1.一种基于深度学习的饲料智能化配比系统，其特征在于，包括：

数据采集模块，采集禽舍视频图像数据和饲料状态数据，并进行预处理，生成同步预处理数据；

条件扩散语义分割模块，利用条件扩散语义分割模型对同步预处理数据中的禽舍视频图像数据执行像素级语义分割，在反扩散迭代过程中输出语义分割掩膜数据；

行为识别模块，将语义分割掩膜数据与对应禽舍视频图像数据进行像素对齐融合，并输入至基于改进ResNeXt架构构建的禽类行为识别网络，得到采食行为识别结果数据；

个体轨迹关联模块，对采食行为识别结果数据消除帧间抖动并关联个体轨迹，输出采食行为时间序列数据；

采食‑饲料预测模块，将采食行为时间序列数据与同步预处理数据中的饲料状态数据输入采食速率预测模型与饲料剩余量预测模型，分别生成采食速率预测数据与饲料剩余量预测数据；

动态饲喂优化决策模块，基于禽龄、采食速率预测数据与饲料剩余量预测数据，在动态饲喂优化模块内求解多目标优化函数，得到目标投料量数据与营养配比调整系数数据；

执行控制模块，基于目标投料量数据与营养配比调整系数数据驱动可变速螺杆投料器与多仓配方选择器实时调节饲料智能化配比；

所述条件扩散语义分割模型的构建，包括：

基于同步预处理数据中的环境光照强度数据，计算自适应噪声调度序列；

依据禽类头部空间热图、食槽轮廓先验信息、历史分割掩膜和饲料光谱能量分布图，构建条件输入张量；

在反扩散起始时刻，将禽舍视频图像数据与初始噪声张量加权相加，得到初始噪声图像张量；

在每个反扩散时间步，通过条件扩散网络参数化函数，输入初始噪声图像张量、条件输入张量和当前时间步编号，输出噪声残差；

根据噪声残差与自适应噪声调度序列，利用加权残差方式更新去噪图像预测；

在反扩散迭代过程中，优化多目标损失函数；

迭代完成，得到最终无噪图像，利用能量‑阈值分割函数将最终无噪图像按像素乘基于饲料光谱能量分布图估算的能量权重矩阵，通过归一化概率映射，得到最终语义分割掩膜数据；

所述改进ResNeXt结构，包括：

将多通道融合输入张量数据输入到基于改进ResNeXt结构构建的多粒度注意力特征提取模块，输出分组卷积路径的空间特征图数据；

对每一个分组卷积子路径的输出分组空间特征图数据，基于禽类头部区域二值掩膜数据与食槽区域二值掩膜数据的平均响应强度计算行为特征感知调节因子，将空间特征图数据与对应的行为特征感知调节因子进行加权求和得到融合特征图数据；

对融合特征图数据分别进行三种卷积操作，得到三组不同感受野的残差特征图数据，将三组残差特征图数据与融合特征图数据在像素级进行残差相加，得到多尺度增强特征图数据；

基于禽类头部区域二值掩膜数据与食槽区域二值掩膜数据的联合响应图计算空间位置注意力权重张量，将空间位置注意力权重张量与多尺度增强特征图数据在每个像素和通道上进行逐点乘积，得到初步空间特征图数据。

2.根据权利要求1所述的一种基于深度学习的饲料智能化配比系统，其特征在于，所述数据采集模块，包括：通过布置于禽舍顶部与食槽上方的多光谱摄像装置采集禽舍视频图像数据，通过重量流量传感装置同步采集饲料状态数据，对禽舍视频图像数据与饲料状态数据进行时间戳对齐、格式标准化与噪声抑制。

3.根据权利要求1所述的一种基于深度学习的饲料智能化配比系统，其特征在于，所述行为识别模块，包括：将最终语义分割掩膜数据与对应禽舍视频图像数据进行逐像素一一对齐，融合为多通道融合输入张量数据；

将多通道融合输入张量数据输入到基于改进ResNeXt结构并结合禽类采食行为感知与动态饲料调控场景定制的多粒度注意力特征提取模块，利用分组卷积单元对输入进行初步空间特征编码，获得初步空间特征图数据；

将初步空间特征图数据并行输入至姿态感知路径、头部精细动作感知路径和头部‑食槽交互感知路径的卡片式并行特征提取模块；

所述姿态感知路径通过残差模块捕获禽类全局身体姿态与空间运动特征，输出姿态特征图数据；

在头部精细动作感知路径中，以禽类头部区域二值掩膜数据构建自适应头部注意力张量，输出头部精细动作特征图数据；

在头部‑食槽交互感知路径中，以禽类头部区域二值掩膜数据与食槽区域二值掩膜数据的交集区域构建交互注意力张量，输出头部‑食槽交互特征图数据；

将姿态特征图数据、头部精细动作特征图数据与头部‑食槽交互特征图数据在特征级进行融合，得到综合行为特征数据；

将综合行为特征数据输入全连接分类层，经过概率归一化映射后输出禽类采食行为识别结果数据，禽类采食行为识别结果数据包括禽类在禽舍场景下采食、饮水、离槽与休息四种行为状态的概率分布。

4.根据权利要求1所述的一种基于深度学习的饲料智能化配比系统，其特征在于，所述对采食行为识别结果数据消除帧间抖动并关联个体轨迹，输出采食行为时间序列数据的过程，包括：通过每一帧采食行为识别结果数据的四类行为概率值组成禽类采食行为概率序列张量；

对禽类采食行为概率序列张量采用卡尔曼滤波算法进行帧间波动抑制，得到禽类采食行为平滑输出序列；

对每一只禽类个体在视频图像中的采食行为平滑输出序列进行时间序列拼接，生成禽类个体行为状态时间序列矩阵；

通过个体追踪标识信息和空间位置特征，采用帧间运动连贯性规则对禽类个体身份进行时序跟踪匹配：若距离低于预设的位置匹配阈值，则认定两个个体为同一身份，否则作为新的个体编号；

将帧间追踪稳定的禽类个体行为状态时间序列矩阵按个体编号进行聚合，得到禽类采食行为时间序列数据。

5.根据权利要求1所述的一种基于深度学习的饲料智能化配比系统，其特征在于，所述采食‑饲料预测模块，包括：将禽类采食行为时间序列数据与同步预处理数据中的饲料状态数据按照时间顺序一一对齐，构建采食行为—饲料状态联合序列张量；

以采食行为—饲料状态联合序列张量为基础，对每一禽类个体在每一时间步下的行为状态进行统计，获取最大概率行为类别，得到禽类个体行为状态集合，并对任意连续两个时间步的行为状态进行转移统计，得到行为状态转移概率矩阵；

将采食行为—饲料状态联合序列张量与行为状态转移概率矩阵共同输入动态采食速率预测模型，动态采食速率预测模型在每一个时间步，根据当前禽类个体的行为状态、前一时刻的行为状态以及前一时刻的饲料剩余量，输出当前时间步的预测采食速率；

对连续时间步下的预测采食速率进行时间积分，结合单位时间长度建立饲料剩余量预测模型，饲料剩余量预测模型在每一个时间步，基于前一时间步的实际饲料剩余量和当前时间步的预测采食速率与时间步长，输出当前时间步的饲料剩余量预测值。

6.根据权利要求1所述的一种基于深度学习的饲料智能化配比系统，其特征在于，所述动态饲喂优化决策模块，包括：采集禽类群体的禽龄参数和环境数据；

将采食行为时间序列数据中采食、饮水、离槽与休息四种行为状态时间占比和持续时长，连同采食速率预测数据、饲料剩余量预测数据和禽龄参数共同输入动态饲喂优化模块，动态饲喂优化模块基于多目标优化函数同步决策目标投料量数据与营养配比调整系数数据；

动态饲喂优化模块在多目标优化函数求解过程中，优先满足预设的饲料补给营养均衡性目标，并结合采食、饮水、离槽、休息四种行为状态的实时统计结果，动态修正投料与配方，最小化单位体重增重成本；

结合多目标优化函数的约束条件，输出最终的目标投料量数据与营养配比调整系数数据。

7.根据权利要求6所述的一种基于深度学习的饲料智能化配比系统，其特征在于，所述多目标优化函数以以下优化目标为约束条件：目标投料量满足预测周期内预计饲料消耗量的补给需求，根据采食速率预测数据与采食行为状态时间占比的乘积积分确定，若采食行为状态占比低于历史平均水平，则目标投料量下调，反之则上调；

若饮水行为状态占比显著增加，结合环境数据，系统判断为高温或应激状态，按比例提高营养配比中电解质和能量组分；

若离槽或休息行为状态占比增加，提示采食活跃度下降，目标投料量根据采食速率预测数据与采食行为状态时间占比的加权综合结果下调，同时营养配比调整系数提高蛋白质和降低能量比例。

8.根据权利要求7所述的一种基于深度学习的饲料智能化配比系统，其特征在于，所述营养配比调整系数数据设定为：当采食行为状态占比高且采食速率高于推荐标准时，营养配比调整系数数据为提高蛋白质和能量系数；

当饮水行为状态占比高于历史均值，营养配比调整系数数据为提高电解质和维生素成分比例；

当离槽和休息行为状态占比高于阈值时，营养配比调整系数数据为降低能量、提高维生素比例。