基于机器学习的牛只识别技术系统综述：数据集、方法与未来方向
计算机视觉与模式识别
2022-10-18 v1 人工智能
机器学习
摘要
生物安全与食品安全要求的提高可能会增加供应链中对牲畜高效追溯与识别系统的需求。机器学习与计算机视觉的先进技术已应用于精准畜牧管理，包括关键疾病检测、疫苗接种、生产管理、追踪与健康监测。本文对基于视觉的牛只识别进行了系统文献综述（SLR）。更具体地，该 SLR 旨在识别并分析使用机器学习（ML）与深度学习（DL）的牛只识别相关研究。针对牛只检测与牛只识别两大应用，所有基于 ML 的论文仅解决牛只识别问题；而基于 DL 的论文则同时研究了检测与识别问题。根据我们的调研报告，用于牛只识别最常用的 ML 模型为支持向量机（SVM）、k-近邻（KNN）与人工神经网络（ANN）。卷积神经网络（CNN）、残差网络（ResNet）、Inception、You Only Look Once（YOLO）与 Faster R-CNN 为所选论文中流行的 DL 模型。在这些论文中，最具区分性的特征为牛的鼻纹与毛色花纹。局部二值模式（LBP）、加速稳健特征（SURF）、尺度不变特征变换（SIFT）以及 Inception 或 CNN 被确定为最常用的特征提取方法。
引用
@article{arxiv.2210.09215,
title = {A Systematic Review of Machine Learning Techniques for Cattle Identification: Datasets, Methods and Future Directions},
author = {Md Ekramul Hossain and Muhammad Ashad Kabir and Lihong Zheng and Dave L. Swain and Shawn McGrath and Jonathan Medway},
journal= {arXiv preprint arXiv:2210.09215},
year = {2022}
}
备注
34 pages, 14 figures