基于加速度传感器的本交笼种鸡个体行为监测与识别

李丽华 刘志伟 赵学谦 李 帅

(1.河北农业大学机电工程学院， 保定 071001; 2.农业农村部肉蛋鸡养殖设施工程重点实验室， 保定 071001)

0 引言

我国本交笼养模式的应用处在起步阶段，存在生产效率较低、福利水平不高等诸多问题，该饲养模式下配套设施设备的合理设计和使用对种鸡生产具有重要影响。准确高效监测分析种鸡行为有助于了解配套设施设备对种鸡的影响情况，以便及时发现设计缺陷，提高设计的效率和合理性。

研究者在动物行为识别方面进行了大量研究。文献[1-4]利用加速度传感器、使用决策树算法和随机森林算法识别了绵羊的吃草、躺卧、跑、站立、走、放牧、跛行步态等多行为模式和羔羊哺乳期吮吸行为。文献[5-7]利用加速度传感器对猪的行为进行了识别。文献[8]结合加速度传感器和RFID标签准确识别了猪的休息、移动和进食等行为和哺乳期的姿态。文献[9-20]利用加速度传感器，使用模式匹配法、神经网络、新的决策树、支持向量机等算法，检测奶牛采食、饮水、反刍、舔舐等行为。文献[21]利用加速度传感器研究了狗的快速旋转和奔跑行为。文献[22]利用加速度传感器、采用逻辑回归算法研究了肉鸡的健康步态和跛行步态的程度。文献[23-24]利用加速度传感器识别了鸽子的平飞和着陆的飞行行为。

本文使用加速度传感器构建种鸡个体行为自动采集系统，结合K-means聚类算法实现对种鸡行为特征的自动识别，分析个体行为变化规律，为本交笼养模式优化设计和高效管理提供科学依据。

1 材料与方法

1.1 试验材料

本交笼采用河北新裕德畜牧机械科技有限公司提供的SYD父母代蛋种鸡笼养设备，规格为前端4 800 mm×1 250 mm×720 mm，后端4 800 mm×1 250 mm×633 mm。试验种鸡选取公鸡3只，母鸡30只，按照1∶10比例饲养于本交笼内，试验周期30 d。母鸡的品种是海兰灰，日龄550 d；公鸡是河北保定当地的柴鸡，日龄160 d。舍内环境平均温度27.59℃，平均相对湿度34.3%。本交笼种鸡可以自由饮水，08:30投料一次。

数据采集选用集成JY901模块的九轴加速度传感器，采集种鸡颈部的加速度数据，固定位置和方法如图1右上角所示，鸡直立时y轴与脖子平行指向正下方，x轴与y轴垂直，指向鸡身体正后方，z轴与x、y轴垂直指向鸡身左侧方向。该固定方法使种鸡在运动时产生的加速度方向与加速度传感器三轴的方向基本重合，x、y、z轴的方向不会改变，大小时刻在改变。前期预试验分别测定了传感器安装在脖子、腿部、后背的加速度数据，加速度传感器固定于种鸡颈部时5种典型的行为加速度数据特征存在明显差异，数据采集效果较好，因此选择将加速度传感器固定于种鸡颈部进行数据采集。加速度传感器使用锂电池外部供电，传感器质量56 g，比较轻，并用弹性可伸缩的绑带将加速度传感器佩戴于种鸡颈部。数据传输采用蓝牙模块，电池容量9 900 mA·h，蓝牙传输距离大于10 m，传感器的尺寸为51.3 mm×36 mm×5 mm。在笼子区域正中距离地面2.2 m的高度位置放置1台300万像素的高清网络摄像头，摄像头垂直朝下获取鸡的俯视图，并通过网线连接到鸡舍隔壁观察室的服务器，用于数据校验。试验数据采集示意图如图1所示。数据分析处理软件为Matlabr2014a。

图1 试验数据采集示意图Fig.1 Schematic of experimental data acquisition1.小蚁智能摄像头 2.加速度传感器 3.数据接收端

1.2 数据采集系统搭建

数据采集系统主要由3部分组成：上位机、蓝牙无线通信、加速度传感器数据采集模块。加速度传感器数据采集模块包括九轴加速度传感器、9 900 mA·h锂电池和试验种公鸡。系统结构如图2所示。

图2 数据采集系统Fig.2 Data acquisition system

1.2.1无线通信通道

加速度传感器通过蓝牙适配器依据串口号进行通信，并与种鸡个体一一对应。配对成功后效果如图3所示。SPP表示终端设备，指加速度传感器，DUN表示上位机拨号自动搜索终端设备。蓝牙工作模式如表1所示。

图3 通道检查Fig.3 Channel check

表1 蓝牙工作模式Tab.1 Bluetooth working mode

1.2.2无线蓝牙通信协议

数据通过蓝牙无线传输，采样频率10 Hz，默认为1 s包含10个数据包。通信协议为11位如图4所示，0x55表示数据包包头，0x51表示是加速度信号，AxL和AxH表示加速度ax的低字节和高字节，AyL和AyH表示加速度ay的低字节和高字节，AzL和AzH表示加速度az的低字节和高字节，TL和TH表示芯片温度的低字节和高字节，SUM是校验位。数值中负数的出现是由于高字节需要强制转换为一个有符号的short类型的数据后进行移位操作的结果。ax的计算式为

(1)

式中g——重力加速度，可取9.8 m/s2

Ax——AxH与AxL组成的16位二进制数

ay、az计算方法与之相同。

0x550x51AxLAxHAyLAyHAzLAzHTLTHSUM

图4 加速度数据输出通信协议
Fig.4 Acceleration data output communication protocol

2 数据处理

2.1 小波降噪

噪声的存在严重影响了本交笼种鸡个体行为识别，故本文采用小波降噪对原始数据预处理。Symlet小波系通常表示为symN(N=2,3,…,8)，通过改变小波基函数sym2～sym8，计算信噪比的大小，得出信噪比越大去噪效果越好。试验发现采用sym8小波基函数效果最佳，结果如表2所示。

表2 不同小波基去噪的信噪比Tab.2 Signal-to-noise ratios of different wavelet bases for denoising

2.2 特征提取

种鸡行为加速度a=(ax，ay，az)，ax、ay、az分别表示三轴加速度传感器3个方向的加速度分量，由于行为的运动方向是随机的，所以方向不是判断行为的必要条件，为了消除朝向和角度的影响，便于计算，本文采用合加速度a表示种鸡各行为的加速度，合加速度为三轴加速度的标量和，较单轴的数据稳定。合加速度计算公式为

(2)

合加速度降噪后曲线如图5所示。

由图5可看出，由于本交笼种鸡行为的动作幅度不同，采食、饮水、打斗、交配、振翅的加速度曲线的波动性明显不同，故本文采用合加速度差值表示行为曲线波动性，计算公式为

Δi=|ai-ai-1|

(3)

式中Δi——合加速度差

ai——i时刻的合加速度

ai-1——i-1时刻合加速度

2.3 K-means均值聚类算法

图5 典型行为合加速度曲线Fig.5 Typical behavior combined acceleration curves

K-means是聚类中常用的一种方法，所谓聚类是按相似性原则将相似性较高的数据归为一类，将相异性较高的数据对象划分为不同的簇[25]。本交笼种鸡的三轴加速度数据用ax、ay、az表示。K-means均值聚类算法的中心思想是最小化总的类内距离，方法是重复调整c个聚类的质心mi，并将各个样本分配到最近的质心所在的类别中去[26]。K-means模型公式为

(4)

式中E——聚类时的误差

xu——样本个体ωi——一个聚类

根据K-means算法流程图(图6)，按动作幅度或曲线波动性分类，本交笼种鸡个体行为主要有采食、饮水、打斗、交配和振翅5种。

(4)重复步骤(2)、(3)直到p达到最大迭代次数或满足‖E(p+1)-E(p)‖小于最小偏差阈值为止。

图6 K-means算法流程图Fig.6 Flow chart of K-means algorithm

3 系统性能测试

3.1 加速度数据采集模块通信距离测试

试验前对加速度传感器的读写距离在空旷地区和本交笼内4个点分别进行了测试，在空旷地区一人观察服务器端，另一人佩戴加速度传感器向前走，若蓝牙中断则测量服务器端到中断点的距离，求取平均值。本交笼底端4个底点测试布点如图7所示，服务器端在第1个点的笼外边。数据测试过程以4个点的终端可以同时接收、发送信号为标准，笼内笼外传感器读写距离对比见表3。

图7 本交笼底端4个位置指示图Fig.7 Four position indicators of natural mating cage at bottom

表3 加速度传感器读写距离测试Tab.3 Comparison of acceleration sensor reading and writing distancesm

3.2 供电情况对比

加速度传感器自带电池的供电时间大约为5 h，为了延长监测时间，减少试验过程换电池给鸡造成应激，本文选取充电宝和锂电池分别对加速度传感器供电并进行对比试验。试验结果见表4。锂电池体积小，质量轻，供电时间长。因此，采用锂电池对九轴加速度传感器进行供电。

4 结果分析

4.1 降噪效果

通过式(2)计算得出合加速度数据中，存在种鸡戴上设备产生应激反应等干扰噪声，故采用小波降噪对原始信号进行预处理，合加速度数据处理前后信号降噪结果如图8所示。

4.2 种鸡个体典型行为监测和识别

系统可以实时且连续不间断地监测和识别本交笼种鸡个体典型行为，包括采食、饮水、打斗、交配、振翅，行为加速度曲线如图9所示。

表4 充电宝与锂电池对传感器供电的情况对比Tab.4 Comparisons of power supply to sensors by rechargeable treasure and lithium batteries

图8 降噪效果Fig.8 Diagrams of noise reduction effect

图9 典型行为加速度曲线Fig.9 Typical behavior acceleration curves

4.3 K-means识别效果

图10 5种行为聚类中心Fig.10 Five behavior clustering centers

利用基于K-means均值聚类的本交笼种鸡个体行为识别方法对种鸡行为进行判断，训练样本数据聚类结果如图10所示。通过对2 000个样本数据的反复训练，利用 K-means均值聚类算法的最大迭代次数为8次；得到交配、打斗、振翅、采食、饮水的聚类中心分别为1.032、1.102、1.022、1.044和0.993。5种行为聚类分布如图11所示，利用试验样本对K-means均值聚类算法进行种鸡行为识别效果试验，试验中把训练样本得到的聚类中心作为初始聚类中心，最大迭代次数减少为6次，提高了算法效率。本交笼种鸡的采食、饮水、打斗、交配、振翅典型行为识别结果如图12所示(图中，A表示采食，B表示饮水，C表示打斗，D表示交配，E表示振翅)。

文中选取2018年9月2日13:00—19:00和2018年9月3日06：00—19:00的3只公鸡19 h的行为数据，统计视频中每种行为次数进行系统识别精度校验，校验结果如表5所示，采食、饮水、振翅、打斗、交配行为平均识别精度分别为94.31%、92.53%、

图11 5种行为的聚类分布Fig.11 Cluster distribution of five behaviors

图12 种鸡不同行为模型识别结果Fig.12 Results of different behavioral model recognition

表5 种鸡个体典型行为识别精度Tab.5 Accuracy of breeders individual typical behavior recognition

92.31%、84.03%、72.00%。其中交配行为视频显示只有73次，而模型结果识别出了85次，原因是由于种鸡的个体行为比较复杂，在交配和打斗的过程中，通过对比交配和打斗行为曲线，发现两种行为加速度数据比较接近，造成了误判，因此导致了交配行为的识别精度较低，只有72.00%。后续工作将增加其他行为特征量的数据获取和分析，以提高两种行为的识别精度。

5 结论

(1)设计了一套基于加速度传感器和蓝牙无线传输的本交笼种鸡个体行为的实时监测系统，确定了九轴加速度传感器在种鸡上的最佳佩戴位置，解决了传感器本身供电时间较短问题，实现了本交笼种鸡行为的无损、快速识别。

(2)采用小波sym降噪对原始数据预处理，以减少噪声影响，利用K-means聚类算法对行为特征进行识别，得到稳定的聚类中心，进行了加速度传感器距离对比和以充电宝、锂电池作为供电设备的性能测试，同时利用视频监控验证种鸡的5种行为。研究结果显示，该系统能够准确识别种鸡个体的多种行为，采食、饮水、振翅、打斗、交配行为平均识别精度分别为94.31%、92.53%、92.31%、84.03%、72.00%，可为本交笼养模式配套设施设备优化设计和高效管理提供科学依据。

(3)对于打斗和交配行为存在误判的情况，可以在特征提取和选择中引入并分析加速度传感器的多特征数据，通过结合多特征对获取的加速度数据进行训练和识别。