3. 饲喂对象个体识别技术

精准饲喂的前提是“认得出、认得准、认得稳”。同一栋猪舍或牛舍里，个体之间采食量、日增重、健康状况差异很大，如果系统只能按栏位平均投喂，所谓“精准”就无从谈起。个体识别技术要解决两件事：一是身份识别，即确定“这是哪一头”；二是体况感知，即判断“它现在处于什么状态”，包括体重、体尺、活动量、采食行为等。前者回答归属问题，后者回答决策依据问题，两者共同构成精准饲喂的数据入口。

一、RFID耳标：身份识别的“身份证”

RFID（射频识别）耳标是目前养殖场个体身份识别最成熟、最普及的方案。按工作频段主要分为低频（LF，约134.2 kHz）和高频（HF，13.56 MHz）两类，养殖耳标以低频为主，符合ISO 11784/11785标准，读写距离通常在几厘米到几十厘米，适合耳标贴近读头的场景。系统由三部分组成：佩戴在耳部的电子耳标（内含芯片与天线）、安装在饲喂站或通道上的读写器、以及负责汇聚数据的上位控制器。

工作过程可以这样理解：当动物进入饲喂站采食位，读写器天线发出激励电磁场，耳标线圈感应取电并被激活，将存储的唯一ID编码以负载调制方式回传，读写器解调后得到耳标号，再通过RS-485、CAN或以太网接口上传。整个识别在几十到几百毫秒内完成，动物几乎无感。实际部署时要注意几个关键点：读头天线应安装在耳标自然停留的位置，例如采食槽上方偏侧，避免正对金属料槽造成失谐；相邻饲喂站的天线要控制功率和朝向，防止“串读”把隔壁栏的耳标读进来；耳标佩戴要规范，脱落率是长期运行中最常见的故障源。

二、视觉识别：从身份到体况的多维感知

视觉识别用摄像头替代或补充耳标，典型做法是在饲喂通道、饮水点或称重通道上方安装工业相机，配合深度学习模型完成目标检测与身份匹配。身份识别路线有两条：一是识别耳标上的数字或二维码，属于“视觉读码”，成本低但对角度和光照敏感；二是基于个体花纹、斑点、面部特征的生物特征识别，例如奶牛的背部花纹、猪的面部轮廓，无需依赖耳标，适合耳标易损的场景。

视觉更大的价值在于体况感知。通过俯视或侧视图像，可以提取体长、体宽、体高、背部轮廓曲线等体尺参数，结合标定关系估算体重；也可以分析采食站立时长、躺卧比例、行走步态等行为指标。工程上通常采用“检测—分割—关键点回归”的流程：先框出个体，再分割躯干区域，最后回归体尺关键点。需要注意的是，视觉方案对光照变化、动物重叠、地面反光和镜头污染非常敏感，实际部署中往往需要补光、遮光罩和定期清洁，模型也要用本场数据做微调，否则跨场迁移精度会明显下降。

三、体重估测：体况感知的量化核心

体重直接决定日粮投喂量，是最重要的体况参数。获取方式有三类：地磅称重精度最高，但需要动物配合通过，适合在通道或分群门处设置动态称重平台，采集通过瞬间的稳定重量；体尺估测通过视觉或结构光获取体尺，用回归模型换算体重，属于间接估计，误差通常在5%～10%；生长模型推算依据品种、日龄、历史采食量预测体重，适合作为补充和异常校验。实践中常把三者组合：以地磅数据为真值，定期校正视觉估测模型，形成“称重—估测—校验”的闭环。

四、数据采集的准确性与稳定性要求

识别技术能否真正支撑精准饲喂，取决于采集数据的两个维度：准确性和稳定性。准确性关注“读到的对不对”，稳定性关注“长期跑得稳不稳”。

准确性方面，RFID 的核心指标是识别率与误读率。工程上通常要求单次采食事件的耳标识别率不低于99%，误读率控制在0.1%以下。提升手段包括：合理设置读写器功率与天线角度、在采食位设置屏蔽结构、对同一事件内的重复读取做去重合并。视觉识别的准确性用身份匹配准确率和体尺估测误差衡量，前者建议在95%以上，后者体重估测相对误差控制在8%以内，并定期用地磅数据回归校正。体重数据的准确性则依赖称重平台的动态滤波算法，需要剔除动物上下平台时的冲击峰值，取稳定段均值。

稳定性方面，要关注三类问题。第一是设备稳定性：耳标脱落、读头积尘、镜头污染、称重传感器漂移，都会造成数据中断或偏移，需要建立日检和定期校准制度。第二是数据完整性：网络中断、控制器重启会造成数据缺口，边缘端应具备本地缓存与断点续传能力，保证事件不丢。第三是一致性：同一头动物在不同设备上的识别结果要能对齐，时间戳必须统一，否则多源数据无法合并。实践中建议在边缘控制器上做统一时钟同步，并为每条记录保留原始值和处理后值，便于追溯。

把身份识别与体况感知放在同一条链路上看，RFID 解决“是谁”，视觉和称重解决“怎么样”，边缘控制器负责把多源数据对齐、校验、融合，最终形成可信的个体档案。只有这条链路在准确性和稳定性上都达标，后续的投喂量计算和异常预警才有可靠基础。