基于多阶段耳标检测管道的猪只个体识别方法：一种光照鲁棒的计算机视觉解决方案

本研究针对猪只个体识别中传统生物特征方法受限、耳标识别受光照和编码复杂度影响等问题，开发了一种基于YOLOv10的四阶段检测管道（猪只检测→耳标定位→旋转校正→数字识别）。该方法在熟悉场景下达到0.996精确度，在陌生场景仍保持0.913精确度，并公开了三个专用数据集，为精准畜牧业中的连续动物监测提供了实用解决方案。

　　

在现代化畜牧业中，随着养殖规模扩大和动物福利要求提高，可靠的个体识别技术成为精准管理的关键。然而，猪等缺乏明显生物特征的动物给传统识别方法带来挑战——面部识别需要固定角度，RFID技术受距离限制，而基于耳标的计算机视觉方法又常因光照变化、运动模糊和旋转角度影响识别精度。这些痛点严重制约了自动化监测系统的实际应用。

针对这一技术瓶颈，德国基尔大学动物育种与饲养研究所Martin Wutke团队在《Scientific Reports》发表创新研究，提出了一种基于YOLOv10架构的四阶段检测管道。该研究通过级联式模型设计（pig detection→ear tag detection→pin detection→digit detection），结合旋转校正算法和公开数据集，实现了在多变环境下的高精度猪只识别。特别值得注意的是，该方法在保持0.970-0.979 mAP_0.95高精度的同时，首次实现了对商业耳标的全天候、多角度识别。

研究团队采用的关键技术包括：1）基于YOLOv10X架构的四阶段目标检测模型训练；2）利用欧氏距离最小化的耳标旋转校正算法；3）在德国下萨克森州农业商会实验农场采集的含24头猪/栏的6个育成栏视频数据（1920×1080像素@20fps）；4）针对过曝/欠曝条件的SSR（Single Scale Retinex）图像增强验证。所有模型均在NVIDIA RTX A6000 GPU上以16 batch size训练250-500 epoch。

【模型独立评估】各阶段模型在测试集表现优异：猪只检测mAP_0.95=0.970，耳标检测0.979，定位针检测0.974，数字识别0.979。旋转校正模块通过计算定位针中心(c₁)与图像上边界中心(c₂)的欧氏距离实现自动对齐（见图3），有效解决了耳标倾斜问题。

【应用场景测试】在熟悉俯视场景（Use Case 1）分析30,000帧视频，系统达到0.996精确度；而在陌生近景场景（Use Case 2）仍保持0.913精确度和0.903召回率。值得注意的是，10小时连续监测显示24个ID中22个能被稳定追踪（平均检测间隔<25帧），仅ID44/48因遮挡出现384帧间隔（见表4）。

【光照鲁棒性验证】通过模拟过曝（像素值×1.1-1.3）、欠曝（×0.4-0.6）和SSR处理，所有模型保持0.891-0.976 mAP_0.95（见表5），证实方法对光照变化不敏感。失败案例分析显示，运动模糊是主要误差源（见图7F1/F2），特别是数字"0"与"8"的混淆。

研究结论指出，这种模块化管道设计具有三大突破：1）首次实现商业耳标的全天候识别；2）通过公开耳标/定位针/数字检测数据集（含16,391张标注图像）推动领域研究；3）可集成至多目标追踪系统验证轨迹准确性。讨论部分强调，相比依赖颜色过滤（Bastiaansen等）或矩阵编码（Fruhner等）的方法，该方案更适应实际养殖环境。未来可通过优化数字设计（如区分"0"/"8"）和增加ID位数进一步提升性能。

这项研究为精准畜牧业提供了切实可用的技术方案，其级联模型设计思路也可拓展至牛羊等其他牲畜。随着《德国动物福利法》等法规对个体监测要求的提高，这种兼顾精度与实用性的识别技术，将为改善动物福利、优化养殖管理提供重要数据支撑。