摘要：韩宇, 齐康康, 郑纪业, 李金瑷, 姜富贵, 张相伦, 游伟, 张霞. 基于改进YOLOv11的轻量化肉牛面部识别方法[J]. 智慧农业(中英文), 2025, 7(3): 173-184.
引用格式：
韩宇, 齐康康, 郑纪业, 李金瑷, 姜富贵, 张相伦, 游伟, 张霞. 基于改进YOLOv11的轻量化肉牛面部识别方法[J]. 智慧农业(中英文), 2025, 7(3): 173-184.
HAN Yu, QI Kangkang, ZHENG Jiye, LI Jinai, JIANG Fugui, ZHANG Xianglun, YOU Wei, ZHANG Xia. Lightweight Cattle Facial Recognition Method Based on Improved YOLOv11[J]. Smart Agriculture, 2025, 7(3): 173-184.
官网全文免费阅读
基于改进YOLOv11的轻量化肉牛面部识别方法
韩宇 1, 2, 齐康康 1, 郑纪业 1, 2*, 李金瑷 1,2, 姜富贵 3, 张相伦 3, 游伟 3, 张霞 2
（1. 山东省农业科学院农业信息与经济研究所，山东 济南 250100，中国；2. 聊城大学 物理科学与信息工程学院，山东 聊城 252000，中国；3. 山东省农业科学院畜牧兽医研究所，山东 济南 250100，中国）
摘要：
【目的/意义】牛只个体的精准识别是现代化畜牧业发展的关键需求，也是推进肉牛精细化管理与高效生产的基础。基于面部特征的精准识别技术对推动畜牧业智能化发展具有重要研究价值和应用前景。针对牛脸识别准确性与效率提升需求，本研究提出一种基于改进YOLOv11的轻量级牛脸识别模型YOLO-PCW。
【方法】 将部分卷积（PConv）设计融合C3K2，借助PConv对特征图的独特卷积特性，在保障识别精度稳定的同时大幅削减模型计算量，以适配实际快速处理场景，此外，引入CBAM注意力机制，引导模型聚焦牛脸关键部位如牛眼、口鼻等，精准捕捉细微特征，显著提升检测精度。采用WIoU损失函数取代CIoU，重新优化目标框定位误差衡量模式，合理分配不同类型误差权重，进一步精细模型训练过程，使牛脸检测框更为精准。
【结果和讨论】 经实验验证，YOLO-PCW模型的准确率P达到了96.4%，召回率R达到96.7%，平均精度均值达到98.7%，其参数量、计算量分别为2.3 M、5.6 GFLOPs。与YOLOv11相比，YOLO-PCW不仅在准确率、召回率、平均精度分别提升了3.6、5.0、4.4个百分点，同时还将浮点计算量和参数量大小分别降低至原模型的88.9%和88.5%。消融实验表明，CBAM模块使精确率从92.8%提升至95.2%，WIoU优化目标定位精度，精确率提升至93.8%，PConv模块将计算量从6.3 GFLOPs降至5.5 GFLOPs，大幅减少了模型的计算量。多组件协同配合，为牛脸识别模型性能的提升提供了有力支持。将改进后的YOLO-PCW与Faster-RCNN、SSD、YOLOv5、YOLOv7-tiny、YOLOv8算法在相同的条件下进行比对，YOLO -PCW模型优势最为突出，能够兼顾识别精度与运算效率，实现计算资源的高效利用。
【结论】 提出的YOLO-PCW模型不仅提升了检测精度，还降低了模型的部署难度，可在实际生产环境中精准实现牛脸识别，为动物福利养殖、牧场智能化管理等多种场景提供一种可行的个体精准识别方案。
关键词： 深度学习; YOLOv11; 肉牛个体识别; 牛脸识别
文章图片
图1 基于改进YOLOv11的肉牛面部识别技术流程图
Fig. 1 Technical flow chart of cattle face recognition using improved YOLOv11
图2 CMD监控采集视角
Fig. 2 Monitoring acquisition perspective of CMD
图3 CFD数据集展示
Fig. 3 The presentation of CFD dataset
图4 YOLO-PCW网络结构图
Fig. 4 Network structure diagram YOLO-PCW
图5 Partial convolution（PConv）结构图
Fig. 5 Structure diagram of partial convolution （PConv）
图6 CBAM原理结构图
Fig. 6 Principle structure diagram of CBAM
图7 CBAM热力图效果对比
Fig. 7 Comparison of CBAM heatmap effects
图8 损失函数对比
Fig. 8 Comparison of loss functions
图9 YOLO -PCW模型关键指标变化曲线
Fig. 9 Change curves of key indicators of YOLO -PCW model
图10 YOLOv11与YOLO-PCW部分牛脸识别结果
Fig. 10 Comparative results of YOLOv11 and YOLO-PCW for partial cattle face recognition
图11 YOLO-PCW模型在CMD数据集上的肉牛个体识别效果（实际监控场景）
Fig. 11 Cattle individual identification results of YOLO-PCW on CMD dataset （real-world surveillance conditions）
通信作者
郑纪业 副研究员
郑纪业，山东省农业科学院农业信息与经济研究所 副研究员，硕士生导师，山东省农业科学院农业智慧化生产创新团队副首席，山东省农业科学院青年拔尖培养计划人选，山东省农业农村经济首席分析师。主要从事农业物联网、农业智能系统、光谱无损检测、智慧果园、智慧养殖等研究与应用。主持或参加完成国家“863”计划、国家科技支撑计划、国家重点研发计划、山东省重点研发计划等项目10余项；在国内外重要学术期刊发表论文40多篇；获专利、计算机软件著作权等知识产权30余项；相关研究成果入选2024年山东省农业主推技术；获齐鲁农业科技奖一等奖、中国商业联合会科学技术奖一等奖等科技奖励多项。
转载请联系编辑部授权
本期支持单位
潍柴雷沃智慧农业科技股份有限公司
内蒙古农业大学
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。 入群方法： 加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
来源：智慧农业资讯一点号
