基于深度学习的精准畜牧业猪只识别与追踪系统研究

针对规模化养猪场中个体识别精度低、传统方法成本高的问题，研究人员开发了集成检测(EfficientNetV2M)、重识别(Re-ID)和多目标跟踪(MOT)的PLF系统，在FaroPigReID-33数据集上实现76.80%的在线识别准确率，为精准畜牧管理提供了首个全自动解决方案。

　　

随着全球猪肉需求预计未来50年增长70%，传统养猪业面临生产效率与动物福利的双重挑战。当前RFID标记和人工巡查等方法存在识别误差率高（约15-20%）、无法实现个体化管理的缺陷，而现有计算机视觉方案在猪只重识别任务中因类间相似度高、姿态多变等问题，准确率普遍低于60%。这一技术瓶颈严重制约了精准畜牧业(Precision Livestock Farming, PLF)的发展。

为解决这一难题，来自西班牙巴塞罗那大学的研究团队在《Expert Systems with Applications》发表了一项突破性研究。该工作构建了包含检测模块（YOLOv8-seg）、重识别模块（EfficientNetV2M）和跟踪投票模块的完整流水线，创新性地提出时序一致性校正算法。研究首次公开发布FaroPigSeg（含3,852标注实例）和FaroPigReID-33（33头猪的12,698张图像）两个数据集，填补了PLF领域公共数据集的空白。

关键技术方法包括：1) 使用Kinect V2深度相机采集多视角猪只视频数据；2) 构建基于EfficientNetV2M的迁移学习模型进行特征提取；3) 采用ByteTrack算法实现跨帧目标关联；4) 设计投票机制融合时序预测结果。实验选用3个不同光照条件的养殖场视频片段（总计6小时）作为测试集。

【主要研究结果】

1. 分割性能评估
   在FaroPigSeg测试集上，YOLOv8-seg模型达到91.2%的mAP⁵⁰，单头猪分割耗时仅23ms，满足实时处理需求。

2. 重识别模块优化
   对比ResNet50等6种骨干网络，EfficientNetV2M在跨视角测试中表现最优，Top-1准确率达90.44%，较基线模型提升31.6%。特征可视化显示该模型能有效捕捉耳部褶皱、背部斑点等鉴别性特征。

3. 全系统集成测试
   在包含遮挡、光照变化的真实场景中，系统在线识别准确率为76.80%（投票机制贡献12.4%提升），处理速度稳定在10-15fps。跟踪模块将ID切换错误率控制在每视频序列≤3次。

【结论与展望】
该研究首次实现了养猪场环境下的全自动猪只重识别系统，其创新性体现在：1) 提出检测-重识别-跟踪的模块化架构；2) 开发时序一致性投票算法；3) 建立首个公开的猪只分割与重识别基准数据集。相比传统RFID方案，该系统将识别成本降低83%，同时支持个体行为分析、疾病早期预警等PLF高级功能。作者指出，未来可通过增加红外摄像头和3D姿态估计模块进一步提升系统鲁棒性。这项技术为智慧农业提供了可扩展的框架模板，其方法论可迁移至牛、羊等其他牲畜管理场景。