侯云濤，蔡曉華，吳澤全，東忠閣

(1.黑龍江省農(nóng)業(yè)機(jī)械工程科學(xué)研究院，哈爾濱　150081；2.哈爾濱博納科技有限公司，哈爾濱　150081)

0　引言

近年來，隨著人民群眾對(duì)奶產(chǎn)品的需求加大及規(guī)?；膛ｐB(yǎng)殖場(chǎng)數(shù)目的快速增加，奶牛養(yǎng)殖過程的自動(dòng)化、智慧化和網(wǎng)絡(luò)信息化程度亟待提高。加強(qiáng)對(duì)奶牛個(gè)體日常的監(jiān)控和管理水平，對(duì)保障奶牛健康和奶產(chǎn)量十分重要[1]。

奶牛個(gè)體的行為特征按照不同的判斷準(zhǔn)則和應(yīng)用目的有多種不同的分類依據(jù)和方法。相關(guān)實(shí)驗(yàn)成果表明：奶牛發(fā)情初期會(huì)出現(xiàn)莫名興奮及難以平靜等現(xiàn)象，而沒有發(fā)情奶牛則表現(xiàn)得相對(duì)散漫。奶牛處在發(fā)情期時(shí)，時(shí)常會(huì)做出爬跨類行為；奶牛生病時(shí)，躺臥、站立等行為時(shí)間往往大幅度增長(zhǎng)[2]。因此，監(jiān)測(cè)并準(zhǔn)確識(shí)別奶牛運(yùn)動(dòng)行為特征是判斷奶牛是否處于發(fā)情和身體狀況異常的有效方法之一。

目前，我國(guó)多半的奶牛養(yǎng)殖過程采取的依然是傳統(tǒng)的人工養(yǎng)殖，往往需要很多飼養(yǎng)人員，且很多時(shí)候不能快速診斷奶牛疾病，難以迅速、精確地判斷出奶牛是否處在發(fā)情階段，直接影響了初奶的營(yíng)養(yǎng)、口感及產(chǎn)出量，大幅度降低了奶牛養(yǎng)殖效率。

近年來，國(guó)內(nèi)外學(xué)者已經(jīng)廣泛展開運(yùn)用無線物聯(lián)網(wǎng)技術(shù)對(duì)奶牛行為進(jìn)行實(shí)時(shí)監(jiān)控的研究。澳大利亞CSIRO研究機(jī)構(gòu)的科研專家利用三軸加速度計(jì)采集奶牛的體表溫度、三軸加速度、速度、三軸磁場(chǎng)強(qiáng)度值和個(gè)體位置等數(shù)據(jù)，從而采用閾值法來分類和判定動(dòng)物行為特征[3]。美國(guó)的相關(guān)科研專家通過行為特征數(shù)據(jù)還原奶牛躺臥、站立、運(yùn)動(dòng)等行為，從而判別奶牛是否健康[4]。北歐的研究人員利用支持向量機(jī)(SVM)分類算法分類并判斷奶牛的站、躺、反芻、食料、正常行走和跛腳走等日常行為特征。Nadimi等使用基于ZigBee無線傳感器網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)動(dòng)物行為并對(duì)其行為模式分類。尹令等人通過分析三軸加速度數(shù)據(jù)，還原奶牛的運(yùn)動(dòng)行為，從而判斷奶牛是否處于發(fā)情期。

本文設(shè)計(jì)了一種配置有加速度傳感器的基于ZigBee無線傳感技術(shù)的傳感器節(jié)點(diǎn)，將節(jié)點(diǎn)以項(xiàng)圈的形式佩戴在奶牛脖子上，在不干涉其正常活動(dòng)的情況下實(shí)時(shí)監(jiān)測(cè)，并采集奶牛三軸運(yùn)動(dòng)加速度數(shù)據(jù)，利用基于二叉決策樹支持向量機(jī)(Support Vector Machine，SVM)時(shí)間序列模型識(shí)別奶牛個(gè)體的行為特征，使飼養(yǎng)人員能夠及早了解奶牛的身體狀況。

1　運(yùn)動(dòng)加速度數(shù)據(jù)的采集與處理

1.1　數(shù)據(jù)采集

實(shí)驗(yàn)中使用的測(cè)試數(shù)據(jù)來源于4頭奶牛的視頻記錄，其中兩頭是處于發(fā)情期的成年奶牛。這4 頭奶牛被散養(yǎng)在一個(gè)可自由活動(dòng)的場(chǎng)所內(nèi)，奶牛的運(yùn)動(dòng)行為特征由攝像機(jī)拍攝和記錄。攝像機(jī)的記錄時(shí)間與數(shù)據(jù)采集裝置的測(cè)試時(shí)間同步，通過查看錄相可以精確了解奶牛每個(gè)時(shí)刻的動(dòng)作，通過加速度數(shù)值可以看出奶牛運(yùn)動(dòng)速度變化的快慢程度。測(cè)試中，數(shù)據(jù)采集裝置(加速度傳感器)的安裝方向如下：x軸指向奶牛的頭；傳感器y軸與傳感器x軸構(gòu)成一個(gè)平面，正方向指向奶牛身體外側(cè)；z軸指向地面。加速度傳感器采樣頻率為10Hz。

1.2　數(shù)據(jù)處理

采集的奶牛三軸加速度數(shù)據(jù)是依據(jù)時(shí)間順序排列的運(yùn)動(dòng)數(shù)據(jù)的集合，每條數(shù)據(jù)都是依據(jù)時(shí)序的順序排列，是多元時(shí)序數(shù)據(jù)。在時(shí)序分析中，最顯著的特點(diǎn)是按照時(shí)序排列數(shù)據(jù)的先后次序。在分析時(shí)間序列時(shí)，需要注意的應(yīng)是時(shí)序數(shù)據(jù)在某個(gè)時(shí)間區(qū)域內(nèi)的變化方式和內(nèi)在的變化規(guī)則，而不是對(duì)于時(shí)序中某一單個(gè)數(shù)據(jù)點(diǎn)分析[5]。

奶牛三軸加速度采集裝置佩帶在奶牛頸部，裝置的些許晃動(dòng)和碰撞都會(huì)產(chǎn)成對(duì)時(shí)序數(shù)據(jù)的噪聲疊加，這些因素都給對(duì)時(shí)序數(shù)據(jù)分析帶來相當(dāng)?shù)睦щy。同時(shí)，由于時(shí)序數(shù)據(jù)具有高維度的特點(diǎn)，因此直接在原始數(shù)據(jù)上進(jìn)行分析時(shí)不僅運(yùn)算量大，還會(huì)有大量冗余信息，從而影響算法的可靠性和準(zhǔn)確性。為此，本研究針對(duì)時(shí)序數(shù)據(jù)的有序性、信息量大及特征類別多等特點(diǎn)，通過計(jì)算采樣點(diǎn)之間的距離，將加速度時(shí)序數(shù)據(jù)劃分成子序列段的集合。

為能夠準(zhǔn)確地劃分子序列段，首先需要獲得每個(gè)采樣序列點(diǎn)ai的點(diǎn)距離Radius(ai)，然后通過與設(shè)定的閾值σ比較(閾值根據(jù)具體的應(yīng)用領(lǐng)域確定)，按照比較結(jié)果尋找ai的同質(zhì)點(diǎn)和同質(zhì)區(qū)域，最終得到子序列段Lt(k)(下標(biāo)t表示t時(shí)刻的子序列段,k為子序列段的長(zhǎng)度)。對(duì)時(shí)序數(shù)據(jù)精確的分段處理，能夠高效地選擇和記錄短時(shí)域內(nèi)相同運(yùn)動(dòng)行為的顯著局部特性，同時(shí)又不會(huì)丟失全時(shí)間域內(nèi)所有行為的全局特性。

得到子序列段Lt(k)后，按照本文對(duì)子序列特征向量的定義，計(jì)算得到子序列的特征向量組。每當(dāng)獲得20個(gè)子序列特征向量組后，這20組特征數(shù)據(jù)將由終端節(jié)點(diǎn)通過ZigBee無線網(wǎng)絡(luò)上傳至PC機(jī)，依次輸入支持向量機(jī)分類模型，從而判斷在這20個(gè)時(shí)間子序列段內(nèi)奶牛個(gè)體的運(yùn)動(dòng)狀態(tài)。如果較長(zhǎng)采樣時(shí)間(2min)內(nèi)仍未獲得足夠20個(gè)的子序列特征向量組，那么將由終端節(jié)點(diǎn)將采樣時(shí)間(2min)內(nèi)的子序列特征向量組上傳至PC機(jī)，判斷采樣時(shí)間(2min)內(nèi)的奶牛個(gè)體的運(yùn)動(dòng)狀態(tài)。以上兩種操作中，第1種操作的優(yōu)先級(jí)高于第2種操作。也就是說，當(dāng)獲得20個(gè)子序列特征向量組的采樣時(shí)間小于2min時(shí)，上傳數(shù)據(jù)后，子序列個(gè)數(shù)和采樣時(shí)間同步清零；若采樣時(shí)間(2min)內(nèi)仍未獲得20個(gè)子序列特征向量組，上傳采樣時(shí)間(2min)內(nèi)的各子序列特征向量組，子序列個(gè)數(shù)和采樣時(shí)間同步清零。

上文涉及到的相關(guān)定義如下：

定義1(時(shí)間采樣序列點(diǎn))：由多維度數(shù)據(jù)和對(duì)應(yīng)的記載時(shí)間組成的時(shí)間數(shù)據(jù)的集合，記為x={(a0,t0),...,(an,tn)}，元素(ai,ti)代表采樣序列x在ti時(shí)刻的采樣值ai，記載時(shí)間ti必須是遵守遞增的(i≤j?ti≤tj,0≤i,j≤n)。任意時(shí)刻ti的采樣值記作ai=(ai,x,ai,y,ai,z)，下標(biāo)x,y,z代表采樣點(diǎn)對(duì)應(yīng)的坐標(biāo)。

定義2(序列采樣點(diǎn)間距離)：針對(duì)任意連續(xù)時(shí)刻ti、ti-1對(duì)應(yīng)的2個(gè)采樣點(diǎn)ai與ai-1之間的空間距離Radius定義為Radius=|ai,x-ai-1,x|+|ai,y-ai-1,y|+|ai,z-ai-1,z|，記作Radius(ai)。

定義3(序列同質(zhì)采樣點(diǎn))：如果任意時(shí)刻的兩個(gè)連續(xù)采樣點(diǎn)at、at-1間的距離Radius和闕值σ符合Radius(ai)<σ，則稱此2點(diǎn)為序列同質(zhì)采樣點(diǎn)。

定義4(序列同質(zhì)區(qū)域)：對(duì)于從采樣點(diǎn)ai的采樣時(shí)刻ti到采樣點(diǎn)ai+n的采樣時(shí)刻ti+n的一段持續(xù)采樣時(shí)間區(qū)域T，若符合該時(shí)間區(qū)域內(nèi)相鄰的每個(gè)采樣點(diǎn)都是同質(zhì)點(diǎn)，并且n

定義5(子序列特征向量組)：

(1)

其中，Amax=(Max|at,at+1,...,at+k|)代表子序列段數(shù)據(jù)中最大加速度的絕對(duì)值，Aavg(Lt(k))、Amin(Lt(k))分別是子序列段數(shù)據(jù)中平均加速度、最小加速度的絕對(duì)值。以上3個(gè)特征數(shù)據(jù)分別從最大、平均值和最小加速度3個(gè)方面來衡量三軸加速度的差別。

EnergyDis(Lt(k))體現(xiàn)了奶牛運(yùn)動(dòng)能量的差異化。能量特征值計(jì)算公式為

(2)

式(2)給出了子序列段時(shí)序數(shù)據(jù)中綜合加速度的平均能量的差異。

DeviaDis(Lt(k))體現(xiàn)了體現(xiàn)了三軸加速度波動(dòng)的狀況，計(jì)算公式為

(3)

這個(gè)特征值給出了子序列段數(shù)據(jù)中綜合加速度波動(dòng)的差別。

2　支持向量機(jī)分類算法

2.1　支持向量機(jī)原理

(4)

約束條件為

(5)

圖1　最優(yōu)分類超平面

高維度映射空間的高維度向量?jī)?nèi)積總會(huì)在輸入樣本空間找到一個(gè)核函數(shù)，能夠滿足Mercer條件。使得K(xi,xj)=(Φ(xi)·Φ(xj))，所以并非必需尋求非線性映射的具體函數(shù)表達(dá)式，從而達(dá)到避開求非線性映射而轉(zhuǎn)求內(nèi)積的目的，即求解

(6)

約束條件為

(7)

常見的核函數(shù)有：

(8)

徑向基核K(x,xi)=exp(-γ|x-xi|2)

(9)

Sigmoid核K(x,xi)=tanh(r(x·xi)+c)

(10)

線性核K(x,xi)=x·xi

(11)

(12)

當(dāng)樣本數(shù)據(jù)在高維映射空間無法進(jìn)行無誤差分離時(shí)，引入松弛變量ξi≥0，并通過求解公式(13)保證數(shù)據(jù)誤分率最小，即

(13)

其中，ξi為衡量樣本數(shù)據(jù)(xi·yi)對(duì)可以分離的預(yù)期偏離參數(shù)。C>0是1個(gè)常數(shù)，它反映了對(duì)誤分的補(bǔ)償水平，保證分類機(jī)的繁復(fù)性和無法分離點(diǎn)數(shù)量之間的最優(yōu)性；C越大代表對(duì)誤分的補(bǔ)償就越大；C為平衡因子，反映第1項(xiàng)與第2項(xiàng)之間的權(quán)衡。使用Lagrange乘子方法，求解可轉(zhuǎn)化為

(14)

約束條件為

(15)

2.2　基于二叉樹SVM的多類分類方法

作為一種機(jī)器學(xué)習(xí)算法，支持向量機(jī)具有可訓(xùn)練的優(yōu)勢(shì)，但由于訓(xùn)練所需樣本較少，所以較多地應(yīng)用在小樣本分類。對(duì)于不同的多類分類規(guī)劃，使用支持向量機(jī)的具體處理方式也各不相同，主要有一對(duì)余(OAA)、一對(duì)一(OAO)及二叉樹等。考慮奶牛行為特征分類的實(shí)際情況，本研究采取二叉樹結(jié)構(gòu)，自根節(jié)點(diǎn)從上至下，逐層構(gòu)造SVM 兩類分類器的分類識(shí)別算法。

在使用二叉樹SVM對(duì)樣本集進(jìn)行分類時(shí)，不同的分類順序會(huì)導(dǎo)致分類結(jié)果出現(xiàn)較大差異。為了提高針對(duì)奶牛行為特征的分類精度，努力使分辨誤差不在靠近根結(jié)點(diǎn)的分類器中產(chǎn)生，要求必須把辨識(shí)度最大的類最先分辨出來。按照訓(xùn)練參數(shù)的特征值測(cè)算各類元素集彼此的易分程度，普通的分離是用類空間中心間的歐式距離或Mahalanobis距離作為各類之間的易分性指數(shù)，但這種分離策略的缺陷在于：類之間的易分性，很多時(shí)候還需要考慮類的數(shù)學(xué)分布。圖2為不同的類間可分離性比對(duì)示意。由于(a)、(b)兩圖中所示意的類之間的距離是一樣的，因此可以很容易得出結(jié)論：(a)中的兩個(gè)類遠(yuǎn)遠(yuǎn)要比(b)中的兩個(gè)類難于區(qū)分。

圖2　類間可區(qū)分性比對(duì)示意圖

所以，類的數(shù)學(xué)分布是影響類間區(qū)分性測(cè)度的關(guān)鍵考慮因素[6]。按照以上結(jié)論，本研究方法考慮類之間相似度定義時(shí)，在考慮類中心點(diǎn)之間的距離的同時(shí)，基于類之間的空間分布，提出一種新的類之間的分離度定義。

第i類中心點(diǎn)定義為

(16)

其中，Φ(xs)表示將輸入空間的樣本多維特征向量用非線性映射Φ：Rm→Rn映射到對(duì)應(yīng)的高維空間中。

i類與j類的距離定義為

(17)

其中

類之間的相似度定義為

(18)

其中，(Rj=max‖xt-mi‖)。

綜合以上的研究，本文提出一種聚類與二叉樹SVM融合的分類方法。算法步驟具體如下：

第1步：由式(18)得到類與類之間的相似程度；

第2步：將具有最高相似度的兩個(gè)類合并構(gòu)成一個(gè)新的大類，再重新訓(xùn)練支持向量，運(yùn)用式(16)～式(18) 得到新類的類中心點(diǎn)坐標(biāo)及新類與其余各類的距離數(shù)據(jù)，進(jìn)而計(jì)算新類與其余各類的相似度；

第3步：反復(fù)操作第1步和第2步，最后訓(xùn)練樣本被聚成兩個(gè)大的類，將此兩類作為二叉樹根節(jié)點(diǎn),按照從上至下的順序構(gòu)造二叉樹的SVM子分類器。

3　奶牛行為特征分類模型的建立

據(jù)相關(guān)實(shí)驗(yàn)結(jié)果顯示：奶牛處于發(fā)情早期，會(huì)出現(xiàn)異于平時(shí)的狀態(tài)(躁動(dòng)、興奮等)，而未發(fā)情的狀態(tài)則較為懶散。奶牛處于發(fā)情時(shí)期，時(shí)常會(huì)做出爬跨動(dòng)作；奶牛不舒服時(shí)，全天會(huì)基本處于躺臥。因此，監(jiān)測(cè)奶牛行為特征是判斷奶牛發(fā)情和身體異常的一個(gè)有效方法。奶牛的每天行為并非簡(jiǎn)單的重復(fù)，本研究將其行為類別分為靜止和運(yùn)動(dòng)兩個(gè)狀態(tài)。其中，運(yùn)動(dòng)狀態(tài)包括慢走行為、快走行為、爬跨行為、慢跑行為和快跑行為。

將采集得到三軸加速度時(shí)間序列數(shù)據(jù)按照1.2節(jié)提出的方法相應(yīng)處理，之后在得到的時(shí)間子序列的特征向量集中選擇出訓(xùn)練數(shù)據(jù)集(占比70%)，運(yùn)用第2.2節(jié)提出的分類方法將所有樣本數(shù)據(jù)分成兩個(gè)子類，作為根節(jié)點(diǎn)；再將根節(jié)點(diǎn)進(jìn)一步劃分成兩個(gè)次級(jí)子類，將這兩個(gè)子類作為后續(xù)待劃分的次級(jí)根節(jié)點(diǎn)；按照這個(gè)方式繼續(xù)劃分，直到最后分離出兩個(gè)相似度最大的類，此時(shí)需要選擇切合狀況的核函數(shù)構(gòu)造類之間的二值支持向量機(jī)分類器。

支持向量機(jī)核函數(shù)的選擇非常重要，核函數(shù)的差異會(huì)在各類中產(chǎn)生不同的支持向量。因此，核函數(shù)的選取及參數(shù)的確定對(duì)于分類的實(shí)時(shí)性和精確性有著深遠(yuǎn)的影響。

本文通過實(shí)驗(yàn)測(cè)試和比對(duì)，將二值支持向量機(jī)分類器的核函數(shù)確定為徑向基函數(shù)( Radial Basis Function，RBF) 。最終，建立了如圖 3 所示的二叉樹SVM順序結(jié)構(gòu)。

圖3　二叉樹SVM順序結(jié)構(gòu)分類圖

4　實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)記錄數(shù)據(jù)來源于1頭健康成年奶牛2h的行為特征記錄。采樣頻率為 10 Hz，共采集樣本426 506個(gè)。對(duì)試驗(yàn)樣本中的時(shí)序數(shù)據(jù)進(jìn)行子序列劃分后，子序列個(gè)數(shù)共為2 432個(gè)，行為特征分類測(cè)試結(jié)果如表1所示。

表1　奶牛行為特征分類測(cè)試結(jié)果

表1測(cè)試結(jié)果表明：分類模型的整體測(cè)試結(jié)果是較好的。其中，靜止與運(yùn)動(dòng)兩大類特征行為的區(qū)分準(zhǔn)確率較高，達(dá)到 94.10%；區(qū)分微小運(yùn)動(dòng)與劇烈運(yùn)動(dòng)時(shí)，準(zhǔn)確率為 86.78%；但對(duì)奶牛的行為特征進(jìn)行細(xì)致劃分時(shí)，區(qū)分度相對(duì)較低。經(jīng)分析后，主要存在以下幾個(gè)導(dǎo)致誤差較大的因素：

1)由于數(shù)據(jù)采集裝置佩戴在牛頸上，其對(duì)奶牛頭部活動(dòng)較為敏感，而頭部活動(dòng)易存在行為特征的復(fù)合，導(dǎo)致噪聲干擾；

2)奶牛的行為特征是依靠肉眼判定的，但目前并沒有奶牛行為判斷的標(biāo)準(zhǔn)，并且有時(shí)特征不顯著，僅僅依靠肉眼觀察和判斷，使源樣本數(shù)據(jù)不可靠；

3)項(xiàng)圈能在某些情況下下輕微移動(dòng)，導(dǎo)致三軸加速度采集裝置產(chǎn)生傾斜角度，產(chǎn)生噪聲干擾。

5　結(jié)論與討論

5.1　結(jié)論

針對(duì)奶牛個(gè)體的行為特征的分類問題，基于二叉樹SVM 構(gòu)造了多類分類模型，用于分類和判定靜止、慢走、快走、快跑、慢跑及爬跨等日常行為特征。經(jīng)過實(shí)驗(yàn)檢測(cè)，區(qū)分運(yùn)動(dòng)和靜止能夠到90%以上的準(zhǔn)確度，區(qū)分小幅和大幅運(yùn)動(dòng)也能達(dá)到85%以上的準(zhǔn)確度；但再細(xì)分小幅度和大幅度的活動(dòng)時(shí)會(huì)出現(xiàn)一些誤判情況，模型的區(qū)分度還需要進(jìn)一步提高。

5.2　討論

盡管本文對(duì)奶牛個(gè)體行為特征分類進(jìn)行了深入研究，建立的多分類模型能夠較準(zhǔn)確地判定奶牛個(gè)體的行為特征，但本系統(tǒng)目前依然還不夠完善，有待進(jìn)一步提高。

1)測(cè)試受到場(chǎng)地、資源等多方面限制，隨機(jī)選擇了1頭成年發(fā)情奶牛，記錄了這頭奶牛2h內(nèi)的行為特征數(shù)據(jù)，進(jìn)行模型區(qū)分度評(píng)估。后續(xù)實(shí)驗(yàn)要延長(zhǎng)個(gè)體行為的數(shù)據(jù)采集時(shí)間，增加個(gè)體數(shù)據(jù)采集量；同時(shí)，對(duì)不同品種、不同年齡的奶牛進(jìn)行實(shí)驗(yàn)對(duì)比，擴(kuò)大實(shí)驗(yàn)范圍，優(yōu)化特征識(shí)別模型。

2)考慮增加奶牛體溫和脈搏檢測(cè)模塊，在采集加速度數(shù)據(jù)的同時(shí)，結(jié)合奶牛個(gè)體處于不同行為狀態(tài)時(shí)的體溫和脈搏的變化情況，對(duì)奶牛的行為特征進(jìn)行綜合判定，提高區(qū)分的準(zhǔn)確率。