文|雷宇

来源|智能相对论

上图是小猪佩奇，我知道大家都知道。

这是猪猪侠，可能有一部分人也知道。

那这一窝小猪呢，分散后大家还能区别出谁是谁吗？

由于猪是多胎生动物，因此长相十分相似。而上图还是干净的小猪，眼尖的勉强尚还能区分出他们。在实际生活场景中，猪受生活环境、彼此打斗等影响，会把脸弄脏，极难识别。要实现个体化管理，首先得把它们辨认出来。

因此今年3月，中山大学教授陈瑶生发布了“猪脸识别”技术，旨在攻破这一生物活体识别技术。之前智能相对论曾定义“兽工智能”，即和动物相关而衍生的人工智能。而“猪脸识别”这一技术的发展，无疑是“兽工智能”相关领域的大突破，会给畜牧业带来巨大的利好。

愿景很美好，成长的烦恼也不少

“猪脸识别”这一技术乍听上去很喜感，事实上早就不是新鲜事了，去年京东金融全球数据探索者大赛中就有这么一道题。陈教授表示，有了猪脸识别技术，操作者只需要举起手机，对着某头猪扫一扫，就能得到猪的编号、猪的父母、品系等信息，甚至可以通过对猪体态和动作的识别来判断猪的健康情况。

但和所有的技术一样，“猪脸识别”这一“兽工智能”技术的发展过程中，也有一些成长的烦恼。

1. 缺少不同品种的猪在生长中体型面部变化的数据

猪的生长周期在110天到120天左右，与牛270天左右的生长周期相比，猪生长过程中的外貌变化可以用翻天覆地来形容，这就是“猪脸识别”比“牛脸”、“羊脸”识别难度更高的原因。

下图是猪小花“毁容”式的一生。出生就是巅峰，从此一直走下坡路，面部及体型的变化相当之大。如果我们要追踪猪小花的猪生，需要在每个阶段都进行面部信息采集，工作量可想而知。

更可怕的是这是一个翻开显示“答案：略”的问题。即没有现成的数据比对，我们几乎不能确定猪生长到哪一阶段面部特征或形体会有显著的变化。如此一来何时进行数据采集就变得更加没有依据。

而即便猪又听话脸还干净也常常正脸面对摄像头（这几乎是不可能的），智能自动采集后庞大的数据如何存储，如何分析和调用，依然是需要探究的问题。

2. 面临更加成熟技术的竞争

猪脸识别需要依靠数据采集，数据的学习以及最后的检索等程序来确定猪的身份，每一个环节都可能会因为技术及概率的缺陷造成误差。而经过长时间发展的智能耳标则更成熟，而且在确定猪的身份上更加精确。

耳标相当于猪的身份证，具有唯一性，既可以满足动物日常信息管理，也可以实现动物产品的全程追溯。

虽然陈瑶生教授表示，戴耳标、植入芯片等方法识别猪只，会给动物带来了不必要的身体伤害，但是让猪再快乐地生活，最后都免不了痛苦的去死。而随着智能耳标也在向着人工智能的方向发展，显然这两门技术的决斗还尚未开始。

除了“猪脸识别“，还有 “羊脸”、“牛脸”、“狗脸”、“马脸”……

上面提到“牛脸”、“羊脸”识别相对于“猪脸识别”更简单，而其发展无疑会给“猪脸识别”新的启示。剑桥大学的教授就开发了一种表情识别系统，通过面部识别来判断绵羊的疼痛程度，如果将这项技术应用到牧场，用摄像头来监控羊群，就可以及时发现绵羊的生病情况。

狗作为人类最忠实的好朋友，“兽工智能”在其身上取得的成果并不少，智能相对论曾对此分析过。而今年4月1日百度推出的“狗脸识别”，不仅可以便于宠物的找回，而且能够扫描狗脸喂食、自由进出门禁、还能收取快递与购买商品并支付等功能。虽然初衷是好的，但后面的几点画风似乎很清奇，毕竟自由进出门禁可能会发生，坏人拎着我的狗偷走了我的钱怎么办？

而在未来，除了前面提到的，生物活体识别技术通过深度学习对动物面部特征、整体体态和行为特征进行识别，判断其品种和其健康情况比如哪些动物生病了，生了什么病，那些动物没有吃饱，甚至哪些动物到了发情期需要配种等等。

更重要的是，可以为食品安全、养殖户信贷服务甚至更多的金融服务等商业应用提供决策依据。

然而说到这里，开头提出了的猪脸难以识别的问题似乎还没有解决。而在陈瑶生教授的猪脸识别技术的实验场中，母猪识别率为98%（估计是母猪体型大不好移动），肉猪识别率则为85%。这个识别率并不算高，特对是对大规模的养殖场而言。

所以，俺老猪面部识别率还可以再提高吗？

当前使用的人工智能技术来实现视觉识别的原理基本上是一致的，即利用计算机神经网络的深度学习，学到每一头猪的特征，然后利用深度学习的模型 ，针对测试数据集，得到每一头猪的概率，最后来判别哪头猪是哪头猪。

最常采用的做法是把人脸的模型直接fine tune(微调)到动物脸，但是fine tune在深度学习里面更像是一个处理手段。

而Transfer learning(迁移学习)可以看成是一套完整的体系，是一种处理流程。目的是不抛弃从之前数据里得到的有用信息，同时应对新进来的大量数据的缺少标签或者由于数据更新而导致的标签变异情况。

京东举办的“猪脸识别”冠军团队就是采用的这种办法，该团队表示刚拿到数据集时，很难分辨哪头猪是哪头。而当他们使用模型再运行数据，发现猪脸识别的最后运行效果达到比模型跑人脸的效果还好。

但是值得一提的是，由于AI工作与其他科学研究相比，学术研究数据，尤其是大量级、多维度、优质、真实的数据依赖程度高。据官方报道，该数据素材只拍摄了两天，因此京东这次拍摄的数据并不具备时间上的动态变化，具有一定的局限性。

而这里采用迁移学习识别马，则使用了一种全新的思路。由于人脸的特征和动物脸部的特征本身的差异很大，但是当动物的脸部做了变形之后，就会和人脸比较相似了，所以，我们需要先找到一个人脸和马脸相似性较大的一个映射空间，然后使得人脸的训练数据可以被有效的利用起来训练马脸。

具体办法是，先找到人脸和马脸角度或者表情相似的图片，然后以相似的部位作为关键点，接着训练获得一个映射区间，得到了这一映射区间之后，把原来的马脸图片做变换，最后再采用人脸模型去fine tune动物脸检测的模型。

显然，“猪脸识别”也可以借鉴这种办法，相信在不久的未来，“猪脸识别”技术可以更加准确。

由于大多数人都脸盲，佩奇就是我们见过最单纯的猪了。而其他的，更精细的识别与诊断，只能通过“兽工智能”来实现了。

【完】