<?xml version="1.0" encoding="UTF-8"?><rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>雏鸡面部 | 行业新闻_数智（点击查看更多）</title><description>搜索引擎 + AI 驱动的行业新闻【覆盖行业】信保 ｜出口 ｜金融 制造 ｜农业 ｜建筑 ｜地产  零售 ｜物流 ｜数智【访问入口】hangyexinwen.com【新闻分享】点击发布时间即可分享【联系我们】xinbaoren.com（微信内打开提交表单）</description><link>https://shuzhi.hangyexinwen.com</link><item><title>⁣📰 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</title><link>https://shuzhi.hangyexinwen.com/posts/25281</link><guid isPermaLink="true">https://shuzhi.hangyexinwen.com/posts/25281</guid><pubDate>Mon, 07 Sep 2026 00:30:07 GMT</pubDate><content:encoded>⁣&lt;br /&gt;&lt;b&gt;&lt;i&gt;&lt;b&gt;📰&lt;/b&gt;&lt;/i&gt; 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&lt;/b&gt;&lt;br /&gt;&lt;br /&gt;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。&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🏷️&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;/search/%23%E9%9B%8F%E9%B8%A1%E9%9D%A2%E9%83%A8&quot;&gt;#雏鸡面部&lt;/a&gt; &lt;a href=&quot;/search/%23%E4%B8%AA%E4%BD%93%E8%AF%86%E5%88%AB&quot;&gt;#个体识别&lt;/a&gt; &lt;a href=&quot;/search/%23%E6%80%A7%E5%88%AB%E8%AF%86%E5%88%AB&quot;&gt;#性别识别&lt;/a&gt; &lt;a href=&quot;/search/%23Grad&quot;&gt;#Grad&lt;/a&gt;-CAM &lt;a href=&quot;/search/%23%E6%95%B0%E5%AD%97%E5%8C%96%E7%AE%A1%E7%90%86&quot;&gt;#数字化管理&lt;/a&gt;&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🔗&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;https://www.ebiotrade.com/newsf/2026-9/20260907000621955.htm&quot; target=&quot;_blank&quot;&gt;原文链接&lt;/a&gt;</content:encoded></item></channel></rss>