基于模塊化神經(jīng)網(wǎng)絡(luò)的豬步態(tài)異常訓(xùn)練方法

吳燕 劉文藝

摘要：近年來，如何在大規(guī)模智能化豬飼養(yǎng)中，針對豬口蹄疫這類會造成豬步態(tài)異常的豬疾病，實(shí)現(xiàn)及時有效的非接觸式早期預(yù)警機(jī)制已經(jīng)成為了迫切的需要。本文提出了基于模塊化神經(jīng)網(wǎng)絡(luò)的豬步態(tài)異常檢測方法，包括圖像采集及預(yù)處理、豬體輪廓的特征提取、PCA特征優(yōu)化處理，并通過統(tǒng)計數(shù)據(jù)的預(yù)測性神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型創(chuàng)建及訓(xùn)練，最終實(shí)現(xiàn)步態(tài)異常識別測試。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);豬;步態(tài)檢測

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）12-0040-02

0 引言

近年來，養(yǎng)豬的規(guī)模化水平已經(jīng)得到了極大的提高。但是，某些豬疾病依舊得不到及時有效的檢測和治療。對于豬口蹄疫這類會造成豬步態(tài)異常的豬疾病來說，若不能在該病發(fā)生初期撲滅，疫情會迅速擴(kuò)大蔓延，造成不可收拾的局面。所以在飼養(yǎng)規(guī)模日益龐大，精細(xì)化程度要求日益提高的今天，如何實(shí)現(xiàn)及時有效智能化的步態(tài)異常檢測已經(jīng)成為了迫切的需要。

1 材料與方法

1.1 圖像采集及預(yù)處理

通過使用合適的閥值的邊緣檢測算法的應(yīng)用來找到一個合適的豬體輪廓，在輪廓圖上應(yīng)用形態(tài)學(xué)算法，將不相關(guān)的像素使用形態(tài)學(xué)的操作連接起來;其次，清理圖像，移除圖像中不相關(guān)的物體，填充所有的內(nèi)部的缺陷，使用濾波器對圖像除噪聲;最后，將圖像轉(zhuǎn)換成二進(jìn)制的圖像，對所獲得的輪廓進(jìn)行形態(tài)學(xué)的處理，進(jìn)而獲得骨架圖。目標(biāo)輪廓的提取過程如圖1所示。

1.2 豬體輪廓的橢圓擬合

本文利用橢圓擬合對豬體和四肢進(jìn)行定位擬合，利用關(guān)節(jié)分類的辦法將豬的身體以及四肢的每一小節(jié)進(jìn)行切割分塊，并用橢圓對每一部分建模，豬體輪廓橢圓擬合結(jié)果如圖2所示。根據(jù)橢圓擬合結(jié)果，得到頭部、軀體、前肢以及后肢四個橢圓;根據(jù)切割分塊得到的四個橢圓分別提取出頭部傾斜角度是θ1，前后肢傾斜角度是θ2和θ3，軀體的傾斜角度是θT。步幅是L，重心的表示是C。

根據(jù)切割分塊得到的四個橢圓分別提取出頭部傾斜角度是θ1，前后肢傾斜角度是θ2和θ3，軀體的傾斜角度是θT，豬體切割成四個橢圓的傾斜角度示意圖見圖3。步幅是L，重心的表示是C，所以二維的豬體模型的表示形式是：

F={θ1，θ2，θ3，θT，L，C}。

1.3 PCA特征優(yōu)化處理

PCA的目標(biāo)是尋找（） 個新變量，這幾個新的變量技能夠發(fā)映出事物的主要特征，又能夠盡可能的壓縮原始數(shù)據(jù)的數(shù)據(jù)量。通過PCA運(yùn)算之后的每一個新變量都是原有變量的線性組合，能夠體現(xiàn)原有變量的綜合效果，具有一定的實(shí)際含義。這個新變量就稱為“主成分”，它們可以在很大程度上反映原來n個變量的影響，并且這些新變量是互不相關(guān)且正交的。通過PCA特征優(yōu)化處理，壓縮原始數(shù)據(jù)空間，將多元數(shù)據(jù)的特征在低維空間里直觀地表示出來。

利用PCA的降維運(yùn)算，將數(shù)據(jù)的維數(shù)從R N降到R 3，具體的PCA分析步驟如下：（1）樣本的協(xié)方差矩陣S;（2）計算出S的本征向量e1，e2，…，eN的本征值，并且將其按照從大到小的順序排列;（3）經(jīng)過投影運(yùn)算，使得數(shù)據(jù)可以在三維空間中展示為云狀的點(diǎn)集。

2 數(shù)據(jù)與分析

2.1 統(tǒng)計數(shù)據(jù)的預(yù)測性神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型創(chuàng)建及訓(xùn)練

分別隨機(jī)選取經(jīng)過PCA處理的30組正常行走和30組步態(tài)異常行走步態(tài)序列，作為輸入層數(shù)據(jù)，采用多組正常行走和異常步態(tài)分別進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使得建立好的模型能夠有效的識別出輸入數(shù)據(jù)的相關(guān)性。

以步態(tài)序列作為網(wǎng)絡(luò)輸入，對應(yīng)的步態(tài)序列屬于正?；蛘弋惓Ｗ鳛檩敵觯捎枚嘟M正常行走和異常步態(tài)的訓(xùn)練集分別進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，再對訓(xùn)練過后的神經(jīng)網(wǎng)絡(luò)輸入測試數(shù)據(jù)集，判別該測試集步態(tài)是否屬于異常行走。以建模點(diǎn)樣點(diǎn)值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)。為了防止人工神經(jīng)網(wǎng)絡(luò)的過擬合問題，本文對周期性的統(tǒng)計數(shù)據(jù)進(jìn)行預(yù)測性神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型建立，使用動量進(jìn)行反向傳播。這些神經(jīng)元都配備TAN-SIGMOID激活功能。性能的表示就是均方誤差，傾斜率是0.65，動量常數(shù)是0.6，每個神經(jīng)元的隱藏層是30，通過編程搜索確定擴(kuò)展常數(shù)和隱層節(jié)點(diǎn)的最優(yōu)組合。

2.2 通過訓(xùn)練模型檢測輸入的步態(tài)序列是否屬于異常行走

將正常行走和異常行走的數(shù)據(jù)分作訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，其中80%作為訓(xùn)練數(shù)據(jù)源，輸入該測試平臺用于訓(xùn)練模型;剩下的20%作為測試數(shù)據(jù)，優(yōu)化調(diào)整模型，通過交叉驗(yàn)證得到最終檢測平臺。

3 結(jié)語

本文提出了一種基于模塊化神經(jīng)網(wǎng)絡(luò)的豬步態(tài)異常檢測方法，包括采集實(shí)驗(yàn)所需要的視頻樣本;截取視頻樣本獲得連續(xù)目標(biāo)幀，并對目標(biāo)幀進(jìn)行預(yù)處理;通過計算步長和行走相關(guān)角度來分析肢體的行為，建立豬的行走的步態(tài)特征參數(shù)序列;通過主成份分析對提取出來的特征進(jìn)行優(yōu)化處理，提取特征序列;利用模塊化神經(jīng)網(wǎng)絡(luò)建立關(guān)于正常行走和異常步態(tài)特征序列的訓(xùn)練模型，通過該訓(xùn)練模型檢測輸入的步態(tài)序列是否屬于異常行走。本發(fā)明可以有效的識別出豬的異常行走，例如豬的跛腳行走，前肢疾病，外傷引起的前肢不穩(wěn)行走等異常行走，為實(shí)現(xiàn)大規(guī)模智能化的養(yǎng)豬業(yè)提供良好的基礎(chǔ)。

參考文獻(xiàn)

[1] 蔣偉.基于步態(tài)識別的移動設(shè)備身份認(rèn)證模型[J].電子科技大學(xué)學(xué)報，2019（02）：114-119.

[2] 張加加.基于CNN與SVM融合的步態(tài)識別方法[J].中國計量大學(xué)學(xué)報，2019（01）：71-77.

[3] 何燦隆.基于加速度傳感器的肉雞步態(tài)檢測方法研究與實(shí)現(xiàn)[J].南京農(nóng)業(yè)大學(xué)學(xué)報，2019（02）：181-188.

[4] 蓋良良.表面肌電信號單通道盲源分離的研究[D].太原科技大學(xué)，2012.

Training Method of? Pig Gait Abnormality Based on Modular Neural Network

WU Yan，LIU Wen-yi

（Jiangsu Vocational College Agricul Ture and Forestry，Zhenjiang? Jiangsu? 212400）

Abstract：In recent years， it has become an urgent need to implement a timely and effective non-contact early warning mechanism for foot-and-mouth disease， which can cause abnormal gait in large-scale intelligent pig feeding. In this paper， a method of pig gait anomaly detection based on modular neural network is proposed， which includes image acquisition and preprocessing， feature extraction of pig body contour， PCA feature optimization. Finally， the gait anomaly recognition test is realized through the establishment and training of predictive neural network training model of statistical data.

Key words：neural network;pig;gait detection