郭 陽，陳桂鵬，丁 建，嚴(yán)志雁，梁 華

(江西省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所/江西省農(nóng)業(yè)信息化工程技術(shù)研究中心，江西 南昌 330200)

隨著我國(guó)人民生活水平的提高，牛肉消費(fèi)需求不斷增加。我國(guó)人均牛肉消費(fèi)量從2015年的1.6 kg上升到2018年的2.0 kg[1]，江西省人均牛肉消費(fèi)量從2015年的1.6 kg上升到2018年的2.2 kg[2]。聯(lián)合國(guó)貿(mào)易數(shù)據(jù)(UNComtrade)和聯(lián)合國(guó)糧食及農(nóng)業(yè)組織(FAO)的數(shù)據(jù)顯示，中國(guó)牛肉產(chǎn)量從2007年的626.2萬t上升到2018年的644.1萬t，中國(guó)牛肉產(chǎn)量大幅上升，同時(shí)，中國(guó)牛肉進(jìn)口量從2007年的0.36萬t上升到2017年的69.50萬t，中國(guó)牛肉進(jìn)口量也大幅提高，但相對(duì)人們對(duì)牛肉消費(fèi)需求的增長(zhǎng)來看，牛肉的供給還存在很大的缺口[3]。為推進(jìn)牛肉市場(chǎng)健康發(fā)展，近年來，我國(guó)不斷擴(kuò)大肉牛養(yǎng)殖業(yè)的規(guī)模，飼養(yǎng)肉牛數(shù)量總體上保持著快速增長(zhǎng)勢(shì)頭，同時(shí)養(yǎng)牛業(yè)的發(fā)展對(duì)我國(guó)農(nóng)村經(jīng)濟(jì)建設(shè)發(fā)揮著重要作用，成為增加農(nóng)民收入的主要途徑[4]。

傳統(tǒng)養(yǎng)牛方式消耗大量的人力物力，特別是勞動(dòng)力成本上升導(dǎo)致養(yǎng)殖成本急劇上升[5]。同時(shí)，由于缺乏自動(dòng)監(jiān)測(cè)診斷工具，僅依靠人工經(jīng)驗(yàn)難以準(zhǔn)確及時(shí)地獲取牛的行為特征和健康狀況[6]。采用先進(jìn)傳感技術(shù)、智能傳輸技術(shù)和農(nóng)業(yè)信息處理技術(shù)，可以實(shí)現(xiàn)牛養(yǎng)殖信息的智能感知、安全可靠傳輸以及智能處理，達(dá)到牛行為監(jiān)測(cè)、識(shí)別分類以及疾病診斷與預(yù)警的目的，對(duì)推進(jìn)養(yǎng)牛業(yè)發(fā)展具有重要的意義[7]。

1 行為監(jiān)測(cè)技術(shù)

動(dòng)物行為反映動(dòng)物生理健康，監(jiān)測(cè)動(dòng)物行為可為疾病預(yù)警與診斷提供依據(jù)。加快養(yǎng)殖行業(yè)數(shù)字化、信息化，實(shí)現(xiàn)動(dòng)物行為的實(shí)時(shí)監(jiān)測(cè)，就要發(fā)展智能感知、無線傳輸、智能處理等技術(shù)[8]。目前用于監(jiān)測(cè)牛行為的技術(shù)主要有聲音監(jiān)測(cè)技術(shù)、機(jī)器視覺技術(shù)、無線傳感器技術(shù)。

1.1 聲音監(jiān)測(cè)技術(shù)

動(dòng)物發(fā)出的聲音信號(hào)與行為密切相關(guān)，利用識(shí)別算法從大量聲音信號(hào)中提取出采食信號(hào)，監(jiān)測(cè)牛采食行為[9]。對(duì)聲音信號(hào)處理分為聲音信號(hào)采集、預(yù)處理、聲音信號(hào)數(shù)字化以及特征提取。聲音采集利用聲音傳感器模塊實(shí)現(xiàn)動(dòng)物反芻聲音信號(hào)采集，包含吞咽、反嘔和咀嚼等聲音信號(hào)；預(yù)處理防止干擾噪聲對(duì)數(shù)據(jù)產(chǎn)生影響，對(duì)聲音信號(hào)放大并消除環(huán)境噪聲信號(hào)。牛發(fā)生吞咽、反嘔和咀嚼等行為時(shí)，會(huì)發(fā)出不同的聲音，通過聲音頻率提取吞咽、反嘔和咀嚼等3種聲音。

姚意[10]通過麥克風(fēng)采集反芻聲音，nRF51422芯片處理反芻聲音數(shù)據(jù)，nRF51422芯片自帶ANT網(wǎng)絡(luò)作為反芻采集節(jié)點(diǎn)實(shí)現(xiàn)組網(wǎng)并發(fā)送到ANT集中器，再傳送到PC，完成奶牛反芻信息采集，并采用反芻識(shí)別算法識(shí)別奶牛反芻聲音。張爽[11]研發(fā)了一種佩戴在奶牛頸部的監(jiān)測(cè)項(xiàng)圈，用來采集奶牛反芻聲音、采食聲音的數(shù)據(jù)，該設(shè)備采用麥克風(fēng)傳感器，利用聲音識(shí)別算法識(shí)別反芻信號(hào)，實(shí)現(xiàn)反芻行為監(jiān)測(cè)，結(jié)果表明：該設(shè)備反芻識(shí)別精度達(dá)到90%，較好地實(shí)現(xiàn)了奶牛反芻行為監(jiān)測(cè)。王莉薇[12]設(shè)計(jì)了一種可穿戴設(shè)備，用來監(jiān)測(cè)奶牛反芻聲音信號(hào)、反芻姿態(tài)信號(hào)，利用音頻識(shí)別算法提取反芻聲音特征，實(shí)現(xiàn)反芻聲音的分類，同時(shí)根據(jù)奶牛反芻頸部行為變化進(jìn)行姿態(tài)分類，融合聲音監(jiān)測(cè)和姿態(tài)監(jiān)測(cè)實(shí)現(xiàn)了反芻行為更精準(zhǔn)的分類，結(jié)果表明：該可穿戴反芻設(shè)備精度達(dá)到81.3%，提高了反芻識(shí)別的準(zhǔn)確率。Navon等[13]通過聲音傳感器監(jiān)測(cè)放牧狀態(tài)下奶牛采食行為，將聲音傳感器佩戴在奶牛前額上，采集奶牛下頜運(yùn)動(dòng)產(chǎn)生的數(shù)據(jù)，并采用機(jī)器學(xué)習(xí)算法去除背景噪聲，實(shí)現(xiàn)采食聲音信號(hào)分類，從而實(shí)現(xiàn)放牧?xí)r期對(duì)奶牛采食量的監(jiān)測(cè)，結(jié)果表明，該聲音監(jiān)測(cè)系統(tǒng)識(shí)別正確率達(dá)到94%。Chelotti等[14]通過聲音監(jiān)測(cè)系統(tǒng)自動(dòng)獲取動(dòng)物的采食和反芻行為，通過無線網(wǎng)絡(luò)節(jié)點(diǎn)實(shí)現(xiàn)數(shù)據(jù)傳輸，利用實(shí)時(shí)決策邏輯算法測(cè)量信號(hào)頻率、振幅，完成奶牛采食和反芻行為的分類，結(jié)果表明，采食行為正確率達(dá)到了97.4%，反芻行為正確率為84.0%。Deniz等[15]開發(fā)了一種基于嵌入式的聲音采集監(jiān)測(cè)系統(tǒng)，包含微控制器模塊、音頻模塊、電源模塊、GPS模塊、無線網(wǎng)絡(luò)模塊，微控制器對(duì)麥克風(fēng)獲取的聲音進(jìn)行監(jiān)測(cè)分類，并量化奶牛采食行為，結(jié)果表明，該系統(tǒng)在不分類情況下采食行為正確率達(dá)到92%，咀嚼、咬合以及咀嚼-咬合三類事件正確率達(dá)到78%。Vanrell等[16]設(shè)計(jì)了一種聲音采集監(jiān)測(cè)系統(tǒng)，監(jiān)測(cè)覓食過程中產(chǎn)生的聲音，采用一種基于分割分類正則化算法完成奶牛覓食活動(dòng)分割與分類，結(jié)果表明，對(duì)于反芻和放牧行為分類的F1-score指標(biāo)均高于0.89，能夠長(zhǎng)期監(jiān)測(cè)奶牛采食和放牧行為，實(shí)現(xiàn)精準(zhǔn)畜牧業(yè)。

采用聲音傳感器采集數(shù)據(jù)，實(shí)時(shí)獲取吞咽、反嘔和咀嚼行為，幫助飼養(yǎng)員及時(shí)判斷牛的身體健康，減少人工投入，提高生產(chǎn)性能，實(shí)現(xiàn)數(shù)字化、智能化養(yǎng)殖。但是采用聲音傳感器的可穿戴設(shè)備體積比較大，長(zhǎng)時(shí)間穿戴會(huì)產(chǎn)生應(yīng)激反應(yīng)。同時(shí)，家畜運(yùn)動(dòng)、爭(zhēng)斗會(huì)造成設(shè)備位置偏移或者脫落，導(dǎo)致采集數(shù)據(jù)產(chǎn)生誤差，而且聲音識(shí)別范圍窄，僅對(duì)特定動(dòng)物有效，識(shí)別效果不理想。

1.2 機(jī)器視覺技術(shù)

隨著人工智能、圖像處理等信息技術(shù)的發(fā)展，機(jī)器視覺技術(shù)作為信息技術(shù)領(lǐng)域一個(gè)新興的應(yīng)用方向而廣泛應(yīng)用于數(shù)字化農(nóng)業(yè)領(lǐng)域[17]。利用攝像機(jī)記錄動(dòng)物的視頻、圖像，包含信息較為豐富，通過利用圖像處理實(shí)現(xiàn)動(dòng)物行為識(shí)別、分類，可以提高動(dòng)物福利，節(jié)約資源和人力成本[18]。

Chen等[19]為了克服傳統(tǒng)的反芻動(dòng)物檢測(cè)方法的局限性，提出了一種視頻技術(shù)的奶牛反芻行為檢測(cè)方法。采用均值漂移算法精準(zhǔn)跟蹤奶牛下頜運(yùn)動(dòng)，從視頻中提取牛嘴運(yùn)動(dòng)的質(zhì)心軌跡曲線，實(shí)現(xiàn)奶牛反芻行為監(jiān)測(cè)。通過手動(dòng)選取奶牛嘴部區(qū)域，提出了基于視頻分析技術(shù)的奶牛反芻行為檢測(cè)方法，采用Mean-Shift算法準(zhǔn)確地跟蹤奶牛的下頜運(yùn)動(dòng)，提取出牛嘴部運(yùn)動(dòng)的質(zhì)心軌跡曲線，實(shí)現(xiàn)了對(duì)奶牛反芻行為的監(jiān)測(cè)，采用40個(gè)視頻片段進(jìn)行分析，結(jié)果表明，奶牛反芻行為的平均檢測(cè)正確率為92.03%，該方法對(duì)奶牛反芻動(dòng)物行為進(jìn)行監(jiān)測(cè)是可行的，但由于采用單頭奶牛作為研究對(duì)象，自動(dòng)化程度不高，對(duì)多頭奶牛反芻行為的監(jiān)測(cè)效果不理想。Reiter等[20]通過視頻技術(shù)檢測(cè)奶牛反芻時(shí)間和反芻次數(shù)，采用Smartbow算法獲取奶牛的反芻時(shí)間，進(jìn)而對(duì)奶牛19 d(每天24 h)的錄像數(shù)據(jù)分析，與飼養(yǎng)員直接觀察奶牛反芻行為進(jìn)行對(duì)比，結(jié)果表明，奶牛每小時(shí)反芻時(shí)間Smartwell算法比目測(cè)值低1.2%，奶牛每小時(shí)反芻次數(shù)Smartwell算法比目測(cè)值高3.6%。趙凱旋等[21]采用視頻技術(shù)檢測(cè)奶牛呼吸頻率，錄制了72頭奶牛側(cè)臥視頻，每頭奶牛錄制5 min，總共360 min，采用光流法分析奶牛側(cè)臥呼吸時(shí)奶牛呼吸區(qū)域與腹部起伏規(guī)律，得到了呼吸特征值與時(shí)間變化的關(guān)系，結(jié)果表明，奶牛的呼吸頻率與異常檢測(cè)準(zhǔn)確率分別為95.68%、89.06%。何東健等[22]采用視頻分析對(duì)犢牛躺、站、走和跑跳等行為進(jìn)行了分類，采用一種改進(jìn)的目標(biāo)檢測(cè)方法，提取視頻中犢牛目標(biāo)，通過快速聚類算法對(duì)犢牛行為分類識(shí)別，結(jié)果表明，躺的正確率高達(dá)100%、站正確率高達(dá)96.17%、走正確率高達(dá)95.85%、跑跳正確率高達(dá)97.26%。溫長(zhǎng)吉等[23]采用視覺詞典法能實(shí)現(xiàn)對(duì)母牛產(chǎn)期行為的識(shí)別，對(duì)90組規(guī)定視角下母牛產(chǎn)前行走、側(cè)臥和回望等典型行為的平均正確識(shí)別率約為94.6%，對(duì)30組水平隨機(jī)視角下拍攝的上述3種行為的平均正確識(shí)別率約為88.3%?？滴醯萚24]提出了機(jī)器視覺技術(shù)實(shí)現(xiàn)跛行檢測(cè)、分類，采集了300頭奶?？倳r(shí)長(zhǎng)81 min的行走視頻，通過機(jī)器視覺技術(shù)識(shí)別奶牛行走，采用時(shí)空差值算法檢測(cè)跛行牛蹄定位地點(diǎn)，通過牛蹄定位試驗(yàn)和跛行檢測(cè)試驗(yàn)，其正確率分別達(dá)到了93.3%和77.8%。

機(jī)器視覺技術(shù)這種無接觸的識(shí)別方法不會(huì)像外帶裝置一樣影響動(dòng)物的活動(dòng)，避免造成動(dòng)物傷害，有助于提高動(dòng)物福利，對(duì)自動(dòng)化、智能化養(yǎng)殖具有重大意義。但是機(jī)器視覺對(duì)牛行為監(jiān)測(cè)視頻的采集環(huán)境要求苛刻，對(duì)算法依賴高、難以對(duì)多個(gè)目標(biāo)進(jìn)行有效的識(shí)別，不利于精準(zhǔn)監(jiān)測(cè)動(dòng)物行為。

1.3 無線傳感器網(wǎng)絡(luò)技術(shù)

無線傳感節(jié)點(diǎn)設(shè)計(jì)小巧、易于固定，能夠?qū)崟r(shí)采集和發(fā)送數(shù)據(jù)，所以無線傳感技術(shù)是單個(gè)動(dòng)物行為監(jiān)測(cè)最合適的方法。無線傳感器網(wǎng)絡(luò)技術(shù)通過使用傳感器設(shè)備將被測(cè)量的數(shù)據(jù)轉(zhuǎn)換電信號(hào)輸出，傳感器通過無線網(wǎng)絡(luò)發(fā)送接收那些采集進(jìn)來的數(shù)據(jù)信息，實(shí)現(xiàn)多種數(shù)據(jù)的實(shí)時(shí)監(jiān)測(cè)。隨著無線傳感器的發(fā)展，廣泛應(yīng)用于動(dòng)物體溫、行為、發(fā)情的監(jiān)測(cè)。

Zambelis等[25]將加速度計(jì)耳標(biāo)用于監(jiān)測(cè)奶牛行為時(shí)間與人觀察進(jìn)行對(duì)比測(cè)試，相關(guān)強(qiáng)度結(jié)果：活動(dòng)>進(jìn)食+反芻>反芻>進(jìn)食(誤差大)，因?yàn)檫M(jìn)食和反芻總時(shí)間與人觀察的接近，可能是反芻與進(jìn)食時(shí)間相互誤識(shí)別，且進(jìn)食時(shí)間過多識(shí)別為反芻時(shí)間而導(dǎo)致誤差較大。Ruuska等[26]利用傳感器記錄奶牛進(jìn)食、反芻和飲水行為時(shí)間。將測(cè)量值與6頭奶牛連續(xù)72 h實(shí)際記錄的時(shí)間對(duì)比，進(jìn)食時(shí)間頻率分別為3.8 min/h和3.2 min/h，反芻時(shí)間頻率分別為3.2 min/h和3.2 min/h，飲水時(shí)間頻率分別為0.2 min/h和0.1 min/h。尹令等[27]利用無線傳感器網(wǎng)絡(luò)記錄奶牛體溫、脈搏、呼吸頻率、運(yùn)動(dòng)加速度發(fā)送至監(jiān)測(cè)中心，識(shí)別奶牛的當(dāng)前身體狀態(tài)以及是否發(fā)情。田富洋等[28]通過傳感器實(shí)時(shí)檢測(cè)奶牛顳窩部位的運(yùn)動(dòng)來計(jì)算奶牛的采食量，通過觀察奶牛的采食規(guī)律，提供精細(xì)化飼養(yǎng)方案。

2 行為分類方法

在聲音檢測(cè)技術(shù)、機(jī)器視覺技術(shù)、無線傳感器網(wǎng)絡(luò)技術(shù)識(shí)別動(dòng)物行為的基礎(chǔ)上，采用行為分類算法對(duì)動(dòng)物行為分類，可以提高動(dòng)物行為分類的效果。模式識(shí)別是通過計(jì)算機(jī)用數(shù)學(xué)方法來研究人或動(dòng)物行為，可以用于動(dòng)物行為信息分類，常用的模式識(shí)別方法有K近鄰算法、貝葉斯決策、K均值聚類、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等[29]。下文綜述了應(yīng)用最廣的3種算法——K均值聚類算法、支持向量機(jī)算法、人工神經(jīng)網(wǎng)絡(luò)算法。

2.1 K均值聚類算法

K均值聚類指將一堆沒有標(biāo)簽的數(shù)據(jù)自動(dòng)劃分成幾類的方法，并保證同一類的數(shù)據(jù)有相似的特征，是一種經(jīng)典的聚類算法，簡(jiǎn)單易行[30]。K均值聚類算法簡(jiǎn)單、效率高，成為應(yīng)用最廣泛的聚類算法之一，應(yīng)用于畜禽行為識(shí)別分類[31]。

王莉薇[12]提出基于K均值聚類算法和支持向量機(jī)分類算法結(jié)合進(jìn)行奶牛反芻分類，結(jié)合牛反芻行為變化特征，提取并選擇對(duì)分類器最有用的和最重要的特征向量，有效地解決高維數(shù)據(jù)分類，得到更精確的反芻分類結(jié)果，結(jié)果表明，單獨(dú)支持向量機(jī)方法的準(zhǔn)確率為73.6%～90.1%，利用K均值聚類+支持向量機(jī)方法的準(zhǔn)確率為83.3%～93.2%。譚驥[32]采用一種改進(jìn)的模糊聚類算法——半監(jiān)督模糊聚類算法，結(jié)合了監(jiān)督學(xué)習(xí)算法和無監(jiān)督學(xué)習(xí)算法的優(yōu)點(diǎn)，通過先訓(xùn)練樣本再進(jìn)行聚類，分析奶牛進(jìn)食、平躺、站立、平躺動(dòng)作、站立動(dòng)作、快走、慢走7類運(yùn)動(dòng)行為，結(jié)果表明，平均準(zhǔn)確度達(dá)到95.4%，比K均值聚類算法、BP神經(jīng)網(wǎng)絡(luò)算法平均精密度分別提升了5.1、1.7個(gè)百分點(diǎn)。從算法運(yùn)行時(shí)間來說，改進(jìn)的模糊聚類算法耗時(shí)556 ms，短于BP神經(jīng)網(wǎng)絡(luò)算法的1227 ms，但是加入了學(xué)習(xí)過程，略長(zhǎng)于K均值聚類算法的364 ms。劉艷秋[33]提出了一種基于K均值聚類-BP神經(jīng)網(wǎng)絡(luò)算法識(shí)別母羊產(chǎn)前運(yùn)動(dòng)行為，利用K均值聚類算法具有良好的魯棒性，對(duì)母羊靜態(tài)行為分類，識(shí)別母羊趴臥狀態(tài)，識(shí)別正確率高達(dá)99%。進(jìn)一步結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型對(duì)母羊產(chǎn)前站立、行走、刨地行為進(jìn)行識(shí)別，識(shí)別正確率分別為85.71%、88.88%、80.00%。尹令等[27]采用的K均值聚類算法對(duì)奶牛行為進(jìn)行多級(jí)分類識(shí)別，能準(zhǔn)確區(qū)分奶牛靜止、慢走、爬跨等行為特征，從而監(jiān)測(cè)奶牛健康情況。沈維政等[34]利用K均值聚類算法對(duì)奶牛行為進(jìn)行分類，靜止、微動(dòng)、慢走、爬跨和快跑等行為準(zhǔn)確率分別為71.77%、74.42%、76.15%、78.23%、80.80%，通過試驗(yàn)分析各種行為所占時(shí)間的比例，預(yù)測(cè)奶牛的發(fā)情和身體異常情況。

K均值聚類算法的優(yōu)點(diǎn)是相對(duì)容易理解和實(shí)現(xiàn)，時(shí)間復(fù)雜度較低；缺點(diǎn)是對(duì)預(yù)先輸入的分類數(shù)目較為敏感，對(duì)噪聲和離群值較為敏感，只用于數(shù)值類型數(shù)據(jù)，不適用于絕對(duì)值類型數(shù)據(jù)，不能解決非凸數(shù)據(jù)，容易陷入局部最優(yōu)。

2.2 支持向量機(jī)算法

支持向量機(jī)是一個(gè)二分類器，尋找一個(gè)最優(yōu)的決策邊界，將兩類樣本分開，廣泛應(yīng)用于行為識(shí)別領(lǐng)域[36]。在智能化養(yǎng)殖領(lǐng)域，支持向量機(jī)已經(jīng)成功地應(yīng)用于動(dòng)物行為識(shí)別、動(dòng)物健康診斷[37]。支持向量計(jì)算法通過把動(dòng)物行為信息定義為一個(gè)實(shí)體空間，行為信號(hào)轉(zhuǎn)化為特征向量，實(shí)現(xiàn)動(dòng)物行為的智能分類。

Hamilton等[38]提出了一種加速器傳感器融合支持向量機(jī)識(shí)別奶牛反芻方法，瘤胃運(yùn)動(dòng)和收縮間隔時(shí)間作為支持向量機(jī)的特征向量，建立瘤胃運(yùn)動(dòng)與反芻變化規(guī)則，結(jié)果表明，反芻識(shí)別準(zhǔn)確率達(dá)到86.1%，該模型能夠準(zhǔn)確地檢測(cè)出反芻動(dòng)物的反芻期，有助于深入了解動(dòng)物健康情況。Martiskainen等[39]采用加速傳感器和支持向量機(jī)自動(dòng)測(cè)試和識(shí)別奶牛站立、躺下、沉思、進(jìn)食、正常和跛行等行為方式，結(jié)果表明，站立的靈敏度和準(zhǔn)確率分別為80%、65%，躺下的靈敏度和準(zhǔn)確率分別為80%、83%，反芻的靈敏度和準(zhǔn)確率分別為75%、86%，進(jìn)食的靈敏度和準(zhǔn)確率分別為75%、81%，正常行走的靈敏度和準(zhǔn)確率分別為79%、79%，跛行的靈敏度和準(zhǔn)確率分別為65%、66%。任曉惠等[40]提出了一種螢火蟲算法優(yōu)化支持向量機(jī)實(shí)現(xiàn)奶牛行為分類，加速度傳感器采集姿態(tài)信息，三軸加速度數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到奶牛反芻、進(jìn)食、飲水和靜止時(shí)的加速度，利用支撐向量機(jī)算法進(jìn)行分類，結(jié)果表明，奶牛分類精度、靈敏度和準(zhǔn)確率的平均值分別達(dá)到97.28%、97.03%、98.02%。陳春玲等[41]采用支持向量機(jī)算法實(shí)現(xiàn)肉牛的反芻行為的分類，通過隨機(jī)抽取50頭西門塔爾健康肉牛，采集9：00～15：00時(shí)間段內(nèi)3000個(gè)樣本數(shù)據(jù)(其中70%為訓(xùn)練集，30%為測(cè)試集)，通過牛額頭安裝動(dòng)作傳感器獲取肉牛加速度、角速度、角度9組特征向量，提取特征向量通過支持向量機(jī)進(jìn)行分類模型訓(xùn)練，結(jié)果表明，反芻和非反芻的識(shí)別率分別為97.659%、97.667%，支持向量機(jī)模型可以準(zhǔn)確識(shí)別肉牛的反芻行為。

支持向量機(jī)算法有嚴(yán)格的數(shù)學(xué)理論支持，不依靠統(tǒng)計(jì)方法，從而簡(jiǎn)化了分類和回歸的問題，并且可以處理非線性分類。但是支持向量機(jī)算法訓(xùn)練時(shí)間長(zhǎng)，預(yù)測(cè)時(shí)間與支持向量個(gè)數(shù)呈正比，只適合數(shù)量較小的分類問題，而無法處理高度復(fù)雜的數(shù)據(jù)[42]。

2.3 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)技術(shù)起源于20世紀(jì)80年代，是人工智能的重要分支，具有自適應(yīng)、自組織和自學(xué)習(xí)的特點(diǎn)，并廣泛應(yīng)用于信息、醫(yī)學(xué)、經(jīng)濟(jì)、農(nóng)業(yè)等領(lǐng)域。在農(nóng)業(yè)養(yǎng)殖領(lǐng)域，利用人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)動(dòng)物行為的識(shí)別[43]。

田富洋等[44]提出一種學(xué)習(xí)化矢量人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)奶牛發(fā)情行為，提取發(fā)情天數(shù)、平均活動(dòng)因子、體溫、產(chǎn)奶量等參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，進(jìn)行發(fā)情預(yù)測(cè)，結(jié)果表明，發(fā)情預(yù)測(cè)率可達(dá)到70%以上。周雅婷等[45]利用3層BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)肉牛采食行為進(jìn)行識(shí)別，其正確率為高達(dá)99.04%，每1 min取1個(gè)均值進(jìn)行處理，其正確率為91.09%；每5 min取1個(gè)均值進(jìn)行處理，則正確率為84.03%。Dongre等[46]以日產(chǎn)奶量為基礎(chǔ)，用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了奶牛的產(chǎn)奶量，與多元線性回歸分析的預(yù)測(cè)效果對(duì)比，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)比多元線性回歸分析更好，準(zhǔn)確率超過了80%，并進(jìn)一步指出當(dāng)包含其他生產(chǎn)繁殖性狀如初產(chǎn)年齡、性成熟年齡或其他更能準(zhǔn)確預(yù)測(cè)產(chǎn)奶量的性狀能時(shí)，能進(jìn)一步改善人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能。Dong等[47]采用人工神經(jīng)網(wǎng)絡(luò)的對(duì)牛肉混合飼料體外發(fā)酵產(chǎn)生的甲烷與揮發(fā)性脂肪酸產(chǎn)量進(jìn)行了研究，分別預(yù)測(cè)了人工瘤胃發(fā)酵的CH4、CO2和總產(chǎn)氣量，與其實(shí)測(cè)值之間的一元線性相關(guān)分析結(jié)果顯示，其決定系數(shù)(R2)分別為0.95、0.97和0.92,BP神經(jīng)網(wǎng)絡(luò)模型的均方根預(yù)測(cè)誤差(RMSPE)分別為3.89%、2.95%和4.23%，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型比多元線性回歸模型有更準(zhǔn)確的預(yù)測(cè)性能。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是具有很強(qiáng)的非線性處理和自適應(yīng)能力；缺點(diǎn)是對(duì)于結(jié)構(gòu)復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速度慢；對(duì)于數(shù)據(jù)量少導(dǎo)致算法不運(yùn)行，容易陷入NP難，需要尋找更合適的類似方法。

3 討論及展望

3.1 討論

目前，國(guó)內(nèi)外學(xué)者在牛行為監(jiān)測(cè)技術(shù)、行為分類模型研究方面取得了一些進(jìn)展，但缺乏可推廣應(yīng)用的產(chǎn)品，究其原因，一是傳感器技術(shù)、機(jī)器視覺技術(shù)硬件不成熟，行為監(jiān)測(cè)準(zhǔn)確性不高；二是分類識(shí)別算法不完善，不能滿足復(fù)雜的生產(chǎn)養(yǎng)殖環(huán)境。

(1)聲音監(jiān)測(cè)技術(shù)。聲音監(jiān)測(cè)技術(shù)通過利用揚(yáng)聲器采集聲音信號(hào)，與對(duì)應(yīng)的樣本建立的數(shù)據(jù)庫(kù)匹配，操作簡(jiǎn)單，成本不高，但受環(huán)境噪音影響尤其是周圍動(dòng)物發(fā)聲的干擾。

(2)機(jī)器視覺監(jiān)測(cè)技術(shù)。機(jī)器視覺監(jiān)測(cè)技術(shù)難度大，需要大量數(shù)據(jù)針對(duì)動(dòng)物行為進(jìn)行建模，影響信息傳輸速度和效率。同時(shí)，對(duì)視頻圖像數(shù)據(jù)采集環(huán)境要求苛刻，陰天或者晚上等光照強(qiáng)度弱的環(huán)境下難以采集合適的視頻圖像數(shù)據(jù)。

(3)無線傳感器網(wǎng)絡(luò)技術(shù)。目前，行為監(jiān)測(cè)智能設(shè)備大多數(shù)置于牛身上且體積大，在牛躺臥、打斗過程中容易掉落。同時(shí)，牛的養(yǎng)殖環(huán)境對(duì)監(jiān)測(cè)設(shè)備影響較大，導(dǎo)致無法長(zhǎng)期使用。

(4)牛行為分類算法。利用視頻圖像信息、傳感器采集的動(dòng)物行為數(shù)據(jù)，引入K均值聚類、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等常見的模式識(shí)別方法實(shí)現(xiàn)牛行為信息的分類。但聚類算法對(duì)預(yù)先輸入的分類數(shù)目較為敏感，不能解決非凸數(shù)據(jù)，容易陷入局部最優(yōu)；支持向量機(jī)訓(xùn)練時(shí)間長(zhǎng)，只適合數(shù)量較小的分類問題，無法處理高度復(fù)雜的數(shù)據(jù)；人工神經(jīng)網(wǎng)絡(luò)對(duì)于結(jié)構(gòu)復(fù)雜的神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速度慢，容易陷入NP難。

(5)多傳感器信息融合。采用聲音監(jiān)測(cè)技術(shù)可以監(jiān)測(cè)牛憤怒、悲傷、恐懼等不良情緒，通過監(jiān)測(cè)采食聲音、反芻聲音判斷牛采食、反芻行為，但單一且容易受到噪聲影響，而且聲音識(shí)別范圍窄，識(shí)別效果不理想。采用姿態(tài)傳感器(單軸加速計(jì)、MPU6050)監(jiān)測(cè)反芻姿態(tài)、日常姿態(tài)，只能監(jiān)測(cè)單一的姿態(tài)信息，識(shí)別準(zhǔn)確度不高。

3.2 展望

通過分析聲音監(jiān)測(cè)技術(shù)、機(jī)器視覺技術(shù)、無線傳感網(wǎng)絡(luò)技術(shù)等牛行為監(jiān)測(cè)技術(shù)的研究與應(yīng)用現(xiàn)狀，比較了支持向量機(jī)、K均值聚類、人工神經(jīng)網(wǎng)絡(luò)等3種牛行為識(shí)別分類的優(yōu)缺點(diǎn)，筆者認(rèn)為今后對(duì)牛行為監(jiān)測(cè)技術(shù)、分類模型的研究重點(diǎn)應(yīng)側(cè)重以下5個(gè)方面。

(1)針對(duì)復(fù)雜環(huán)境噪聲以及其他動(dòng)物發(fā)聲干擾，提出一種聲音過濾算法，準(zhǔn)確提取咀嚼、吞咽和反嘔聲音的特征參數(shù)，去除多余噪聲、雜聲的影響。

(2)針對(duì)陰天、晚上等光照強(qiáng)度弱的環(huán)境，合理布置光源減少環(huán)境光照影響，進(jìn)一步優(yōu)化視頻圖像算法，實(shí)現(xiàn)動(dòng)物圖像快速精準(zhǔn)獲取。

(3)考慮到多數(shù)智能監(jiān)測(cè)傳感器置于動(dòng)物身上，設(shè)計(jì)一種動(dòng)物行為監(jiān)測(cè)傳感器滿足體積合理、防水、低功耗電池壽命長(zhǎng)、易于動(dòng)物穿戴不脫落，采用3D打印技術(shù)實(shí)現(xiàn)動(dòng)物可穿戴裝置研制，結(jié)合物聯(lián)網(wǎng)技術(shù)開發(fā)低功耗、遠(yuǎn)距離智能監(jiān)測(cè)設(shè)備，完成監(jiān)測(cè)設(shè)備智能化。

(4)針對(duì)動(dòng)物行為分類算法的優(yōu)缺點(diǎn)，合理采用最優(yōu)算法。對(duì)于數(shù)據(jù)量小采用支持向量機(jī)算法，具有較好的“魯棒性”，可以得到全局最優(yōu)解；對(duì)于數(shù)據(jù)量大采用人工神經(jīng)網(wǎng)絡(luò)算法，該算法具有很強(qiáng)的非線性處理能力和自適應(yīng)、自學(xué)習(xí)、聯(lián)想功能，有助于提高分類精度。針對(duì)單一分類算法分類效果不佳，提出一種改進(jìn)的分類算法，實(shí)現(xiàn)更精確的分類結(jié)果。

(5)考慮到單一傳感器行為監(jiān)測(cè)的準(zhǔn)確性低，不能監(jiān)測(cè)到牛行為的所有信息，采用聲音傳感器監(jiān)測(cè)與姿態(tài)傳感器監(jiān)測(cè)融合，多維度監(jiān)測(cè)牛行為，提高監(jiān)測(cè)準(zhǔn)確性。

4 結(jié)論

通過對(duì)牛行為監(jiān)測(cè)技術(shù)和分類模型研究進(jìn)展的綜述與分析，得出以下結(jié)論：(1)機(jī)器視覺技術(shù)具有無接觸的識(shí)別，不外帶裝置，可以對(duì)牛行為進(jìn)行識(shí)別，對(duì)牛活動(dòng)影響小，但對(duì)圖像視頻環(huán)境要求苛刻，牛行為識(shí)別精準(zhǔn)度不高。(2)無線傳感器技術(shù)應(yīng)用廣、技術(shù)成熟，可以監(jiān)測(cè)牛采食、反芻、休息、活動(dòng)等行為，但適合牛穿戴、長(zhǎng)期可靠工作的無線網(wǎng)絡(luò)傳感器技術(shù)有待突破。(3)支持向量機(jī)計(jì)算簡(jiǎn)單，理論完善，所需樣本數(shù)據(jù)少，且識(shí)別精度高，分類效果好。人工神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)規(guī)則簡(jiǎn)單，非線性擬合能力較強(qiáng)，但是數(shù)據(jù)不足易出現(xiàn)運(yùn)算時(shí)間長(zhǎng)、過學(xué)習(xí)、容易陷入局部最小值等情況。