基于3D深度学习技术的生长育肥猪个体识别：不同生长阶段的性能评估与长期识别策略研究

《Smart Agricultural Technology》：3D Deep Learning Identifies Pigs Using Point Cloud Data during Different Growth Stages of Grow-Finish Pigs

本研究针对生长育肥猪个体识别难题，开发了基于PointNet架构的3D深度学习识别系统。研究人员通过RFID触发图像采集装置获取猪只顶部点云数据，在不同生长阶段（早期、中期、后期）对26头猪进行测试。结果表明，该系统在中期和后期育肥阶段可实现F1分数>0.85的准确识别，而长期识别通过少量数据再训练可维持F1分数>0.9。该研究为精准畜牧业提供了非侵入式个体识别解决方案。

　　

在现代化养猪业中，精准管理每头猪的生长状况对提高生产效益至关重要。然而，传统的个体识别方法如耳标、纹身和射频识别(RFID)标签在生长育肥猪中的应用面临诸多挑战。耳标虽然成本较低，但需要人工安装且可能影响屠宰后耳朵的价值；RFID标签虽然能实现自动化识别，但每个标签2-3美元的成本对于存栏量大的养殖场来说是一笔不小的开支。更重要的是，生长育肥猪的生产周期仅约六个月，相比种猪的两年以上周期要短得多，这进一步降低了养殖户采用个体识别技术的积极性。

面对这一行业痛点，研究人员开始探索基于计算机视觉的非侵入式识别方法。猪只与其他牲畜不同，大多数商业品种缺乏明显的毛色差异或外部特征，使得个体区分变得困难。虽然已有研究尝试通过面部识别进行猪只识别，但实际养殖环境中，猪只耳朵遮挡、低头行为以及摄像头保护等问题给这一方法带来了挑战。

在此背景下，内布拉斯加大学林肯分校的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，他们开发了一种基于3D深度学习技术的生长育肥猪个体识别系统。该系统通过顶部安装的深度相机采集猪只饮水时的点云数据，利用PointNet深度学习架构实现对大量猪只的准确识别，并系统评估了该方法在不同生长阶段的性能表现。

研究人员采用RFID触发图像采集系统，在猪只饮水时自动捕获其顶部点云数据。该系统包含一台微软Azure Kinect相机，安装在饮水器上方1.7米处。当猪只的RFID标签被检测到时，系统会采集一组顶部数字图像和深度图像，进而生成代表猪只身体表面的点云数据。通过距离阈值分割技术，研究人员从原始点云中提取出单个猪只的点云，并将每个点云下采样至1500个点以保证数据一致性。

研究团队选取了三个关键生长阶段进行评估：早期育肥阶段（入栏后0-13天）、中期育肥阶段（入栏后45-58天）和后期育肥阶段（入栏后78-91天）。在每个阶段，他们使用PointNet架构对猪只进行个体识别，并测试了模型在短期（最多10天）和长期（跨生长阶段）内的识别性能。

早期育肥阶段识别性能有限

研究发现，对于早期育肥阶段的小猪，识别效果相对较差。即使应用0.99的置信度阈值，最佳F1分数也仅为0.73，且长期识别性能不稳定。这可能是因为小猪身体特征差异较小，且它们活泼好动、经常成群饮水，导致数据质量不均衡。

中期育肥阶段识别显著改善

当猪只进入中期育肥阶段（约90日龄），识别性能显著提升。模型训练4天后，对接下来9天的测试数据仍能保持F1分数高于0.85的准确率。这表明随着猪只成长，其身体特征变得更加明显，易于区分。

后期育肥阶段识别性能最优

在后期育肥阶段，识别性能达到最佳水平。仅使用1天训练数据，模型就能在接下来9天内保持F1分数高于0.86的准确识别。这一优异表现可能源于成熟猪只体型差异更加明显，且饮水行为更加规律，导致数据质量更高。

跨生长阶段识别策略

研究还评估了模型在不同生长阶段间的长期识别能力。从早期到中期育肥阶段的识别效果较差（F1分数：0.20），而从中期到后期育肥阶段的识别效果明显改善（F1分数可达0.47）。更重要的是，研究发现如果在中期和后期育肥阶段之间加入少量（约200点云/猪）新数据进行再训练，模型能够实现F1分数高于0.9的优秀长期识别性能。

这项研究系统评估了3D深度学习技术在生长育肥猪个体识别中的应用潜力。研究结果表明，基于PointNet架构的识别系统在猪只进入中期育肥阶段后能够实现准确可靠的个体识别，而通过少量数据的定期再训练，可以有效维持长期识别性能。

该研究的创新之处在于它首次在大群猪只（最多26头）中验证了3D深度学习识别技术的可行性，并提供了针对不同生长阶段的性能基准。与需要固定位置拍摄或面部识别的传统方法相比，这种基于顶部点云的识别方法更适用于实际养殖环境，为精准畜牧业的发展提供了技术支撑。

然而，研究也指出了一些挑战，如早期育肥阶段识别性能有限、点云质量受环境因素影响等。未来研究可以探索结合多模态数据（如2D图像纹理信息）或改进点云处理算法，以进一步提高识别准确率和鲁棒性。

总体而言，这项研究为生长育肥猪的非侵入式个体识别提供了实用解决方案，通过合理的训练策略，可以在不增加额外硬件成本的情况下实现长期有效的个体追踪，为精准饲喂、健康监测和生长性能评估等精准畜牧业应用奠定了技术基础。随着深度学习技术和3D传感设备的不断发展，这种识别方法有望在商业化养猪场中得到广泛应用，推动畜牧业向更加智能化、精细化的方向发展。