牛识别系统综述：机器学习与深度学习在农业的应用

农业中的人工智能6（2022）138用于牛识别的机器学习技术的系统综述：数据集，方法和未来方向[1]张晓刚，张晓刚.Swainb，c，eSawnMcGrathb，d，e，Jonatha nMedwayb，ea计算、数学和工程学院，Charles Sturt University，Bathurst，NSW 2795，AustraliabGulbali Institute for Agriculture，Water and Environment，Charles Sturt University，Wagga Wagga，NSW 2678，AustraliacTerraCipher Pty. 有限公司、Alton Downs，QLD 4702，澳大利亚dFred Morley中心，动物和兽医科学学院，Charles Sturt大学，Wagga Wagga，NSW 2678，澳大利亚eFood Agility CRC Ltd，Sydney，NSW 2000，Australiaa r t i c l e i nf o文章历史记录：收到2022年7月6日2022年9月1日收到修订版，2022年2022年9月18日网上发售保留字：牛识别牛检测机器学习深度学习养牛内容a b s t r a c t生物安全和食品安全要求的提高可能会增加对供应链中牲畜的有效可追溯性和识别系统的需求先进的机器学习和计算机视觉技术已应用于精准畜牧管理，包括重大疾病检测、疫苗接种、生产管理、跟踪和健康监测。本文提供了一个系统的文献综述（SLR）的视觉为基础的牛识别。更具体地说，这个SLR是使用机器学习（ML）和深度学习（DL）来识别和分析与牛识别该研究从四个在线学术数据库中检索了731篇研究随后选择了55篇文章并进行了深入调查对于牛检测和牛识别这两个主要应用，所有基于ML的论文都只解决牛识别问题。然而，在基于DL的论文中，检测和识别问题都被研究。根据我们的调查报告，最常用的机器学习模型用于牛识别是支持向量机（SVM），k-最近邻（KNN）和人工神经网络（ANN）。卷积神经网络（CNN）、残差网络（ResNet）、Inception、You OnlyLook Once（YOLO）和Faster R-CNN是所选论文中流行的DL模型在这些纸张中，最显著的特征是牛的口印和皮毛图案。局部二值模式（LBP），加速鲁棒特征（SURF），尺度不变特征变换（SIFT）和Inception或CNN被确定为最常用的特征提取方法。本文详细介绍了选择技术或方法时要考虑的重要因素我们还确定了牛识别的主要挑战公开可用的数据集很少，这些数据集的质量处理时间是实时牛识别系统的关键因素最后，给出了一个建议，更多的公开可用的基准数据集将提高研究进展在未来。版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1.导言. 1392.A.方法1402.1.审查过程1402.2.研究问题1402.3.搜索策略1402.4.研究选择标准1402.5.数据提取1413.牛识别概述141*通讯作者：计算，数学和工程学院，查尔斯特大学，全景大道，巴瑟斯特，新南威尔士州2795，澳大利亚。电子邮件地址：mdhossain@csu.edu.au（M.E. Hossain），akabir@csu.edu.au（M.A. Kabir），lzheng@csu.edu.au（L. Zheng），dave. terracipher.com（D.L. Swain），shmcgrath@csu.edu.au（S. McGrath），jmedway@csu.edu.au（J. Medway）。https://doi.org/10.1016/j.aiia.2022.09.0022589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/法医Hossain，文学硕士卡比尔湖Zheng等人农业人工1393.1.基于耳标的方法1413.2.基于DNA的方法3.3.基于视觉特征的方法1424.审查报告1434.1.牛识别的机器学习方法4.2.用于牛识别和检测的深度学习方法1444.3.数据集1474.4.特征提取方法1484.5.评价指标1504.6.ML和DL模型的性能1505.讨论1515.1.挑战和未来的研究方向1515.2.本研究的局限性6.结论153融资154竞争利益声明鸣谢154参考文献1541. 我不想让你失望由于供应链中的生物安全和食品安全要求，对牲畜有效追溯和识别系统的需求先进的机器学习和计算机视觉技术已应用于精准畜牧管理，包括重大疾病检测、疫苗接种、生产管理、跟踪、健康监测和动物健康监测（Awad，2016）。“牛识别”是指“牛检测”和“牛识别”（Mahmud等人，2021年）。牛识别系统从人工识别开始，到借助图像处理的自动识别 传统的牛识别系统，如耳标（Awad，2016）、耳刻（Neary和Yager，2002）和电子设备（Ruiz-Garcia和Lunadei，2011）已用于牛养殖中的个体识别。 这些个体识别方法的缺点包括丢失、复制、电子设备故障和标签号欺诈的可能性（Rossing，1999; Roberts，2006）。这些都是畜牧场管理中牛识别的问题和挑战随着计算机视觉技术的出现，牛的视觉特征在牛的识别中越来越受欢迎 （ Kusakunniran 和 Chaiviroonjaroen ， 2018; Andrew 等 人 ，2016，2017; de LimaWeber等人， 2020年）。基于视觉特征的牛识别系统用于基于一组独特特征来检测和分类不同的品种或个体 近年来，机器学习（ML）和深度学习（DL）方法已被广泛用于使用视觉特征的自动牛识别（Andrew等人，2016; Tharwat等人，2014 b; Andrew等人， 2019; Qiao等人， 2019年; Li等人，2021年a）。ML和DL是人工智能的子领域，可以解决自动决策的复杂问题ML主要分为两种方法，如监督学习和无监督学习。 监督ML方法通过使用标记数据集来定义，而无监督学习使用ML算法来分析和聚类未标记数据集。无监督ML方法可以在没有人类监督的情况下检测数据中的隐藏模式（Janieschet al.， 2021年）。深度学习方法在具有大型和高维数据集的领域是有用的因此，在文本、语音、图像、视频和音频数据处理领域，DL模型通常优于传统ML模型（LeCun等人， 2015年）。ML和DL模型的开发有两个主要步骤在第一步中，使用训练数据集来训练模型，并且在第二步中，使用单独的验证数据集来验证模型因此，创建训练模型，该训练模型稍后用于测试数据集以基于测试数据集确定其用于ML模型的数据集包括特征及其相应的结果或标签。这些特征使用特征提取方法从输入数据中提取DL算法可以自动从数据集中提取高级特征，并从这些特征中学习 尽管ML和DL模型的实现是简单的，但是在选择算法、调整参数和特征以获得更好的预测准确性方面存在一些挑战（Janiesch等人，2021年）。在畜牧场管理方面，已经完成了几项重要的审查研究最近的一些文献综述已经解决了畜牧业中的各种研究挑战，例如使用基于标签、ML和DL方法的识别、跟踪和健康监测。最近，Awad（2016）和Kumar和Singh（2020）回顾了使用不同的经典和视觉生物识别方法进行牛识别和跟踪的文献。Li等人（2021b）回顾了基于深度学习的方法，用于分类，对象检测和分割，姿势估计以及跟踪不同种类的动物，如牛，猪，羊和家禽。一个系统的文献综述的基础上应用ML和DL方法在精确畜牧业加西亚等人。（2020年）专注于放牧和动物健康。Qiao等人（2021）总结了精准养牛中用于牛识别、身体状况评分评估和活重估计的ML和DL方法。他们审查了少量与使用ML和DL方法进行牛识别相关的文章（n= 13）Mahmud等人（2021）进行了一项系统性文献综述，显示了DL应用于牛识别和健康监测的最新进展。他们的综述仅包括少数与牛识别相关的文章此外，这些综述文章侧重于不同类型挑战的组合（例如，跟踪、姿态估计、重量估计、识别和检测），通过基于标签的、ML和DL方法在精确畜牧业中解决。因此，他们缺乏对牛识别的全面审查。此外，现有综述文章缺乏关于ML和DL联合应用于牛识别的信息，因为它们部分涵盖了ML或DL用于牛识别。此外，未讨论用于识别的牛数据集的细节在这种情况下，需要进行广泛的系统性文献综述，特别是针对ML和DL方法解决的牛识别挑战此外，在相关文章中使用的数据集的细节需要讨论，并在牛识别中使用ML和DL技术的当前趋势和未来的研究机会与挑战需要确定。本系统性文献综述（SLR）的目的是总结和分析ML和DL在牛识别中广泛使用的应用。本SLR共选择了55篇关于牛识别和检测的文章首先对综述的文章进行总结，然后对所选文章中使用的数据集进行讨论。然后，我们分析了使用ML和DL的趋势评论文章法医Hossain，文学硕士卡比尔湖Zheng等人农业人工140在介绍特征提取方法和性能评价指标表1搜索所选数据库的字符串从审查的文章中摘录最后，讨论了该领域面临的挑战和未来的研究方向数据库名称搜索字符串2. 方法2.1. 审查进程SLR的审查过程分为三个阶段-计划、进行和报告审查（Kitchenham和Charters，2007年）。在第一阶段，确定了SLR的研究问题。 根据研究问题，确定电子数据库和检索词或关键词。 检索关键词用于创建检索字符串，该字符串应用于不同的电子数据库，以提取SLR的相关文章。 该研究使用了IEEE Xplore，Science Direct，Scopus和Web of Science数据库。选择这些数据库是为了涵盖我们目标领域的广泛研究，因为它们索引 了 来 自 不 同 出 版 商 的 大 多 数 期 刊 ， 如 Springer ， ACM ，Inderscience，Elsevier，Sage，Taylor Francis，IOS，Wiley等。在第二阶段，通过搜索数据库识别相关的研究。在此基础上，确定了初步研究质量评价通过应用选择标准选择合格的研究，然后根据研究问题从所选文献中提取相关数据。在最后阶段，提取的数据进行分析，并用于解决研究问题。然后，以表格和图表的形式报告了结果，并简要讨论了研究挑战和未来的研究机会。2.2. 研究问题本SLR侧重于使用ML和DL方法进行牛识别的已发表研究。搜索过程识别出解决研究问题的潜在的主要研究研究问题的答案进行了讨论的基础上提取的数据从选定的研究。本研究为SLR定义了以下七个研究问题（RQ）• RQ1：在牛识别中使用了哪些ML模型• RQ 2：牛识别中使用了哪些DL模型• RQ3：在牛识别中使用哪些数据集• RQ4：在牛识别中使用了哪些特征提取方法？• RQ5：ML和DL使用哪些性能评估指标牛识别模型• RQ6：在特定的牛识别问题中使用的最佳ML和DL模型是什么• RQ7：解决牛识别问题的挑战是什么？2.3. 搜索策略应用搜索策略以将搜索结果保持在SLR的范围在这项研究中，最初的 搜 索 是 使 用 一 个 字 符 串 与 四 个 关 键 字 。 搜 索 字 符 串 是（“cattle”AND“identification” ）AND （ “machinelearning”OR“deeplearning”）。从检索结果中提取一些文章，阅读标题、摘要和作者特定的关键词，以找到基本检索关键词的同义词。 对于“牛”，考虑的同义词是“奶牛“和“牲畜”。对于“识别”，考虑的同义词是“识别”和“检测”。添加了关键词因此，一般搜索字符串是（IEEE Xplore（（牛或牛 * 或牲畜）与（识别或识别或检测）与（Science Direct（牛或牛）和（识别或识别或检测）和（“深度学习”或“机器学习”或“神经网络”或“图像处理”）。它用于检索标题、摘要和关键词。Scopus TITLE-ABS-KEY（（用于检索标题（TITLE）、摘要（ABS）和关键词（KEY）。科学网AB=（（cattle OR cow* OR livestock）AND（identi ficationOR recognitionOR detection）AND（“deep learning“OR“machinelearning“OR“neuralnetwork”））OR AK=（（cattleORcow*ORlivestock）AND（identification ORrecognition ORdetection）AND“deep learning“OR“machine learning“OR“neuralnetwork”））ORTI=（（cattleOR cow*OR livestock）AND（identification ORrecognitionORdetection）AND（“deep learning“OR“machinelearning”OR“neuralnetwork”））。用于检索标题（TI）、摘要（AB）和作者关键词（AK）。网络“或“图像处理“或“视觉”）。检索关键词用于4个数据库中的文章（2021年8月）。数据库的检索字符串如表1所示。本研究从Science Direct数据库的检索字符串中减少了一些关键词，因为该数据库的最大布尔连接符（AND/ OR）为8。由于Scopus数据库使用通用检索字符串生成了许多文章，因此通过将两个不同的关键词放在一起来减少检索结果在本SLR中，我们在检索期间未限制发表年份。执行上述检索字符串后，共检索到731篇文章2.4. 研究选择标准选择标准用于确定可以回答研究问题的研究在本研究中，根据研究问题确定入选和排除标准将所有数据库的检索结果记录在电子表格中，以使用入选和排除标准进行审查当入选标准为真但排除标准为假时，选择研究进行SLR排除标准为：（1）出版物与牛识别的ML或DL无关，（2）出版物为调查或综述论文，（3）出版物不是用英文撰写入选标准是必须将鉴定应用于ML和/或DL方法以进行牛鉴定。排除重复记录（n= 125）后，选择标准应用于其余记录（n= 606）。因此，共评估了54篇全文文章的合格性。为了选择最后的文章，我们考虑了过去十年中发表的文章。在合格性检查和质量评估过程中，另有4篇全文文章被排除，因为它们不符合质量标准，包括与ML或DL不相关的牛识别和发表时间超过10年。通过遵循Kitchenham等人的研究进行质量评估。（2009年）。然后，这项研究应用了向后和向前滚雪球技术（Wohlin，2014），50篇文章，找到了5篇相关文章。因此，本SLR最终共选择了55篇文章选择过程的完整流程如图所示。 1使用PRISMA。 我们还使用检索字符串在计算机协会（ACM）、Springer、Inderscience和其他一些出版商数据库中进行了检索。从检索结果中找到的相关文章重复法医Hossain，文学硕士卡比尔湖Zheng等人农业人工141图1.一、系统性文献综述的文献选择流程图。我们选择的数据库搜索因此，我们没有在PRISMA中详细报告2.5. 数据提取为了解决研究问题，每一个选定的文章全文阅读，并从中提取必要的数据元素准备电子数据表以存储所选文章的所有提取数据。 电子表格列代表研究的不同数据元素，行代表SLR审查的文章。在电子表格中，每篇文章都按研究目标、数据集、使用的特征、特征提取、模型、位置、出版年份、性能评估指标和挑战进行了总结。然后根据研究问题对提取的数据进行分类。本SLR的总结结果报告见第4。3. Cattleidetictionoververview牛识别是使用独特的识别标志或特征识别牛的过程（Awad，2016）。准确的牛识别策略在允许养牛户实施个体动物管理技术方面发挥重要作用个体识别也是基因改良、疾病管理、生物安全和供应链管理的基础.图2显示了三种主要类型的牛识别方法-基于耳标的方法、基于DNA的方法和基于视觉特征的3.1. 耳标法基于耳标的牛识别方法广泛用于牲畜农场管理（Ruiz-Garcia和Lunadei，2011; Kumar等人，2016年a）。这些方法可以帮助理解疾病轨迹并控制急性疾病的传播（Vlad等人， 2012; Wang等人， 2010年）。基于标签的方法使用唯一标识符，包括永久标记（例如， 耳朵刻痕、纹身和烙印），临时标记（例如，耳标），以及电子设备（例如，射频识别（RFID））（Awad，2016）。耳朵开槽是一种去除动物耳朵部分的系统，因此去除的部分创建一个独特的，可识别的形状（Neary和Yager，2002）。耳朵位置的组合法医Hossain，文学硕士卡比尔湖Zheng等人农业人工142图二、 不同类型牛的识别方法。标记用于识别个体牛。耳切口具有潜在的福利影响，并且其他识别方法更福利友好（Noonan等人， 1994年）。耳朵开槽法只适用于农场中有限数量的牛因此，其不用于识别大型农场中的个体牛。耳标是一种牲畜识别方法（Awad，2016），广泛用于提供个体牛识别。它是快速实施和具有低成本的识别系统。耳标可以由金属或塑料制成，带有条形码、字母或数字，耳标的大小和颜色可以不同但是耳标可能脱落，导致个体识别丢失（Wang等人，2010年）。此外，耳标有损坏的风险，可以被复制，并且容易受到欺诈性操纵。 丢失的标签不允许对单个动物的长期识别（Fosgate等人， 2006年）。这些限制导致了电子识别设备（EID）的发展。无源射频识别设备（RFID）通常用于牲畜养殖中的个体识别和跟踪（Ruiz-Garcia和Lunadei，2011）。RFID设备的架构包括RFID标签、通信信道、标签读取器、服务器和RFID后端。 这些设备使用无线电波来传输牲畜数据，作为一个由一系列数字组成的唯一代码。然而，需要熟练的人员来设置和管理RFID系统。此外，它在安全性方面有一些限制，包括标签内容更改和系统欺骗的高可能性（Roberts，2006）。尽管基于标签的牛识别方法具有广泛的可接受性、良好定义的研究文献和长期利用，但它们具有一些常见的问题，包括脆弱性、监测、疾病控制、欺诈和牛福利问题（Bowling等人， 2008; Huhtala等人， 2007年）的报告。3.2. DNA方法已经开发了基于DNA的牛识别方法来识别个体牛以了解危重疾病，生产管理和健康监测。然而，这些方法在时间和成本方面都是昂贵的基于DNA的鉴定方法用于特定应用，例如确定遗传改良计划的遗传连锁。使用DNA进行常规识别并不具有成本效益，因为获得独特的DNA识别剂来识别个体动物是一个非常耗时的过程（Kumar和Singh，2020）。Gallinat等人（2013）引入了牛酪蛋白基因变体的基于DNA的鉴定模型。这项研究使用了总共319只动物的四种酪蛋白基因。3.3. 视觉特征方法由于牛识别系统遵循模式识别，因此其重新提取动物牛识别的独特特征包括口纹、面部、身体被毛图案和虹膜图案。基于生物特征的方法可以为使用传统方法（例如，SIFT、模式匹配和欧几里得距离）、ML方法（例如，SVM、KNN和ANN）和DL方法（例如，CNN，ResNet和Inception）（Noviyanto和Arymurthy，2013; Kumar等人，2016 b;Barry等人， 2007; Arslan等人，2014; Jaddoa等人，2019; Andrew等人，2016年，2017年）。在文献中，枪口印图像已被广泛用于猫的识别（Kusakunniran和Chaiviroonjaroen，2018年; Awad和Hassaballah，2019年; Kumar等人，2017a; Barry等人，2007年）的报告。与人类的指纹一样，牛的口吻印和鼻印也显示出明显的凹槽和串珠状图案。自1921年以来，它一直被认为是一种独特的生物特征（彼得森，1922年）。牛口纹图像可以使用数码相机捕获，然后使用特征提取方法（例如，SIFT和SURF）用于提取识别虹膜和视网膜生物特征已被用于猫的个体识别。牛的视网膜图案在1990年至1999年期间法医Hossain，文学硕士卡比尔湖Zheng等人农业人工143时间，并且虹膜包含一些区别性的生物特征（Allen等人， 2008; Lu等人， 2014年）。然而，这些方法由于捕获家畜视网膜和虹膜图像的困难而具有有限的应用身体被毛模式和面部是识别个体牛的独特特征（Kumar和Singh，2020）。随着最近ML和DL方法的出现，面部和身体被毛图案已广泛用于牛识别（Arslan等人， 2014; Andrew等人， 2016年; Yang等人，2019年）。对于ML模型，从面部或身体图像中提取特征，然后将其馈送到模型中进行识别。DL模型具有用于牛识别的强大特征提取能力，而无需预先指定任何特征（Kumar等人，2018 a; Andrew等人， 2017年）。近年来，自动牛识别在使用ML和DL方法的研究人员中越来越受 传统方法无法处理大型数据集，并且相对于ML和DL方法，这些方法的准确性较差（Kumar和Singh，2020）。 在本研究中，考虑讨论基于SLR、ML和DL的牛识别方法，因为其他方法不在本研究范围内。4. 审议报告在应用选择标准后，共选择了55篇论文用于本SLR这些论文的年度分布情况见图10。 3. 牛识别的文件分为两组：(1) 基于ML的论文和（2）基于DL的论文。图中显示在2018年之前，基于ML的已发表论文数量高于基于DL的论文这一结果表明，在DL方法开始流行之前，ML技术的应用在畜牧场管理中占主导地位根据我们的调查报告，自2018年以来，每年发表的基于ML的牛识别论文数量一直大于基于DL的论文数量此外，该图还表明，近年来研究人员已经重视DL模型用于牛这主要是因为DL模型在大型数据集上的准确性更高（Mahmud等人，2021年）所选论文的期刊和会议分布见图。四、该图表明，IEEE会议，ACM会议论文集和农业中的计算机和电子学杂志是发表自动牛识别论文数量最多的三个顶级网点其他三个网点，生物系统工程，智能系统和计算的进展，和施普林格会议，在这一领域发表了两篇以上的论文图5显示了根据牛识别中使用的数据集类型和方法对选定论文进行国家总体总结的Sankey图。本SLR报告称，中国发表的牛识别论文数量最多（14篇），其次是埃及（7篇）、印度（6篇）和日本（5篇）。大多数综述论文使用基于图像的数据集（40次）进行牛识别。大多数基于视频的数据集用于基于DL的论文。由于这项研究只考虑基于ML和DL的论文进行综述，我们发现17篇论文使用ML模型和38篇论文使用DL模型进行牛识别。论文根据研究目标分为三组：(i) 仅识别（34），（ii）仅检测（10），和（iii）检测和识别两者（11）。牛识别是使用ML和DL方法识别个体牛的过程图5.值得注意的是，所有基于ML的论文都仅用于识别目的，因为经典的ML算法仅用于分类问题。 牛检测系统允许我们检测牛，以进行个体识别、监测和计数。它只能通过DL方法来实现。在以下小节中，我们讨论了第2.2中确定的研究问题。4.1. 用于牛识别的经典的ML方法在牲畜养殖中的牛识别中表现良好。表2给出了基于ML的论文的摘要 总结包括最佳模型，数据集，使用的特征，特征提取方法，和自动牛识别的性能。 在这个SLR中，许多基于ML的论文使用了不止一种ML方法。在这些情况下，表2中报告了最佳模型的性能。根据我们的回顾，大多数基于ML的论文都使用了图像数据集。这些图像用于形成牛识别的训练和测试数据集。大约70%的论文使用牛的口吻印作为特征，因为它具有独特的图案。为了解决研究问题1（RQ 1），对ML模型进行了分析，并在表3中列出。如表所示，最常用的三个ML模型是SVM、KNN和ANN。它们也是在最多综述的研究中发现的最佳模型，如表2所示。 图6提供了根据审查论文首次用于牛识别的ML模型的时间轴。该图表明，自2014年以来，SVM和KNN已用于牛识别。2017年，人工神经网络和决策树（DT）等ML模型开始用于牛识别，而随机森林（RF）和逻辑回归（LR）则于2018年开始使用最常用的经典ML算法在下面简要解释图3. 按年份分列的选定论文的分布情况。法医Hossain，文学硕士卡比尔湖Zheng等人农业人工144图四、与牛识别相关的选定论文的期刊和会议分布（2014-2021年出版）。支持向量机（Joachims，1998）是一种广泛使用的牛识别算法它是一种使用超平面对不同的组进行分类的技术，这些组通过在高维特征空间中最大化它们的边缘距离来分离类别（Joachims，1998）。边缘距离是超平面与两个类的最近数据点之间的间隙。数据集遵循每个数据点只属于两个类之一KNN（Cover and Hart，1967）是一种简单而古老的机器学习分类算法。在KNN分类中，最近邻是特征空间与新数据样本之间具有最小距离的数据样本“K”是被为大多数“K”个最近邻提供的类别标签不同的分类结果可以为相同的样本示例生成不同的“K”值。ANN（McCulloch和Pitts，1943; Rumelhart等人，1986年）是机器学习算法的基础上开发的功能，人类大脑的神经部分人类大脑的神经元通过多个轴突连接点连接因此，它们形成了一个类似图形的架构。神经元之间的联系有助于接收、处理和存储信息。类似地，ANN算法可以被呈现为互连节点的网络 根据互连性，一个节点的输出成为另一个节点的输入。一组节点形成一个矩阵，称为层。人工神经网络可以由输入层、输出层和隐藏层表示。节点及其连接具有用于调整信号强度的权重，该信号强度可以通过重复训练来增加或减少人工神经网络可以根据节点及其连接的训练和随后的权重调整对测试数据进行分类。4.2. 用于牛识别和检测近年来，深度学习（DL）已成功应用于畜牧场管理。各种DL方法已经被图五、 按模型、数据集类型和任务对选定论文进行国别总结。法医Hossain，文学硕士卡比尔湖Zheng等人农业人工145表2牛识别研究论文中使用的ML模型的性能参考最佳模型数据集使用的功能特征提取方法最佳业绩（%）品种大小拆分（培训、确认、测试）（Kusakunniran和Chaiviroonjaroen，2018）SVMNC217张图片186，枪口LBP100（A）（Andrew等人，（2016年）SVMH377张图片83，身体ASIFT97（A）（Schilling等人， 2018年）SVMNC302张图片150，乳腺|LBP60（A）（Li等人，（2017年）QDAH小行星19651667，298，尾根Zernike矩99.7（A）（Awad和Hassaballah，2019）SVMNC105张图片七十五，十五，十五枪口冲浪93（A）（Zhao等人，2019年度）FlannH528视频198，身体快速96.72（A）（Kumar等人，（2018年b）GSRCM5000个图像3000，枪口LBP93.87（A）（Lv等人， 2018年）猜解H1500张图片九百，身体SIFT98.33（A）（Kumar and Singh，2017）安M5000个图像3000，枪口LBP96.74（A）（Kumar等人，2017年a）KNNM5000个图像3000，枪口冲浪93.87（A）（Kumar等人，（2017年b）SVMM5000个图像3000，枪口FLPP96.87（A）（Gaber等人，（2016年）AdaBoostNC217张图片186，枪口WLD98.9（A）（Zdalek等人，（2016年）SVMNC322张图片–, –,枪口SVD75（女）（Ahmed等人，（2015年）SVMNC217张图片186，枪口冲浪100（A）（Tharwat等人，2014年a）SVMNC217张图片186，枪口伽柏滤波器99.5（A）（Tharwat等人，（2014年b）SVMNC217张图片186，枪口LBP99.5（A）（El-Henawy等人，（2017年）安NC1060张图片六三六、二一二、二一二枪口计盒99.18（A）NC=Nn-clasif ied，H=Holstein，M=Multi p le（On gole，P un ga n u r，Ho lstein，C ro sandB al in es e）.A=准确度，F=F1评分。QD A=Q ua dr aticdi s crimi nananalys，FLA NN=Fastl ib ra r a r ap r aproxm aten ei gh bors。GSRC=Groupsparsityr edualc on str atr，FL PP =F uzzyl inearprer er p r v i ngj ec ti on s，WLD=We bers n t i v e d e s c r i p t o r。表3传统的机器学习模型用于牛识别。ML模型纸张参考计数SVM（Kusakunniran和Chaiviroonjaroen，2018;Andrew13例如，2016; Schilling等人，2018年; Li等人，2017;Awad和Hassaballah，2019; Kumar等人，2017 b;Zdalek等人，2016）; Ahmed等人，2015; Tharwat等人，2014 a，2014 b; Hu等人，2020; Kumar等人，2018年a; Achour例如，2020年）KNN（Schilling等人，2018; Kumar和Singh，2017; Kumar6例如，2017 a; Gaber等人，2016; Tharwat等人，2014b;Andrew等人， 2021年）ANN（Li等人，2017年; Zhao等人，2019年; Kumar和Singh，42017; El-Henawy等人，（2017年）DT（Schilling等人，2018; Kumar和Singh，2017）2LDA（Li等人，2017年; Zdalek等人， 2016年）2BruteForce（Zhao等人，2019; Lv等人， 2018年）2朴素贝叶斯（Kumar和Singh，2017; Tharwat等人，2014年b）2SRC（Kumar等人，（2018年b）1RF（Schilling等人， 2018年）1LR（Schilling等人， 2018年）1QDA（Li等人， 2017年）1AdaBoost（Gaber等人， 2016年）1与DL有关这些论文分为三组：识别和检测，识别，只有检测。根据研究目标，在分析从被审查的论文中提取的信息后生成组从识别和检测类别的论文的目标是首先使用DL检测模型检测牛，然后使用DL分类模型对个体牛进行分类。唯一的识别相关论文提出了使用DL方法的自动个体牛识别系统。唯一的检测类论文开发了使用DL检测算法的牛检测表4包括数据集属性、使用的特征、特征提取方法、用于检测和识别的DL模型以及模型的性能。据观察，许多基于DL的论文使用牛图像作为分为训练集和测试集的数据集基于我们的调查数据，牛的头部图像、口纹图像和全身图像（顶视图和侧视图）被广泛用于检测和识别系统。由于DL方法具有强大的特征提取和图像表示能力，因此大多数基于DL的研究都使用牛体被毛图案作为为了解决第二个研究问题（RQ2），我们探索并Trucket分解（Zdalek等人， 2016年）1总结了DL检测和识别模型。 表5显示了基于DL的论文中用于牛识别的DL模型列表。的DT=决策树，LDA=线性判别分析，SRC=稀疏残差约束。RF=随机森林，LR=逻辑回归。在该领域中提出了不同的应用，包括动物识别、检测、跟踪和健康监测。在过去的几年中，DL方法已被广泛用于与牛识别和检测相关的研究表4是这些文件的摘要前三个识别模型是卷积神经网络（CNN）、残差网络（ResNet）和Inception模型。牛检测模型见表6。You Only Look Once（YOLO）和Faster R-CNN是综述论文中使用的两种最常用的检测模型图7，我们创建了一个矩阵图，显示了用于牛识别的检测和识别模型的组合。 结果表明，YOLO检测模型与CNN识别模型使用最多。 还观察到ResNet和VGG被用作法医Hossain，文学硕士卡比尔湖Zheng等人农业人工146图第六章 在所选论文中首次使用的ML模型的时间轴法医Hossain，文学硕士卡比尔湖Zheng等人农业人工147表4DL模型用于牛识别的性能任务参考数据集品种使用的功能特征提取最佳检测模型最佳识别模型大小拆分（培训、确认、测试）2521，–, –,14，–, –,10，105，1649，593，一九三一年至一八九五年，四七三年，二三六八年1015，418，一千一百，五百五十，14,585，9064，288，–, –,12，952，4289，5612400，620，4000，439，25，085，2304，576，3000，四百，82，010，–, –,一万九千四百四十，–, –,65，500，926，12，328，2825，业绩（%）–96（A）92.4（A）99.3（mAP）66（P）––98.4（毫微微点）–87.4（A）99.6（A）–––––––––––––––––94（A）95（P）87（A）95.37（A）95.7（专业）89.1（专业）95.5（A）业绩（%）84（A）93.6（A）98.13（A）73（女）98.36（A）97.06（A）93.75（A）96.65（A）80（A）94.7（A）91（A）–89.1（A）98.5（A）98.92（A）91（A）99.86（A）93.81（A）98.99（A）89.95（A）94.92（A）98（A）93（A）––––––––––检测和识别（Chen等人，2021）（Zin等人，2020）（Andrew等人，2019）（Andrew等人，2017）（Tassinari等人，2021）（Hu等人，2020）（Achour等人，2020）（Andrew等人，2021）（Shen等人，2020）（Guan等人，2020）（Yao等人，2019）（Phyo etal.，2018年）（乔等人，2020）（Manoj等人，2021年）（Bergamini等人，2018）（Yukun et al.，2019）（Santoni等人，2015）（Kumar等人，2018 a）（Qiao等人，2019年度）（de Lima Weber等人，2020年）（Wang等人，2020 b）（Bello等人，2020 b）（Bello等人，2020 a）（Yang等人，2019年度）（Zin等人，2018）（Li等人，2018）（Bhole等人，2019年度）（Wang等人，2020 a）（Xu等人， 2020年）（Wang等人，2020 c）一个NCHHHHHHHNCNCNCNCNCNCNCNCHMNCNCPHNCNCHHHNCHSNCN5042图片6000张图片32个视频940图片1064视频11，754帧958张图片4875图片4736图片1433图片1650张图片18，231张图片13，603帧363个视频150张图片17，802张图片3430张图片775张图片5000个图像516视频27，849张图片2880活动4000张图片1000个图像85，200张图片22个视频21，600张图片1237图片187张图片750张图片1323图片15，410张图片3139图片656张图片43图像13，520张图