочки крупного рогатого скота на основе региональной модели активного контура. Лайшрам и др. [29] использовали программное обеспечение под названием iGoat для сегментации радужной оболочки коз и использовали модель глубокого обучения для сопоставления рисунка радужной оболочки. Юн и др. [30] представили метод сегментации радужной оболочки крупного рогатого скота на основе фреймворка глубокого обучения. Эти методы прокладывают путь к более эффективному распознаванию радужной оболочки у сельскохозяйственных животных.

2.3. Рисунок морды

Рисунок морды (носогубное зеркало) крупного рогатого скота и лошадей характеризуется плотной текстурой различных бороздок или бугорков, известных как бисеры, и некоторых рекообразных структур, называемых гребнями. На Рисунке 4a изображена морда коровы, а на Рисунке 4b показан уникальный рисунок на морде крупного рогатого скота. Дерматоглифика морды аналогична отпечаткам пальцев человека и является уникальной, thus providing a foundation для идентификации [31, 32]. Самое раннее исследование по идентификации на основе рисунка морды можно проследить до 1921 года [33], и сбор изображений морды осуществлялся путем нанесения чернил на отпечатки морды животного, которые позже переносились на бумагу [34]. С развитием технологии захвата изображений, впоследствии для захвата изображений стали применяться камеры. Идентификация сельскохозяйственных животных на основе рисунка морды в основном касается крупного рогатого скота и лошадей. Тарват и др. [35] использовали метод, основанный на рисунке морды, для идентификации крупного рогатого скота, извлекая признаки Габора из изображений отпечатков морды и используя классификатор метода опорных векторов (SVM) с его различными ядрами для идентификации. Этот подход достиг точности идентификации 99,5%. Таха и др. [36] предложили систему распознавания арабских лошадей на основе слияния локального бинарного шаблона (LBP) и SURF, достигнув точности 99,6% для 50 арабских лошадей; Ли и др. [37] использовали метод глубокого обучения для идентификации 268 коров с точностью 98,7% для отпечатков морды коров.

Сбор изображений морды является относительно простым процессом по сравнению со сбором изображений сетчатки или радужной оболочки. Однако на этапе реализации внешние факторы, такие как грязь, пот в области морды и условия освещения, могут влиять на качество изображений. Кроме того, движение тела животного также может влиять на точность распознавания.

2.4. Модель тела

Рисунок тела относится к закономерному распределению волос разного цвета на туловище крупного рогатого скота. Однако следует отметить, что не все сельскохозяйственные животные имеют отличительный рисунок тела. Кроме того, некоторые конкретные породы крупного рогатого скота имеют уникальный цвет кожи или пятна, которые можно использовать для целей идентификации. Например, Чжао и др. [38] предложили подход на основе сверточной нейронной сети для достижения точности распознавания более 90% для отдельных коров с использованием изображений тела коров. Чжао и др. [39] извлекли изображения тела, обнаруживая вид сбоку коров на прогулочной дорожке, достигнув точности распознавания 98,36% для 66 коров голштинской породы. Чжан и др. [40] предложили каскадный метод распознавания на основе DeepOtsu (в основном решает проблему улучшения документа и бинаризации) [41] и модели глубокого обучения EfficientNet [42] для бинаризации и каскадной классификации изображений рисунка тела молочных коров (см. Рисунок 5). Точность распознавания для 118 отдельных коров голштинской породы составила 98%.

2.5. Официальные характеристики

Черты морды сельскохозяйственных животных включают глаза, уши, нос, рот, контур морды, кожу и шерсть. Это наиболее прямая внешняя визуальная информация об особи. Зарубежные исследования по распознаванию лиц впервые появились в 1960-х годах, и ряд известных исследовательских учреждений, включая Оксфордский университет, впоследствии предложили ряд известных алгоритмов распознавания лиц [43], таких как метод геометрических признаков [44] и FaceNet [45]. Впоследствии ученые также провели исследования по использованию распознавания лиц для животных. Например, Сихалат и др. [46] использовали четыре набора данных с изображениями морд свиней в разные периоды плодовитости и использовали DCNN для классификации изображений, достигнув точности более 97%. Лю и др. [47] предложили метод индивидуальной идентификации на основе слияния информации Red-Green-Blue-Depth (RGB-D) морд коров с точностью распознавания 98%. Сюань и др. [48] предложили усовершенствованную сетевую модель Bilinear-CNN (B-CNN) на основе асимметричной VGG19-ResNet50 для идентификации мелкозернистых изображений морд овец с точностью 99,69%. Ахмад и др. [49] также предложили модель распознавания морд лошадей на основе глубокого обучения.

Хотя использование черт морды для идентификации сельскохозяйственных животных предоставляет несколько преимуществ, оно не лишено недостатков. Например, наличие различных факторов окружающей среды, включая изменения условий освещения, разные ракурсы съемки и расстояния, может привести к значительным изменениям черт морды животных. Это может привести к неточностям в процессе идентификации. Более того, различия в чертах морды между особями одной породы и сопоставимого размера тела относительно минимальны.

2.6 Новые возможности

Путем анализа и исследования различных методов биометрической идентификации сильные и слабые стороны каждого подхода становятся явно очевидными. Примечательно, что эти методы преимущественно сходятся на обработке и классификации двумерных изображений, демонстрируя относительную однородность в подходе. В эту эпоху беспрецедентного технологического прогресса, с углублением исследований в этой области непрерывно, появился набор новых типов характеристик. Эти новые характеристики преодолевают ограничения двумерной информации, полагаясь вместо этого на трехмерные, видео или другие формы данных для идентификации. Эти инновационные атрибуты продемонстрировали extraordinary potential в решении множества проблем, с которыми сталкиваются традиционные характеристики, намечая новый курс в направлении повышения точности и надежности идентификации скота. Этот сдвиг предвещает направление для продвижения области на более сложные уровни развития.

2.6.1. Трехмерные визуальные образы и особенности позы скелета

По мере прогресса исследований в области идентификации скота ученые также стали применять трехмерные визуальные образы и признаки скелетной позы животных для идентификации. Например, Арслан и др. [50] предложили систему на основе Kinect (устройство, основанное на технологии 3D-зрения), которая способна идентифицировать отдельных животных по их трехмерным визуальным образам, и предложенное решение зависит только от информации о форме. Феррейра и др. [51] захватывали виде сверху 3D-изображения телок голштинской породы для идентификации особей по дорсальной поверхности (Рисунок 6a). Чжан [52] предложил метод идентификации овец на основе глубокого метрического обучения, объединенного с руководством по вниманию к скелету (Рисунок 6b). Методы распознавания, основанные на трехмерных визуальных образах и признаках скелетной позы, позволяют избежать трудностей, связанных с проблемой изменения размера из-за изменений позы животного и расстояния, при этом не полагаясь на распределение цвета и будучи способными эффективно различать похожих животных (таких как черные коровы), преодолевая ограничения традиционных методов в этом отношении [50].

2.6.2 Признаки временных рядов

Исследование видеопризнаков, в частности извлечение временной информации из видео, позволяет интегрировать признаки из нескольких кадров изображения для комплексного построения специфических атрибутов скота, превосходя анализ отдельных изображений. Этот процесс захватывает не только вариации позы скота в разные моменты времени, но также охватывает последовательность и динамические характеристики их движения, что приводит к более тонкому и контекстуально релевантному набору информации. По сути, видеоаналитика преодолевает ограничения статических изображений и способствует всестороннему изучению временных и пространственных аспектов скота. Например, Су [53] предложил улучшенный алгоритм динамической временной регуляризации для сегментации походки коров, aiming to установить модель распознавания хромоты; этот подход достиг точности распознавания 90,57%. Цянь [54] разработал метод распознавания походки свиней на основе анализа скелета и карт энергии походки, достигнув степени распознавания 93,25%. Чжан и др. [55] осуществили распознавание походки у молочных коров с помощью карт скелетной энергии, правильно идентифицировав 87,6% коров в тестовом наборе. Эндрю и др. [56] представили конвейер обработки видео для идентификации крупного рогатого скота, используя долговременную рекуррентную сверточную сеть (LRCN) для классификации видеозаписей крупного рогатого скота, снятых беспилотными летательными аппаратами (БПЛА). Цяо и др. [57] предложили фреймворк на основе глубокого обучения для распознавания мясных коров с использованием последовательностей изображений, полученных от 50 коров (Рисунок 7). Этот фреймворк достиг степени распознавания 93,3% на длине видео в 30 кадров.

В сложной и динамичной среде разведения на характеристики скота, такие как форма тела, цвет и текстура, могут влиять различные внешние факторы, такие как условия освещения, углы и затенение. Однако, тщательно выбирая наиболее репрезентативные и стабильные характеристики, влияние этих внешних факторов может быть значительно снижено, thereby improving the accuracy идентификации.

Первым шагом в процессе идентификации скота является сбор визуальных биометрических характеристик рассматриваемых животных. Для установления подходящего сценария захвата изображений необходимо учитывать два аспекта: настройка среды и выбор подходящего устройства.

3.1. Среда получения изображения

Среда сбора биометрических характеристик может быть categorized into два основных типа: локализованные сценарии и открытые сценарии. В локализованных сценариях животные содержатся в определенной области, и сбор данных проводится либо вручную, либо с помощью автоматизированных систем. С другой стороны, открытые сценарии предполагают съемку животных в относительно неограниченной среде. Методы сбора данных, используемые в разных сценариях, представлены в Таблице 1.

Сбор данных также можно разделить на два метода: ручной сбор данных и автоматический сбор данных, в зависимости от метода сбора. При автоматизированном сборе данных позиционные методы обычно involve размещение устройства в ограждении или проходе, что позволяет относительно точно позиционировать собираемое содержимое. С другой стороны, методы открытого сбора часто позиционируют устройство в более высокой точке обзора (например, над головой), в результате чего собранные данные могут содержать шум, который позже необходимо локализовать с помощью альтернативных инструментов (таких как алгоритмы отслеживания), чтобы идентифицировать особь.

3.2. Устройства получения изображений

В процессе идентификации скота на основе компьютерного зрения распространенные устройства сбора данных изображений можно divided into три категории в соответствии с различными типами собираемой информации об изображении: устройство сбора двумерной визуальной информации, устройство сбора трехмерной визуальной информации и устройство сбора информации инфракрасного теплового изображения.

Устройства для сбора двумерной визуальной информации часто выбираются для приложений в сельскохозяйственной автоматизации и робототехнике. Например, Тассинари и др. [65] использовали камеру Sony HDR-CX115E HD для захвата видеозаписей крупного рогатого скота, а Яо и др. [66] записывали коров с помощью камеры Mokers 4K HD. Однако эти 2D-изображения предлагали только плоскую проекцию животных, и отсутствие третьего измерения ограничивало использование информации о глубине [67]. Развитие технологии 3D-визуализации представило доступные 3D-камеры для идентификации скота. Более того, исследователи также adopted инфракрасную тепловизионную съемку для обнаружения скота. Джаддоа и др. [68], например, представили метод многовидового обнаружения морды крупного рогатого скота с использованием инфракрасной термографии. Они использовали камеры, такие как AGEMA 590 PAL, Therma Cam S65, A310 и T335, для записи тепловых инфракрасных видеозаписей крупного рогатого скота. В Таблице 2 перечислены несколько типов устройств, используемых в задачах идентификации скота.

4. Методы идентификации сельскохозяйственных животных

Идентификация сельскохозяйственных животных на основе компьютерного зрения в основном включает в себя два этапа: обнаружение и распознавание. Этап обнаружения направлен на определение местоположения области интереса (ROI) на изображении, а этап распознавания отвечает за идентификацию особи на основе ROI. В этом разделе мы подробно описываем методы обнаружения и распознавания, используемые для идентификации сельскохозяйственных животных.

4.1 Традиционные методы машинного обучения

Традиционные методы машинного обучения для идентификации домашнего скота включают два основных этапа: этап извлечения признаков и этап классификации или сопоставления признаков.

Основная цель извлечения признаков — точно захватить и извлечь отличительные или легко идентифицируемые данные о признаках каждого животного. Наиболее часто используемые методы включают LBP [32], масштабно-инвариантное преобразование признаков (SIFT) [71] и SURF [72] и другие подобные методы. Последующий этап классификации или сопоставления признаков включает в себя сравнение и анализ извлеченной информации о признаках с уже существующей базой данных идентификационных данных домашнего скота. На этом этапе алгоритмы классификации или стратегии сопоставления используются для определения идентичности, которая лучше всего соответствует рассматриваемому скоту. К таким методам относятся линейный дискриминантный анализ (LDA) [73], SVM [74], быстрая библиотека для приближенных ближайших соседей (FLANN) [49] и т. д.

Например, посредством оценки и тестирования различных алгоритмов обнаружения и сопоставления точек особенностей, Чжао и др. [39] обнаружили, что скорость обнаружения и сопоставления точек особенностей уже достигла очень высокого уровня, самая высокая точность распознавания достигла 96,72%. Однако было трудно дополнительно повысить точность индивидуальной идентификации молочных коров посредством сопоставления точек. Поэтому они пришли к выводу, что будущее исследование должно быть сосредоточено на методах улучшения качества изображения и разработки спекл-характеристик, таких как удаление бликов, бинаризация и сопоставление контуров, для будущего повышения точности идентификации. Кумар и др. [73] экспериментально оценили несколько алгоритмов извлечения и классификации признаков и продемонстрировали, что высокая точность распознавания может быть достигнута с помощью традиционных методов машинного обучения. Рекомендуется, чтобы будущие направления исследований включали расширение базы данных морд крупного рогатого скота и сбор изображений в более разнообразных условиях; разработку методов слияния нескольких моделей для всестороннего учета влияния множества факторов на распознавание и дальнейшего повышения точности и надежности распознавания морд крупного рогатого скота. Эндрю и др. [75] использовали традиционные методы машинного обучения для выполнения таких операций, как глубинная сегментация и сопоставление локальных признаков, продемонстрировав, что рисунки на спине молочных коров могут быть использованы для индивидуальной идентификации, и этот метод применим к небольшим стадам. Предлагается, чтобы эта техника была применена к системам беспилотных летательных аппаратов в будущем для достижения мониторинга стад на открытом воздухе. Хуан и др. [76] добились идентификации, извлекая локальные признаки, такие как шерсть, текстура кожи и пятна на поверхности тела свиней, и объединяя их с классификатором. Они создали модель, основанную на сцене свинарника, которая может автоматически идентифицировать различных особей свиней в свинарнике, не требуя от них находиться в определенном положении или поддерживать определенную позу, таким образом обладая большим удобством и универсальностью. Чжан и др. [77] показали, что характеристики, основанные на частях морды и лба головы молочной коровы, имеют очевидные различия, и, используя алгоритм обнаружения признаков для извлечения краевых признаков, они получили контурные признаки головы молочной коровы, а затем выполнили слияние признаков с признаком текстуры. Результаты показали, что точность распознавания превысила 99%, и ее можно с успехом применять в области идентификации молочных коров.  

4.2. Методы глубокого обучения

В области методологий распознавания, основанных на глубоком обучении, возникает дихотомия между двухэтапными и одноэтапными моделями. Двухэтапный подход требует выполнения вспомогательных операций перед этапом идентификации, специально разработанных для повышения производительности в соответствии с требованиями конкретной задачи; к таким операциям относятся, например, обнаружение и отслеживание цели. В отличие от этого, одноэтапные модели отказываются от этих предварительных этапов, вместо этого напрямую используя глубокие нейронные сети для извлечения признаков из изображений скота. Каждая парадигма имеет свои достоинства и ограничения: в то время как двухэтапные модели характеризуются повышенной точностью в сложных сценариях, одноэтапные модели предпочтительны благодаря своей эффективности в определённых контекстах.

4.2.1. Одноступенчатая модель

CNN стали доминирующим подходом в задачах идентификации домашнего скота на основе компьютерного зрения из-за их превосходных возможностей обработки изображений. Наиболее часто используемые CNN для идентификации домашнего скота включают в себя группу визуальной геометрии (VGG) [37], сверточную нейронную сеть на основе области маски (Mask R-CNN) [78], начальную сеть Google (GoogLeNet) [79], мобильную сверточную нейронную сеть (MobileNet) [80] и другие. Например, Ли и др. [37] оценили 59 моделей глубокого обучения с различными параметрами и размерами в одной и той же операционной среде. Лучшая точность идентификации составила 98,7%. Кроме того, корреляционный анализ показал, что точность имела низкую и положительную корреляцию с параметрами модели (общий параметр и размер), в то время как скорость обработки умеренно и положительно коррелировала с параметрами модели. Пан и др. [80] провели эксперименты по классификации морд овец на четырех сетевых моделях и оценили точность обучения и потери. В конечном итоге предложенная в данной статье сетевая модель (Order-MobilenetV2) достигла наилучших результатов. Однако исследование имеет определённые ограничения. Среда сбора данных была единой, и такие факторы, как внешние изменения среды и окклюзии, не были в полной мере учтены.

Более того, рекуррентные нейронные сети (RNN) всё чаще рассматриваются как высокоэффективный метод в полевых условиях благодаря их заметным преимуществам в обработке данных с временной непрерывностью [81]. Наиболее часто используемые варианты RNN в контексте задач идентификации домашнего скота включают сети с долговременной кратковременной памятью (LSTM), двунаправленные сети с долговременной кратковременной памятью (BiLSTM) и LRCN.  

4.2.2. Двуэтапная модель

Двухэтапный модельный подход для идентификации домашнего скота изначально использует модели обнаружения или сегментации, такие как you only look once (YOLO) [82], более быструю сверточную сеть на основе регионов (Faster R-CNN) [83] и однократный многобоксовый детектор (SSD) [84], для обнаружения или сегментации целевого животного на изображении. Впоследствии модели нейронных сетей, такие как VGG и остаточная сеть (ResNet), используются для извлечения признаков и идентификации отдельных лиц. Например, Hitelman et al. [58] использовали алгоритм обнаружения объектов для локализации морды овцы на изображении; обнаруженное лицо предоставлялось в качестве входных данных для семи различных моделей классификации. Хотя была достигнута относительно высокая точность, они считали, что влияние созревания и старения овец на эффективность распознавания также должно быть исследовано. Более того, они считали, что в будущем следует изучить автоматическую идентификацию в неконтролируемых условиях. Можно было бы рассмотреть использование автоматических методов с самообучением для выбора ключевых кадров и принятия облегченных архитектур CNN и более быстрых алгоритмов обнаружения объектов. Hou et al. [85] изначально использовали модель обнаружения объектов для обнаружения крупа коровы, а затем использовали легкую сверточную нейронную сеть для идентификации; точность достигла 99,76%. Shojaeipour et al. [86] предложили двухэтапный алгоритм, который сначала обнаруживал и извлекал область морды коровы на изображении. Впоследствии для биометрического распознавания было применено глубокое миграционное обучение, что привело к точности 99,11%. Zhang et al. [87] сначала провели обнаружение морды овцы. Затем они сравнили результаты распознавания трех моделей сетей глубокого обучения на наборе данных изображений морды овцы. В конечном итоге точность улучшенной модели (модели AlexNet) в этой статье достигла 98,37%.  

4.3 Гибридные методы

Внушительная способность глубокого обучения автономно извлекать признаки из данных позволяет анализировать сложные нюансы в обширных наборах данных. Эта способность подтверждается распознаванием мельчайших изменений в пигментации шерсти и морфологических контурах животных, что критически важно для точного индивидуального распознавания. Синергия с традиционным машинным обучением, основанным на вручную создаваемых признаках, придает анализу данных более понятный уровень, улучшая интерпретируемость и понимание полученных результатов. Хотя традиционные методы могут демонстрировать меньшую эффективность при работе со сложными, большими объемами данных, их уникальная практическая ценность в определенных контекстах остается неоспоримой. Используя преимущества обеих методологий, исследователи разрабатывают новые гибридные подходы. Они могут включать в себя развертывание архитектур глубокого обучения для обнаружения или извлечения признаков с последующим применением традиционных алгоритмов машинного обучения для классификации или сопоставления; в качестве альтернативы, традиционные методы могут использоваться для обнаружения или предварительной обработки данных, а глубокое обучение впоследствии используется для извлечения и распознавания признаков. В таблице 3 представлен ряд исследований, в которых изучается конвергенция глубокого обучения с традиционными стратегиями машинного обучения.

5.1. Проблемы биометрии животных с использованием компьютерного зрения

Стремительное развитие науки и технологий в сочетании с растущим спросом на модернизацию в животноводческом секторе открывает значительные возможности для точной идентификации животных с помощью технологий компьютерного зрения. Тем не менее, эта область не лишена ряда проблем, включая сложности сбора данных, нюансы сходства и изменчивости данных, а также стремление к точности моделей и производительности в режиме реального времени. Стремясь преодолеть эти препятствия, исследователи тщательно изучили и предложили решения, которые не только осуществимы на практике, но и эффективно отвечают требованиям отрасли.

5.2. Проблемы сбора данных

Получение всеобъемлющего и разнообразного набора данных высококачественных изображений представляет собой сложную задачу, особенно в случае неконтактных животных или при работе в пределах отдаленных сельскохозяйственных угодий.

Необходимость обширных данных представляет собой значительную проблему в процессе сбора данных, особенно в свете присущей сложности решаемых задач и требования к точности. Методологии глубокого обучения часто требуют наличия объемных данных для целей обучения и изучения. В некоторых случаях требуемый объем данных может достигать сотен или даже тысяч, что побуждает исследователей предлагать решения на различных уровнях [ 94 ]. Например, Чжан и др. [ 95 ] обратились к затяжной и трудоемкой проблеме получения изображений морд овец, не вызывая стресса у этих по своей природе пугливых существ. Это было достигнуто благодаря инновационному устройству для захвата изображений морд овец с нескольких проекций ( Рисунок 9 А). В частности, овец ведут на конвейерную ленту через порталы движущейся дорожки, после чего их осторожно продвигают вперед. Система визуализации, в свою очередь, захватывает изображения морд овец с пяти различных точек обзора, которые передаются в режиме реального времени в общую систему управления.

Многие исследователи используют методы улучшения данных для увеличения их объёма, включая вращение, масштабирование и кадрирование, среди прочего. Например, Салама и др. [ 96 ] использовали ряд методов улучшения данных для увеличения количества обучающих изображений, тем самым повышая обобщающую способность и устойчивость сверточной нейронной сети.

Более того, для индивидуального распознавания животных на основе компьютерного зрения требуется аннотация значительного количества изображений для достижения удовлетворительных результатов. Однако аннотация изображений — это трудоемкий и длительный процесс. Некоторые исследователи утверждают, что снижение зависимости от больших объемов аннотированных данных за счет повышения эффективности и масштабируемости процесса обучения данных может стать жизнеспособным решением. Было предложено несколько методов, направленных на то, чтобы глубокие нейронные сети могли обучаться на небольших наборах данных, снижая затраты, связанные с аннотацией, при сохранении хорошей предсказательной эффективности. Среди этих методов были достигнуты значительные успехи в области обучения с малым количеством попыток, и в частности, полуконтролируемого обучения (SSL). Однако исследований, применяющих SSL для идентификации отдельных животных, меньше. Феррейра и др. [ 97 ] оценили потенциал полуконтролируемого метода обучения, называемого псевдомаркировкой, для улучшения предсказательной эффективности глубоких сверточных нейронных сетей, обученных идентифицировать отдельных коров голштинской породы с использованием маркированных обучающих наборов различного размера и более крупного немаркированного набора данных ( рисунок 9 B). Результаты показывают, что при использовании этой технологии для автоматической маркировки ранее немаркированных изображений точность повышается до 20,4 процентных пунктов по сравнению с обучением с использованием только вручную размеченных изображений. Кроме того, метод, исследованный в их исследовании, дополняет текущие исследования в области идентификации животных, поскольку его можно легко применить к ранее обученным моделям без каких-либо изменений в архитектуре модели или процедуре оптимизации.

Среди проблем, присущих процессу сбора данных, дисбаланс данных также представлял собой существенную проблему. Основными факторами, способствующими этому дисбалансу, были различия в структуре стада, смещения, вносимые самим процессом сбора данных, и расхождения в критериях отбора изображений. Методы улучшения данных остаются жизнеспособным решением для устранения дисбаланса данных. Например, Шанг [ 98 ] предложил метод нелинейного улучшения данных изображений, основанный на улучшенной модели сети Cycle-GAN, в которой третье виртуальное изображение той же овцы генерируется из двух разных изображений этой овцы. Этот подход обеспечивает стабильное и эффективное слияние характеристик изображения коз и сбалансированный набор данных. Решая проблему несбалансированного набора данных о теле коровы, Тассинари и др. [ 65 ] расширили набор данных, улучшив наименее распространенные классы, тем самым достигнув более сбалансированного распределения. Это было достигнуто путем случайного выбора нескольких кадров с использованием программного обеспечения XnConvert v.1.74 и создания измененных копий путем изменения уровня яркости исходных кадров для имитации различных условий освещения. На рисунке 10 показано сравнение между исходным и измененным кадром, созданным с помощью описанной процедуры. Сравнение улучшенных и исходных наборов данных показало, что первый был более эффективен для улучшения качества обнаружения сети, особенно с точки зрения точности. Ли и др. [ 37 ] использовали две стратегии: функцию потерь взвешенной кросс-энтропии (WCE) и аугментацию данных. Это привело к улучшению максимальной точности 20 выбранных моделей на 0,1% и 0,3%. Лю [ 99 ] предложил алгоритм двустороннего распознавания, основанный на трансформаторе сети балансировки смешивания (MBN-Transformer) для работы с несбалансированным набором данных о теле коровы. Алгоритм сначала уменьшает явление переобучения тела коровы с помощью модуля улучшения смешивания изображений, а затем использует кодер Transformer для проектирования обычной ветви и сбалансированной ветви для обработки данных улучшения смешивания изображений с помощью различных сэмплеров и объединения выходных характеристик.

В области сбора сельскохозяйственных данных идеальные условия, способствующие сбору безупречных данных, редко встречаются в практических условиях фермерского хозяйства. Как следствие, полученные данные по своей природе подвержены возмущениям, вносимым множеством переменных окружающей среды. В частности, домашний скот может быть скрыт другими животными или принадлежностями, или его видимость может быть скомпрометирована из-за переменных условий освещения. Чтобы смягчить проблемы, связанные с переменными окружающей среды, исследователи предложили набор инновационных стратегий. Например, Ван и др. [100] ввели стратегии случайного кадрирования и случайного затенения на этапе загрузки данных (рисунок 11), что повысило способность модели идентифицировать частично видимые особи, а скорость распознавания была улучшена на 2,61% и 1,91% соответственно. Ли и др. [101] рассмотрели проблему узкой среды размножения на свинофермах, где морды свиней легко закрываются грязью или другими свиньями, и предложили улучшенную модель YOLOv3. Во-первых, эта модель ввела плотносвязанную сверточную сеть (DenseNet) в базовый экстрактор признаков. Во-вторых, чтобы интегрировать многомасштабную информацию без введения слишком большого количества параметров, после магистральной сети был добавлен улучшенный блок пространственного пирамидального пула (SPP). Чтобы решить проблему сложных сред, где застревание свиней и окклюзия свиного ограждения и другие факторы затрудняют обнаружение отдельных многоцелевых экземпляров свиньи. Ху и др. [102] представили блок двойного внимания (DAU) и ввели его в структуру сети пирамид признаков, а также соединили последовательно с блоком позиционного внимания (PAU) для построения различных модулей пространственного внимания, точность результата может достигать 92,8%. Ли и др. [103] использовали алгоритм вырезания для моделирования сценария окклюзии морды свиньи в целях обучения. Одновременно они использовали CSPDarknet53 для эффективного извлечения признаков с помощью SPP, чтобы достичь многомасштабного извлечения признаков и обучения, а также был введен модуль пространственного внимания (SAM), наряду с функциями активации ReLU и Mish, с целью повышения способности модели распознавать ситуации, когда морда свиньи закрыта. Янг и др. [104] ввели механизмы координатного внимания и модули координатной свертки с координатными каналами в слой извлечения признаков и головку обнаружения сети YOLOv4, соответственно, для повышения чувствительности модели к целевым местоположениям. В ответ на проблему, заключающуюся в том, что трудно эффективно идентифицировать идентификационную информацию о коровах в ночной среде. Сюй и др. [105]] предложил метод распознавания морды коровы в ночное время, основанный на обучении на основе кросс-модальных общих признаков. Во-первых, модельная структура использует неглубокую двухпотоковую структуру для эффективного извлечения информации об общих признаках на изображениях морды коровы разных модальностей; во-вторых, вводится механизм триплетного внимания для захвата информации о взаимодействии в разных измерениях; и, наконец, представление информации о кросс-модальной идентичности дополнительно извлекается путем внедрения модуля расширения, который сравнивается с таковым немодальной обученной модели; наибольшее улучшение составляет 19,67 процентных пунктов.  

Поддержание постоянной позы домашним скотом в процессе сбора данных не всегда практично. Эта присущая изменчивость позы может привести к размытию, искажению или полному отсутствию критических характеристик на захваченных изображениях. В ответ на это исследователи разработали целевые решения для устранения множества проблем, возникающих из-за колебаний позы в реальных условиях. Например, Сюэ и др. [ 106 ] для проблемы, заключающейся в том, что овца может не смотреть прямо в камеру во время процесса распознавания, собрали многоракурсные изображения морды овец для обучения алгоритма распознавания ориентации лица, а затем объединили преимущества сверточной нейронной сети и трансформатора для построения модели MobileViT и представили модуль ECA (ECA — это широко используемый механизм внимания канала, разработанный для повышения эффективности использования моделью информации канала при одновременном снижении вычислительной сложности), что повысило точность и надежность распознавания ориентации лица овец. Сюэ и др. [ 83 ] предложили метод обнаружения и коррекции морды овцы (SheepFaceRepair), целью которого является обнаружение области морды овцы на изображении, которая должна быть распознана, и выравнивание области морды овцы ( Рисунок 12 а). Вэн и др. [ 107 ] предложили метод распознавания морды коровы на основе двухветвевой сверточной нейронной сети (TB-CNN), которая использует две сети извлечения признаков в сочетании с механизмом внимания канала блока SE для извлечения признаков из изображений морды коровы, заменяя полносвязный слой на глобальный усредняющий слой объединения, чтобы улучшить степень ассоциации между элементами сети и классами и уменьшить влияние изменений позы на результаты распознавания за счет всестороннего распознавания изображений морды коров с разных ракурсов ( Рисунок 12 б). Сяо и др. [ 90 ] предложили метод для проблемы деформации рисунка коровы. Во-первых, получается изображение коровы сверху, и изображение сегментируется с помощью улучшенной маски R-CNN для извлечения особенностей формы спины коровы. Затем с использованием метода Фишера выбирается наилучшее подмножество признаков, и для идентификации отдельных коров применяется классификатор SVM, что в конечном итоге достигает точности 98,67%. Чжан и др. [ 108 ] учли эффект нестабильного распознавания, вызванный одним углом изображения морды овцы в обучающем наборе, применили стратегию многопозиционного обучения и встроили сверточный блочный модуль внимания (CBAM) в шею модели YOLOV4.

Новаторские исследования привели к появлению новых стратегий, направленных на снижение сложности, порожденной динамической диверсификацией индивидуальных распределений ориентации, феномена, вызванного изменениями в позе. Например, Го и др. [64] обращаются к проблемам многоракурсного, случайного распределения, гибкости и трудности обнаружения морды овец в реальной среде выращивания, добавляя механизм координатного внимания в магистральную сеть YOLOv5s для повышения точности обнаружения перекрытой области, мелкой цели и образцов с нескольких углов обзора. Ван и др. [100] разработали модуль глубокого извлечения признаков пространственного преобразования под названием ResSTN, который интегрирует остаточные сети (ResNet), пространственные трансформаторные сети (STN) и механизмы внимания, а также включает методы предварительной обработки. Этот модуль был разработан для эффективного решения проблемы низкой скорости распознавания, возникающей в результате разнообразного распределения ориентации отдельных коров. Было показано, что он улучшает среднюю точность на 2,98% для коров с таким разнообразным распределением ориентации. Ван и др. [109] разработали канал извлечения признаков с механизмом внимания и блоками RepVGG (улучшенная магистральная сеть на основе сети VGG). Два канала образуют билинейную сеть извлечения признаков для извлечения важных признаков различных поз и углов, а затем объединяют признаки одинакового масштаба с разных изображений для повышения информативности. При этом для обучения и тестирования используются данные, полученные в разных позициях и под разными углами, что позволяет в полной мере использовать эти данные для снижения влияния позы и угла на распознавание.

5.1.2 Проблемы, связанные с характеристиками домашнего скота

Неизгладимые характеристики популяций домашнего скота порождают целый ряд серьёзных проблем. Главной из них является генетическая однородность, которая напрямую влияет на идентификацию животных, делая индивидуальные характеристики заметно схожими. Дополнительную проблему создают морфологические особенности роста, поскольку внешний вид и размеры животных подвержены эволюции на протяжении всего периода их взросления.

Визуальные особенности домашнего скота, особенно черты лица, демонстрируют выраженную степень конгруэнтности в пределах одной породы и среди особей сопоставимого телосложения. Эта однородность проявляется в контурах орбит, выравнивании отверстий, таких как рот и нос, и составном силуэте лица. Такое сходство ускорило снижение точности распознавания, побуждая ученых разрабатывать множество стратегий, направленных на преодоление этого препятствия. Например, Lv [ 110 ] предложил добавить модель сети внимания и сверточную модель с глубоким разделением к традиционной сверточной нейронной сети, было достигнуто одновременное улучшение скорости обучения сети и точности извлечения черт лица овец. Zhou [ 11 ] построил модуль эффективного канала и пространственного внимания (ECAS), который интегрирует пространственную информацию в соответствии с контуром лица и чертами лица овцы. Затем, путем введения модуля ECAS в глубокий слой извлечения признаков сети MobileFaceNet, конструируется облегченная модель распознавания лиц овец, ECAS-MFC, по сравнению с моделью MobileFaceNet, скорость распознавания модели ECAS-MFC показывает улучшение на 7,21% при проверке открытого набора и улучшение на 2,61% при проверке закрытого набора. Ван и др. [ 111 ] использовали модель ShuffleNetv2 в сочетании с тройной потерей и потерей кросс-энтропии, тем самым повышая способность сети различать аналогичных особей. Кроме того, они использовали шею нормализации партии (BNNeck) для смягчения разногласия между двумя функциями потерь, модель достигла точности 82,93% на наборе данных, состоящем из 87 коров. Чжан и др. [ 112 ] предложили модель распознавания лиц овец с высоким сходством, основанную на сиамской сети, названную распознаванием лиц сиамских и высокосходных овец (сиамские–HSFR). Siamese–HSFR использует контрастное обучение для оценки вероятности принадлежности к одной и той же овце. В сеть извлечения признаков Siamese–HSFR введены два модуля извлечения, а именно блок остаточного слияния (RF_Block) и блок расширенной идентификации (EI_Block), предназначенные для извлечения более детальных и надежных признаков морды овцы. Кроме того, благодаря внедрению механизма трехмерного внимания в EI_Block, был создан блок улучшения SAM (SAM_Block), повышающий дискриминационную способность к высоко схожим признакам лица. Чен и др. [ 113[] предложили модель сети повторной идентификации с глубоким обучением, глобальную и частную сеть (GPN), которая включает механизм внимания в ветви Part модели GPN и заменяет стратегию извлечения локальной области с помощью модуля пространственного преобразования (ST). Это позволяет модели улавливать как глобальные особенности, так и локальные детали морды коровы, тем самым облегчая изучение тонких различий между мордами разных коров и повышая точность и эффективность повторного распознавания морд. Это представляет собой улучшение на 9,1% и 8,0% по Rank-1 и mAP соответственно по сравнению с неулучшенной моделью ( рисунок 13 ).

Морфология и внешний вид скота подвержены трансформации на протяжении всей траектории роста, что делает первоначальные признаки, используемые для идентификации, потенциально неточными или ненадежными. Чжан и др. [ 114 ] использовали глубокую сверточную сеть для изучения взаимосвязи между изменениями лица и точностью модели распознавания при росте крупных белых откормочных свиней. Предполагается, что в системе распознавания морд свиней для откорма модель распознавания морд свиней должна обновляться каждый день, используя как минимум первые 4 дня и ≥10 800 наборов данных изображений. Лю [ 99 ] разработал протокол обновления шаблонов, который начинается с оценки того, совпадают ли извлеченные признаки с признаками крупного рогатого скота в существующей базе данных шаблонов. Если признаки не найдены в библиотеке, крупный рогатый скот, изображенный на изображении, будет включен в качестве новой записи. Если изображение тела крупного рогатого скота уже находится в библиотеке, необходимо принять решение относительно того, оправдано ли обновление. Устаревшие шаблоны удаляются, а новое изображение туловища крупного рогатого скота впоследствии обновляется в библиотеке шаблонов. Феррейра и др. [ 51 ] экспериментально подтвердили, что применение алгоритмов глубокого 3D-обучения способно распознавать отдельных животных, и что эти алгоритмы достаточно надежны, чтобы учитывать изменения размера и формы тела в течение периода роста животного. Сихалах и др. [ 46 ] собрали данные изображений лиц свиней на разных стадиях роста, чтобы изучить эффективность распознавания глубоких сверточных нейронных сетей на разных возрастных наборах данных, продемонстрировав, что модели, обученные на объединенном наборе данных (набор данных включает изображения морды свиньи на трех стадиях веса тела: 25–50 кг, 60–85 кг и 90–120 кг), могут достигать относительно хороших результатов при работе с данными разных возрастных диапазонов.

5.1.3 Проблемы точности и обобщения моделей

Чтобы ответить на проблемы, присущие идентификации домашнего скота, часто необходимо использование сложных моделей. Эти модели способны к более надежному извлечению признаков и обучению, но требуют значительных инвестиций в вычислительные ресурсы для обучения и развертывания. Следовательно, достижение баланса между точностью идентификации и сложностью модели становится ключевой задачей. Например, Фу и др. [ 115 ] предложили легкую модель сверточной нейронной сети на основе нескольких источников света, которая повышает точность распознавания и глобальную способность извлечения информации за счет введения расширенной свертки, многомасштабного сверточного модуля и канального внимания, и в то же время уменьшает количество параметров, а экспериментальные результаты показывают, что размер модели составляет всего 5,86 МБ, что обеспечивает легкое решение для индивидуального распознавания коров. Ли и др. [ 116 ] выдвинули концепцию MobileViTFace, новой легкой модели распознавания морд овец, которая интегрирует сверточные и преобразующие структуры (как показано на рисунке 14 ). По сравнению со стандартной моделью Vision Transformer (ViT), MobileViTFace не требует обширного набора данных для обучения или высокого уровня вычислительной сложности и проще в реализации на периферийных устройствах. Ван и др. [ 117 ] разработали облегченную модель распознавания морд свиней, заменив параметры полносвязного слоя, имеющего большое количество параметров, алгоритмом k-ближайших соседей, и параметры этих улучшенных моделей максимально снижены до 4,32% от исходной модели. Ли и др. [ 118 ] снизили вычислительную сложность модели, уменьшив вычислительную сложность многоголового слоя внимания и заменив позиционное кодирование на свертку с разделением по глубине, что повысило эффективность и возможность повторного использования модели; кроме того, структура Transformer была размещена на более позднем этапе проектирования сети, чтобы сбалансировать производительность и эффективность, так что модель уменьшает количество параметров и операций с плавающей запятой, сохраняя при этом высокую точность распознавания. Ли и др. [ 119][] предложили облегченную модель распознавания лиц овец, SheepFaceNet. Они начали с создания эффективного и быстрого базового модуля Eblock, а затем использовали этот модуль для создания двух различных модулей: SheepFaceNetDet — это модель обнаружения лиц овец, которая использует модуль Eblock для построения магистральной сети и включает двунаправленный слой пирамидальной сети признаков (слой FPN) для улучшения возможностей геометрической локализации и оптимизации структуры сети; SheepFaceNetRec используется для распознавания лиц овец. Для достижения этой цели сеть извлечения признаков построена с использованием Eblock, включен механизм внимания канала ECA для повышения эффективности извлечения признаков, а также используется многомасштабное слияние признаков для обеспечения быстрого и точного распознавания лиц овец. Ma et al. [ 120 ] ввели алгоритм мягкого подавления немаксимальных значений (Soft–NMS) в модель нейронной сети Faster R-CNN. Алгоритм Soft-NMS является альтернативой традиционному алгоритму NMS, который обеспечивает более мягкое удаление кадров, уменьшает влияние перекрытия соседних кадров обнаружения на результаты обнаружения за счет операции затухания и снижает нагрузку на обучение модели. Чжан и др. [ 121 ] предложили облегченную модель распознавания лиц овец LSR-YOLO. В частности, модули извлечения признаков магистрали и шеи YOLOv5 заменены модулем ShuffleNetv2 и модулем Ghost для сокращения количества операций с плавающей запятой в секунду (FLOP) и параметров, а также в магистральную сеть введен модуль координированного внимания (CA) для подавления некритической информации и улучшения возможностей извлечения признаков модели распознавания, а FLOP и параметры LSR-YOLO сокращены на 25,5% и 33,4% соответственно по сравнению с YOLOv5s.

Способность к обобщению относится к способности модели работать на новых, неизвестных данных. Обычно модели тестируются на изображениях, похожих на набор данных, на котором они были обучены, и хотя эти модели показывают высокие результаты в тестах, они могут не работать хорошо на изображениях с другими характеристиками. Эндрю и др. [ 81 ] представили полную процедуру распознавания известных и неизвестных пород крупного рогатого скота голштино-фризской породы. Построив надежное пространство встраивания на основе нескольких примеров, они добились эффективного распознавания неизвестных пород крупного рогатого скота со средней точностью 93,75%; однако размер обучающей выборки невелик, и все еще есть возможности для повышения точности. Бати и др. [ 122 ] предложили улучшенный алгоритм распознавания и отслеживания овец, основанный на методе YOLOv5 и SORT, для решения этой проблемы путем выполнения модели YOLOv5 с некоторыми адаптивными настройками, такими как настройка размера входных данных и изменение размера фильтров в структуре модели, чтобы улучшить эффект распознавания и отслеживания модели на изображениях с различными признаками. Ван и др. [ 123 ] представили сеть ResNAM, которая объединяет модуль нормализованного внимания (NAM) с моделью ResNet, и, объединив несколько функций потерь и метрик, построили открытую структуру распознавания лиц, достигнув высокой точности 95,28%. Ван и др. [ 100 ] представили инновационную структуру распознавания образов спины коровы на основе открытого множества метрик, которая объединяет множество функций потерь, метрик и магистральных сетей, и эта интеграция позволяет изображениям образов спины коровы быть открытыми для распознавания, тем самым помогая идентифицировать коров, которые не могли быть распознаны предыдущими моделями. Бахшайеши и др. [ 124 ] интегрировали алгоритм YOLOv5 с сиамскими нейронными сетями (SNN) для повторного распознавания крупного рогатого скота. SNN способна обучаться функции сходства в модуле распознавания, которая способна извлекать эффективные представления признаков из ограниченного количества данных путем изучения входного пространства. Это позволяет модели на основе изученной метрики сходства при предъявлении изображений коровьей морды в разных средах определять, является ли рассматриваемая корова той же самой, что и предыдущая, что устраняет необходимость повторного обучения для каждой среды.

5.2. Исследования ключевых моментов и тенденций в области визуальной биометрии животных

В процессе решения проблем, с которыми сталкиваются биометрические технологии в области животноводства на основе компьютерного зрения, не только был выявлен ряд направлений исследований, но и намечены направления будущих исследований в этой области.

5.2.1 Применение технологий слияния признаков и мультимодального слияния

Слияние признаков стремится объединить информацию из разнородных источников или уровней, тем самым создавая более отличительный и репрезентативный вектор признаков для расширения возможностей распознавания модели. Учитывая различную чувствительность различных признаков к возмущениям окружающей среды, таким как освещение, окклюзия и изменение угла, объединение нескольких признаков стало стратегией для повышения надежности системы в сложных условиях, став преобладающим направлением исследований в последнее время. Например, Окура и др. [ 125 ] предложили метод идентификации коров, основанный на анализе видео RGB-D, который использует признаки походки и текстуры для индивидуальной идентификации коровы, и в конце используется простой подход слияния на уровне оценок для линейного объединения различий, основанных на походке и текстуре. Ли и др. [ 126 ] предложили метод распознавания идентификации крупного рогатого скота на основе слияния слоев решений с несколькими признаками морды крупного рогатого скота, рисунка морды крупного рогатого скота и ушной бирки крупного рогатого скота. Лю и др. [ 127 ] использовали ResNet50 для извлечения особенностей модели молочных коров и объединили четвертую и пятую шкалы с семантической информацией, эффективно повысив точность распознавания.

В то же время, мультимодальное слияние наделяет системы большей приспособляемостью к динамичной и сложной среде выращивания скота и поведенческим нюансам животных. Данные из разных модальностей являются взаимодополняющими, гарантируя, что система может продолжать эффективно работать, когда данные одной модальности скомпрометированы. Например, исследования изучали вокализации животных, и Моника и др. [ 128 ] описали, что мычание коров содержит индивидуальную информацию по сравнению с другими видами, поскольку вокальные характеристики разных коров сильно различаются. Брифер и др. [ 129 ] использовали хрюканье для определения эмоционального состояния свиней. При использовании системы мультимодального слияния данных, если визуальные датчики загрязнены пылью и качество видимого изображения ухудшилось, система все равно может использовать данные из других модальностей (например, характеристики хрюканья, полученные от акустических датчиков) для выполнения идентификации и обеспечения правильной работы системы. Внедрение таких технологий слияния обещает комплексный подход к повышению точности и надежности идентификации домашнего скота, потенциально стимулируя развитие интеллектуальных систем управления в секторе животноводства.

5.2.2 Создание крупномасштабного эталонного набора данных

Разнообразие видов домашнего скота привело к фрагментированным наборам данных и отсутствию гармонизации, что затруднило сравнение моделей и прогресс в этой области. Поэтому необходим всеобъемлющий бенчмарк, разработанный исключительно для оценки отдельных алгоритмов распознавания домашнего скота. Панг и др. [ 130 ] разработали крупномасштабный бенчмарк-набор данных Sheepface-107, состоящий из 5350 изображений, полученных от 107 разных субъектов. Изображения каждой овцы были получены с разных ракурсов, включая виды спереди и сзади, а разнообразие полученных изображений обеспечивает более полное представление черт лица. В дополнение к набору данных был разработан протокол оценки, который применял несколько метрик оценки к результатам, полученным тремя различными моделями глубокого обучения (VGG16, GoogLeNet и ResNet50). Статистический анализ каждого алгоритма показал, что точность и количество параметров были наиболее полезными метриками для оценки эффективности распознавания.

5.2.3 Отслеживание и идентификация нескольких объектов

Учитывая практическое применение и продвижение технологии, а также аспект повышения эффективности идентификации, многообъектное отслеживание (MOT) соответствует будущей траектории современного животноводства. На крупных фермах, где поголовье скота велико, а деятельность часта, технология MOT обеспечивает точную локализацию и непрерывное отслеживание нескольких целей одновременно, предоставляя данные в реальном времени об их местоположении и траекториях движения. В настоящее время несколько ученых занимаются исследованиями в этой области, например, Го и др. [ 131 ] использовали три метода многоцелевого отслеживания на основе глубокого обучения для достижения отслеживания свиней. Расширяя стратегию взвешенной ассоциации, многоцелевое повторное распознавание было оптимизировано для повышения точности отслеживания отдельных свиней. Гуань и др. [ 132 ] объединили метод глубокого обучения CNN и метод отслеживания фильтра частиц для одновременного распознавания лица, области тела и положения коровы сидя и стоя, чтобы достичь всестороннего распознавания и отслеживания коровы, и обучались путем сбора образцов изображений в дневное и ночное время, чтобы позволить модели распознавать корову 24 часа в сутки, что повышает применимость системы.

В этой статье представлен всесторонний обзор идентификации сельскохозяйственных животных с использованием методов компьютерного зрения. Мы обсудили различные биометрические характеристики, используемые для идентификации, среды и устройства для сбора данных, а также методы обнаружения и распознавания. Мы также выделили проблемы и возможные решения, а также предложили будущие направления исследований. Идентификация сельскохозяйственных животных с использованием методов компьютерного зрения является многообещающей областью с потенциалом революционизировать управление животноводством. Однако для решения существующих проблем и реализации этого потенциала необходимы дальнейшие исследования.

Финансирование: Это исследование было поддержано Национальным фондом естественных наук Китая (грант № 32360433), Естественным научным фондом Внутренней Монголии (грант № 2024MS03020), Программой развития молодежной науки и технологий Педагогического университета Внутренней Монголии (грант № 2024QNJS031), Программой развития науки и технологий Внутренней Монголии (грант № 2023KJHZ0010) и Программой развития науки и технологий Внутренней Монголии (грант № 2024KJHZ0010).

Заявление институционального контрольного совета: Не применимо.

Информированное согласие: Не применимо.

Заявление о доступности данных: Не применимо.

Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.

1.       Tullo, E.; Finzi, A.; Guarino, M. Review: Environmental impact of livestock farming and Precision Livestock Farming as a mitigation strategy. Sci. Total Environ. 2019, 650, 2751–2760.

2.       Berckmans, D. Precision livestock farming technologies for welfare management in intensive livestock systems. Rev. Sci. Tech. Off. Int. Epizoot. 2014, 33, 189–196.

3.       Caja, G.; Castro-Costa, A.; Salama, A.A.K.; Oliver, J.; Baratta, M.; Ferrer, C.; Rovai, M. Sensing solutions for improving the performance, health and wellbeing of small ruminants. J. Dairy Res. 2020, 87, 34–46.

4.       Hu, H.; Dai, B.; Shen, W.; Wei, X.; Sun, J.; Li, Y. A low-cost IoT-based cattle monitoring system. Comput. Electron. Agric. 2021, 180, 105900.

5.       Nadimi, E.S.; Sogaard, H.T.; Bak, T.; Oudshoorn, F.W. ZigBee-based wireless sensor networks for monitoring animal presence and pasture time in a strip of new grass. Comput. Electron. Agric. 2008, 61, 79–87.

6.       Rutter, S.M. The integration of GPS, GIS and sensor technology for the study of animal behaviour and ecology. Philos. Trans. R. Soc. Lond. B Biol. Sci. 2010, 365, 2157–2162.

7.       Li, G.; Erickson, G.E.; Xiong, Y. Computer vision-based animal behaviour analysis and its application in livestock production: A review. Comput. Electron. Agric. 2020, 177, 105696.

8.       Nasirahmadi, A.; Hensel, O.; Edwards, S.A.; Sturm, B. Automatic detection of mounting behaviours among pigs using image analysis. Comput. Electron. Agric. 2016, 124, 295–302.

9.       Marsot, M.; Mei, J.; Shan, X.; Ye, L.; Feng, P.; Yan, X.; Li, C.; Zhao, Y. An adaptive pig face recognition approach using Convolutional Neural Networks. Comput. Electron. Agric. 2020, 173, 105386.

10.  Wang, Z.; Wu, D.; Lin, L.; Sun, X. A review of deep learning in livestock monitoring. Comput. Electron. Agric. 2021, 187, 106242.

11.  Meng, H.; Zhang, L.; Yang, F.; Hai, L.; Wei, Y.; Zhu, L.; Zhang, J. Livestock Biometrics Identification Using Computer Vision Approaches: A Review. Agriculture 2025, 15, 102. https://doi.org/10.3390/agriculture15010102

12.  Hill, R.B. The use of the retinal vascular pattern for biometric identification. Proc. IEEE 1986, 74, 1238–1244.

13.  Allen, A.; Golden, B.; Taylor, M.; Patterson, D.; Henriksen, D.; Skuce, R. Evaluation of retinal imaging technology for the biometric identification of bovine animals in Northern Ireland. Livest. Sci. 2008, 116, 42–52.

14.  Barron, U.G.; Corkery, G.; Barry, B.; Butler, F.; McDonnell, K.; Ward, S. Assessment of retinal recognition technology as a biometric method for sheep identification. Comput. Electron. Agric. 2008, 64, 234–240.

15.  Saighi, P.; Kheirabadi, M.T.; Baraani-Dastjerdi, A. CattNIs: Cattle identification based on retinal images using deep features. Comput. Electron. Agric. 2024, 216, 108506.

16.  Mustafi, S.B.; Gokul, P.; Sahoo, S.K.; Goel, N. ReflS: A retinal biometric system for goat identification. Comput. Electron. Agric. 2021, 181, 105956.

17.  Lu, Y.; He, X.; Wen, Y.; Wang, P.S. A new cow identification system based on iris analysis and recognition. Int. J. Biom. 2014, 6, 18–32.

18.  Thomas, J.J.; N, A.; Nair, M.S. A comprehensive review on animal biometrics based on retina patterns. Comput. Sci. Rev. 2021, 40, 100397.

19.  Flom, L.; Safir, A. Iris recognition system. U.S. Patent No. 4,641,349, 3 February 1987.

20.  Wild, S.; Hilsenstein, V.; Zemp, M.; Zingg, S.; Zeder, M.; Gubler, H.; Henttonen, H.; Baltensweiler, A.; Heurich, M.; Bont, L.D. Animal biometrics: quantifying and detecting phenotypic appearance. Trends Ecol. Evol. 2013, 28, 432–441.

21.  Staniek, K. Iris recognition for horse identification. J. Equine Vet. Sci. 2017, 52, 23–28.

22.  He, X.; Lu, Y.; Zhang, Y. A non-contact iris image acquisition device for cow identification. Comput. Electron. Agric. 2017, 142, 562–569.

23.  Lu, Y.; He, X.; Zhang, Y. A cow identification system based on iris analysis and recognition. Comput. Electron. Agric. 2018, 155, 12–22.

24.  Trokielewicz, M.; Szadkowski, M.; Maciejewicz, P. Deep convolutional neural networks for horse identification based on iris and periocular region. In Proceedings of the 2017 International Conference on Biometrics (ICB), Madrid, Spain, 4–7 June 2017; pp. 1–6.

25.  Larragueta, M.; Cebrian, G.; Garcia-Mateos, G.; Ruiz, P.; Escribano, F. A non-invasive method for iris segmentation in visible wavelength images of bovine eyes. Comput. Electron. Agric. 2019, 167, 105055.

26.  Roy, S.; Bhowmik, M.K.; Saha, P. Iris recognition in black Bengal goats: A preliminary study. Comput. Electron. Agric. 2021, 181, 105944.

27.  Li, G.; Zhang, Y.; Li, Y. A step-scanning hierarchical circle algorithm for fast localization of cattle iris. Comput. Electron. Agric. 2020, 168, 105114.

28.  Sun, Y.; Li, G.; Zhang, Y. A region-based active contour model for cattle iris segmentation. Comput. Electron. Agric. 2021, 181, 105938.

29.  Laishram, D.; Tuithung, T.; Majumder, S. iGoat: A deep learning based goat identification system using iris patterns. Comput. Electron. Agric. **2022, 194*, 106749.

30.  Yoon, H.; Park, J.; Kim, G. Deep learning-based iris segmentation for cattle identification. Comput. Electron. Agric. **2023, 204*, 107558.

31.  Barry, B.; Gonzales-Barron, U.A.; McDonnell, K.; Butler, F.; Ward, S. Using muzzle pattern recognition as a biometric approach for cattle identification. Trans. ASABE 2007, 50, 1073–1080.

32.  Tharwat, A.; Gaber, T.; Hassanien, A.E. Cattle identification using muzzle print images based on texture features. Int. J. Comput. Intell. Appl. 2014, 13, 1450013.

33.  Petersen, W. The identification of the bovine by the muzzle print. J. Dairy Sci. 1921, 4, 308–316.

34.  Minagawa, H.; Fujimura, T.; Ichiyanagi, M.; Tanaka, K. Identification of beef cattle by analyzing images of their muzzle patterns. Asian-Australas. J. Anim. Sci. 2002, 15, 282–286.

35.  Tharwat, A.; Gaber, T.; Hassanien, A.E. Cattle identification based on muzzle images using Gabor features and SVM classifier. In Proceedings of the International Conference on Advanced Machine Learning Technologies and Applications, Cairo, Egypt, 28–30 November 2014; pp. 236–247.

36.  Taha, L.G.; El-Bendary, N.; Hassanien, A.E.; Elnaghi, B.E. Arabian horse identification based on muzzle print using fusion of LBP and SURF features. In Proceedings of the 2015 Seventh International Conference on Advanced Communication and Networking (ACN), Kuala Lumpur, Malaysia, 24–26 November 2015; pp. 1–6.

37.  Li, G.; Xiong, Y.; Du, Q.; Zhang, Y. Deep learning for cattle identification using muzzle print images. Comput. Electron. Agric. 2020, 175, 105561.

38.  Zhao, K.; Jin, X.; Ji, J.; Wang, Z.; Zhang, Y. A convolutional neural network-based approach for individual cow identification using body images. Comput. Electron. Agric. 2019, 158, 220–229.

39.  Zhao, K.; Jin, X.; Ji, J.; Wang, Z.; Zhang, Y. Individual identification of Holstein dairy cows based on detecting and deep learning of body images. Comput. Electron. Agric. 2020, 176, 105657.

40.  Zhang, L.; Zhang, Y.; Li, Y. A cascaded recognition method based on DeepOtsu and EfficientNet for dairy cow body pattern images. Comput. Electron. Agric. **2021, 187*, 106257.

41.  Otsu, N. A threshold selection method from gray-level histograms. IEEE Trans. Syst. Man Cybern. 1979, 9, 62–66.

42.  Tan, M.; Le, Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning, Long Beach, CA, USA, 9–15 June 2019; pp. 6105–6114.

43.  Zhao, W.; Chellappa, R.; Phillips, P.J.; Rosenfeld, A. Face recognition: A literature survey. ACM Comput. Surv. 2003, 35, 399–458.

44.  Brunelli, R.; Poggio, T. Face recognition: Features versus templates. IEEE Trans. Pattern Anal. Mach. Intell. 1993, 15, 1042–1052.

45.  Schroff, F.; Kalenichenko, D.; Philbin, J. FaceNet: A unified embedding for face recognition and clustering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA, USA, 7–12 June 2015; pp. 815–823.

46.  Sihalath, T.; Kondo, N.; Makino, Y.; Hironaka, K. Individual identification of pigs during different fertility periods using deep learning. Comput. Electron. Agric. 2018, 155, 391–399.

47.  Liu, J.; He, D.; Yang, X. Individual identification of dairy cows based on RGB-D muzzle information fusion. Comput. Electron. Agric. 2020, 179, 105836.

48.  Xuan, S.; Li, J.; Zhang, Y.; Zhang, Y. An improved B-CNN model based on asymmetric VGG19-ResNet50 for fine-grained sheep face recognition. Comput. Electron. Agric. **2021, 187*, 106268.

49.  Ahmad, K.; Khan, M.J.; Alhaisoni, M.; Alshadadi, A.A.; AlShehri, M.S. Horse face recognition using deep learning. Comput. Mater. Contin. **2022, 71*, 5685–5700.

50.  Arslan, M.; Gok, M.; Bulut, Z.B. A Kinect-based system for 3D reconstruction of livestock. Comput. Electron. Agric. 2016, 121, 342–349.

51.  Ferreira, J.; Sturm, V.; Rocha, L.; dos Santos, V.J. Individual identification of Holstein heifers based on 3D dorsal surface images. Comput. Electron. Agric. **2022, 194*, 106752.

52.  Zhang, Y. Sheep identification based on deep metric learning combined with skeleton attention guidance. Comput. Electron. Agric. **2023, 204*, 107562.

53.  Su, J. An improved dynamic time warping algorithm for dairy cow gait segmentation and lameness recognition. Comput. Electron. Agric. 2020, 179, 105841.

54.  Qian, K. Pig gait recognition based on skeleton analysis and gait energy images. Comput. Electron. Agric. **2021, 187*, 106269.

55.  Zhang, Y.; Li, G.; Li, Y. Dairy cow gait recognition using skeletal energy maps. Comput. Electron. Agric. **2022, 194*, 106758.

56.  Andrew, W.; Greatwood, C.; Burghardt, T. Aerial animal biometrics: Individual dairy cattle recovery and identification from UAV imagery. In Proceedings of the 2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Taipei, Taiwan, 18–21 September 2019; pp. 1–8.

57.  Qiao, Y.; Kong, H.; Clark, C.; Lomax, S.; Su, D.; Eiffert, S.; Sukkarieh, S. Deep learning-based beef cattle recognition using image sequences. Comput. Electron. Agric. **2021, 187*, 106262.

58.  Zion, B.; Shklyar, A.; Karplus, I. A computer vision system for early detection of scale disease in freshwater fish. Aquac. Eng. 2000, 23, 45–59.

59.  Zhao, K.; Jin, X.; Ji, J.; Wang, Z.; Zhang, Y. Individual identification of Holstein dairy cows based on detecting and deep learning of body images. Comput. Electron. Agric. 2020, 176, 105657.

60.  Marsot, M.; Mei, J.; Shan, X.; Ye, L.; Feng, P.; Yan, X.; Li, C.; Zhao, Y. An adaptive pig face recognition approach using Convolutional Neural Networks. Comput. Electron. Agric. 2020, 173, 105386.

61.  Xuan, S.; Li, J.; Zhang, Y.; Zhang, Y. An improved B-CNN model based on asymmetric VGG19-ResNet50 for fine-grained sheep face recognition. Comput. Electron. Agric. **2021, 187*, 106268.

62.  Andrew, W.; Greatwood, C.; Burghardt, T. Aerial animal biometrics: Individual dairy cattle recovery and identification from UAV imagery. In Proceedings of the 2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Taipei, Taiwan, 18–21 September 2019; pp. 1–8.

63.  Nasirahmadi, A.; Hensel, O.; Edwards, S.A.; Sturm, B. Automatic detection of mounting behaviours among pigs using image analysis. Comput. Electron. Agric. 2016, 124, 295–302.

64.  Zhang, L.; Zhang, Y.; Li, Y. A cascaded recognition method based on DeepOtsu and EfficientNet for dairy cow body pattern images. Comput. Electron. Agric. **2021, 187*, 106257.

65.  Tassinari, P.; Bovo, M.; Benni, S.; Franzoni, S.; Poggi, M.; Mammi, L.M.E.; Mattoccia, S.; Di Stefano, P.; Santoro, G.; Mirisola, M.; et al. A computer vision approach based on deep learning for the detection of dairy cows in free stall barn. Comput. Electron. Agric. **2021, 182*, 106030.

66.  Yao, L.; Yang, B.; Huang, Y.; Zhang, Y.; Li, G. A robust cow face detection method based on deep learning. Comput. Electron. Agric. **2021, 187*, 106257.

67.  Viazzi, S.; Bahr, C.; Schlageter-Tello, A.; Van Hertem, T.; Romanini, C.E.B.; Pluk, A.; Halachmi, I.; Lokhorst, C.; Berckmans, D. Comparison of a three-dimensional and two-dimensional camera system for automated measurement of back posture in dairy cows. Comput. Electron. Agric. 2014, 100, 139–147.

68.  Jaddoa, Z.A.; Al-Jumaily, A.; Gonzalez, L.; Cuthbertson, H. Multi-view cattle muzzle identification using infrared thermography. Comput. Electron. Agric. 2020, 168, 105142.

69.  Kashiha, M.; Bahr, C.; Ott, S.; Moons, C.P.H.; Niewold, T.A.; Ödberg, F.O.; Berckmans, D. Automatic identification of marked pigs in a pen using image pattern recognition. Comput. Electron. Agric. 2013, 93, 111–120.

70.  Kumar, S.; Singh, S.K.; Singh, R.S. Muzzle point pattern-based techniques for individual cattle identification. IET Image Process. 2016, 10, 724–734.

71.  Kumar, S.; Singh, S.K.; Singh, R.S. Muzzle point pattern-based recognition of cattle using local binary pattern and support vector machine. Multimed. Tools Appl. 2018, 77, 3495–3510.

72.  Li, G.; Xiong, Y.; Du, Q.; Zhang, Y. A shape-based method for cattle muzzle detection. Comput. Electron. Agric. 2020, 168, 105122.

73.  Hansen, M.F.; Smith, M.L.; Smith, L.N.; Salter, M.G.; Baxter, E.M.; Farish, M.;

Meng, H.; Zhang, L.; Yang, F.; Hai, L.; Wei, Y.; Zhu, L.; Zhang, J. Livestock Biometrics Identification Using Computer Vision Approaches: A Review. Agriculture2025, 15, 102. 

Livestock Biometrics Identification Using Computer Vision Approaches: A Review by Hua Meng, Lina Zhang, Fan Yang, Lan Hai, Yuxing Wei, Lin Zhu and Jue Zhang

College of Physics and Electronic Information, Inner Mongolia Normal University, Hohhot 010022, China

Перевод статьи «Livestock Biometrics Identification Using Computer Vision Approaches: A Review» авторов Hua Meng, Lina Zhang, Fan Yang, Lan Hai, Yuxing Wei, Lin Zhu and Jue Zhang, оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык