《Journal of Dairy Science》：Development and validation of a cyclodextrin-based supramolecular HPLC-fluorescence detection method for determining thiabendazole in camel milk from the United Arab Emirates: A comparative study of extraction techniques
编辑推荐：
本研究针对传统物理标识（如耳标）易丢失、存在动物福利问题等痛点，创新性地结合半监督学习与连体神经网络（SNN），利用红外图像对106头荷斯坦奶牛从哺乳期到首次泌乳期（平均803日龄）进行纵向个体识别。研究通过主动学习策略构建跨生长阶段数据集，最佳模型在闭集测试中准确率达94.6%，开放集推断F1分数均超过0.80，证实计算机视觉系统（CVS）在复杂农场环境中实现非侵入性个体追溯的可行性，为智慧畜牧业提供了关键技术支撑。
在现代化奶牛养殖中，个体身份识别是精准管理、疾病防控和食品安全追溯的基石。然而，传统的耳标、射频识别（RFID）标签等方法存在明显局限：耳标年丢失率高达11%，易导致追溯链条中断；物理标识的植入引发动物福利争议；且人工记录效率低下，难以满足大规模牧场需求。计算机视觉系统（CVS）虽被提出作为非侵入式替代方案，但既往研究多聚焦于成年牛静态识别，尚未解决奶牛在生长发育过程中因体型、毛色图案变化带来的识别挑战。能否实现从犊牛到泌乳牛的全周期精准识别，成为畜牧业智能化升级的关键难题。
为此，威斯康星大学麦迪逊分校的研究团队在《Journal of Dairy Science》发表论文，首次系统评估了连体神经网络（SNN）在奶牛跨生长阶段个体识别中的效能。研究追踪106头荷斯坦奶牛从出生到首次泌乳（平均803日龄），采集超239万张红外与深度图像，通过U-Net架构语义分割、掩膜质量二分类筛选及图像增强等预处理，构建覆盖哺乳期、3月龄、6月龄、12月龄及泌乳期5个关键阶段的数据集。团队采用以ResNet-50为骨干的SNN模型，结合三元组损失和分类交叉熵损失训练，并创新性引入多样性主动学习策略，逐步扩充跨阶段标注数据。
关键技术方法包括：利用Intel RealSense深度相机从顶视角采集红外与深度图像；通过U-Net模型实现奶牛躯体语义分割，并结合ResNet-50二分类器筛选高质量掩膜；采用对比度受限自适应直方图均衡化（CLAHE）增强图像特征；基于嵌入向量距离的SNN框架支持少样本学习；通过主动学习迭代优化跨生长阶段数据标注效率。
基线模型评估
研究首先在哺乳期阶段内测试模型性能，红外、深度及融合模型在闭集测试中均表现优异（准确率>98.5%），证实SNN在短期内的识别可靠性，为纵向比较奠定基线。
主动学习性能
通过四轮主动学习迭代，模型逐步融合后续生长阶段数据。结果显示，仅用哺乳期数据识别3月龄牛只时，红外模型F1分数降至0.742，但随训练数据覆盖更多生长阶段，模型对泌乳期牛只识别性能持续提升，最终轮次F1分数达0.947，凸显跨阶段数据融合对模型泛化能力的关键作用。
闭集主模型性能
系统测试不同训练数据组合对泌乳期识别的影响。当训练集包含哺乳期至12月龄全部阶段时，红外模型以15张支持图像达到最佳性能（准确率94.6%，F1分数93.9%）。深度模型因牛只体型变化剧烈而识别效能显著下降（F1分数<0.05），表明红外图像在纵向识别中更具稳定性。
开放集推断
在真实农场环境中，模型需从混合牛群（含未知个体）中识别目标牛只。经阈值优化后，模型在3月龄至泌乳期各阶段均保持F1分数>0.80，其中泌乳期在430头牛群（含324头未知个体）中实现F1分数0.854，验证其在复杂场景下的实用价值。
本研究首次证明基于红外成像的SNN能够克服奶牛生长发育中的表型变化挑战，实现超过两年周期的个体身份追踪。该方法不仅为非侵入式动物追溯提供了技术范式，更通过主动学习策略显著降低标注成本，为大规模畜牧业应用奠定基础。未来研究需在多牧场、多品种环境中进一步验证系统鲁棒性，并探索与现有追溯系统的融合路径，最终推动智慧畜牧业的标准化与智能化发展。
