随着牲畜牛养殖产业逐渐走向规模化与智能化,对牲畜牛进行高效、稳定的溯源,是保证肉制品安全、控制疾病扩散的关键。身份认证,是解决牲畜牛溯源问题最有效的方法。通常流程是检测牛脸并提取特征,按照特征构建数据库。作为身份认证的主要步骤之一,牛脸检测的效果直接影响身份认证的准确率。同时,为确保牛脸各个角度的特征得到采集,需要获得被检测牛脸的姿态角度,按照姿态角度进行特征采集。针对牛脸检测,本文对SSD(Single Shot MultiBox Detector)模型的基础网络、default box高宽比设置等进行改进,以提高模型的检测性能。针对姿态角度估计,在改进SSD模型的基础上给出级联模型以及DAE(Detection and Angle Estimation)模型。论文主要研究内容如下:1.构建牛脸数据集。数据集中包含约3800张牛脸图片,涵盖单牛与多牛场景。标注文件中包含图片大小、边界框位置、姿态角度等参数,针对不同任务使用不同参数。同时,为保证模型的训练效果,对数据进行随机裁剪、色彩扭曲等操作,进一步提升数据的多样性。2.针对牛脸检测,对SSD模型的基础网络和default box高宽比设置进行改进。使用MobileNet v2作为SSD模型的基础网络,并在额外的特征提取层中使用深度可分离卷积;使用K-Means++算法对样本进行高宽比聚类,聚类结果用于设置SSD模型的default box高宽比。3.针对姿态角度估计,给出一种基于改进SSD模型和MobileNet v2的级联模型。使用改进SSD模型检测牛脸,将检测结果送入MobileNet v2进行姿态角度估计。级联模型能支持多牛场景下的目标检测和姿态角度估计并保证较高的检测精度与较低的角度误差。4.针对级联模型的速度问题,以改进SSD模型为基础,给出了DAE模型。在改进SSD模型中添加用于传递姿态角度的分支,对模型的训练步骤、损失函数等进行相应改进,使姿态角度可以正常传递并参与模型训练。与级联模型不同,DAE模型在单牛与多牛场景中均能保证较高的精度与速度。实验表明,针对牛脸检测,改进SSD模型在模型精度、速度上均优于其他目标检测模型。针对姿态角度估计,DAE模型拥有和改进SSD模型接近的检测精度以及较低的角度估计误差,并且在不同场景下均能保持较高的速度。实验结果验证了本文改进的可靠性与有效性。