一种基于牛背部语义解耦模型的权重估计与重新识别联合优化方法

《Computers and Electronics in Agriculture》：A joint optimization method for weight estimation and re-identification based on a cattle back semantic disentanglement model

语义解耦模型与跨图像聚合方法协同提升牛体重估计精度及身份识别鲁棒性，实验显示MAE降低4.89kg（26.5%）。

　　

张玉琪|李龙祥|康辉|梁世元|牛凯|荣月|何志强

教育部通用无线通信重点实验室，北京邮电大学，北京，中国

摘要

可靠的重新识别和准确的体重估计是精准牛只管理的基础。本文提出了一种基于牛背图像语义解耦模型的联合优化方法，该方法在重新识别牛只的同时提高了体重预测的准确性。具体而言，该模型将牛背图像表示分解为形态、纹理和姿态三个部分，并将每个部分与其相应的下游任务对齐，从而实现更高效和独立的特征学习。我们进一步开发了一种基于信息论方法的身份一致的多图像聚合技术，用于量化对同一只牛的多张图像进行预测聚合的好处。在推理过程中，提出的“权重约束身份聚类”（WCIC）方法根据身份对图像进行分组，并过滤掉异常体重值，以提高牛只体重预测的准确性。大量实验结果表明，与单一任务基线相比，该方法在保持重新识别准确性的同时，将体重估计的均方绝对误差（MAE）降低了4.89公斤，相当于提高了约26.5%。这些结果凸显了语义解耦和身份一致的多图像聚合技术在现实农场环境中对牛只进行稳健、非接触式体重监测的有效性。

引言

在精准肉牛管理中，持续监测个体体重增长是评估生产效率和经济盈利能力的关键指标（da Costa Freitas和Barbosa，2025年；Ojo等人，2024年）。遗传背景、生理特征和饲养环境的不同导致牛只之间的生长模式和育肥效率存在差异（Liu等人，2010年；Cantalapiedra-Hijar等人，2018年）。因此，现代肉牛生产正从大规模、以规模为导向的做法转向个体层面的生长评估，其中随时间或饲养周期的体重增长是一个与饲料转化率（FCR）和育肥效率密切相关的关键指标（Tedeschi等人，2004年）。这一基于生长的指标结合了品种固有特性和管理诱导的饲养效率，为精准饲养和个性化管理提供了重要指导。

准确估计个体生长轨迹需要牛只重新识别和体重估计的联合能力，因为生长率是通过随时间对同一只牛进行重复测量得出的。重新识别确保了不同监测周期间的身份一致性，而非接触式体重估计则实现了无需物理称重的连续数据采集。两者的结合对于维持长期体重连续性以及基于数据的饲料效率和个体生长性能的可靠评估至关重要（Merrell，1931年）。随着对饲料效率优化和经济可持续性的日益重视，集成的牛只识别和体重估计已成为数字化、以生命周期为导向的牛只生产系统的核心要求（Qiao等人，2021年；Markov等人，2022年）。

目前，牛只称重方法主要分为基于通道的和非接触式技术。基于通道的称重在商业生产中仍被广泛采用，牛只被引导进入称重通道，体重读数通过视觉或电子耳标与个体身份关联起来（Han等人，2025年；Lopes等人，2018年；Wangchuk等人，2018年）。尽管这种方法实用，但存在操作效率低、安全隐患以及因压力导致的福利问题。相比之下，非接触式称重作为一种有前景的研究方向应运而生，它利用传感器和计算机视觉通过回归模型从视觉输入中估计体重（Dohmen等人，2021年；Ruchay等人，2022年；Los等人，2023年；Liu等人，2023年；Xu等人，2024年；Weber等人，2020年；Gjergji等人，2020年；Zin等人，2020年；Imamura等人，2017年）。然而，现有的非接触式方法在成本效益、估计精度和成像质量之间仍难以平衡（Tscharke和Banhazi，2013年），更重要的是，它们通常缺乏将体重预测自动与个体身份关联的能力，这限制了它们在大规模养殖环境中的应用。

同样，牛只重新识别也沿着两条主要技术路径发展。第一条路径依赖于手动分配的身份标记，如视觉或电子耳标（Williams等人，2019年；Feng等人，2013年）。虽然这些方法易于部署，但严重依赖人工干预，容易出现数据丢失和误识别。第二条路径利用生物特征，通过捕获面部或背部图像并编码用于自主识别的身份区分特征（Shijun Li等人，2021年；Nasir等人，2025年；Yamamoto等人，2025年；Wang等人，2025年；Kumar等人，2025年）。生物特征方法是非接触式和非侵入性的，为精准牲畜管理提供了更大的自动化潜力和鲁棒性。

在计算机视觉中，不同的任务通常关注视觉数据的不同语义方面，当共同建模时可能会产生语义干扰。因此，语义解耦作为一种有效的表示学习范式应运而生，用于解耦相关但功能不同的语义因素，并已成功应用于人员重新识别、图像生成、零样本学习和领域适应（Gu等人，2022年；Xiangyu Li等人，2021年；Karras等人，2019年；Zhang等人，2018年）。在牛只重新识别和体重估计的背景下，身份区分的纹理线索和与体重相关的形态线索本质上相关，但具有不同的功能作用。解耦这些语义有助于联合优化这两项任务，同时减少负面迁移，从而在实际农场场景中提高鲁棒性和估计精度。

受这些观察结果的启发，本研究提出了一个集成计算机视觉框架，该框架能够同时从牛背（俯视）图像中进行牛只重新识别和体重估计。牛背视图提供了稳定的身体形态和表面纹理表示，减少了遮挡和姿态引起的变化。通过解耦牛背图像中嵌入的身份相关和体重相关的语义，该框架实现了两项任务的有效联合建模。实验结果表明，身份一致的纹理特征显著提高了体重估计的准确性，支持在实际生产环境中的可靠长期生长监测。

本文的主要贡献如下：

• 牛背图像的语义解耦。我们对牛背图像进行了系统性的任务特定特征分离，将其分解为三个语义组成部分：形态特征（如身体轮廓和躯干尺寸等结构属性）、纹理特征（如毛色和毛皮图案等身份区分线索）和状态特征（如姿态和行为等动态属性）。这种语义解耦明确了体重估计和牛只重新识别之间的互补性，为多任务学习提供了有效的多尺度先验知识，从而增强了模型的泛化能力。
• 多图像同一身份联合估计和定量信息论分析。我们提出了一个多图像、同一身份联合估计框架，利用身份一致的特征来提高体重预测的准确性。基于信息论原理，采用Kullback–Leibler（KL）散度来量化信息确定性，揭示了联合建模同一身份的多张图像如何细化体重估计的后验分布。这一公式从理论上证明了多图像联合估计在减少牛只体重预测不确定性方面的确定性收益，并指导了有效特征聚合策略的设计。
• 身份一致的多图像聚合我们提出了一个双任务框架，该框架在利用跨任务语义解耦的同时，联合训练牛只重新识别和体重估计。模型架构首先使用一个主干网络提取多尺度维度特征，然后将这些特征输入到任务特定的多头学习模块中，联合训练层次化的形态和纹理特征，从而充分利用有效的任务相关特征。在推理过程中，引入了迭代细化机制来执行跨任务异常值过滤，从而减轻错误预测对每个任务的影响。实验结果表明，所提出的框架有效增强了特征表示，提高了预测的鲁棒性，并为精准牲畜养殖中的集成身份识别和体重监测提供了实用解决方案，包括在具有挑战性的零样本场景中。

部分摘录

牛背图像的语义解耦

在计算机视觉中，图像语义通常指图像传达的抽象信息。在这项工作中，我们将语义定义为从整个图像中提取的结构化、高级信息，超越了像素级分割。这种原始表示和潜在意义之间的区分对于强大的AI至关重要；例如，Farquhar等人（2024年）证明，关注“语义”等同性而不是“句法”或词汇变化是必要的

多任务联合训练

在这项研究中，我们提出了一个基于经典主干网络的轻量级双任务语义解耦框架，包括OSNet、ResNeXt（Xie等人，2017年）和EfficientNet（Koonce，2021年）。值得注意的是，ResNeXt和EfficientNet都在牛只体重估计任务中表现出先进的性能，在实际牲畜场景中显示出强大的回归准确性和鲁棒性（Haoyu Zhang等人，2025年；Gjergji等人，2020年）。每个模型都进行了修改

结论

在本文中，我们提出了一种基于牛背图像语义解耦模型的牛只体重估计和重新识别方法。通过解耦形态、纹理和姿态特征，所提出的网络提取了用于准确体重估计和可靠重新识别的任务特定信息。多图像融合和信息论指导的结合使得在个体内部变化的情况下能够进行稳健的估计，并减少了预测误差。

CRediT作者贡献声明

张玉琪：撰写——原始草案、验证、监督、软件、资源、方法论、资金获取、正式分析、数据整理、概念化。李龙祥：撰写——审阅与编辑、验证、正式分析。康辉：验证、软件、概念化。梁世元：撰写——审阅与编辑、软件、资源。牛凯：监督、资源、方法论、概念化。荣月：撰写——审阅与编辑、资源。何志强：撰写——审阅

利益冲突声明

作者声明与本手稿的内容没有利益冲突。

致谢

本文得到了北京邮电大学创新与创业支持计划（项目资助编号：2025-YC-S004）的支持。