La identificación precisa de ganado individual es de suma importancia en la ganadería de precisión, permitiendo el monitoreo del comportamiento del ganado, la prevención de enfermedades y el mejoramiento del bienestar animal. A diferencia de los rostros humanos, los rostros de la mayoría de los bovinos Hanwoo, una raza nativa de Corea, exhiben similitudes significativas y tienen el mismo color de cuerpo, lo que plantea un desafío considerable para distinguir con precisión entre el ganado individual. En este estudio, buscamos extender el alcance de conjunto cerrado (incluyendo solo la identificación de individuos conocidos) a un escenario de reconocimiento de conjunto abierto más adaptable (identificando tanto individuos conocidos como desconocidos) denominado Reconocimiento de Rostros de Ganado en Conjunto Abierto (CFOSR). Al integrar técnicas de conjunto abierto para mejorar la precisión del conjunto cerrado, el método propuesto aborda simultáneamente el escenario de conjunto abierto. En CFOSR, el objetivo es desarrollar un modelo entrenado capaz de identificar con precisión a los individuos conocidos, mientras maneja de manera efectiva a los individuos desconocidos o novedosos, incluso en casos donde el modelo ha sido entrenado únicamente con individuos conocidos. Para abordar este desafío, proponemos un enfoque novedoso que integra el Aprendizaje de Puntos Recíprocos Adversariales (ARPL), un método de reconocimiento de conjunto abierto de vanguardia, con la efectividad de la pérdida de Softmax de Margen Aditivo (AM-Softmax). Se aprovechó ARPL para mitigar la superposición entre los espacios de ganado conocido y desconocido o no registrado. Al mismo tiempo, se eligió AM-Softmax sobre la pérdida convencional de Entropía Cruzada (CE) para clasificar a los individuos conocidos. Los resultados empíricos obtenidos de un conjunto de datos del mundo real demostraron la efectividad de las técnicas ARPL y AM-Softmax en lograr tanto la compacidad intra-clase como la separabilidad inter-clase. Notablemente, los resultados del reconocimiento de conjunto abierto y del reconocimiento de conjunto cerrado validaron el rendimiento superior de nuestro método propuesto en comparación con los algoritmos existentes. Para ser más precisos, nuestro método logró un AUROC de 91.84 y un OSCR de 87.85 en el contexto del reconocimiento de conjunto abierto en un conjunto de datos complejo. Al mismo tiempo, demostró una precisión de 94.46 para el reconocimiento de conjunto cerrado. Creemos que nuestro estudio proporciona una visión novedosa para mejorar la precisión de clasificación del conjunto cerrado. Al mismo tiempo, tiene el potencial de contribuir significativamente al monitoreo del ganado y la gestión de inventarios, especialmente en escenarios que involucran la presencia de ganado desconocido o novedoso.