趙文杰 丁露雨 李奇峰

摘要 提出了應用一種基于三軸加速度與人工神經(jīng)網(wǎng)絡結合的快速鑒別奶牛采食行為的方法，采集了5頭牛3個位置共9 000組數(shù)據(jù)樣本，在30 min內采集了1頭牛3個位置的1 800組三軸加速度數(shù)采食行為數(shù)據(jù)，經(jīng)過savitzky-golay平滑和小波降噪處理后，對數(shù)據(jù)進行分析。以奶牛采食行為的三軸X、Y、Z軸上的加速度和三軸加速度和Vector sum自以為網(wǎng)絡輸入，行為類別作為輸出，建立3層LMBP神經(jīng)網(wǎng)絡模型。每頭奶牛的每個位置的3個行為各取100組樣本數(shù)據(jù)，共300組樣本數(shù)據(jù)用于建模，20個樣本數(shù)據(jù)共60組樣本數(shù)據(jù)用于預測。該研究所建立的LMBP神經(jīng)網(wǎng)絡模型的迭代次數(shù)為5 000次。在3個位置中，其中在奶牛鼻子部位的識別率最好且最穩(wěn)定，對奶牛的3種行為的識別率平均達到了91.04%、92.89%、98.00%。結果顯示，基于三軸加速度和人工神經(jīng)網(wǎng)絡的奶牛采食行為鑒別模型可以有效地監(jiān)測奶牛的采食行為，且經(jīng)過預處理后的三軸加速度可以提高奶牛采食行為的鑒別效率，為其他動物的采食行為鑒別提供了一種新的思路方法。

關鍵詞 三軸加速度;人工神經(jīng)網(wǎng)絡;采食行為鑒別;小波降噪

中圖分類號 TP183 ?文獻標識碼 A ?文章編號 0517-6611（2020）18-0231-04

Abstract A fast method based on the combination of triaxial acceleration and artificial neural network was proposed to identify feeding behavior of cows. A total of 9 000 data samples were collected from 5 cows at 3 locations.1 800 sets of triaxial acceleration degree feeding behavior data were collected from 3 positions of 1 cow within 30 min. After savitzkygolay smoothing and wavelet noise reduction， the data were analyzed. The threelayer LMBP neural network model was established by taking the acceleration on the triaxis X， Y and Z of cow feeding behavior， triaxis acceleration and Vector sum as network input and behavior category as output. For the three behaviors of each position of each cow， 100 sets of sample data were taken， a total of 300 sets of sample data were used for modeling， and 20 sets of sample data were used for prediction. The iteration times of the LMBP neural network model established was 5 000. Among the three positions， the recognition rate of the cow nose was the best and most stable， and the recognition rate of the three behaviors of the cow reaches 91.04%， 92.89% and 98.00% on average. Experimental results show that based on the triaxial acceleration of dairy cattle feeding behavior and artificial neural network identification model could be effective to test the cow feeding behavior monitoring， and after pretreatment of triaxial acceleration could improve the identification efficiency of cow feeding behavior， for other animal feeding behavior identification method provided a new train of thought.

Key words Triaxial acceleration;Artificial neural network;Identification of feeding behavior;Wavelet denoising

食草動物在進食的過程中，通過頜部運動將牧草收集到嘴里咀嚼。頜骨活動的時間線可以推斷出動物行為方面的持續(xù)時間和日變化規(guī)律，是觀察放牧過程的重要手段。有節(jié)奏的下頜活動是放牧的標志。此外，如果能夠精確地對放牧過程中下頜運動的順序進行分類，就有可能估算出咀嚼率和攝食量。因此在過去幾十年里人們開發(fā)出了各種傳感器來監(jiān)測動物的顎部活動[1-9]。

Penning[10]構建了一個充當傳感器的鼻帶。在頜部活動期間，鼻帶的周期性拉伸和收縮導致傳感器的電阻比例變化，由此產(chǎn)生的模擬信號被連續(xù)記錄在動物攜帶的盒式錄音機上。隨后，計算機程序對這些信息進行分析，生成空閑、放牧和反芻活動的時間軸，并計算總的下頜運動。進一步發(fā)展的后處理算法[11]利用波形特征識別咀嚼和卷食的特征，這被證明是一個嚴重的問題，正如作者指出的那樣“不可能連續(xù)地計算下頜運動，也不可能足夠準確地計時事件，以便短時間內的行為能夠與自動記錄精確匹配?；陂g接的驗證方法，自動記錄方法在放牧期間的卷食速率明顯高于手動記錄。Penning的系統(tǒng)進一步發(fā)展，將模擬卡式錄音機替換為基于微機的下巴運動數(shù)字記錄系統(tǒng)[12]。和以前一樣，顎帶通過顎的開合而被拉伸和放松，導致其電特性的變化與動物顎運動的振幅相對應。數(shù)據(jù)記錄儀在20 Hz將信號轉換為8位整數(shù)并存儲數(shù)據(jù)。在從動物身上取回設備后，數(shù)據(jù)通過Graze分析程序[13]傳輸?shù)絺€人電腦上進行后期處理。根據(jù)振幅和頻率標準，將單個下頜運動識別為咀嚼或咬。

奶業(yè)是一個資本、勞動、技術密集型行業(yè)，經(jīng)過近10年的快速發(fā)展，已經(jīng)成為我國畜牧業(yè)的核心產(chǎn)業(yè)，截止2010年，我國已經(jīng)成為世界第三大牛奶生產(chǎn)國[14-15]。2000 年以后，牛奶產(chǎn)量大幅度提升，但這主要是由于牧場奶牛存欄總數(shù)的上升，而不是奶牛單產(chǎn)的提高，因此如何規(guī)?；?、信息化管理牧場，使得奶牛產(chǎn)量提升、牧場效益提高、牧場管理更高效顯得尤為重要[16-17]?？傮w來說，我國奶牛場規(guī)模小而分散，70%左右飼養(yǎng)規(guī)模在5頭左右，全國近50%奶牛數(shù)量飼養(yǎng)規(guī)模小于20頭，由于牧場規(guī)模并不龐大，養(yǎng)牛的農(nóng)戶們還可以進行實時看管，而伴隨著生活質量的提高，人們對奶制品的消費量逐年上升，奶牛飼養(yǎng)數(shù)量和規(guī)模迅速擴大，小牧場的比例迅速下降，因此保證牛奶的質量、安全以及科學化飼養(yǎng)奶牛顯得格外重要。由于歷史原因，我國奶牛生產(chǎn)水平較低，多數(shù)牧場以傳統(tǒng)人工方式飼養(yǎng)奶牛[18]。不合理的飼喂方式以及未能對奶牛實時看管等使得我國奶牛的生長受到了影響[19]。因此，我國急需研制出一種可以不間斷監(jiān)測奶牛采食情況的智能化設備，從而提升牧場奶牛飼喂質量。鑒于此，筆者提出了應用一種基于三軸加速度與人工神經(jīng)網(wǎng)絡結合的快速鑒別奶牛采食行為的方法，采集了5頭牛3個位置共9 000組數(shù)據(jù)樣本，在30 min內采集了1頭牛3個位置的1 800組三軸加速度數(shù)采食行為數(shù)據(jù)，經(jīng)過savitzky-golay平滑和小波降噪處理后，對數(shù)據(jù)進行分析。

1 材料與方法

1 試驗材料與設備

試驗在北京市延慶區(qū)延照富民奶牛養(yǎng)殖場進行。試驗所選奶牛是身體無異常狀況且采食正常。試驗采用可穿戴三軸加速度監(jiān)控設備。傳感器選用HOBO公司的UA-004-64加速度記錄儀，整體采用防水設計。HOBO UA-004-64使用1個內置的測量范圍是±3G的三軸加速計，該加速計基于有加速度時會產(chǎn)生傾斜的橫條硅傳感器。為了保證后續(xù)數(shù)據(jù)的科學性、精確性，還進行了視頻標定，將試驗中奶牛的采食過程全程錄像以便后續(xù)分析。視頻標定采用了佳能HS285相機，從60°和120°分別進行拍攝錄制。試驗共對5頭奶牛進行了3個位置的三軸加速度監(jiān)測，采集頻率為1 Hz，每頭牛采集30 min采食數(shù)據(jù)，分3次進行，每次10 min。5頭牛3個位置共獲取9 000組數(shù)據(jù)，1頭牛1個位置600組數(shù)據(jù)。隨機將每頭牛的400組數(shù)據(jù)作為建模級，200組作為預測集。以此類推，將每頭牛的3個位置進行卷、咀嚼、其他3種采食行為進行識別并進一步分析，從而最終確定基于三軸加速度監(jiān)測設備的最佳安裝位置。

1.2 三軸加速度數(shù)據(jù)采集

在試驗進行之前，首先將傳感器時間和相機時間校準成為北京時間。時間校準完畢以后將傳感器固定到牛嚼子上，在牛較溫順的時候套在牛頭上，如圖1所示。三腳架和相機作為視頻標定，每頭牛2臺相機，分別從60°和120°進行拍攝。由于1次試驗分階段進行，試驗開始時間和結束時間需記錄在試驗記錄表，以便后續(xù)查看。

1.3 LMBP網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡在各方面都已經(jīng)得到廣泛的應用，但標準的BP算法存在收斂速度慢、易陷入局部最小等問題，該研究采用Leven-Marquardt（LM）算法來優(yōu)化標準BP神經(jīng)網(wǎng)絡。LM算法是一種利用標準的數(shù)值優(yōu)化技術的快速算法，它在高斯牛頓法和梯度下降法之間進行平滑調和，在遠離最小值時逐漸切換到高斯牛頓法。它既有高斯牛頓法的局部收斂性，又具有梯度下降法的全局特性，可以加快網(wǎng)絡的收斂速度[20]。

該研究中，由于擬合非線性函數(shù)有4個輸入、3個輸出，所以設置的BP神經(jīng)網(wǎng)絡結構為4-10-3，即輸入層有7個節(jié)點，隱含層有10個節(jié)點，輸入層3個節(jié)點，共有4×10+10×3=70個權值，10+3=13個閾值。

2 結果與分析

2.1 奶牛采食三軸加速度數(shù)據(jù)預處理

16079號奶牛采食三軸加速度曲線如圖2、3、4所示，橫坐標為時間，縱坐標為加速度（g=9.8 m/s2）。從圖中可以看出奶牛不同采食行為的加速度變化。

奶牛采食過程中，三軸加速計會記錄奶牛在某段時間所有的三軸加速度數(shù)據(jù)，因為受環(huán)境中多種因素（奶牛的適應程度、人員的驚嚇等）的干擾，原始采食曲線會產(chǎn)生一些背景噪聲。因此在用數(shù)學方法建立模型之前，三軸加速度預處理方法對建立預測能力強、穩(wěn)健性好的分析模型至關重要。采用Savitky-Golay（卷積平滑法），選用平滑窗口為9，濾除高頻噪聲;再進行去小波算法進行進一步降噪。結果如圖5、6、7所示。

該研究將奶牛采食行為分為3類，分別為卷食、咀嚼、其他。奶牛1次采食行為包括卷食和咀嚼。根據(jù)奶牛原始數(shù)據(jù)集進行了采食行為標定。將奶牛采食過程中的卷食、咀嚼和其他3種行為進行了數(shù)據(jù)集標定。

試驗采集的加速度數(shù)據(jù)中，5頭牛共計9 000組數(shù)據(jù)，每頭牛每個部位600組。經(jīng)過S-G濾波和小波降噪后，奶牛的采食行為三軸加速度數(shù)據(jù)明顯得到改善，為下一步神經(jīng)網(wǎng)絡建模奠定了良好的基礎。

2.2 建立LMBP奶牛采食行為鑒別模型

以X、Y、Z軸和三軸加速度和作為BP網(wǎng)絡的輸入。輸出節(jié)點數(shù)為3即代表了奶牛行為的種類值。通過多次試驗隱含層節(jié)點數(shù)為10的時候，模型的預測效果最好。這樣就建立了1個4（輸入節(jié)點）-10（隱含層節(jié)點）-3（輸出節(jié)點）3層的LMBP網(wǎng)絡模型，設定迭代次數(shù)為5 000次。該研究采用了LM算法優(yōu)化標準BP網(wǎng)絡，加快收斂速度。表1為基于可穿戴的奶牛三軸加速度采食行為監(jiān)控系統(tǒng)對5頭奶牛3個位置的識別率，在牛鼻子、右頜和左嘴3個位置中，牛鼻子是平均鑒別率最高且比較穩(wěn)定的位置。

3 結論與討論

測定了5頭牛3個位置的采食行為的三軸加速度數(shù)據(jù)，經(jīng)過savitzky-golay平滑和小波降噪后，得到進一步優(yōu)化的數(shù)據(jù)。試驗證明，經(jīng)過優(yōu)化的數(shù)據(jù)對神經(jīng)網(wǎng)絡奶牛采食行為的鑒別模型有積極的作用。基于牛鼻子、右頜、左嘴的三軸加速度數(shù)據(jù)鑒別模型的識別率全部保持在75%以上，大多數(shù)處在85%以上，克服了傳統(tǒng)經(jīng)驗法和聲音監(jiān)測法的不準確和難以應用的缺點。在基于可穿戴三軸加速度奶牛采食行為監(jiān)測的大背景下，該研究對5頭牛3個位置分別進行了研究。在牛鼻子部位對卷食、咀嚼、其他行為的平均識別率達到了91.04%、92.89%、98.00%，是3個部位中表現(xiàn)較穩(wěn)定且識別率較高的位置，為將來反芻動物采食行為與采食量監(jiān)測奠定了良好的基礎。同時，結果表明該方法可以作為奶牛采食行為鑒別的新方法加以推廣應用，并為其他動物的采食行為鑒別提供了借鑒和新思路。

參考文獻

[1] ROMBACH M，MNGER A，NIEDERHAUSER J，et al.Evaluation and validation of an automatic jaw movement recorder（RumiWatch）for ingestive and rumination behaviors of dairy cows during grazing and supplementation[J].Journal of dairy science，2018，101（3）：2463-2475.

[2] ZEHNER N，UMSTTTER C，NIEDERHAUSER J J，et al.System specification and validation of a noseband pressure sensor for measurement of ruminating and eating behavior in stablefed cows[J].Computers and electronics in agriculture，2017，136：31-41.

[3] ANDRIAMANDROSO A L H，LEBEAU F，BECKERS Y，et al.Development of an opensource algorithm based on inertial measurement units （IMU）of a smartphone to detect cattle grass intake and ruminating behaviors [J].Computers & electronics in agriculture，2017，139：126-137.

[4] ARCIDIACONO C，PORTO S M C，MANCINO M，et al.Development of a thresholdbased classifier for realtime recognition of cow feeding and standing behavioural activities from accelerometer data[J].Computers and electronics in agriculture，2017，134：124-134.

[5] LEIBER F，HOLINGER M，ZEHNER N，et al.Intake estimation in dairy cows fed roughagebased diets：An approach based on chewing behaviour measurements[J].Applied animal behaviour science，2016，185：9-14.

[6] CHELOTTI J O，VANRELL S R，MILONE D H，et al.A realtime algorithm for acoustic monitoring of ingestive behavior of grazing cattle[J].Computers and electronics in agriculture，2016，127：64-75.

[7] HELLWING A L F，LUND P，WEISBJERG M R，et al.Comparison of methods for estimating herbage intake in grazing dairy cows[J].Livestock science，2015，176：61-74.

[8] STOCKDALE C R，KING K R.A comparison of two techniques used to estimate the herbage intake of lactating dairy cows in a grazing experiment[J].The journal of agricultural science，1983，100：227-230.

[9] OUDSHOORN F W，CORNOU C，HELLWING A L F，et al.Estimation of grass intake on pasture for dairy cows using tightly and loosely mounted di and triaxial accelerometers combined with bite count[J].Computers and electronics in agriculture，2013，99：227-235.

[10] PENNING P D.A technique to record automatically some aspects of grazing and ruminating behaviour in sheep[J].Grass & forage science，1983，38（2）：89-96.

[11] PENNING P D，STEEL G L，JOHNSON R H.Further development and use of an automatic recording system in sheep grazing studies[J].Grass & forage science，1984，39（4）：345-351.

[12] RUTTER S M，CHAMPION R A，PENNING P D.An automatic system to record foraging behaviour in freeranging ruminants[J].Applied animal behaviour science，1997，54（2/3）：185-195.

[13] RUTTER S M.Graze：A program to analyze recordings of the jaw movements of ruminants[J].Behavior research methods instruments & computers，2000，32（1）：86-92.

[14] 黃功俊，侯引緒.奶牛繁殖新編[M].北京：中國農(nóng)業(yè)科學技術出版社，2015：383.

[15] 申軍士.日糧能氮釋放同步性對奶牛瘤胃代謝、生產(chǎn)效率與性能的影響研究[D].杭州：浙江大學，2013.

[16] 楊開紅.奶牛圍產(chǎn)期血液生理生化指標動態(tài)變化的研究[D].揚州：揚州大學，2014.

[17] 曲永利，陳勇.養(yǎng)牛學[M].北京：化學工業(yè)出版社，2014：32-34.

[18] 學生飲用奶計劃部際協(xié)調小組辦公室.中國學生飲用奶奶源基地建設探索與實踐[M].北京：中國農(nóng)業(yè)大學出版社，2011：127-136.

[19] 韓青.八五八農(nóng)場托牛所奶牛養(yǎng)殖模式經(jīng)濟效益研究[D].哈爾濱：東北農(nóng)業(yè)大學，2013.

[20] 伏燕軍，楊坤濤，鄒文棟，等.基于Levenberg-Marquardt算法的圖像拼接[J].激光雜志，2007，28（5）：46-48.