姜美曦+陳春玲+周云成

摘要：肉牛的行為是其健康狀態(tài)的外在表現(xiàn)，目前主要依賴于飼養(yǎng)員的目測判斷。大規(guī)模肉牛飼養(yǎng)采用人工觀察的方法帶來繁重人力負(fù)擔(dān)的同時(shí)，也會造成誤判。為了能自動(dòng)識別肉牛是否生病，在肉牛的2個(gè)角上安裝無線傳感器節(jié)點(diǎn)，通過傳感器獲取肉牛運(yùn)動(dòng)加速度，采用卡爾曼算法對提取的各參數(shù)進(jìn)行分析，可以識別出肉牛的采食行為和行走行為。這種方法識別出采食行為的正確率為78%，行走行為的正確率為62.3%。同時(shí)，這種方法也可以應(yīng)用到其他動(dòng)物上，對畜牧業(yè)發(fā)展具有積極意義。

關(guān)鍵詞：卡爾曼濾波器；肉牛；加速度傳感器；無線傳感器；行為識別；采食行為

中圖分類號： S126文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2017）12-0167-04

通信作者：陳春玲，博士，副教授，主要從事肉牛生理行為感知研究。E-mail：snccl@163.com。肉牛的健康狀況可以從采食行為和行走行為的時(shí)間來確定。目前，對肉牛行為的監(jiān)測手段仍然是依靠飼養(yǎng)員的人工觀察，這樣，在大規(guī)模養(yǎng)殖的今天，大大加重了飼養(yǎng)員的工作強(qiáng)度。肉牛行為科學(xué)分類可以減輕飼養(yǎng)員的工作強(qiáng)度，為現(xiàn)代化畜牧養(yǎng)殖者節(jié)省了大量的人力物力。對肉牛行為分類也可以方便準(zhǔn)確地確定肉牛的健康狀況，更加確保對肉牛精確地飼養(yǎng)，確保牛肉品質(zhì)?，F(xiàn)代化飼養(yǎng)模式以及良好的飼養(yǎng)環(huán)境對動(dòng)物行為具有重要的影響，甚至可以一定程度上降低動(dòng)物不良行為發(fā)生的概率。因此，找到一種準(zhǔn)確的對肉牛行為進(jìn)行分類的方法對肉牛生產(chǎn)具有重要意義。

國內(nèi)外已展開應(yīng)用無線傳感器網(wǎng)絡(luò)對動(dòng)物進(jìn)行監(jiān)測的研究。田富洋等利用傳感器實(shí)時(shí)檢測奶牛的運(yùn)動(dòng)量、躺臥時(shí)間和體表溫度等，建立以奶牛的行走步數(shù)、躺臥時(shí)間、行走時(shí)間和溫度為輸入，以奶牛的行為特點(diǎn)為輸出的LVQ神經(jīng)網(wǎng)絡(luò)發(fā)情行為辨識模型與預(yù)測模型[1]。郭東東等設(shè)計(jì)了基于三軸加速度傳感器和無線傳感網(wǎng)絡(luò)采集數(shù)據(jù)，利用K-means聚類算法對采集的數(shù)據(jù)集進(jìn)行反復(fù)疊加訓(xùn)練得到較為穩(wěn)定的聚類中心，分別對山羊、母豬和奶牛行為進(jìn)行分類[2-4]。高晶敏等運(yùn)用三軸傳感器對人體姿態(tài)進(jìn)行采集和處理，通過徑向基函數(shù)（RBF）、神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)進(jìn)行訓(xùn)練和分類，從而達(dá)到對人的動(dòng)態(tài)姿態(tài)的識別[5]。Oliviero等利用壓力傳感器觀察母豬的走動(dòng)行為，同時(shí)在分娩床上方墻上安裝光電傳感器，用來監(jiān)測母豬的站立或躺臥行為，綜合判斷母豬分娩時(shí)間[6]。Cornou等利用布帶把三軸加速度傳感器和藍(lán)牙模塊固定在母豬頸部，進(jìn)行運(yùn)動(dòng)信息采集并無線傳輸?shù)焦P記本計(jì)算機(jī)上（PC）[7-8]。采用三軸加速度傳感器和無線傳感網(wǎng)絡(luò)進(jìn)行動(dòng)物行為特征實(shí)時(shí)監(jiān)測已證明其可行性，但使用該方法研究肉牛行為的報(bào)道還很少。

本試驗(yàn)為了對肉牛行為科學(xué)分類，使用了一種應(yīng)用三軸加速度傳感器對肉牛行為進(jìn)行實(shí)時(shí)監(jiān)測，通過采用卡爾曼濾波器方法對肉牛行為特征進(jìn)行識別分析，得到每個(gè)行為各軸的后驗(yàn)概率，通過比較后驗(yàn)概率的值，可以容易地分辨出肉牛的采食行為和行走行為。

1肉牛行為監(jiān)測系統(tǒng)構(gòu)成

肉牛在采食行為、反芻行為和吞咽動(dòng)作時(shí)，其眼角偏上方的顳窩部位會因?yàn)槿馀Ｐ袨榈牟煌鞒霾煌?guī)律的振動(dòng)[9-17]。經(jīng)過初步研究發(fā)現(xiàn)，肉牛在采食時(shí)的咀嚼頻率與次數(shù)和行走時(shí)的咀嚼頻率與次數(shù)不同，因此肉牛顳窩部位的振動(dòng)加速度具有一定的區(qū)別?？梢娖漕^部動(dòng)作具有很大的不同，因此，采用三軸加速度傳感器對肉牛的采食行為和行走行為進(jìn)行分類是可以實(shí)現(xiàn)的。

根據(jù)上述原理，本試驗(yàn)選用一種高精度的加速度傳感器模塊，該模塊可以將肉牛采食過程中顳窩部位的振動(dòng)特性轉(zhuǎn)化為相應(yīng)的加速度數(shù)據(jù)信息，同時(shí)可以將肉牛在采食過程中頭部的轉(zhuǎn)動(dòng)速度轉(zhuǎn)化為相應(yīng)的角速度數(shù)據(jù)信息，記錄并保存。為了配合肉牛行為采集，在牛舍頂端安裝攝像頭，用于圖像實(shí)時(shí)采集。如圖1所示，本試驗(yàn)所采用的肉牛行為檢測系統(tǒng)包括傳感器節(jié)點(diǎn)模塊、視頻輸入模塊和上位機(jī)3個(gè)部分。

傳感器節(jié)點(diǎn)模塊主要包括數(shù)據(jù)采集、壓縮和發(fā)送。數(shù)據(jù)采集模塊采集來的數(shù)據(jù)通過低通濾波器濾波后進(jìn)行數(shù)據(jù)壓縮，經(jīng)過壓縮的數(shù)據(jù)通過發(fā)送模塊發(fā)送到上位機(jī)，上位機(jī)將接收到的數(shù)據(jù)和圖像存儲在PC上。數(shù)據(jù)和圖像壓縮主要用來解決傳輸數(shù)據(jù)量大的問題。

如圖2所示，三軸加速度傳感器采用松緊帶固定在肉牛的顳窩部位。圖2右下角為姿態(tài)角示意圖，x軸為垂直向下的方向，y軸為水平向右的方向，z軸為垂直于x-y所在平面向前的方向。

本次試驗(yàn)在遼寧未來牧業(yè)進(jìn)行，選取5頭健康西門塔爾牛，將該模塊綁在肉牛顳窩部位，每天05：00、17：00對肉牛進(jìn)行喂食，在此期間，肉牛進(jìn)行集中采食。其余時(shí)間肉牛在牛舍中可以自由活動(dòng)。經(jīng)過3 d的應(yīng)激性試驗(yàn)，肉牛對本裝置基本沒有排斥行為。再對所選肉牛實(shí)時(shí)監(jiān)測7 d，采集肉牛的行為數(shù)據(jù)，并在牛棚上安裝監(jiān)視器，可以獲取肉牛實(shí)時(shí)運(yùn)動(dòng)狀態(tài)。檢測到的肉牛數(shù)據(jù)為肉牛三軸的加速度、角速度和角度。本試驗(yàn)中將上位機(jī)的頻率設(shè)置為1 Hz，采集頻率1個(gè)/s，將每天的數(shù)據(jù)保存為1個(gè)文檔文件，其大小為1 GB。

2基于卡爾曼濾波器的分類方法

2.1特征值的選取

隨機(jī)變量的方差用來描述與其期望的離散程度，方差的算數(shù)平方根稱為標(biāo)準(zhǔn)差，反映組內(nèi)個(gè)體間的離散程度。本試驗(yàn)通過對應(yīng)的視頻的觀察，分別截取肉牛采食行為和行走行為時(shí)間段的肉牛行為數(shù)據(jù)，分別選取1008個(gè)數(shù)據(jù)，進(jìn)行特征值的提取。

表2所示為成對樣本通過t檢驗(yàn)得到的結(jié)果。通過檢驗(yàn)得到，對1，對2，對3的P（雙側(cè)）小于顯著性水平0.05。因此，3個(gè)方向的加速度可以作為肉牛行為分類的特征值。表2成對樣本t檢驗(yàn)

組別成對差分平均值標(biāo)準(zhǔn)差均值的標(biāo)準(zhǔn)誤差分的95%置信區(qū)間下限上限tdfP值

2.2數(shù)據(jù)預(yù)處理

建模之前首先進(jìn)行數(shù)據(jù)的預(yù)處理，并將采集到的數(shù)據(jù)整理為1 s 1個(gè)數(shù)據(jù)。使用卡爾曼濾波器進(jìn)行數(shù)據(jù)處理，數(shù)據(jù)應(yīng)呈現(xiàn)相關(guān)性。因此，將整理后的數(shù)據(jù)進(jìn)行相關(guān)性分析，結(jié)果如圖4所示，以肉牛采食行為的x軸加速度為例，進(jìn)行相關(guān)性分析，結(jié)果呈周期變化，周期T為18 s。具有平滑變化波長的偽循環(huán)，該模型被稱為動(dòng)態(tài)線性模型（dynamic linear model，DLM）。endprint

本試驗(yàn)建模所用數(shù)據(jù)滿足2個(gè)條件：第一，選取的行為為本試驗(yàn)期間牛的正常行為；第二，選取的數(shù)據(jù)盡量避開多個(gè)行為同時(shí)發(fā)生時(shí)的行為數(shù)據(jù)。

2.3基于卡爾曼濾波器分類模型的建立

卡爾曼濾波器可以通過現(xiàn)有的測量數(shù)據(jù)預(yù)測出下一個(gè)時(shí)刻的測量值。通過卡爾曼濾波器的5個(gè)公式來進(jìn)行數(shù)據(jù)的循環(huán)，最后得出預(yù)測的最優(yōu)解。對肉牛行為分類，其觀測值具有動(dòng)態(tài)線性模型數(shù)據(jù)的特點(diǎn)，其動(dòng)態(tài)線性模型通常由一組微分方程表示，分別表示系統(tǒng)觀測的變化和系統(tǒng)過程的變化。

觀測方程：Yt=FTtθt+vtvt～N（0，V）；

過程方程：θt=Gtθt-1+ωtωt～N（0，Wt）。

其中：Ft為系統(tǒng)參數(shù)矩陣；θt為狀態(tài)向量；Gt為狀態(tài)轉(zhuǎn)化矩陣；Yt為檢測得到肉牛的加速度和加速度的模。

FTt=1，sin2πT，cos2πT。

Gt=I，為單位矩陣。

假定vt和ωt為過程和測量產(chǎn)生的相互獨(dú)立的噪音，且服從均值為0、方差分別為V和Wt的正態(tài)分布。由于狀態(tài)向量θt隨變化的正余弦分量的隨機(jī)變化，使模型也呈周期為T的周期變化。基于卡爾曼濾波的動(dòng)態(tài)線性模型通過假定均值向量mt和所有以前加速度觀測值Dt={Y1，Y2，…，Yt}的方差矩陣Ct。因此，狀態(tài)向量θt的條件分布為：

（θt|Dt）～N（mt，Ct）。

DLM包括觀測數(shù)據(jù)的正弦余弦運(yùn)動(dòng)狀態(tài)數(shù)據(jù)：狀態(tài)向量θt由一組描述模型在時(shí)間t的參數(shù)（μt）和正弦余弦分量（st、ct）在時(shí)間t，即：

θt=μt

st

ct。

系統(tǒng)方差Wt被定義成：

Wt=Wμ

Wsc

Wsc。

觀測方差V和系統(tǒng)方差Wt的參數(shù)Wμ和Wsc表示牛每種行為各軸的特點(diǎn)，其通過EM抽樣算法（最大期望算法，expectation maximization algiorithm）估計(jì)得，EM抽樣算法是通過極大似然估計(jì)來估計(jì)未知參量的一種重復(fù)的算法。平均向量mt和方差Ct經(jīng)過卡爾曼濾波器平滑后得到m～t和C～t。

肉牛2個(gè)行為分別有4個(gè)參量（x、y、z軸加速度和加速度模長acc），本研究應(yīng)用了上面定義的8個(gè)DLM，DLM中每個(gè)時(shí)間t都由4個(gè)變量表示，即

Mt：{F，G，V，W}t（t=1，2，…）。

在一階多進(jìn)程模型中，一個(gè)單獨(dú)的DLM可以適當(dāng)?shù)孛枋稣麄€(gè)時(shí)間序列。然而，定義參數(shù)向量α=α（i，j）的真實(shí)值是不確定的，其中α（i，j）表示8個(gè)DLM的參數(shù)，即5個(gè)活動(dòng)類型對4個(gè)軸上的映射。

Mt=Mt（α） （t=1，2，…）。

每一個(gè)DLM的Mt（α）都使用卡爾曼修正方程進(jìn)行分析，每個(gè)觀察時(shí)間t計(jì)算模型的一步預(yù)測均值ft及其各自的方差Qt。每個(gè)DLM的后驗(yàn)概率（pt）被估計(jì)為：

pt（i）∞φt（i）×pt-1（i）。

式中：φt（i）為過去觀察值（Dt-1）的預(yù)測分布。

φt=1det2πQtexp[-12（Yt-ft）TQ-1t（Yt-ft）]。

先驗(yàn)概率是指根據(jù)以往經(jīng)驗(yàn)和分析得到的概率，后驗(yàn)概率是基于新的信息，修正原來的先驗(yàn)概率后所獲得的更接近實(shí)際情況的概率估計(jì)。

在實(shí)踐中，每個(gè)DLM使用建模數(shù)據(jù)集估計(jì)參數(shù)的分析；對周期T的值設(shè)置為18 s。肉牛的采食行為和行走行為的后驗(yàn)概率的初始值設(shè)定為0.2，每個(gè)時(shí)間t的后驗(yàn)概率的值都會更新。對于后驗(yàn)概率的初始值理論上不為0，為多少都可以，后驗(yàn)概率為0說明系統(tǒng)處于一個(gè)穩(wěn)定的狀態(tài)。

如圖5-a，采食行為很容易被觀察到，但后驗(yàn)概率的值通常很低，如圖3-a所示，很少超過0.5。行走行為只有一個(gè)軸能被識別——所測量的水平向前的z軸加速度，大約在25 s后后驗(yàn)概率超過0.5。在這里觀察到的面板之間的差異可以解釋的值選擇的閾值，即閾值p=0.5。

3模型檢驗(yàn)

使用測試數(shù)據(jù)集的數(shù)據(jù)，采用“2”節(jié)提到的建模方法，進(jìn)行10組分析，并將得到的后驗(yàn)概率取平均值。得到的數(shù)據(jù)如圖6所示，“+”的線條表示采食行為的后驗(yàn)概率值，“-” 的線條表示行走行為的后驗(yàn)概率值。置信區(qū)間為95%，水平軸表示的是觀察時(shí)間，單位為s。

本研究中探討的分類方法的結(jié)果表明，肉牛的采食行為和行走行為都可以被識別。采食行為任何一個(gè)軸的后驗(yàn)概率都很快達(dá)到1，而行走行為只有z軸加速度在80 s后后驗(yàn)概率才達(dá)到1。

為了證實(shí)分類方法的結(jié)果，從測試數(shù)據(jù)集中抽取新的參數(shù)和用于建模的學(xué)習(xí)數(shù)據(jù)集中參數(shù)進(jìn)行比較，表3說明在 2 min 的時(shí)間序列中后驗(yàn)概率為0.5以上的數(shù)據(jù)的比。左邊顯示的為取自測試數(shù)據(jù)集分析的結(jié)果，右邊的面板顯示了從學(xué)習(xí)數(shù)據(jù)集的結(jié)果。

4結(jié)論

本研究中提出利用多進(jìn)程卡爾曼濾波器對肉牛行為分類的方法行之有效，為進(jìn)一步建立肉牛行為模型奠定了基礎(chǔ)。其中，采食行為的正確率為78%。但在這項(xiàng)研究中所使用的數(shù)據(jù)集是在理想條件下選取的，即每個(gè)周期只有1種肉牛行為，肉牛行為不重疊，將誤差減小到最低，這可能會導(dǎo)致準(zhǔn)確性偏高。

如果使用更完整的數(shù)據(jù)集，并且加速度測量與視頻記錄同步，進(jìn)行進(jìn)一步包括3個(gè)軸相結(jié)合的1個(gè)多變量模型的分析，在后續(xù)研究中可以進(jìn)行嘗試。同時(shí)，如果該方法使用1個(gè)更大數(shù)量的檢測數(shù)據(jù)，這個(gè)行為類型自動(dòng)分類方法的發(fā)展趨勢可以用于檢測肉牛疾病或福利狀況。

參考文獻(xiàn)：

[1]田富洋，王冉冉，劉莫塵，等. 基于神經(jīng)網(wǎng)絡(luò)的奶牛發(fā)情行為辨識與預(yù)測研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（增刊1）：277-281.

[2]郭東東，郝潤芳，吉增濤，等. 基于三軸加速度傳感器的山羊行為特征分類與識別[J]. 家畜生態(tài)學(xué)報(bào)，2014，35（8）：53-57.endprint

[3]劉龍申，沈明霞，姚文，等. 基于加速度傳感器的母豬產(chǎn)前行為特征采集與分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（3）：192-196.

[4]尹令，劉財(cái)興，洪添勝，等. 基于無線傳感器網(wǎng)絡(luò)的奶牛行為特征監(jiān)測系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（3）：203-208.

[5]高晶敏，梁箐箐，李春云. 基于RBF神經(jīng)網(wǎng)絡(luò)的人體動(dòng)態(tài)姿勢識別算法[J]. 北京信息科技大學(xué)學(xué)報(bào)，2011，26（4）：26-29.

[6]Oliviero C，Pastell M，Heinonen M，et al. Using movement sensors to detect the onset of farrowing[J]. Biosystems Engineering，2008，100（2）：281-285.

[7]CornouC，Lundbye-ChristensenS.Classifyingsowsactivitytypes

from acceleration patterns：an application of the Multi-Process Kalman Filter[J]. Applied Animal Behaviour Science，2008，111（3/4）：262-237.

[8]Cornou C，Lundbye-Christensen S. Classification of sows activity types from acceleration patterns using univariate and multivariate models[J]. Computers and Electronics in Agriculture，2010，72（2）：53-60.

[9]郭東東，郝潤芳，吉增濤，等. 基于三軸加速度傳感器的山羊行為特征分類與識別[J]. 家畜生態(tài)學(xué)報(bào)，2014，35（8）：53-57.

[10]李長悅，何東健. 基于WSN的奶牛信息采集傳輸系統(tǒng)的研究[J] 農(nóng)機(jī)化研究，2013，35（9）：112-115.

[11]鄭李鵬，何東健. 基于WSN的奶牛信息采集網(wǎng)關(guān)節(jié)點(diǎn)研究[J]. 農(nóng)機(jī)化研究，2011，33（10）：162-165.

[12]Ehasn K，Juha H，Anna V，et al. Real-time recognition of sows in video：a supervised approach[J]. Information Processing in Agriculture，2014（1）：73-81.

[13]Cornou C，Lundbye-Christensen S，Kristensen A R. Modelling and monitoring sows activity types in farrowing house using acceleration data[J]. Computers and Electronics in Agriculture，2011，76（2）：316-324.

[14]戚永剛. 基于卡爾曼濾波的城市路口車輛檢測及分類[J]. 電視技術(shù)，2013，37（19）：241-245.

[15]焉曉貞，羅清華. 基于卡爾曼濾波的動(dòng)態(tài)傳感數(shù)據(jù)流估計(jì)方法[J]. 儀器儀表學(xué)報(bào)，2013，34（8）：1847-1854.

[16]馮智勇，曾瀚，張力，等. 基于陀螺儀及加速度計(jì)信號融合的姿態(tài)角度測量[J]. 西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，36（4）：137-141.

[17]朱清華. 自傳旋翼飛行器總體設(shè)計(jì)關(guān)鍵技術(shù)研究[D]. 南京：南京航空航天大學(xué)，2007.陳熔，俞彤. 基于APP的農(nóng)產(chǎn)品質(zhì)量安全監(jiān)管平臺的設(shè)計(jì)與開發(fā)[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（12）：171-173.endprint