王 俊，譚 驥，張海洋，高 頌

(河南科技大學(xué)農(nóng)業(yè)裝備工程學(xué)院，河南 洛陽(yáng) 471003)

近年來(lái)，我國(guó)奶牛養(yǎng)殖規(guī)?；斤@著提高[1]，但占比較大的仍是中小型養(yǎng)殖場(chǎng)。中小型養(yǎng)殖場(chǎng)面臨很多問(wèn)題，如管理方法滯后、疾病監(jiān)測(cè)自動(dòng)化程度低[2-4]，迫切需要應(yīng)用綜合性的奶牛管理系統(tǒng)以提升管理水平，而其中行為監(jiān)測(cè)水平直接關(guān)系奶牛的健康或福利狀況，是奶牛管理系統(tǒng)功能實(shí)現(xiàn)的先決條件[5-7]。對(duì)于奶牛行為的監(jiān)測(cè)方法，一般分為2種，包括傳統(tǒng)監(jiān)測(cè)法與數(shù)字化監(jiān)測(cè)法。傳統(tǒng)監(jiān)測(cè)法主要有人工觀測(cè)法、尾部噴漆法、直腸檢測(cè)法等，這些監(jiān)測(cè)方法所需監(jiān)測(cè)時(shí)間長(zhǎng)，效率低，且有一定的操作危險(xiǎn)性。數(shù)字化監(jiān)測(cè)法應(yīng)用物聯(lián)網(wǎng)技術(shù)采集奶牛的活動(dòng)量、體溫、位置、產(chǎn)奶量等參數(shù)，通過(guò)智能算法綜合這些參數(shù)判定奶牛身體狀況，該方法是奶牛行為監(jiān)測(cè)技術(shù)的發(fā)展方向。

在數(shù)字化監(jiān)測(cè)法研究領(lǐng)域，相關(guān)研究人員已利用三軸加速度傳感器采集奶牛運(yùn)動(dòng)信息，并利用判別算法對(duì)奶牛行為進(jìn)行有效分類。鄧志赟等利用無(wú)線傳感器技術(shù)，建立PAM(Partitioning Around Medoid)算法對(duì)奶牛行為進(jìn)行分析，監(jiān)測(cè)奶?；顒?dòng)的異常情況[8]；Alsaaod等[9]通過(guò)計(jì)步器收集奶牛的運(yùn)動(dòng)信息，并研發(fā)一種新的RumiWatch算法判斷奶牛行為，用于改善奶牛自動(dòng)飼養(yǎng)管理系統(tǒng)?，F(xiàn)有數(shù)字化監(jiān)測(cè)法基本采用監(jiān)測(cè)數(shù)據(jù)集中讀取的工作方式，存在實(shí)時(shí)性差、無(wú)法判定奶牛突發(fā)行為等問(wèn)題，一旦采集設(shè)備出現(xiàn)硬件故障，存在奶牛行為記錄全部丟失的風(fēng)險(xiǎn)。

以實(shí)時(shí)監(jiān)測(cè)奶牛行為、節(jié)省養(yǎng)殖人力成本、提高管理效率為目的，本研究設(shè)計(jì)了一套基于無(wú)線傳感器網(wǎng)絡(luò)的奶牛行為實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，該系統(tǒng)由硬件部分、軟件部分組成，實(shí)現(xiàn)對(duì)奶牛運(yùn)動(dòng)行為數(shù)據(jù)的采集、傳輸、存儲(chǔ)、行為實(shí)時(shí)識(shí)別與信息展示等功能，滿足用戶對(duì)數(shù)據(jù)有效管理及應(yīng)用需求，奶牛行為識(shí)別算法采用一種改進(jìn)的模糊聚類算法，可有效提升行為判別的效率和準(zhǔn)確度。

1 系統(tǒng)設(shè)計(jì)

根據(jù)奶牛養(yǎng)殖管理要求，奶牛行為實(shí)時(shí)監(jiān)控系統(tǒng)分為數(shù)據(jù)訪問(wèn)層、業(yè)務(wù)邏輯層、展示層三部分，其中數(shù)據(jù)訪問(wèn)層包括硬件模塊、中繼節(jié)點(diǎn)接收裝置、無(wú)線AP(Wireless access point)及服務(wù)器；業(yè)務(wù)邏輯層包括數(shù)據(jù)庫(kù)中的行為模式判別算法；展示層用于奶?；A(chǔ)信息、硬件基礎(chǔ)信息、奶牛行為屬性信息等的展示。

系統(tǒng)總體設(shè)計(jì)架構(gòu)如圖1所示，硬件模塊固定于被監(jiān)測(cè)奶牛的右后腿上，三軸加速度信息通過(guò)硬件模塊中的無(wú)線傳輸單元發(fā)送給中繼節(jié)點(diǎn)接收裝置，中繼節(jié)點(diǎn)接收裝置將接收的信息通過(guò)無(wú)線AP，匯總至服務(wù)器，服務(wù)器對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)、處理和分析后展示給用戶。

圖1 系統(tǒng)總體架構(gòu)設(shè)計(jì)圖Fig.1 Schematic diagram of system architecture

1.1 硬件系統(tǒng)設(shè)計(jì)

硬件系統(tǒng)采用低功耗、靈敏度高、穩(wěn)定性強(qiáng)的芯片和設(shè)備，在保證準(zhǔn)確率的同時(shí)降低硬件的電能消耗。三軸加速度傳感器采用ADXL345[10]，ADXL345是一款小而薄的超低功耗三軸加速度計(jì)，分辨率高(13位)，測(cè)量范圍達(dá)±16 g，滿足精確采集奶牛產(chǎn)生的加速度數(shù)據(jù)的要求。單片機(jī)MSP430-F149是一種16位具有精簡(jiǎn)指令集、超低功耗的混合型單片機(jī)[11]，其特點(diǎn)是FLASH容量大、片內(nèi)外設(shè)豐富。選擇CC1101用于無(wú)線傳輸模塊及中繼節(jié)點(diǎn)接收裝置，該模塊是一種低成本的UHF收發(fā)器[12]，具有低功耗、高靈敏度的特性，數(shù)據(jù)包誤差率低，通信距離遠(yuǎn)等優(yōu)點(diǎn)。電源選擇18650鋰電池，該電池容量在1 200～3 600 mAh之間，具有容量大、使用壽命長(zhǎng)、沒(méi)有記憶效應(yīng)且內(nèi)阻小的特性，滿足長(zhǎng)時(shí)間工作的平穩(wěn)供電要求。無(wú)線AP選擇TP-LINK TL-AP1750GP全向高功率無(wú)線AP，該設(shè)備具有無(wú)線速率高、覆蓋半徑廣、防水防塵性能強(qiáng)等特點(diǎn)，滿足試驗(yàn)環(huán)境的需求。

將ADXL345、M430-F149、 CC1101進(jìn)行電路集成如圖2所示，在滿足功能需要的同時(shí)，有效減小硬件的體積，奶牛佩戴后，既不會(huì)讓奶牛產(chǎn)生太大的不適應(yīng)感，還能準(zhǔn)確地收集奶牛真實(shí)的運(yùn)動(dòng)數(shù)據(jù)。

圖2 硬件模塊示意圖Fig.2 Schematic diagram of hardware module

1.2 軟件系統(tǒng)設(shè)計(jì)

軟件系統(tǒng)采用B/S架構(gòu)，與傳統(tǒng)奶牛管理軟件的C/S架構(gòu)(如以色列阿菲金公司開發(fā)的牧場(chǎng)管理系統(tǒng)[13])不同，具有良好的實(shí)時(shí)性。軟件系統(tǒng)后端程序以JetBrains PhpStorm 10.0.3為開發(fā)環(huán)境，采用PHP語(yǔ)言為底層的CI框架編寫；前端程序以WebStorm 11.0.3為開發(fā)環(huán)境，采用以Javascript語(yǔ)言為底層的React框架編寫；數(shù)據(jù)庫(kù)選擇MySQL數(shù)據(jù)庫(kù)管理系統(tǒng)。

軟件包括數(shù)據(jù)存儲(chǔ)模塊、數(shù)據(jù)分析模塊、數(shù)據(jù)展示模塊。首先，硬件模塊將奶牛運(yùn)動(dòng)數(shù)據(jù)發(fā)送到數(shù)據(jù)存儲(chǔ)模塊，數(shù)據(jù)存儲(chǔ)模塊將其進(jìn)行分類存儲(chǔ)；其次數(shù)據(jù)分析模塊讀取數(shù)據(jù)，利用判別算法對(duì)數(shù)據(jù)進(jìn)行處理；最后分析的數(shù)據(jù)結(jié)果發(fā)送至數(shù)據(jù)展示模塊，數(shù)據(jù)展示模塊根據(jù)用戶不同的選擇將數(shù)據(jù)生成報(bào)表或直接展示。

1.2.1 數(shù)據(jù)存儲(chǔ)模塊 數(shù)據(jù)存儲(chǔ)模塊使用MySQL數(shù)據(jù)庫(kù)。根據(jù)設(shè)計(jì)需求，數(shù)據(jù)庫(kù)創(chuàng)建三張數(shù)據(jù)表：奶牛基本信息存儲(chǔ)表cow_info，傳感器基本信息存儲(chǔ)表sen_info，奶牛運(yùn)動(dòng)數(shù)據(jù)存儲(chǔ)表cow_taa。表結(jié)構(gòu)設(shè)計(jì)如圖3所示。

圖3 數(shù)據(jù)庫(kù)表結(jié)構(gòu)設(shè)計(jì)Fig.3 Structure design of databaseTable

其中，奶牛基礎(chǔ)信息存儲(chǔ)表(cow_info)負(fù)責(zé)存儲(chǔ)并管理奶牛的編號(hào)(id)、年齡(age)、體重(weight)、綁定傳感器的基礎(chǔ)信息(sen_id)、刪除狀態(tài)位(is_del)；傳感器基礎(chǔ)信息存儲(chǔ)表(sen_id)負(fù)責(zé)存儲(chǔ)并管理三軸加速度信息，包括傳感器編號(hào)(sen_id)、傳感器使用狀態(tài)(status)、刪除狀態(tài)位(is_del)；奶牛運(yùn)動(dòng)數(shù)據(jù)存儲(chǔ)表負(fù)責(zé)存儲(chǔ)硬件模塊發(fā)送的信息，包括奶牛編號(hào)(id)、三軸加速度數(shù)值(xaxis、yaxis、zaxis)、采樣時(shí)間(time)、傳感器編號(hào)(sen_id)等。

1.2.2 數(shù)據(jù)分析模塊 數(shù)據(jù)分析模塊對(duì)存儲(chǔ)數(shù)據(jù)進(jìn)行分析處理，并將結(jié)果提供給數(shù)據(jù)展示模塊，具體包括數(shù)據(jù)庫(kù)操作、流程控制、判別算法等3部分。數(shù)據(jù)庫(kù)操作部分用來(lái)提取數(shù)據(jù)，流程控制部分負(fù)責(zé)進(jìn)行所有程序的邏輯操作。根據(jù)對(duì)奶?；顒?dòng)的觀察，將奶牛分為進(jìn)食、平躺、站立、平躺動(dòng)作、站立動(dòng)作、快走、慢走7種運(yùn)動(dòng)行為，運(yùn)動(dòng)行為分類的詳細(xì)描述如表1所示。

表1 奶牛行為分類描述Table 1 Classification of cow behavior

行為判別算法采用一種改進(jìn)的模糊聚類(Fuzzy C-Means，F(xiàn)CM)算法對(duì)三軸加速度的數(shù)據(jù)進(jìn)行聚類分析，區(qū)分奶牛運(yùn)動(dòng)行為類別。模糊聚類算法是一種采用模糊數(shù)學(xué)語(yǔ)言對(duì)事物按一定的要求進(jìn)行描述和分類的數(shù)學(xué)方法，其優(yōu)點(diǎn)是運(yùn)算時(shí)間短，分類結(jié)果直觀，結(jié)論形式簡(jiǎn)明[14-15]。對(duì)比其他研究中的算法，如田富洋等利用K-means聚類算法進(jìn)行動(dòng)物特征提?。籔aula Martiskainen等研究了一種SAAR(Semantic Annotation and Activity Recognition)系統(tǒng)，利用SVM(Support Vector Machine)支持向量機(jī)技術(shù)識(shí)別奶牛的三軸加速度[16]。傳統(tǒng)的聚類算法，主要是采用隨機(jī)初始化的方式來(lái)獲取隨機(jī)的聚類中心，導(dǎo)致聚類結(jié)果穩(wěn)定性差，嚴(yán)重影響準(zhǔn)確度；同時(shí)，每次聚類都要遍歷數(shù)據(jù)表從而使算法效率極其低下。本研究中所采用的先學(xué)習(xí)，再聚類的方法，根據(jù)樣本特征令算法學(xué)習(xí)首先獲取穩(wěn)定的聚類中心，再和新數(shù)據(jù)進(jìn)行對(duì)比，得到最終聚類結(jié)果，極大地提高了判定準(zhǔn)確率和計(jì)算機(jī)的執(zhí)行效率。算法具體步驟如表2所示。

1.2.3 數(shù)據(jù)展示模塊 數(shù)據(jù)展示模塊用于系統(tǒng)和用戶的良好交互，實(shí)現(xiàn)系統(tǒng)操作，并為用戶展示所需的數(shù)據(jù)。用戶展示模塊分為三個(gè)部分：奶牛基礎(chǔ)信息管理，用于管理奶牛的個(gè)性信息、綁定傳感器編號(hào)等；傳感器管理，用于管理傳感器信息以及所綁定的奶牛號(hào)等；動(dòng)態(tài)實(shí)時(shí)數(shù)據(jù)展示，用于實(shí)時(shí)顯示奶?；A(chǔ)信息與三軸加速度信息，并形成相應(yīng)的曲線圖和統(tǒng)計(jì)圖。

2 試驗(yàn)與結(jié)果

2.1 試驗(yàn)地點(diǎn)及試驗(yàn)方法

為驗(yàn)證系統(tǒng)的整體性能，試驗(yàn)于2017年8月18日至19日，在河南省南陽(yáng)市蒲山鎮(zhèn)楊營(yíng)新村三色鴿奶牛養(yǎng)殖場(chǎng)進(jìn)行。三色鴿奶牛養(yǎng)殖場(chǎng)共有大小奶牛700余頭，均為荷斯坦奶牛，分別飼養(yǎng)在5座雙列對(duì)頭開放式牛舍內(nèi)，牛舍側(cè)視圖如圖4所示，較小牛舍長(zhǎng)66 m，寬10 m，共有3座，較大牛舍長(zhǎng)150 m，寬28 m，共有兩座。試驗(yàn)中，選取4頭健康奶牛，硬件模塊采樣頻率設(shè)為1 Hz，另外采用現(xiàn)場(chǎng)錄像方式觀察奶?；顒?dòng)，與無(wú)線監(jiān)測(cè)數(shù)據(jù)進(jìn)行對(duì)比評(píng)估，試驗(yàn)總時(shí)長(zhǎng)48 h。

采集的試驗(yàn)數(shù)據(jù)構(gòu)成如表3所示，試驗(yàn)中共采集數(shù)據(jù)樣本共27 864條，由于數(shù)據(jù)傳輸丟包、錄像視頻記錄失誤等問(wèn)題，獲取到有效試驗(yàn)數(shù)據(jù)共18 717條，其中試驗(yàn)測(cè)試數(shù)據(jù)11 593條，算法學(xué)習(xí)訓(xùn)練數(shù)據(jù)7124條。硬件模塊固定于奶牛的右后腿上，既可以方便地獲得奶牛的運(yùn)動(dòng)數(shù)據(jù)，也可以防止奶牛平躺時(shí)壓到設(shè)備，且不妨礙奶牛進(jìn)食。

表2 算法具體步驟Table 2 Algorithm steps

表3 試驗(yàn)數(shù)據(jù)構(gòu)成表Table 3 The test data

圖4 牛舍側(cè)視圖Fig.4 Side view of the cattle house

圖5 試驗(yàn)中佩戴硬件模塊(右后腿)奶牛Fig.5 The cow that wears the hardware module(right hind leg) in the experiment

2.2 試驗(yàn)數(shù)據(jù)

經(jīng)過(guò)試驗(yàn)數(shù)據(jù)和觀察錄像數(shù)據(jù)的比對(duì)，將典型奶牛行為數(shù)據(jù)繪制成曲線，如圖6所示。從曲線圖可以看出，不同的動(dòng)作行為時(shí)，奶牛的三軸加速度數(shù)據(jù)有著顯著的差異，其中進(jìn)食、平躺、站立動(dòng)作的加速度都比較平緩，而快走、慢走、平躺動(dòng)作、站立動(dòng)作的加速度波動(dòng)較大。因此，三軸加速度信息可以有效的區(qū)分奶牛行為。

K-means聚類算法對(duì)奶牛三軸加速度進(jìn)行多次分類后，平均分類結(jié)果如表4所示，列出正確、錯(cuò)誤預(yù)測(cè)奶牛行為的樣本數(shù)，其中平躺、慢走行為的判斷正確數(shù)據(jù)量最高；快走、平躺動(dòng)作、站立動(dòng)作的判斷正確數(shù)據(jù)量最低；進(jìn)食、站立的行為分類數(shù)據(jù)量接近，區(qū)分度較差；表明K-means聚類算法并不能穩(wěn)定的將奶牛運(yùn)動(dòng)行為分為7類。

利用三個(gè)指標(biāo)來(lái)評(píng)測(cè)算法的性能，即準(zhǔn)確度、精密度、精確度，K-means聚類算法的分類性能如表5所示，平均準(zhǔn)確度僅有26.43 %；平躺、慢走行為的精確度、精密度較高，達(dá)到60%以上；進(jìn)食行為的精確度為58.02%，但精密度較低，只有46.18%；站立行為的精密度是59.89%，精確度為57.64%；快走、平躺動(dòng)作、站立動(dòng)作的精密度精確度都比較低。

圖6 典型奶牛行為數(shù)據(jù)曲線圖Fig.6 Curves of cow behavior data

預(yù)測(cè)的行為模式aPredictive behavioralpatterns觀察到的行為模式Observed patterns of behavior進(jìn)食Feeding快走Activewalking慢走Normalwalking平躺Lying平躺動(dòng)作Lyingdown站立Standing站立動(dòng)作Standingup行為總數(shù)cThe totalnumberof behavior進(jìn)食Feeding1378000099702375快走Active walking163810523386慢走Normal walking21718690714941247平躺Lying4941450235881681604737平躺動(dòng)作Lying down1100236022站立Standing13110006179203109站立動(dòng)作Standing up200069017預(yù)測(cè)樣本總數(shù)bTotal number of samples2984453137235901952992711593

注：a.在每一列中可以看到行為模式的錯(cuò)誤分類；b.每種行為模式的分類模型預(yù)測(cè)的行為總數(shù)；c.分類中使用的測(cè)試數(shù)據(jù)集中的樣本總數(shù)。

Notes:a.Occurred misclassifications of a behaviour pattern as another behaviour can be seen within each column;b.Total number of samples in the test data set used in the classification;c.Total number of behaviours predicted by the classification model for each behaviour pattern.

改進(jìn)的模糊聚類算法的分類結(jié)果如表6所示，同樣列出正確、錯(cuò)誤預(yù)測(cè)奶牛行為的樣本數(shù)，其中平躺行為判斷正確數(shù)據(jù)量比K-means聚類算法提升20%、慢走行為的判斷正確數(shù)據(jù)量比K-means聚類算法提升10%；快走、平躺動(dòng)作、站立動(dòng)作的判斷正確數(shù)據(jù)量也有一定提高，約5%，但仍然較低；進(jìn)食、站立的區(qū)分度較差，但相較K-means聚類算法的分類性能提升了18.5%；表明本文采用的改進(jìn)的模糊聚類算法能夠穩(wěn)定的將運(yùn)動(dòng)行為分為7類。

改進(jìn)的模糊聚類算法評(píng)測(cè)結(jié)果如表7所示，可以看出所有運(yùn)動(dòng)行為的數(shù)據(jù)準(zhǔn)確度都保持較高的水平，平均準(zhǔn)確度達(dá)到83.82%；平躺、慢走行為的精確度、精密度均達(dá)到80%以上；進(jìn)食行為的精確度達(dá)到了85.89%，但精密度較低，只有65.24%；站立行為的精密度較高，達(dá)到94.78%，而精確度較低，僅有67.19%；快走、平躺動(dòng)作、站立動(dòng)作的精密度精確度都比較低。

表5 K-means聚類算法分類性能Table 5 Classification performance of k-means clustering algorithm

注：a.多次試驗(yàn)得到數(shù)據(jù)的準(zhǔn)確性；b.準(zhǔn)確預(yù)測(cè)結(jié)果在該類全部預(yù)測(cè)結(jié)果中的占比；c.準(zhǔn)確預(yù)測(cè)結(jié)果在該類測(cè)試數(shù)據(jù)集中的占比。

Notes:a.The accuracy of the data was obtained by several experiments;b.Proportion of the positive cases that were predicted positive;c.Proportion of positive predictions that were correct.

表6 改進(jìn)的模糊聚類算法分類結(jié)果Table 6 Classification results of improved FCM

注：a.在每一列中可以看到行為模式的錯(cuò)誤分類；b.每種行為模式的分類模型預(yù)測(cè)的行為總數(shù)；c.分類中使用的測(cè)試數(shù)據(jù)集中的樣本總數(shù)。

Notes:a.Occurred misclassifications of a behaviour pattern as another behaviour can be seen within each column;b.Total number of samples in the test data set used in the classification;c.Total number of behaviours predicted by the classification model for each behaviour pattern.

表7 改進(jìn)的模糊聚類算法分類性能Table 7 Classification performance of improved FCM

注：a.多次試驗(yàn)得到數(shù)據(jù)的準(zhǔn)確性;b.準(zhǔn)確預(yù)測(cè)結(jié)果在該類全部預(yù)測(cè)結(jié)果中的占比;c.準(zhǔn)確預(yù)測(cè)結(jié)果在該類測(cè)試數(shù)據(jù)集中的占比。

Notes:a.The accuracy of the data was obtained by several experiments;b.Proportion of the positive cases that were predicted positive;c. Proportion of positive predictions that were correct.

2.3 軟件功能實(shí)現(xiàn)

根據(jù)用戶需求及試驗(yàn)需要，結(jié)合算法編寫軟件。奶?；A(chǔ)信息管理界面如圖7所示，主要功能是展示、添加、刪除、修改、查詢奶牛的基礎(chǔ)信息。圖8 為C0001號(hào)奶牛信息及行為實(shí)時(shí)展示界面，圖中清楚地反映系統(tǒng)能夠根據(jù)奶牛號(hào)、時(shí)間段等查詢條件，展示出奶?；A(chǔ)信息、實(shí)時(shí)三軸加速度數(shù)據(jù)信息及行為分類結(jié)果，表明軟件具有界面簡(jiǎn)潔、展示結(jié)果清晰的特點(diǎn)。

圖7 奶?；A(chǔ)信息管理界面Fig.7 Interface of basic information management of cows

圖8 奶牛信息及行為實(shí)時(shí)展示界面Fig.8 Real-time display interface of cow information and behavior

3 討 論

硬件模塊綁在奶牛右后腿上，仍有繼續(xù)縮小體積的改進(jìn)空間，同時(shí)防水性能較差，被奶牛排泄物打濕后，對(duì)硬件模塊可靠性有較明顯的影響。無(wú)線傳輸模塊傳輸距離約為50 m，最遠(yuǎn)距離丟包率約在10%左右，由于奶牛場(chǎng)金屬柵欄較多，對(duì)傳輸影響很大，因此考慮將中繼節(jié)點(diǎn)接收端懸掛在牛舍上方，可得到較優(yōu)的接收效果。

利用改進(jìn)的模糊聚類算法對(duì)樣本數(shù)據(jù)進(jìn)行分類，從數(shù)據(jù)的準(zhǔn)確度來(lái)看，數(shù)據(jù)量較多的平躺、站立準(zhǔn)確度較低，其他類型準(zhǔn)確度均高于80%，在應(yīng)對(duì)大量數(shù)據(jù)時(shí)，算法穩(wěn)定性仍有提升空間。從數(shù)據(jù)的精密度和精確度來(lái)看，算法的整體性能較為合理。試驗(yàn)樣本數(shù)據(jù)較少的行為如快走、站立動(dòng)作、平躺動(dòng)作，精密度和精確度有波動(dòng)；試驗(yàn)樣本數(shù)據(jù)較多的行為如慢走和平躺行為，算法精密度和精確度較高，都達(dá)到了80%以上；對(duì)于樣本數(shù)據(jù)同樣較多的進(jìn)食和站立行為，由于本試驗(yàn)的硬件模塊安裝在奶牛右后腿上，造成進(jìn)食行為和站立行為的加速度數(shù)據(jù)難以有效區(qū)分，進(jìn)食行為的精密度只有65.24%，站立行為的精確度僅有67.19%；針對(duì)于這兩種運(yùn)動(dòng)狀態(tài)，需要引入時(shí)間或位置坐標(biāo)等方式進(jìn)行二次判斷，以提升判別精度。

算法以歐氏距離為基礎(chǔ)判定聚類中心，平躺和站立動(dòng)作間的歐式距離為0.45、進(jìn)食和站立行為間的歐式距離為0.013，這兩對(duì)行為的歐氏距離較近，因此誤差較大，容易誤判，在此處尚有對(duì)算法的改進(jìn)空間。

4 小 結(jié)

(1)針對(duì)我國(guó)當(dāng)前中小型養(yǎng)殖場(chǎng)面臨的管理方法滯后、疾病監(jiān)測(cè)自動(dòng)化程度低、無(wú)法及時(shí)判定奶牛突發(fā)行為等問(wèn)題，開發(fā)了一種奶牛運(yùn)動(dòng)行為實(shí)時(shí)監(jiān)測(cè)系統(tǒng)。系統(tǒng)采用3層架構(gòu)模式進(jìn)行開發(fā)，實(shí)現(xiàn)了奶牛運(yùn)動(dòng)信息與基礎(chǔ)信息的采集、存儲(chǔ)、管理、展示功能，穩(wěn)定性強(qiáng)，精確率高，實(shí)現(xiàn)了對(duì)數(shù)據(jù)的有效組織管理。

(2)系統(tǒng)硬件采用基于CC1101的無(wú)線傳感器網(wǎng)絡(luò)，利用ADXL345加速度傳感器，結(jié)合中繼節(jié)點(diǎn)接收裝置和無(wú)線AP，實(shí)現(xiàn)奶牛信息的采集、發(fā)送、接收、解碼等功能，傳輸距離大，丟包率低。系統(tǒng)軟件部分采用B/S架構(gòu)，使用Javascript+PHP+MySql的語(yǔ)言環(huán)境進(jìn)行編寫，代碼易讀，便捷性高，可移植性強(qiáng)，系統(tǒng)功能升級(jí)方便。

(3)提出一種改進(jìn)的模糊聚類算法，試驗(yàn)分析表明，對(duì)比K-means聚類算法，能夠穩(wěn)定將試驗(yàn)數(shù)據(jù)分為所需的7類運(yùn)動(dòng)行為，算法準(zhǔn)確度達(dá)到83.82%，相較K-means聚類算法的平均精密度、平均精確度分別提升了13.27%、15.14%。而對(duì)于進(jìn)食和站立兩種行為的區(qū)分度較差，還需要引入時(shí)間、定位等信息加以改進(jìn)。另外，由于在試驗(yàn)期間未觀測(cè)到奶牛異常行為，因此無(wú)法確定算法是否能準(zhǔn)確判定奶牛的異常行為。