商业育肥猪舍俯视视角,栏舍上方装有广角摄像头
猪不戴耳标也能认出来:88%的跨天识别率是怎么做到的
发布时间 : 2026-11-20

商业育肥猪不打耳标。这是个体化监测遇到的第一道墙:摄像头能数清一栏有多少头猪,却说不清哪一头吃得少、走得慢、长得慢。今年发表在《Smart Agricultural Technology》第15卷的一项研究,试着把这堵墙拆掉——在不给猪做任何物理标记的前提下,让它自己认出每一头。

研究由Gytis Bernotas等人完成。试验对象是12头无标记、外观高度相似的商品猪,连续评估18天,平均每日识别准确率88.0%;传统逐日跟踪的基线只有54.6%。

先解决“真值从哪来”

要让机器学认猪,得先知道答案。研究组的办法很巧:给猪戴上只在紫外光下才显现图案的RFID耳标,普通彩色相机拍不到这些图案,所以画面里的猪看起来确实没有任何标记,而真实身份可以核验。

数据底座是一个扩展的纵向猪只跟踪数据集,共162头外观相似的群养商品猪。其中150头用于训练,两个未见的组共12头做开放集评估,每天记录、连续18天,距最后一次训练采集已过190天。由于猪一天里大部分时间趴卧,俯视视角下身体形状严重变形,团队先用YOLOv8x做姿态过滤,只保留站立的猪(该分类器准确率98.4%、F1 0.982),每头猪每天最多留250张站立图;扩充后两组图像分别达115,422张与106,382张。

让模型忘掉“今天的脏”

识别网络以ResNet50为骨干,用深度度量学习产出128维身份嵌入。损失函数用ArcFace角度间隔损失,理由是外观几乎一样的猪需要尽可能大的角度分离;再叠加一个权重很轻的triplet损失,并刻意让锚点与正样本取自不同拍摄日期,逼网络学跨天稳定的特征,而不是当天特有的线索。

最能说明问题的是脏污实验。团队用OpenSimplex噪声加分数布朗运动合成随机污渍,训练时随机“弄脏”猪的体表;把这步去掉之后,实例分割格式的准确率从88.0%跌到56.5%,有向框从82.8%跌到46.1%。也就是说,网络会把临时沾上的泥当成身份特征——猪一蹭干净,身份就丢了。

五个锚点稳住一个身份

跨天识别的难点是嵌入漂移。解法是动态多锚投票:每天先聚类当天的嵌入,再把质心与过去5个高置信日的锚点做匈牙利匹配、按余弦距离度量,至少两个历史锚点结论一致才确认身份;出现系统性不确定时,回退到最近一个可信锚点重匹配。

消融结果说明了锚点数量的作用:1天锚点54.6%,3天69.4%,5天稳定在88.0%、跨日标准差仅6.9个百分点,7天与10天没有明显增益。输入格式影响也大:实例分割掩膜88.0%最稳,有向框82.8%但算力更低、是落地折中,轴对齐框因框进背景和邻猪掉到51.4%。

此外,无监督注册环节用k-means对嵌入聚类,较低保留率下即可超过95%准确率;加入每日伪标签微调的持续学习后,准确率提到90.5%,但作者认为这2.5个百分点伴随“强化自信错误”的风险,零样本配置反而更稳。可视化显示,模型跨天对同一头猪关注的部位集中在肩部、后躯和头部。

离上栏舍还差几步

作者的自我限定很坦白:数据来自单一研究设施,仅两个评估组18天,参数还在同一批组上调;跨场、跨品种、跨相机的稳健性未验证;成像是日光条件,而商业猪舍常用红外照明;注册时的聚类数是人工给定的。现有公开的猪只重识别数据集都依赖标记动物,也没有可直接对比的基准。

工程上的顺序也清楚:分割掩膜精度高但算力重,有向框更适合边缘设备;短期先做“当天群体追踪加事件驱动”(某栏活动量、采食位停留异常),跨周身份连续再逐步推进。前置条件是俯视相机的位置与舍内光照,这两项不定,算法再好也白搭。对国内猪场而言,这项研究真正的提示是:个体化管理的瓶颈不在算法,而在“身份”这层地基,地基打上,生长曲线、健康预警、精准饲喂才有地方挂。

来源:Smart Agricultural Technology 第15卷 102661《Long-term tracking of individual pigs through re-identification》(Bernotas G. 等,2026)|原文链接:https://doi.org/10.1016/j.atech.2026.102661