📰 基于深度学习雏鸡面部识别的身份鉴别与性别分类 - 生物通
本研究针对湘黄鸡雏鸡，首次构建了带个体身份与性别标注的面部数据集，并在正面与侧面视角下，比较了ResNet-50、ResNet-101、EfficientNet-B0、EfficientNet-B0+CBAM以及MobileNet-V2等五种模型的识别性能。通过对6024张面部图像（正面4073张、侧面1951张）进行标注与裁剪，采用YOLOv8检测人脸，图像分割后送入分类器训练。结果显示，雏鸡身份识别的Top-1准确率均超过98%，但性别分类最高仅达到71.01%，且多数模型存在明显过拟合。Grad-CAM可视化显示，在身份识别时模型关注鼻区与眼周等多个面部区域。研究揭示雏鸡面部性别线索的生物瓶颈，表明单纯基于面部特征难以实现准确性别判定，需要结合其他生物特征或模态进行综合判断。该工作为家禽数字化管理提供了基准数据集与多视角基准，证明轻量化模型（如MobileNet-V2、EfficientNet-B0）具备实时部署潜力，有助于早期细粒度个体管理与精准育种，同时也明确了面部识别的上限与未来改进方向。
🏷️ #雏鸡面部 #个体识别 #性别识别 #Grad-CAM #数字化管理
🔗 原文链接
📰 基于深度学习雏鸡面部识别的身份鉴别与性别分类 - 生物通
本研究针对湘黄鸡雏鸡，首次构建了带个体身份与性别标注的面部数据集，并在正面与侧面视角下，比较了ResNet-50、ResNet-101、EfficientNet-B0、EfficientNet-B0+CBAM以及MobileNet-V2等五种模型的识别性能。通过对6024张面部图像（正面4073张、侧面1951张）进行标注与裁剪，采用YOLOv8检测人脸，图像分割后送入分类器训练。结果显示，雏鸡身份识别的Top-1准确率均超过98%，但性别分类最高仅达到71.01%，且多数模型存在明显过拟合。Grad-CAM可视化显示，在身份识别时模型关注鼻区与眼周等多个面部区域。研究揭示雏鸡面部性别线索的生物瓶颈，表明单纯基于面部特征难以实现准确性别判定，需要结合其他生物特征或模态进行综合判断。该工作为家禽数字化管理提供了基准数据集与多视角基准，证明轻量化模型（如MobileNet-V2、EfficientNet-B0）具备实时部署潜力，有助于早期细粒度个体管理与精准育种，同时也明确了面部识别的上限与未来改进方向。
🏷️ #雏鸡面部 #个体识别 #性别识别 #Grad-CAM #数字化管理
🔗 原文链接
