针对牛只的精准识别和精细畜牧的需要，本文首次提出和评估了一种自上而下（背部视角）的深度学习系统，该系统可使用深度数据准确识别个体牛只，为进一步研究提供了代码、数据集和训练权重。研究采用了基于卷积神经网络和多层感知器的背骨架，并通过生成嵌入空间进行聚类以实现高精度识别，无需重新训练网络。通过对 ResNet 和 PointNet 两种不同的背骨架进行评估，结果表明使用深度图和点云分别作为输入的模型均能获得与基于皮毛花纹的背骨架相当的高准确性。

Mar, 2024

本文介绍了针对奶牛行走状态数据采集和分析的一种方法，基于神经网络和计算机视觉技术，能够对奶牛精准识别和判断是否患有跛行症。

Jun, 2022

该研究提出了一种基于视觉的方法，利用 2D 图像来估计食物重量，采用深度学习和计算机视觉技术，使用 Faster R-CNN 进行食物检测和 MobileNetV3 进行重量估计，该方法在提供准确食物重量估计方面表现出强大的能力，并可用于医疗保健、健身和智能食物存储等领域。

May, 2024

本研究提出了一个利用深度学习图像处理技术提取与蹒跚步态相关的多种运动特征的自动跛行检测系统。使用 T-LEAP 姿势估计模型，从牛行走的视频中提取 9 个关键点的动作，99.6% 的正确关键点。然后利用这些关键点的轨迹计算了六个运动特征：背部姿势测量、头部上下摆动、跟踪距离、步幅长度、站立持续时间和摆动持续时间。结果显示背部姿势测量、头部上下摆动和跟踪距离是最重要的三个特征。研究还表明，合理合并观察者的评分可以提高观察者间的可靠性和一致性。结果显示，包含多种运动特征可以将分类准确性从仅使用一个特征的 76.6% 提高至使用三个最重要特征的 79.9%，并进一步提高至使用所有六个运动特征的 80.1%。

Jan, 2024

评估使用 D-CNN 算法对猪体条件进行分类的研究，主要关注卫生监测中观察到的特征，包括尾部咬食、耳血肿、身体擦伤、发红和自然污渍（棕色或黑色）。研究结果表明，D-CNN 对与皮肤特征相关的猪体形态偏差具有有效分类能力，并通过分析 Precision、Recall、F-score、ANOVA 和 Scott-Knott 测试等性能指标进行评估。该研究的贡献在于提出了在猪类形态学分类中使用 D-CNN 网络的方法，并创建了一个新的图像数据库，可用于未来研究。

Mar, 2024

本文对基于视觉的牛辨识进行了系统的文献综述，旨在分析使用机器学习和深度学习进行牛识别的研究，并发现支持向量机、k 最近邻和人工神经网络是最常用的机器学习模型，而卷积神经网络、残差网络、Inception、YOLO 和 Faster R-CNN 则是深度学习模型，而牛的口印和毛皮花纹是区分牛的最显著特征。

Oct, 2022

研究使用深度卷积神经网络实现牲畜重新识别，将该任务与人类重新识别任务进行比较，并探讨其独特挑战，并通过与基于深度架构和标准机器学习算法的不同基线进行比较，并展示了丰富的剖析研究以进一步研究该任务的独特特性。

Feb, 2019

使用两个深度学习分类模型进行牛的识别，实现了最高 99.5％的准确率，并探讨了模型训练和识别时间与机器性能的相关性。

Nov, 2023

提出了一种基于计算机视觉的自动化鱼类数量评估系统，该系统能够通过低成本数字相机拍摄的图像进行鱼类分类和尺寸估计，训练模型在手动标注的 50000 张图像数据集上训练，实现了鱼类分割、物种分类和长度估计任务的高精度。

Mar, 2024

本研究基于深度学习提出一种基线方法 CowNet, 用于同时估计图片中的动物数量和像素级别的位置信息，旨在支持生态研究。此外，我们还提出了一种评估方法，用于考虑噪声标签的不确定性和生态监测任务利益相关者的信息需求。最终，我们利用该方法评估了视觉计数对象场景中的基准方法，发现该模型在 Point Reyes Seashore, CA 地区的三个测试场景中表现最佳，平均精度为 0.56 到 0.61，平均召回率为 0.78 到 0.92。

Jun, 2021