大规模养殖与繁育奶山羊的过程中,对个体进行实时监控,及时更新群体信息是亟待解决的问题,而实现大数据管理畜种,个体的识别技术是需要完成的基础工作。通过动物图像对动物个体特征的唯一性进行记录,并利用深度学习的方法进行识别,是新兴的个体识别方法。基于此,本文以奶山羊为研究对象,建立羊脸数据集,完成羊脸检测和羊脸识别模型的构建,主要涉及以下工作:1.文献综述了现有的牲畜的个体标识,总结了传统方法的缺陷。对机器学习和深度学习的发展历史进行了总结,接着选取几种常用的目标检测模型(R-CNN,YOLO,SSD,YOLOv3)和图像识别手段(VGG卷积神经网络,残差神经网络,svm分类器,softmax分类器)进行了详细分析。2.以西北农林科技大学西农萨能奶山羊场为研究基地,选取了来自三个不同圈舍的35只羊,采集了一共3121张图片,每只羊大约50-100张照片。将羊按照个体分类,裁剪背景并进行语义分割,得到羊全身图片数据集。再利用手动标注的方式框选羊脸,制作羊脸数据集。3.使用1002张羊脸标注图像,分为训练集(900)和测试集(102),训练模型进行图片和视频中的羊脸检测。和使用yolov3自带分类标准和数据集训练的模型进行比较,发现使用手动标注数据集的模型可以更精确地框选出羊脸位置,并且在多只羊存在的场景可以更准确地完成检测。经过训练,模型的精确度达到96.94%。4.使用3121张照片,以triplet loss为损失函数的模型,分别使用vggface神经网络和resnet神经网络,采用两种embeddings参数进行训练对比,证明在使用triplet loss做损失函数时,较高维度的embeddings(2096)结合vggface16网络会有更好效果。选取羊的正面照片,共获得17只羊的共814张照片,616张作为训练集,198张作为测试集。将训练集放入构建的网络结构中进行训练。经过多次迭代,模型的准确率高达91%。