加速度传感器在畜禽行为识别中的应用

李 芳

(肇庆学院，广东 肇庆 526061)

引言

随着养殖业的不断发展，智能化养殖方式日益完善，动物的健康和福利关系越发受到研究者的重视。作为动物生理健康状况的主要外在表现，动物行为能够在一定程度上反映动物对环境的适应情况，是评价动物福利的重要考核指标[1]。随着大规模的智能养殖快速发展，依靠人畜跟踪的方法对畜禽个体行为监测效率低下，饲养人员由于专业素质的局限性和差异性等原因，导致畜禽个体异常行为无法被有效的统一定义，导致科学合理的养殖方法和应对异常行为的决策难以实现，养殖业效益低下。为应对这一问题，动物福利水平的评估方法和畜禽行为信息的自动获取受到研究学者的广泛关注。作为机器学习的图像监测技术与声音监测技术由于其优异的判断决策能力成为了本领域中强有力的解决方案，然而机器学习需要的数据量大，且特征提取算法复杂，信息的传输和处理的效率问题巨大[2]。随着畜禽行为监测的不断发展，利用体积小价格便宜的加速度传感器在动物的不同部位连续采集各种行为数据是一个有效手段。加速度传感器在畜禽运动过程中测量出三向加速度值，然后结合机器学习算法对畜禽生理、健康和福利状况进行准确高效的分析。当前，加速度传感器技术已被应用于人体跌倒[3]、心率检测和运动行为识别[4]，以及猪、牛、羊、肉鸡和鸽子等家畜个体运动行为识别。本文立足于数据驱动的畜禽行为识别技术，以加速度传感器的工作机理为核心，详细阐述和分析基于机器学习的家禽行为动态识别方法，并对数据驱动的畜禽行为识别算法的发展方向及应用前景进行统一一致的归纳、总结和展望，为畜禽行为识别与分类研究提供理论依据和实践参考。

1 加速度传感器工作原理

加速度是定义速度变化的矢量。运动通过对加速计内的小晶体施加应力来产生电压。传感器解释电压的大小，以确定运动的速度和方向。在三轴加速度计中，3个加速度传感器正交布置，并且累积了三维(x，y和z轴)信息，除了测量加速力外，其还通过确定设备倾斜的角度来测量地球的引力。按工作原理一般分为一般压电式、压阻式、电容式、伺服式加速度传感器。加速度传感器的工作原理如图1所示。

2 加速度传感器在畜禽行为识别中的应用

2.1 在猪行为识别中的应用

在畜禽行为识别中，通过机器学习算法结合传感器采集的加速度数据建立畜禽行为分类模型对智能养殖具有重大意义。国外ImkeT[5]等人将加速度传感器贴在母猪的耳朵上来采集加速度数据，通过母猪CUSUM(尖点控制图)检测到母猪分娩开始前的筑巢行为，对于100%或85%的母猪产仔行为，在开始前48h或12h内发出警报，有利于饲养人员为母猪的分娩提前做好准备。LiuLS等人[6]研究开发了一种用于母猪福利研究的低功耗耳挂式加速度传感器。该传感器仅重10.0g，由1个3轴加速度计、1个蓝牙低功耗模块、1个印刷电路板天线和1个3-V、230-mAh的CR2032电池组成。对8头母猪现场测试，以评估传感器在3种操作模式(连续、数据分组和节能)下的性能。结果表明，母猪主要有3种行为(休息、移动和进食)，行为模式因母猪而异。原则上，耳挂式传感器可用于监测和预测母猪分娩，同时不会引起母猪异常行为。与报道的同类加速度传感器相比，这款新型传感器的电池寿命增加了1倍以上，同时传感器质量减少了70%以上。闫丽等人[7]结合三轴加速度和陀螺仪发明了MPU6050传感器并佩戴于母猪颈部下方，对母猪活动的姿态角进行采集，利用Haar小波算法提取行为数据的特征，通过SVM区分立、倾卧、侧卧3种姿态，其中侧姿总体正确识别率达到83.3%，由此可以看出，母猪姿态行为识别可以有效反映母猪的哺乳意愿。迄今为止，只有极少数研究人员尝试开发基于猪的加速度数据的喂食行为算法。Fleming等人[8]是最早在仔猪中使用加速度计的研究人员之一。根据固定在脖子上的装置收集的加速度数据，研究了唾液酸饮食和昼夜节律(昼夜)对24只人工饲养仔猪行为的影响。应用特定软件根据活动确定阈值，以便能够在第2步中评估猪是否处于睡眠状态或清醒状态。通过将自动检测到的数据与手动标记行为的比例进行比较，证明该方法是有效的(p=0.07)。在猪中，侧卧位被认为是完全放松和不活动的状态，而胸骨卧位被认为是母猪经常醒着，注意到并与其周围环境相互作用的身体姿势[9]。大多数研究报告正确分类的外侧卧床百分比超过90%，F1分数在0.90～0.98。使用2个加速度计可获得最佳结果：一个安装在母猪的前部，一个安装在母猪的后部，从而为可靠性评估提供了坚实的基础。到目前为止，只有少数几项研究描述了通过加速度计自动检测猪的站立和行走行为。Thompson等人[10]使用2个分娩笔为传感器，一个在母猪的前部，一个在母猪后部。

2.2 在牛行为识别中的应用

Barker Z E等人[11]设计了一种基于三轴加速度传感器和决策树算法的奶牛行为活动监测系统，该系统以19头奶牛为研究对象，其中10头奶牛跛足，9头奶牛正常。通过对不同类别的奶牛的每日平均喂养时间进行分析，建立快速检测算法对跛足奶牛与非跛足奶牛进行分类。与非跛足奶牛相比，跛足奶牛的平均总进食时间显著降低，下午不进食的总持续时间更高。Wolfger B等人[12]将Smartbow标签佩戴于奶牛耳朵上设计了一种实时位置监测系统，该标签向接收器发送低频信号，进一步将信息传输到服务器；通过传入的数据，服务器实时三角测量牛在牛舍环境中的位置；数据还可用于监测奶牛对物理环境的反应，从而有可能改进设施设计；靠近重要牛舍特征(即饲料槽和水槽)的时间预算和行进距离可以计算并用于识别需要管理员注意的奶牛，以及识别奶牛在牛舍中的确切位置。HillTM等人[13]提出并设计了一种耳挂式加速度传感器用于识别16头雄性荷斯坦犊牛的反刍、进食和活动行为，使用回归分析和方差分析法处理加速度数据，同时由3名训练有素的观察员使用现场观察法来评估个别小牛的行为，结果表明，在4周龄的小牛中，传感器与观察时间的关系不显著(R2<0.3)；然而，为了重新评估，对耳朵中的传感器放置进行了更改；在断奶前后的第6周，传感器与观察到的反刍(R2=0.91)、进食(R2=0.75)和不活动(R2=0.97)时间的简单回归分析的y截距与零和显著的斜坡。该研究虽然可以有效区分犊牛的行为，但耗费了人力。Benaissa S等人[14]以10多头奶牛为研究对象，使用颈挂式加速度计的数据开发了一种新的简单决策树(DT)算法，用于对奶牛的采食和反刍行为进行实时分类；将DT的性能与支持向量机(SVM)算法和RumiWatch鼻带传感器的性能进行了比较，并研究了降低加速度计采样率对所开发算法分类精度的影响。本研究中使用了10头经产奶牛，每头奶牛都配备了1个RumiWatch缰绳和1个连接到奶牛项圈的加速度计，2个传感器都被编程为以10Hz的频率记录数据。奶牛行为的直接观察被用作参考(基线数据)。结果表明，2个传感器在所识别的行为类别(如喂食、反刍和其它活动)中，基于SVM算法的行为识别准确率为93%，基于DT算法的行为识别准确率为90%，Rumiwatch传感器的总体精度为91%。王俊等人[15]使用最优二叉决策树分类模型对奶牛运动行为进行识别，且行为识别的特征量包含加速度数值大小、对称性、陡峭程度、变异程度、不确定性及夹角，通过构建ROC曲线获得特征量的最佳行为分组和阈值，利用信息增益作为最优二叉决策树划分属性的选择标准，构建最优二叉决策树分类模型对奶牛运动行为进行分类识别。试验结果肯定了该算法的优越性，包含站立、平躺、慢走、快走和躺卧等几组动作均能被有效识别。

2.3 在羊行为识别中的应用

Giovanetti V等人[16]使用包括加速度传感器的吊带戴于绵羊的头部，用于测量牧场奶羊的行为参数。在放牧条件下进行了简短的测试，以在记录绵羊行为活动(放牧、反刍和休息)的同时收集加速度计数据。使用逐步判别分析(SDA)、典型判别分析(CDA)和判别分析(DA)3种多元统计技术分析加速度数据建立绵羊放牧、反刍和休息行为分类模型，识别准确度均在85%以上。Jamie B等人[17]在绵羊脖子、腿部和耳部使用三轴加速度传感器进行监测，结合绵羊声音鉴别跛行步态，数据被分成10s相互排斥的行为时期，并进行二次判别分析(QDA)。初步分析表明，在所有部署模式下，使用声音放牧和站立的跛行放牧事件都存在高度错误分类。最终的分类模型包括跛行步行和所有声音活动类别，对耳朵、项圈和腿部署的跛脚运动的预测准确度分别为82%、35%和87%。在腿加速度计数据集中对跛行行走的错误分类突出了耳朵附着模式在基于时间序列加速度计数据的跛足步态特征分类方面的优越性。张曦宇等人[18]基于加速度传感器的检测数据设计了种公羊运动行为识别系统，该系统将实时检测数据进行采集和分类，并通过无线传输的方式加载到服务器进行计算，结合K近邻算法和区间阈值分类法对种公羊的行为进行识别，且静立、行走和奔跑识别率分别达到95.96%、95.78%和96.89%。

3 展望

目前，加速度传感器主要应用于家畜行为识别，而对于家禽行为的应用相对较少。加速度传感器可以为用户提供准确的畜禽行为数据，通过分析后养殖人员可以充分了解畜禽个体的健康状态，一旦出现问题可以及时发现，减少经济损失，同时减轻了养殖人员的劳动力，实现高效养殖和管理。

但是，养殖环境多尘、高温、高湿，为了保持良好的数据采集稳定性，应克服因动物位置移动、姿态变化、应激反应造成的测量误差；同时综合考虑动物形态、行为、声音、体温、心率、排泄物、呼吸等生理特征中的几个和多个特征对自动诊断结果的影响，并在各特征耦合的情况下，形成全面、高效、智能、精准的畜禽动物疫病综合诊断方法。