在精準肉牛管理中，持續監測個體體重增長是評估生產效率和經濟盈利能力的關鍵指標（da Costa Freitas和Barbosa，2025年；Ojo等人，2024年）。遺傳背景、生理特征和飼養環境的不同導致牛只之間的生長模式和育肥效率存在差異（Liu等人，2010年；Cantalapiedra-Hijar等人，2018年）。因此，現代肉牛生產正從大規模、以規模為導向的做法轉向個體層面的生長評估，其中隨時間或飼養周期的體重增長是一個與飼料轉化率（FCR）和育肥效率密切相關的關鍵指標（Tedeschi等人，2004年）。這一基于生長的指標結合了品種固有特性和管理誘導的飼養效率，為精準飼養和個性化管理提供了重要指導。

準確估計個體生長軌跡需要牛只重新識別和體重估計的聯合能力，因為生長率是通過隨時間對同一只牛進行重復測量得出的。重新識別確保了不同監測周期間的身份一致性，而非接觸式體重估計則實現了無需物理稱重的連續數據采集。兩者的結合對于維持長期體重連續性以及基于數據的飼料效率和個體生長性能的可靠評估至關重要（Merrell，1931年）。隨著對飼料效率優化和經濟可持續性的日益重視，集成的牛只識別和體重估計已成為數字化、以生命周期為導向的牛只生產系統的核心要求（Qiao等人，2021年；Markov等人，2022年）。

目前，牛只稱重方法主要分為基于通道的和非接觸式技術。基于通道的稱重在商業生產中仍被廣泛采用，牛只被引導進入稱重通道，體重讀數通過視覺或電子耳標與個體身份關聯起來（Han等人，2025年；Lopes等人，2018年；Wangchuk等人，2018年）。盡管這種方法實用，但存在操作效率低、安全隱患以及因壓力導致的福利問題。相比之下，非接觸式稱重作為一種有前景的研究方向應運而生，它利用傳感器和計算機視覺通過回歸模型從視覺輸入中估計體重（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，現有的非接觸式方法在成本效益、估計精度和成像質量之間仍難以平衡（Tscharke和Banhazi，2013年），更重要的是，它們通常缺乏將體重預測自動與個體身份關聯的能力，這限制了它們在大規模養殖環境中的應用。

同樣，牛只重新識別也沿著兩條主要技術路徑發展。第一條路徑依賴于手動分配的身份標記，如視覺或電子耳標（Williams等人，2019年；Feng等人，2013年）。雖然這些方法易于部署，但嚴重依賴人工干預，容易出現數據丟失和誤識別。第二條路徑利用生物特征，通過捕獲面部或背部圖像并編碼用于自主識別的身份區分特征（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觸式和非侵入性的，為精準牲畜管理提供了更大的自動化潛力和魯棒性。

在計算機視覺中，不同的任務通常關注視覺數據的不同語義方面，當共同建模時可能會產生語義干擾。因此，語義解耦作為一種有效的表示學習范式應運而生，用于解耦相關但功能不同的語義因素，并已成功應用于人員重新識別、圖像生成、零樣本學習和領域適應（Gu等人，2022年；Xiangyu Li等人，2021年；Karras等人，2019年；Zhang等人，2018年）。在牛只重新識別和體重估計的背景下，身份區分的紋理線索和與體重相關的形態線索本質上相關，但具有不同的功能作用。解耦這些語義有助于聯合優化這兩項任務，同時減少負面遷移，從而在實際農場場景中提高魯棒性和估計精度。

受這些觀察結果的啟發，本研究提出了一個集成計算機視覺框架，該框架能夠同時從牛背（俯視）圖像中進行牛只重新識別和體重估計。牛背視圖提供了穩定的身體形態和表面紋理表示，減少了遮擋和姿態引起的變化。通過解耦牛背圖像中嵌入的身份相關和體重相關的語義，該框架實現了兩項任務的有效聯合建模。實驗結果表明，身份一致的紋理特征顯著提高了體重估計的準確性，支持在實際生產環境中的可靠長期生長監測。

本文的主要貢獻如下：