曹麗桃，程曼，袁洪波，劉月琴，隨海燕，趙曉霞

(1. 河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，河北保定,071000; 2. 河北農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院，河北保定,071000)

0 引言

羊養(yǎng)殖業(yè)是畜牧業(yè)的重要組成部分，截至2020年，中國(guó)羊出欄量已經(jīng)達(dá)到了31 941.3萬(wàn)只，養(yǎng)殖方式已經(jīng)過(guò)渡到規(guī)?；痆1]和集約化[2]方式為主。伴隨著規(guī)?；B(yǎng)殖的發(fā)展，養(yǎng)殖密度上升易使羊只處于不健康或亞健康狀態(tài)，如跛行[3-4]、拉稀等疾病的發(fā)病率呈現(xiàn)出直線上升的趨勢(shì)[5]，同時(shí)也增加了人畜共患病的風(fēng)險(xiǎn)。羊只行為狀態(tài)能夠直接反映其健康狀況，因此對(duì)羊只行為的監(jiān)測(cè)與識(shí)別是保護(hù)動(dòng)物福利[6]亟待解決的關(guān)鍵問(wèn)題之一。傳統(tǒng)的監(jiān)測(cè)方式主要依賴(lài)人工飼養(yǎng)員的直覺(jué)和經(jīng)驗(yàn)來(lái)判斷，工作效率低下，不適合規(guī)?；酿B(yǎng)殖場(chǎng)。

當(dāng)前對(duì)于動(dòng)物行為的自動(dòng)化監(jiān)測(cè)方法大致可以分為兩類(lèi)：基于機(jī)器視覺(jué)方法和基于可穿戴裝備方法。機(jī)器視覺(jué)方法[7]可以通過(guò)對(duì)圖像或視頻的處理識(shí)別動(dòng)物行為。利用機(jī)器視覺(jué)監(jiān)測(cè)動(dòng)物行為是一種非接觸方式，能夠避免動(dòng)物出現(xiàn)應(yīng)激反應(yīng)。但是隨著養(yǎng)殖規(guī)模的不斷擴(kuò)大，養(yǎng)殖密度也隨之上升，對(duì)于密度較大的圈養(yǎng)情況，動(dòng)物體之間經(jīng)常出現(xiàn)相互遮擋現(xiàn)象，難以準(zhǔn)確的定位和跟蹤某一特定個(gè)體；此外這種方式也容易收到光照等因素的影響[8]。可穿戴裝備[9-11]一般利用RFID技術(shù) 、聲音識(shí)別技術(shù)和位姿傳感器[12-14]感知和識(shí)別動(dòng)物的行為，該方法屬于一種弱接觸方式，動(dòng)物出現(xiàn)應(yīng)激反應(yīng)不強(qiáng)烈，能夠滿足連續(xù)和實(shí)時(shí)的監(jiān)測(cè)要求。RFID技術(shù)一般以標(biāo)簽的形式附著在動(dòng)物的身上，可以實(shí)現(xiàn)多標(biāo)簽的識(shí)別，但是由于羊天性好動(dòng)，標(biāo)簽掉落的現(xiàn)象時(shí)有發(fā)生；利用聲音識(shí)別技術(shù)[15]一般是將錄音筆或者麥克風(fēng)捆綁在嘴巴附近的韁繩上[16]，來(lái)采集動(dòng)物的聲音信息[17]。但對(duì)于群養(yǎng)的動(dòng)物來(lái)說(shuō)難以獲得獨(dú)立個(gè)體的聲音，并且該方法對(duì)于音頻質(zhì)量要求比較高。加速度傳感器是在動(dòng)物行為檢測(cè)中使用較多的一種位姿傳感器，它可以嵌入可穿戴設(shè)備中獲取多個(gè)維度的傳感器信息，實(shí)現(xiàn)動(dòng)物行為的實(shí)時(shí)檢測(cè)和分類(lèi)[18-20]。

利用可穿戴設(shè)備可以實(shí)時(shí)監(jiān)測(cè)并反饋動(dòng)物行為，為高效健康養(yǎng)殖提供數(shù)據(jù)參考。但是對(duì)于不同物種的不同行為進(jìn)行監(jiān)測(cè)時(shí)，傳感器部署位置存在較大差異[21]。為了明確可穿戴設(shè)備用于羊只行為監(jiān)測(cè)時(shí)的最優(yōu)部署位置，本文構(gòu)建了一套基于三軸加速度傳感器的可穿戴行為監(jiān)測(cè)裝置用于識(shí)別羊只靜止、行走和飲食三種行為，并對(duì)傳感器的不同部署位置對(duì)識(shí)別結(jié)果的影響進(jìn)行了對(duì)比試驗(yàn)和分析。

1 材料與方法

1.1 試驗(yàn)環(huán)境及條件

試驗(yàn)于2021年2月5日—5月7日在河北省衡水市武邑縣韓莊鎮(zhèn)志豪畜牧科技有限公司種羊養(yǎng)殖基地進(jìn)行。試驗(yàn)選擇12只體況基本一致，健康無(wú)病、月齡6個(gè)月左右的小尾寒羊作為試驗(yàn)對(duì)象，其中10只作為試驗(yàn)組，2只作為對(duì)照組，對(duì)照組用于驗(yàn)證佩戴行為監(jiān)測(cè)裝置是否會(huì)對(duì)小尾寒羊的日常行為產(chǎn)生影響。試驗(yàn)過(guò)程中每天07:30～08:00和14:30～15:00分別進(jìn)行一次飼料和飲水的供給。試驗(yàn)全程利用視頻監(jiān)測(cè)設(shè)備同步記錄羊只的行為信息，根據(jù)行為發(fā)生的時(shí)間與傳感器采集的數(shù)據(jù)的時(shí)間標(biāo)簽進(jìn)行對(duì)照以驗(yàn)證行為識(shí)別效果。

1.2 羊只行為監(jiān)測(cè)裝置構(gòu)建

可穿戴式羊只行為監(jiān)測(cè)裝置由電源模塊、充電控制模塊、傳感器模塊和433無(wú)線傳輸模塊組成，如圖1所示。電源模塊為鋰電池，電壓3.7～5 V，容量3 200 mAh。傳感器模塊的核心為MPU9250傳感器，它集成了3軸陀螺儀、3軸加速度計(jì)和3軸磁力計(jì)，是檢測(cè)羊只行為的核心部件。傳感器采集的數(shù)據(jù)通過(guò)無(wú)線傳輸模塊，以433 MHZ的頻率發(fā)送到后臺(tái)計(jì)算機(jī)進(jìn)行存儲(chǔ)。所有模板集成在一個(gè)長(zhǎng)寬高58 mm×51 mm×33 mm 的盒子中，可以利用綁帶固定在羊只軀體上。

(a) 可穿戴裝置外觀 (b) 可穿戴裝置內(nèi)部構(gòu)成

1.3 試驗(yàn)數(shù)據(jù)采集

用于羊只行為監(jiān)測(cè)時(shí)，傳感器可以部署在頭頸、軀干或腿部[22]。因此為了尋找最優(yōu)的位置，結(jié)合傳感器部署的方便程度，試驗(yàn)時(shí)將傳感器分別部署在頸部(NE)、背部靠近前腿處(BL)、前腿(FL)和后腿(HL)四個(gè)部位[23]。如圖2所示，X、Y、Z代表傳感器所在坐標(biāo)系的坐標(biāo)軸方向。試驗(yàn)共分4輪進(jìn)行，以測(cè)試傳感器處于不同位置時(shí)的識(shí)別效果，每一輪中10只羊均在相同位置佩戴傳感器。

試驗(yàn)?zāi)康臑楦鶕?jù)傳感器采集的信息對(duì)羊只靜止、行走和飲食三種行為進(jìn)行識(shí)別和監(jiān)測(cè)，傳感器將羊只的日常運(yùn)動(dòng)行為以數(shù)據(jù)的形式表征出來(lái)，傳感器監(jiān)測(cè)的信號(hào)包括三維的重力加速度、三維的角速度、三維的角度、三維的磁場(chǎng)、溫度等數(shù)據(jù)。對(duì)于靜止、行走、飲食三種行為這12維的數(shù)據(jù)之間存在不同，因此可以利用采集的羊只的運(yùn)動(dòng)行為數(shù)據(jù)來(lái)區(qū)分這三種行為。

表1所示為三種行為的定義。由于羊只佩戴行為監(jiān)測(cè)裝置會(huì)有適應(yīng)期(NE和BL的適應(yīng)期為24 h，F(xiàn)L和HL的適應(yīng)期為36 h)[24]，所以適應(yīng)期內(nèi)不采集數(shù)據(jù)。為了保證試驗(yàn)數(shù)據(jù)的豐富性和全面性，每輪試驗(yàn)中，確保每只羊的每種行為時(shí)間出現(xiàn)時(shí)長(zhǎng)不低于2 h。

(a) NE (b) BL

(c) FL (d) HL

表1 羊只日常行為分類(lèi)Tab. 1 Daily behavior classification of sheep

動(dòng)物的行為都是一系列不同姿態(tài)的組合，即行為是一個(gè)動(dòng)態(tài)和持續(xù)的動(dòng)作表現(xiàn)。因此對(duì)某一行為的判定需要考慮行為特征的完整性和冗余度[25]，這就要求利用一個(gè)短暫其持續(xù)時(shí)間內(nèi)的全部信號(hào)進(jìn)行分析。在試驗(yàn)過(guò)程中，當(dāng)羊只行為持續(xù)時(shí)間為1 s時(shí)，數(shù)據(jù)的冗余度不高，而且行為特征數(shù)據(jù)質(zhì)量良好，因此以1 s作為一個(gè)時(shí)間單元，在一個(gè)時(shí)間單元內(nèi)，傳感器共采集10組數(shù)據(jù)，這10組數(shù)據(jù)被稱(chēng)為一個(gè)基礎(chǔ)數(shù)據(jù)單元(BDU)。由于存在丟包的現(xiàn)象，部分?jǐn)?shù)據(jù)單元中不足10組數(shù)據(jù)。

針對(duì)靜止、行走、飲食3種行為，共選取并標(biāo)記了BDU共71 594個(gè)，其中NE選取了18 285個(gè)、BL選取了16 987個(gè)、FL選取了17 279、HL選取了19 043個(gè)，數(shù)據(jù)樣本的具體分布如表2所示。試驗(yàn)時(shí)從每個(gè)部位的每一類(lèi)行為中隨機(jī)選取80%作為識(shí)別算法的訓(xùn)練樣本，其余20%作為測(cè)試樣本。

表2 羊只行為識(shí)別試驗(yàn)數(shù)據(jù)樣本分布Tab. 2 Sample distribution of sheep behavior recognition test data

1.4 數(shù)據(jù)預(yù)處理

1.4.1 數(shù)據(jù)去噪

傳感器在采集數(shù)據(jù)時(shí)，會(huì)受到各種干擾因素的影響，如周?chē)h(huán)境、羊只的呼吸和打斗等。這些干擾因素會(huì)產(chǎn)生很多噪聲數(shù)據(jù)，如果不進(jìn)行濾波，則噪聲數(shù)據(jù)將對(duì)分析結(jié)果的準(zhǔn)確性造成一定的負(fù)面影響。本文采用小波降噪對(duì)原始數(shù)據(jù)進(jìn)行第一次處理，原始數(shù)據(jù)經(jīng)過(guò)小波變換后被分解為含有較大小波系數(shù)的有用信號(hào)和較小小波系數(shù)的噪聲信號(hào)，利用合適的閾值進(jìn)行低通濾波后噪聲信號(hào)被過(guò)濾。小波降噪的具體步驟如下所示。

1) 選擇小波基函數(shù)并確定分解的層次。本文中選擇sym7作為小波基函數(shù)，分解層次為3層。

2) 確定小波系數(shù)，即濾波的閾值進(jìn)行濾波。本文采用Bayes Shrink閾值法，即利用Bayes估計(jì)自動(dòng)分割閾值。

3) 進(jìn)行信號(hào)的小波重構(gòu)，即對(duì)濾波后的信號(hào)進(jìn)行小波逆變換。

1.4.2 特征降維

原始傳感器數(shù)據(jù)經(jīng)過(guò)小波降噪后雖然過(guò)濾掉了大部分的噪聲，但仍然是一種包含了三個(gè)方向的加速度(ax、ay、az)、角速度(wx、wy、wz)、角度(Anglex、Angley、Anglez)和磁場(chǎng)(hx、hy、hz)信息的共計(jì)12維信號(hào)。為了準(zhǔn)確地分辨出羊只不同的行為，需要對(duì)這些信號(hào)進(jìn)行特征降維，因?yàn)楦呔S度的特征會(huì)降低識(shí)別的效率，還會(huì)出現(xiàn)“過(guò)訓(xùn)練”的現(xiàn)象。因此，濾波后的數(shù)據(jù)需要進(jìn)行第二次處理，利用主成分分析進(jìn)行特征降維。主成分分析就是將多維的特征按照相應(yīng)的比例重新組合在一起，凸顯有效維度并降低干擾因子。主成分分析具體步驟如下。

1) 對(duì)本試驗(yàn)中12維的數(shù)據(jù)進(jìn)行中心化處理。利用試驗(yàn)中的12維數(shù)據(jù)生成原始矩陣X，然后將利用公式(1)計(jì)算得到X中每一維數(shù)據(jù)減去該維均值后得到的新矩陣X′。

(1)

式中：xi——矩陣X中12維的樣本；

m——矩陣X的樣本數(shù)量；

j——隨機(jī)數(shù)，取值范圍為(0，m]。

2) 利用中心化處理后的新矩陣X′，通過(guò)式(2)計(jì)算協(xié)方差矩陣

(2)

3) 計(jì)算C的特征值，對(duì)特征值按從大到小進(jìn)行排序，并取前k個(gè)特征值所對(duì)應(yīng)的特征向量組成矩陣w。k的取值可以通過(guò)式(3)得到

(3)

式中：n——特征值個(gè)數(shù)；

k——所取特征值個(gè)數(shù)，k的取值范圍為[1，n]；

λi——第i個(gè)特征值；

t——主成分的比重閾值，取值范圍為(0,1]，本文t的取值為0.9。

可以根據(jù)式(3)計(jì)算出k值，在本試驗(yàn)中k取8。

4) 根據(jù)式(4)得到降維后的數(shù)據(jù)樣本集D。此時(shí)經(jīng)過(guò)預(yù)處理之后的數(shù)據(jù)樣本集D就變成了8維，達(dá)到降維的目的。

D=WTxi

(4)

1.5 數(shù)據(jù)分析方法

1.5.1 基于k-means均值聚類(lèi)算法的羊只行為識(shí)別方法

k-means均值聚類(lèi)算法是一種無(wú)監(jiān)督學(xué)習(xí)算法[26]，它通過(guò)將數(shù)據(jù)集劃分成不同的類(lèi)別，使得每個(gè)類(lèi)別內(nèi)數(shù)據(jù)更加緊湊，不同類(lèi)別間數(shù)據(jù)更加獨(dú)立，從而實(shí)現(xiàn)聚類(lèi)[27]。本文利用MATLAB編寫(xiě)k-means均值聚類(lèi)算法的程序，具體試驗(yàn)步驟如下。

1) 選取初始聚類(lèi)中心。本文識(shí)別的羊只行為共有3種，所以聚類(lèi)中心數(shù)量k=3，靜止、行走和飲食的初始聚類(lèi)中心分別為c1、c2和c3。

2) 依據(jù)最小距離原則對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分類(lèi)。所謂的最小距離是指任意一個(gè)樣本數(shù)據(jù)到3個(gè)初始聚類(lèi)中心的歐式距離，如式(5)所示。

(5)

3) 計(jì)算每個(gè)類(lèi)別中，每個(gè)數(shù)據(jù)到聚類(lèi)中心的距離平均值。

4) 變更聚類(lèi)中心位置，重復(fù)步驟(2)和(3)，直到最大迭代次數(shù)，或者聚類(lèi)中心位置不再改變，在本試驗(yàn)中最大迭代次數(shù)設(shè)置為20次。

1.5.2 基于支持向量機(jī)的羊只行為識(shí)別方法

支持向量機(jī)(Suppor Vectpor Mchine, SVM)是種機(jī)器學(xué)習(xí)算法[28-30]，它通過(guò)建立一個(gè)超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化，從而實(shí)現(xiàn)分類(lèi)的目的。本試驗(yàn)利用MATLAB LibSVM工具箱實(shí)現(xiàn)基于SVM的羊只行為識(shí)別，該算法支持的是二分類(lèi)，因此本文需要構(gòu)造多個(gè)二分類(lèi)器。試驗(yàn)步驟如下所示。

1) 對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理，將原始數(shù)據(jù)歸一化到區(qū)間[0,1]，歸一化方法如式(6)所示。

(6)

式中：x——任意一個(gè)原始數(shù)據(jù)；

y——?dú)w一化數(shù)據(jù)；

xmin、xmax——原始數(shù)據(jù)中最小和最大值。

2) 根據(jù)式(7)確定高斯核函數(shù)。

(7)

式中： sgn(x)——符號(hào)函數(shù)，若x≥1則sgn(x)=1，若x<1則sgn(x)=-1；

w——權(quán)值向量；

xi——隨機(jī)樣本數(shù)據(jù)；

yi——?dú)w一化后的數(shù)據(jù)；

b*——分類(lèi)的閾值，由式(8)確定的約束條件可以得到。

ai[yi(wxi+b*)-1]=0

(8)

將歸一化后的數(shù)據(jù)代入以上述核函數(shù)為中心的模型中得出f(x)的值，如式(9)所示。

(9)

當(dāng)f(x)=1時(shí)，表示xi為支持向量；當(dāng)f(x)=-1時(shí)，則表示xi為不支持該平面的向量。根據(jù)支持向量，可以將數(shù)據(jù)進(jìn)行分類(lèi)。SVM算法支持的是二分類(lèi)，因此本文構(gòu)造多個(gè)二分類(lèi)器進(jìn)行羊只三種行為的識(shí)別。

2 結(jié)果與分析

2.1 數(shù)據(jù)預(yù)處理結(jié)果

2.1.1 濾波結(jié)果

濾波操作可以去掉噪聲的干擾，圖3所示為濾波前后效果對(duì)比。圖3中顯示的為從10只試驗(yàn)對(duì)象中隨機(jī)選取的一只羊的一部分隨機(jī)數(shù)據(jù)，該數(shù)據(jù)為傳感器部署在NE位置時(shí)采集的一段信息，包括6個(gè)靜止的BDU，6個(gè)行走的BDU，5個(gè)飲食的BDU。

(a) X軸加速度分量去噪前后對(duì)比圖

(b) Y軸加速度分量去噪前后對(duì)比圖

(c) Z軸加速度分量去噪前后對(duì)比圖

從圖3中可以看出加速度的噪聲分量在X軸和Z軸比Y軸多，濾波后比濾波前曲線更平滑，加速度分量的變化趨勢(shì)更明顯。

2.1.2 降維結(jié)果

試驗(yàn)采集數(shù)據(jù)時(shí)，為了讓行為特征更加全面通常采集多維數(shù)據(jù)以增加信息多樣性。數(shù)據(jù)降維的目的是凸顯主要特征的影響，提高數(shù)據(jù)處理效率。主成分分析的實(shí)質(zhì)是將試驗(yàn)過(guò)程中采集的12維數(shù)據(jù)以組合變量的形式進(jìn)行表達(dá)，然后提取累計(jì)貢獻(xiàn)率較高的組合。

本試驗(yàn)中共提取了8個(gè)主成分，這8個(gè)主成分的累計(jì)貢獻(xiàn)率超過(guò)了90%，圖4所示為8個(gè)主成分的累計(jì)貢獻(xiàn)比較圖，表3所示為成分矩陣。

圖4 8個(gè)主成分累計(jì)貢獻(xiàn)比較圖

表3 成分矩陣Tab. 3 Component matrix

2.2 k-means分類(lèi)結(jié)果

本試驗(yàn)利用MATLAB編寫(xiě)的k-means均值聚類(lèi)算法程序，對(duì)小尾寒羊的靜止、行走、飲食3種行為進(jìn)行聚類(lèi)。測(cè)試集樣本數(shù)據(jù)的反復(fù)迭代訓(xùn)練20次，最終得到相對(duì)穩(wěn)定的聚類(lèi)中心，如圖5所示。圖5中，綠色、紅色和藍(lán)色點(diǎn)分別代表行走、靜止和進(jìn)食三種行為。從圖5中可以看出，這3種行為的聚類(lèi)效果不佳，多點(diǎn)堆疊在一起，沒(méi)有明確的界限。

圖6為測(cè)試集利用k-mean聚類(lèi)模型識(shí)別和分類(lèi)的混淆矩陣。傳感器部署在NE位置處，羊只三種行為的識(shí)別準(zhǔn)確率最高，其中靜止、行走和進(jìn)食的識(shí)別率分別為67.34%，90.4%和80.29%。傳感器部署在FL位置處，羊只三種行為的識(shí)別準(zhǔn)確率最低，其中靜止、行走和進(jìn)食的識(shí)別率分別為40.8%，9.95%和50.07%。從測(cè)試結(jié)果看，k-means均值聚類(lèi)算法對(duì)于3種行為的區(qū)分效果不是很好，四個(gè)部署位置的平均識(shí)別率為58%。

(a) NE

(b) BL

(c) FL

(d) HL

(a) NE混淆矩陣 (b) BL混淆矩陣

(c) FL混淆矩陣 (d) HL混淆矩陣

2.3 SVM分類(lèi)結(jié)果

圖7為測(cè)試集利用SVM分類(lèi)模型識(shí)別和分類(lèi)的混淆矩陣。傳感器部署在NE位置處，羊只三種行為的識(shí)別準(zhǔn)確率最高，其中靜止、行走和進(jìn)食的識(shí)別率分別為89.5%，91.1%和97.3%。傳感器部署在FL位置處，羊只三種行為的識(shí)別準(zhǔn)確率最低，其中靜止、行走和進(jìn)食的識(shí)別率分別為73.14%，71.63%和58%。從測(cè)試結(jié)果看，SVM支持向量機(jī)算法對(duì)于3種行為的區(qū)分效果較好,4個(gè)部位的平均識(shí)別準(zhǔn)確率為75.85%。

利用SVM模型對(duì)測(cè)試集進(jìn)行識(shí)別的結(jié)果如圖8所示。圖8中，綠色、紅色和藍(lán)色點(diǎn)分別代表行走、靜止和進(jìn)食三種行為。從圖8中可以看出，羊只三種行為的分類(lèi)效果較好，正確分類(lèi)數(shù)量較多。

(a) NE混淆矩陣 (b) BL混淆矩陣

(c) FL混淆矩陣 (d) HL混淆矩陣

(a) NE

(b) BL

(c) FL

(d) HL

3 討論

3.1 數(shù)據(jù)預(yù)處理前后對(duì)比

試驗(yàn)中采集是數(shù)據(jù)在預(yù)處理過(guò)程中分別經(jīng)過(guò)了去噪和降維，表4所示為利用SVM算法對(duì)預(yù)處理前后測(cè)試數(shù)據(jù)進(jìn)行識(shí)別的結(jié)果對(duì)比。從表4中可以看出，在不同的部署位置獲取的傳感器數(shù)據(jù)在經(jīng)過(guò)預(yù)處理步驟后，識(shí)別準(zhǔn)確率全部得到了提升，因此將試驗(yàn)數(shù)據(jù)先預(yù)處理是很有必要的。

表4 數(shù)據(jù)預(yù)處理前后SVM算法識(shí)別準(zhǔn)確率對(duì)比Tab. 4 Comparison of SVM algorithm recognition accuracy before and after data pretreatment

3.2 不同傳感器部署位置及算法識(shí)別結(jié)果比較

為了明確傳感器相對(duì)優(yōu)化的部署位置，利用k-means 和SVM方法在相同位置的識(shí)別結(jié)果進(jìn)行對(duì)比，結(jié)果如表5所示。

表5 4個(gè)部署位置k-means算法與SVM算法測(cè)試集結(jié)果對(duì)比Tab. 5 Comparison of k-means algorithm and SVM algorithm test set results in four deployment locations

由表5可知，傳感器在不同的部署位置時(shí)，利用SVM進(jìn)行行為識(shí)別的準(zhǔn)確率大于k-means方法。傳感器位于NE部位時(shí)，在k-means和SVM兩種方法中識(shí)別準(zhǔn)確率均為最高，分別達(dá)到了79.34%和92.63%；傳感器位于BL部位時(shí)，利用k-means識(shí)別的準(zhǔn)確率為67.2%，高于SVM方法的66.2%；但是在FL和HL部分，SVM的識(shí)別率均遠(yuǎn)高于k-means，其中FL部位在不同識(shí)別方法中準(zhǔn)確率均相對(duì)較低。通過(guò)表5可以證明，對(duì)于羊只行為的識(shí)別，傳感器部署在NE位置，識(shí)別效果最佳；此外，SVM的整體識(shí)別效果優(yōu)于k-mean方法。

表6所示為傳感器部署于NE位置時(shí)，羊只不同行為識(shí)別結(jié)果。從表6中可以看出，k-means對(duì)于行走的識(shí)別率最高，達(dá)到了90.4%；SVM對(duì)于進(jìn)食的識(shí)別率最高，達(dá)到了97.3%。靜止行為在兩種方法的識(shí)別結(jié)果中均為最低，分別時(shí)67.34%和89.5%。但是，k-means 方法對(duì)三種行為的識(shí)別準(zhǔn)確率相差較大，識(shí)別準(zhǔn)確率較高的行走和較低的靜止之間差距達(dá)到了23.06%；而SVM方法對(duì)三種行為的識(shí)別準(zhǔn)確率差距較小，對(duì)于靜止和行走的識(shí)別準(zhǔn)確率比較接近。SVM方法中最低的識(shí)別率最與k-means方法中最高的識(shí)別率也較為相近，這再次證明了SVM方法用于羊只行為識(shí)別時(shí)優(yōu)于k-means方法。

表6 NE處測(cè)試集k-means和SVM算法識(shí)別率比較結(jié)果Tab. 6 Comparison results of recognition rate between k-means and SVM algorithm in NE test set

4 結(jié)論

1) 本文設(shè)計(jì)一種基于加速度傳感器的可穿戴式裝置用于羊只靜止、行走和進(jìn)食三種行為的識(shí)別，并針對(duì)傳感器的不同部署位置進(jìn)行分析和比較。試驗(yàn)結(jié)果表明，傳感器位于NE位置時(shí)，在不同的識(shí)別方法中識(shí)別準(zhǔn)確率均為最高，且利用SVM方法整體識(shí)別準(zhǔn)確率達(dá)到了92.63%。在不同行為的識(shí)別中，進(jìn)食的識(shí)別準(zhǔn)確率最高，利用SVM方法識(shí)別準(zhǔn)確率達(dá)到了97.3%。

2) 利用加速度傳感器進(jìn)行羊只行為的識(shí)別是一種行之有效的方法，這種方法中傳感器的部署位置對(duì)識(shí)別結(jié)果有著明顯的影響，因此明確相對(duì)優(yōu)化的部署位置對(duì)于構(gòu)建自動(dòng)化的羊只行為識(shí)別系統(tǒng)具有現(xiàn)實(shí)意義。此外，數(shù)據(jù)處理和分析方法也是影響識(shí)別結(jié)果的關(guān)鍵因素之一，合理的數(shù)據(jù)預(yù)處理方法能夠提高最終的識(shí)別率。隨著深度學(xué)習(xí)方法的興起，如何利用深度學(xué)習(xí)算法進(jìn)行數(shù)據(jù)處理，進(jìn)一步提高識(shí)別準(zhǔn)確率，并對(duì)羊只更多的行為狀態(tài)進(jìn)行識(shí)別是本文下一步關(guān)注的重點(diǎn)。