基于三軸加速度和人工神經(jīng)網(wǎng)絡(luò)的奶牛采食行為鑒別方法研究

趙文杰 丁露雨 李奇峰

摘要 提出了應(yīng)用一種基于三軸加速度與人工神經(jīng)網(wǎng)絡(luò)結(jié)合的快速鑒別奶牛采食行為的方法，采集了5頭牛3個(gè)位置共9 000組數(shù)據(jù)樣本，在30 min內(nèi)采集了1頭牛3個(gè)位置的1 800組三軸加速度數(shù)采食行為數(shù)據(jù)，經(jīng)過(guò)savitzky-golay平滑和小波降噪處理后，對(duì)數(shù)據(jù)進(jìn)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(luò)輸入，行為類別作為輸出，建立3層LMBP神經(jīng)網(wǎng)絡(luò)模型。每頭奶牛的每個(gè)位置的3個(gè)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(gè)樣本數(shù)據(jù)共60組樣本數(shù)據(jù)用于預(yù)測(cè)。該研究所建立的LMBP神經(jīng)網(wǎng)絡(luò)模型的迭代次數(shù)為5 000次。在3個(gè)位置中，其中在奶牛鼻子部位的識(shí)別率最好且最穩(wěn)定，對(duì)奶牛的3種行為的識(shí)別率平均達(dá)到了91.04%、92.89%、98.00%。結(jié)果顯示，基于三軸加速度和人工神經(jīng)網(wǎng)絡(luò)的奶牛采食行為鑒別模型可以有效地監(jiān)測(cè)奶牛的采食行為，且經(jīng)過(guò)預(yù)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(dòng)物的采食行為鑒別提供了一種新的思路方法。

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

中圖分類號(hào) TP183 ?文獻(xiàn)標(biāo)識(shí)碼 A ?文章編號(hào) 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(dòng)物在進(jìn)食的過(guò)程中，通過(guò)頜部運(yùn)動(dòng)將牧草收集到嘴里咀嚼。頜骨活動(dòng)的時(shí)間線可以推斷出動(dòng)物行為方面的持續(xù)時(shí)間和日變化規(guī)律，是觀察放牧過(guò)程的重要手段。有節(jié)奏的下頜活動(dòng)是放牧的標(biāo)志。此外，如果能夠精確地對(duì)放牧過(guò)程中下頜運(yùn)動(dòng)的順序進(jìn)行分類，就有可能估算出咀嚼率和攝食量。因此在過(guò)去幾十年里人們開(kāi)發(fā)出了各種傳感器來(lái)監(jiān)測(cè)動(dòng)物的顎部活動(dòng)[1-9]。

Penning[10]構(gòu)建了一個(gè)充當(dāng)傳感器的鼻帶。在頜部活動(dòng)期間，鼻帶的周期性拉伸和收縮導(dǎo)致傳感器的電阻比例變化，由此產(chǎn)生的模擬信號(hào)被連續(xù)記錄在動(dòng)物攜帶的盒式錄音機(jī)上。隨后，計(jì)算機(jī)程序?qū)@些信息進(jìn)行分析，生成空閑、放牧和反芻活動(dòng)的時(shí)間軸，并計(jì)算總的下頜運(yùn)動(dòng)。進(jìn)一步發(fā)展的后處理算法[11]利用波形特征識(shí)別咀嚼和卷食的特征，這被證明是一個(gè)嚴(yán)重的問(wèn)題，正如作者指出的那樣“不可能連續(xù)地計(jì)算下頜運(yùn)動(dòng)，也不可能足夠準(zhǔn)確地計(jì)時(shí)事件，以便短時(shí)間內(nèi)的行為能夠與自動(dòng)記錄精確匹配?；陂g接的驗(yàn)證方法，自動(dòng)記錄方法在放牧期間的卷食速率明顯高于手動(dòng)記錄。Penning的系統(tǒng)進(jìn)一步發(fā)展，將模擬卡式錄音機(jī)替換為基于微機(jī)的下巴運(yùn)動(dòng)數(shù)字記錄系統(tǒng)[12]。和以前一樣，顎帶通過(guò)顎的開(kāi)合而被拉伸和放松，導(dǎo)致其電特性的變化與動(dòng)物顎運(yùn)動(dòng)的振幅相對(duì)應(yīng)。數(shù)據(jù)記錄儀在20 Hz將信號(hào)轉(zhuǎn)換為8位整數(shù)并存儲(chǔ)數(shù)據(jù)。在從動(dòng)物身上取回設(shè)備后，數(shù)據(jù)通過(guò)Graze分析程序[13]傳輸?shù)絺€(gè)人電腦上進(jìn)行后期處理。根據(jù)振幅和頻率標(biāo)準(zhǔn)，將單個(gè)下頜運(yùn)動(dòng)識(shí)別為咀嚼或咬。

奶業(yè)是一個(gè)資本、勞動(dòng)、技術(shù)密集型行業(yè)，經(jīng)過(guò)近10年的快速發(fā)展，已經(jīng)成為我國(guó)畜牧業(yè)的核心產(chǎn)業(yè)，截止2010年，我國(guó)已經(jīng)成為世界第三大牛奶生產(chǎn)國(guó)[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(chǎng)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(chǎng)，使得奶牛產(chǎn)量提升、牧場(chǎng)效益提高、牧場(chǎng)管理更高效顯得尤為重要[16-17]?？傮w來(lái)說(shuō)，我國(guó)奶牛場(chǎng)規(guī)模小而分散，70%左右飼養(yǎng)規(guī)模在5頭左右，全國(guó)近50%奶牛數(shù)量飼養(yǎng)規(guī)模小于20頭，由于牧場(chǎng)規(guī)模并不龐大，養(yǎng)牛的農(nóng)戶們還可以進(jìn)行實(shí)時(shí)看管，而伴隨著生活質(zhì)量的提高，人們對(duì)奶制品的消費(fèi)量逐年上升，奶牛飼養(yǎng)數(shù)量和規(guī)模迅速擴(kuò)大，小牧場(chǎng)的比例迅速下降，因此保證牛奶的質(zhì)量、安全以及科學(xué)化飼養(yǎng)奶牛顯得格外重要。由于歷史原因，我國(guó)奶牛生產(chǎn)水平較低，多數(shù)牧場(chǎng)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(duì)奶牛實(shí)時(shí)看管等使得我國(guó)奶牛的生長(zhǎng)受到了影響[19]。因此，我國(guó)急需研制出一種可以不間斷監(jiān)測(cè)奶牛采食情況的智能化設(shè)備，從而提升牧場(chǎng)奶牛飼喂質(zhì)量。鑒于此，筆者提出了應(yīng)用一種基于三軸加速度與人工神經(jīng)網(wǎng)絡(luò)結(jié)合的快速鑒別奶牛采食行為的方法，采集了5頭牛3個(gè)位置共9 000組數(shù)據(jù)樣本，在30 min內(nèi)采集了1頭牛3個(gè)位置的1 800組三軸加速度數(shù)采食行為數(shù)據(jù)，經(jīng)過(guò)savitzky-golay平滑和小波降噪處理后，對(duì)數(shù)據(jù)進(jìn)行分析。

1 材料與方法

1 試驗(yàn)材料與設(shè)備

試驗(yàn)在北京市延慶區(qū)延照富民奶牛養(yǎng)殖場(chǎng)進(jìn)行。試驗(yàn)所選奶牛是身體無(wú)異常狀況且采食正常。試驗(yàn)采用可穿戴三軸加速度監(jiān)控設(shè)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(shè)計(jì)。HOBO UA-004-64使用1個(gè)內(nèi)置的測(cè)量范圍是±3G的三軸加速計(jì)，該加速計(jì)基于有加速度時(shí)會(huì)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(xué)性、精確性，還進(jìn)行了視頻標(biāo)定，將試驗(yàn)中奶牛的采食過(guò)程全程錄像以便后續(xù)分析。視頻標(biāo)定采用了佳能HS285相機(jī)，從60°和120°分別進(jìn)行拍攝錄制。試驗(yàn)共對(duì)5頭奶牛進(jìn)行了3個(gè)位置的三軸加速度監(jiān)測(cè)，采集頻率為1 Hz，每頭牛采集30 min采食數(shù)據(jù)，分3次進(jìn)行，每次10 min。5頭牛3個(gè)位置共獲取9 000組數(shù)據(jù)，1頭牛1個(gè)位置600組數(shù)據(jù)。隨機(jī)將每頭牛的400組數(shù)據(jù)作為建模級(jí)，200組作為預(yù)測(cè)集。以此類推，將每頭牛的3個(gè)位置進(jìn)行卷、咀嚼、其他3種采食行為進(jìn)行識(shí)別并進(jìn)一步分析，從而最終確定基于三軸加速度監(jiān)測(cè)設(shè)備的最佳安裝位置。

1.2 三軸加速度數(shù)據(jù)采集

在試驗(yàn)進(jìn)行之前，首先將傳感器時(shí)間和相機(jī)時(shí)間校準(zhǔn)成為北京時(shí)間。時(shí)間校準(zhǔn)完畢以后將傳感器固定到牛嚼子上，在牛較溫順的時(shí)候套在牛頭上，如圖1所示。三腳架和相機(jī)作為視頻標(biāo)定，每頭牛2臺(tái)相機(jī)，分別從60°和120°進(jìn)行拍攝。由于1次試驗(yàn)分階段進(jìn)行，試驗(yàn)開(kāi)始時(shí)間和結(jié)束時(shí)間需記錄在試驗(yàn)記錄表，以便后續(xù)查看。

1.3 LMBP網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)在各方面都已經(jīng)得到廣泛的應(yīng)用，但標(biāo)準(zhǔn)的BP算法存在收斂速度慢、易陷入局部最小等問(wèn)題，該研究采用Leven-Marquardt（LM）算法來(lái)優(yōu)化標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。LM算法是一種利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)的快速算法，它在高斯牛頓法和梯度下降法之間進(jìn)行平滑調(diào)和，在遠(yuǎn)離最小值時(shí)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(luò)的收斂速度[20]。

該研究中，由于擬合非線性函數(shù)有4個(gè)輸入、3個(gè)輸出，所以設(shè)置的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-10-3，即輸入層有7個(gè)節(jié)點(diǎn)，隱含層有10個(gè)節(jié)點(diǎn)，輸入層3個(gè)節(jié)點(diǎn)，共有4×10+10×3=70個(gè)權(quán)值，10+3=13個(gè)閾值。

2 結(jié)果與分析

2.1 奶牛采食三軸加速度數(shù)據(jù)預(yù)處理

16079號(hào)奶牛采食三軸加速度曲線如圖2、3、4所示，橫坐標(biāo)為時(shí)間，縱坐標(biāo)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(guò)程中，三軸加速計(jì)會(huì)記錄奶牛在某段時(shí)間所有的三軸加速度數(shù)據(jù)，因?yàn)槭墉h(huán)境中多種因素（奶牛的適應(yīng)程度、人員的驚嚇等）的干擾，原始采食曲線會(huì)產(chǎn)生一些背景噪聲。因此在用數(shù)學(xué)方法建立模型之前，三軸加速度預(yù)處理方法對(duì)建立預(yù)測(cè)能力強(qiáng)、穩(wěn)健性好的分析模型至關(guān)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(jìn)行去小波算法進(jìn)行進(jìn)一步降噪。結(jié)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(jìn)行了采食行為標(biāo)定。將奶牛采食過(guò)程中的卷食、咀嚼和其他3種行為進(jìn)行了數(shù)據(jù)集標(biāo)定。

試驗(yàn)采集的加速度數(shù)據(jù)中，5頭牛共計(jì)9 000組數(shù)據(jù)，每頭牛每個(gè)部位600組。經(jīng)過(guò)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(luò)建模奠定了良好的基礎(chǔ)。

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(luò)的輸入。輸出節(jié)點(diǎn)數(shù)為3即代表了奶牛行為的種類值。通過(guò)多次試驗(yàn)隱含層節(jié)點(diǎn)數(shù)為10的時(shí)候，模型的預(yù)測(cè)效果最好。這樣就建立了1個(gè)4（輸入節(jié)點(diǎn)）-10（隱含層節(jié)點(diǎn)）-3（輸出節(jié)點(diǎn)）3層的LMBP網(wǎng)絡(luò)模型，設(shè)定迭代次數(shù)為5 000次。該研究采用了LM算法優(yōu)化標(biāo)準(zhǔn)BP網(wǎng)絡(luò)，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(duì)5頭奶牛3個(gè)位置的識(shí)別率，在牛鼻子、右頜和左嘴3個(gè)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(jié)論與討論

測(cè)定了5頭牛3個(gè)位置的采食行為的三軸加速度數(shù)據(jù)，經(jīng)過(guò)savitzky-golay平滑和小波降噪后，得到進(jìn)一步優(yōu)化的數(shù)據(jù)。試驗(yàn)證明，經(jīng)過(guò)優(yōu)化的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)奶牛采食行為的鑒別模型有積極的作用?；谂１亲?、右頜、左嘴的三軸加速度數(shù)據(jù)鑒別模型的識(shí)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(yàn)法和聲音監(jiān)測(cè)法的不準(zhǔn)確和難以應(yīng)用的缺點(diǎn)。在基于可穿戴三軸加速度奶牛采食行為監(jiān)測(cè)的大背景下，該研究對(duì)5頭牛3個(gè)位置分別進(jìn)行了研究。在牛鼻子部位對(duì)卷食、咀嚼、其他行為的平均識(shí)別率達(dá)到了91.04%、92.89%、98.00%，是3個(gè)部位中表現(xiàn)較穩(wěn)定且識(shí)別率較高的位置，為將來(lái)反芻動(dòng)物采食行為與采食量監(jiān)測(cè)奠定了良好的基礎(chǔ)。同時(shí)，結(jié)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(yīng)用，并為其他動(dòng)物的采食行為鑒別提供了借鑒和新思路。

參考文獻(xiàn)

[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(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社，2015：383.

[15] 申軍士.日糧能氮釋放同步性對(duì)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(xué)，2013.

[16] 楊開(kāi)紅.奶牛圍產(chǎn)期血液生理生化指標(biāo)動(dòng)態(tài)變化的研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2014.

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

[18] 學(xué)生飲用奶計(jì)劃部際協(xié)調(diào)小組辦公室.中國(guó)學(xué)生飲用奶奶源基地建設(shè)探索與實(shí)踐[M].北京：中國(guó)農(nóng)業(yè)大學(xué)出版社，2011：127-136.

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