近日，锡林郭勒盟畜牧工作站与西北农林科技大学宋怀波教授团队共同在Artificial Intelligence in Agriculture（《农业人工智能 英文》，简称AIIA，分区Q1）发表研究论文《基于YOLOv5深度学习算法开发的马匹烙印自动旋转定位识别技术》 Automatic location and recognition of horse freezing brand using rotational YOLOv5 deep learning network。该研究以锡林郭勒盟马匹广泛使用的液氮标记为样本，采用YOLOv5 进行数字记录识别，针对马匹烙印的识别，开发了一种基于深度学习的两步识别法。

　　团队首选使用旋转目标检测算法R-YOLOv5从原始图像中自动剪辑烙印图像，然后采用排除其他字符任务的YOLOv5数字识别方法进行识别。结果表明，R-YOLOv5的性能优于其他旋转目标检测算法，AP（平均准确率）为95.6 %，FLOPs为17.4 G，检测速度为14.3 fps。在数字识别结果上，mAP（全类平均正确率）为95.77 %，大小为13.71 MB，检测速度为68.6 fps。该算法可以准确识别复杂背景下的牲畜烙号。为家畜个体识别提供了一种稳定、轻量化的方法。

　　准确的个体识别是实现智能畜牧业的必要条件，也是实现大型畜禽行为智能识别、性能评价、健康监测的基础。实际生产中家畜普遍使用编号代表个体进行管理登记。目前数字识别的研究成果越来越成熟，但现有的图像处理方法容易受到环境条件的影响，直接用于牲畜烙印识别的稳定性不理想，同时基于生物识别特征（面部、虹膜、身体斑点等）的深度学习方法极易受到外部干扰的影响，算法复杂度高。当样本量变大时，网络的大小将呈指数级增长，新增加个体后，整个网络就需要进行再培训，开发成本相对提高。

　　采用烙印编号用于个体自动识别，与基于生物特征的方法相比，识别标记可以有效减少网络规模，并具有更高的鲁棒性，可部署的硬件更多，响应速度更快。