摘要：为了提高畜牧保险理赔行业中牛只身份识别准确率,试验建立了基于计算机视觉提取牛脸特征的牛只身份识别系统,即使用SOLOv2实例分割模型提取牛脸前景图像,结合FaceNet提取牛脸特征;基于Tornado Web和TF Serving框架进行实例分割模型和牛脸特征提取模型的部署,完成牛脸身份识别系统的搭建,并制作了手机APP,最后对添加SOLOv2牛脸身份识别模型的准确率和验证率进行了验证。结果表明:添加了SOLOv2模型的牛脸身份识别准确率达到了98.063%,验证率达到了92.451%,与未添加SOLOv2模型相比,准确率提高了0.270百分点,验证率提高了6.275百分点。说明添加SOLOv2实例分割模型能提升牛脸身份识别的准确率和验证率。

摘要：针对当前畜牧保险行业勘察、定损中牛身份识别难的问题,本文将深度学习框架与物联网(internet of things,IOT)技术结合构建牛脸识别系统。系统中以Inception_Resnet_v1作为深度学习网络框架,结合Triplet Loss损失函数,完成牛面部特征的提取,通过计算余弦距离对特征进行身份识别。基于flask和vue框架布署牛脸检测和特征提取及验证模型,开发牛脸信息数据库,提供身份注册和验证web服务。为验证系统可行性,采集并制作牛脸识别数据集CFID200,在20%未见牛脸的条件下,牛脸识别系统准确率与验证率达到95%以上,满足保险业务牛脸身份识别需要。

摘要：针对传统的牛个体身份识别需借助外部工具而产生的管理上的安全隐患及对牛身体的刺激和物理伤害问题,提出基于图像方法的牛脸生物特征提取的方法进行身份识别。同时,由于CNN对硬件设施有高要求并且识别精度低、速度慢,以及传统机器学习方法对先验知识的依赖性,考虑到牛脸数据采集困难的小样本问题,以及自然野外光照、视角、距离、运动等客观环境因素与牛脸特征复杂性,提出以CNN为主体且引入ResNet和SVM相结合的牛脸识别与检测的算法与模型,其较传统的CNN网络结构具有训练收敛速度快、识别率高及泛化性强等特点。在Andriod平台下运用该轻量型模型设计了安卓手机APP,完成了方便快捷的实时识别目标,并通过了实验验证,实验结果准确率达95.1%以上。

摘要：利用迁移学习的思想,使用深度神经网络对荷斯坦牛牛脸进行识别,实验结果表明经过迁移学习之后的牛脸进行识别准确度达99.9%,为以奶牛为代表畜类进行生物识别提供了一种良好的思路。

摘要：快速精准确定牛个体身份对疾病防控、品种遗传改良、奶制品和肉制品质量溯源以及改善农业假保险索赔等方面具有重要意义。传统的牛个体识别使用诸如烙印、耳纹、耳标和无线射频识别等方法,易遭受设备损失/工作重复、标记欺诈、动物福利安全以及监测成本和距离等方面的挑战;而基于生物特征的非接触识别由于其独特性、不变性、低成本易操作以及动物福利高,成为牛身份识别的新趋势。主要介绍了几种基于非接触式的牛身份识别的研究进展,重点关注牛脸识别的最新成果,讨论当前牛脸识别在实际应用中面临的挑战,在此基础上对深度学习在牛脸身份识别研究中的应用进行了设计构思与展望。