基于卡爾曼濾波器的肉牛行為識別方法

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擔的同時，也會造成誤判。為了能自動識別肉牛是否生病，在肉牛的2個角上安裝無線傳感器節(jié)點，通過傳感器獲取肉牛運動加速度，采用卡爾曼算法對提取的各參數(shù)進行分析，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，這種方法也可以應用到其他動物上，對畜牧業(yè)發(fā)展具有積極意義。

關鍵詞：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文獻標志碼： 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)員的工作強度。肉牛行為科學分類可以減輕飼養(yǎng)員的工作強度，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。現(xiàn)代化飼養(yǎng)模式以及良好的飼養(yǎng)環(huán)境對動物行為具有重要的影響，甚至可以一定程度上降低動物不良行為發(fā)生的概率。因此，找到一種準確的對肉牛行為進行分類的方法對肉牛生產(chǎn)具有重要意義。

國內外已展開應用無線傳感器網(wǎng)絡對動物進行監(jiān)測的研究。田富洋等利用傳感器實時檢測奶牛的運動量、躺臥時間和體表溫度等，建立以奶牛的行走步數(shù)、躺臥時間、行走時間和溫度為輸入，以奶牛的行為特點為輸出的LVQ神經(jīng)網(wǎng)絡發(fā)情行為辨識模型與預測模型[1]。郭東東等設計了基于三軸加速度傳感器和無線傳感網(wǎng)絡采集數(shù)據(jù)，利用K-means聚類算法對采集的數(shù)據(jù)集進行反復疊加訓練得到較為穩(wěn)定的聚類中心，分別對山羊、母豬和奶牛行為進行分類[2-4]。高晶敏等運用三軸傳感器對人體姿態(tài)進行采集和處理，通過徑向基函數(shù)（RBF）、神經(jīng)網(wǎng)絡算法對數(shù)據(jù)進行訓練和分類，從而達到對人的動態(tài)姿態(tài)的識別[5]。Oliviero等利用壓力傳感器觀察母豬的走動行為，同時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間[6]。Cornou等利用布帶把三軸加速度傳感器和藍牙模塊固定在母豬頸部，進行運動信息采集并無線傳輸?shù)焦P記本計算機上（PC）[7-8]。采用三軸加速度傳感器和無線傳感網(wǎng)絡進行動物行為特征實時監(jiān)測已證明其可行性，但使用該方法研究肉牛行為的報道還很少。

本試驗為了對肉牛行為科學分類，使用了一種應用三軸加速度傳感器對肉牛行為進行實時監(jiān)測，通過采用卡爾曼濾波器方法對肉牛行為特征進行識別分析，得到每個行為各軸的后驗概率，通過比較后驗概率的值，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)構成

肉牛在采食行為、反芻行為和吞咽動作時，其眼角偏上方的顳窩部位會因為肉牛行為的不同而作出不同規(guī)律的振動[9-17]。經(jīng)過初步研究發(fā)現(xiàn)，肉牛在采食時的咀嚼頻率與次數(shù)和行走時的咀嚼頻率與次數(shù)不同，因此肉牛顳窩部位的振動加速度具有一定的區(qū)別?？梢娖漕^部動作具有很大的不同，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行分類是可以實現(xiàn)的。

根據(jù)上述原理，本試驗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特性轉化為相應的加速度數(shù)據(jù)信息，同時可以將肉牛在采食過程中頭部的轉動速度轉化為相應的角速度數(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，用于圖像實時采集。如圖1所示，本試驗所采用的肉牛行為檢測系統(tǒng)包括傳感器節(jié)點模塊、視頻輸入模塊和上位機3個部分。

傳感器節(jié)點模塊主要包括數(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，上位機將接收到的數(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。

本次試驗在遼寧未來牧業(yè)進行，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對肉牛進行喂食，在此期間，肉牛進行集中采食。其余時間肉牛在牛舍中可以自由活動。經(jīng)過3 d的應激性試驗，肉牛對本裝置基本沒有排斥行為。再對所選肉牛實時監(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，可以獲取肉牛實時運動狀態(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。本試驗中將上位機的頻率設置為1 Hz，采集頻率1個/s，將每天的數(shù)據(jù)保存為1個文檔文件，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)平方根稱為標準差，反映組內個體間的離散程度。本試驗通過對應的視頻的觀察，分別截取肉牛采食行為和行走行為時間段的肉牛行為數(shù)據(jù)，分別選取1008個數(shù)據(jù)，進行特征值的提取。

表2所示為成對樣本通過t檢驗得到的結果。通過檢驗得到，對1，對2，對3的P（雙側）小于顯著性水平0.05。因此，3個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

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

2.2數(shù)據(jù)預處理

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

本試驗建模所用數(shù)據(jù)滿足2個條件：第一，選取的行為為本試驗期間牛的正常行為；第二，選取的數(shù)據(jù)盡量避開多個行為同時發(fā)生時的行為數(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)預測出下一個時刻的測量值。通過卡爾曼濾波器的5個公式來進行數(shù)據(jù)的循環(huán)，最后得出預測的最優(yōu)解。對肉牛行為分類，其觀測值具有動態(tài)線性模型數(shù)據(jù)的特點，其動態(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變化，使模型也呈周期為T的周期變化?；诳柭鼮V波的動態(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)的正弦余弦運動狀態(tài)數(shù)據(jù)：狀態(tài)向量θt由一組描述模型在時間t的參數(shù)（μt）和正弦余弦分量（st、ct）在時間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，其通過EM抽樣算法（最大期望算法，expectation maximization algiorithm）估計得，EM抽樣算法是通過極大似然估計來估計未知參量的一種重復的算法。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個行為分別有4個參量（x、y、z軸加速度和加速度模長acc），本研究應用了上面定義的8個DLM，DLM中每個時間t都由4個變量表示，即

Mt：{F，G，V，W}t（t=1，2，…）。

在一階多進程模型中，一個單獨的DLM可以適當?shù)孛枋稣麄€時間序列。然而，定義參數(shù)向量α=α（i，j）的真實值是不確定的，其中α（i，j）表示8個DLM的參數(shù)，即5個活動類型對4個軸上的映射。

Mt=Mt（α） （t=1，2，…）。

每一個DLM的Mt（α）都使用卡爾曼修正方程進行分析，每個觀察時間t計算模型的一步預測均值ft及其各自的方差Qt。每個DLM的后驗概率（pt）被估計為：

pt（i）∞φt（i）×pt-1（i）。

式中：φt（i）為過去觀察值（Dt-1）的預測分布。

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

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

在實踐中，每個DLM使用建模數(shù)據(jù)集估計參數(shù)的分析；對周期T的值設置為18 s。肉牛的采食行為和行走行為的后驗概率的初始值設定為0.2，每個時間t的后驗概率的值都會更新。對于后驗概率的初始值理論上不為0，為多少都可以，后驗概率為0說明系統(tǒng)處于一個穩(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

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，進行10組分析，并將得到的后驗概率取平均值。得到的數(shù)據(jù)如圖6所示，“+”的線條表示采食行為的后驗概率值，“-” 的線條表示行走行為的后驗概率值。置信區(qū)間為95%，水平軸表示的是觀察時間，單位為s。

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

為了證實分類方法的結果，從測試數(shù)據(jù)集中抽取新的參數(shù)和用于建模的學習數(shù)據(jù)集中參數(shù)進行比較，表3說明在 2 min 的時間序列中后驗概率為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)集分析的結果，右邊的面板顯示了從學習數(shù)據(jù)集的結果。

4結論

本研究中提出利用多進程卡爾曼濾波器對肉牛行為分類的方法行之有效，為進一步建立肉牛行為模型奠定了基礎。其中，采食行為的正確率為78%。但在這項研究中所使用的數(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，這可能會導致準確性偏高。

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，進行進一步包括3個軸相結合的1個多變量模型的分析，在后續(xù)研究中可以進行嘗試。同時，如果該方法使用1個更大數(shù)量的檢測數(shù)據(jù)，這個行為類型自動分類方法的發(fā)展趨勢可以用于檢測肉牛疾病或福利狀況。

參考文獻：

[1]田富洋，王冉冉，劉莫塵，等. 基于神經(jīng)網(wǎng)絡的奶牛發(fā)情行為辨識與預測研究[J]. 農(nóng)業(yè)機械學報，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)學報，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)機械學報，2013，44（3）：192-196.

[4]尹令，劉財興，洪添勝，等. 基于無線傳感器網(wǎng)絡的奶牛行為特征監(jiān)測系統(tǒng)設計[J]. 農(nóng)業(yè)工程學報，2010，26（3）：203-208.

[5]高晶敏，梁箐箐，李春云. 基于RBF神經(jīng)網(wǎng)絡的人體動態(tài)姿勢識別算法[J]. 北京信息科技大學學報，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)學報，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)關節(jié)點研究[J]. 農(nóng)機化研究，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，2013，37（19）：241-245.

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

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

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