基于K-means-BP神經網絡的舍飼環境母羊產前運動行為分類識別

劉艷秋 宣傳忠 武 佩 張麗娜 張永安 李美安

(1.內蒙古農業大學 機電工程學院，呼和浩特 010018;2.內蒙古農業大學 計算機與信息工程學院，呼和浩特 010018;3.內蒙古師范大學 物理與電子信息學院，呼和浩特 010022)

養羊業對內蒙古自治區的經濟發展起到了極大的促進作用[1]。近年來，羊的養殖方式由放養轉變為舍飼圈養，飼養方式的轉變對懷孕母羊的生長及生產帶來了不良影響[2-3]：第一，圈舍內外環境和飼養條件差[4]，導致懷孕母羊感染疾病幾率增加，進而出現先兆流產、難產、死胎等現象；第二，羊只的密集程度增加，使其活動范圍受限，運動量不足，導致母羊的體能下降，出現產前癱瘓[5]；第三，單調的環境會抑制母羊的天性，使其表現出啃食異物、相互撕咬等異常行為[6-7]。有研究指出母羊在臨近分娩時一般表現為來回的走動、站立與趴臥行為變換頻繁、回顧腹部、用力刨地等行為[8-10]，這些運動行為在一定程度上能夠反應母羊的生長及生產狀況[11]。因此，對孕期母羊運動行為進行研究，可以對其健康狀況進行實時評估，進而保障母羊的生產力和繁殖效率。

傳統的家畜行為識別大都采用人工觀測方法[12]，該方法雖操作簡單易于實現，但工作強度大，要求一定的專業知識，且主觀性強。隨著畜牧養殖智能化技術的不斷更新，基于感知方式的家畜行為監測技術成為研究的熱點。國內已有研究采用K-means算法、支持向量機、結構相似子序列等多種算法對奶牛[13-15]、分娩母豬[16-17]、仔豬[18]以及山羊[19-20]的典型運動行為進行分類識別，來對其健康狀態進行評估，算法的識別率也較高。國外已有研究以三軸加速度傳感器為核心，設計了針對母牛[21-22]、母豬[23]的運動行為、放牧綿羊[24]的運動及采食行為信息無線采集裝置，來獲取家畜的行為信息，并采用多算法進行行為識別，能夠準確地獲取母牛的分娩時間、母豬的健康狀況及羊只生長狀態，以此對家畜的福利化養殖進行評價。目前國內外對家畜運動行為識別已有研究，但是對懷孕母羊的產前運動行為識別研究還處于初級階段，而且與牛和豬的運動行為特征相比，羊的運動行為發生的較快且變換頻繁?；诖?，本研究擬采用K-means聚類算法與BP神經網絡算法依次對母羊產前典型行為進行分類識別，以期為母羊的智能化、福利化養殖提供技術支持。

1 材料與方法

1.1 試驗對象

試驗于2015-10-14—11-03在內蒙古農業大學海流圖科技園區肉羊養殖基地進行，試驗對象為體況基本一致，同期配種，預產期相近，健康無病、月齡為10個月左右的本地純種小尾寒羊初產母羊。在分娩前的第15天將試驗對象轉入育羔欄內，并佩戴運動行為監測裝置獲取數據。試驗過程中母羊可以自由飲水，每天07:30—08:30和17:00—18:00分別喂1次飼料。本試驗利用視頻監測設備同步記錄母羊行為，結合行為發生的時間及視頻對算法識別效果進行驗證。

1.2 行為數據采集及處理

1.2.1數據采集

試驗選取MPU6050三軸加速度傳感器進行數據采集，其特點為體積小(15.24 mm×15.24 mm×2 mm)、精度高(0.01 g)。試驗數據通過無線模塊USR-C215傳輸至PC機。經過無線傳輸的加速度數據內容見表1。

表1 三軸加速度數據內容

所設計的監測裝置實物及母羊佩戴裝置方式見圖1。本研究采用LabVIEW軟件實現對數據的獲取、顯示及存儲。

監測裝置將傳感器模塊、無線模塊及電源模塊封裝于防水盒內，并通過背帶佩戴于母羊背部。所設計背帶可以根據母羊體型大小調整松緊程度。當試驗羊只佩戴監測裝置并處于靜止站立狀態時，三軸加速度傳感器的指向為：X軸正向指向母羊的頭部方向，Y軸正向指向母羊身體的右側方向，Z軸正向為垂直地面向下(圖1(b))。監測裝置采用容量為4 800 mA的可充電鋰電池，標準電壓3.7 V。對采集的加速度信號做了頻譜分析，獲取加速度數據的頻率特性約為10 Hz。根據奈奎斯特定理確定監測裝置的采樣頻率為20 Hz。

1.電源；2.天線；3.加速度傳感器；4.無線模塊

1.2.2數據預處理

通常對采集到的加速度數據要進行預處理操作[25]，本研究對數據進行去噪、加窗和校正處理。當傳感器處于水平靜止狀態時，X、Y軸的加速度值為0，Z軸的加速度值為重力加速度g。但實際監測時會因為羊只的運動而使監測裝置位置發生偏移，使3個軸向上的值發生偏差，故需對數據進行校正。設傳感器豎直方向的軸與g的方向夾角為θ，g在傳感器XOY水平面上的投影與羊只前進方向的夾角為α(選取重力加速度g=9.8 m/s2)，根據空間幾何知識推算α、θ的三角函數值。設靜止時加速度傳感器3個軸向的測量值為a1x，a1y，a1z，則有：

用ax，ay，az表示加速度傳感器測得的3個軸向上的值，則可由式(1)～(3)計算得到校正后的Ax、Ay、Az：

Ax=axsinθsinα-aysinθcosα+aycosθsinα

(1)

Ay=axsinθcosα+aysinθsinα-aycosθcosα

(2)

Az=azsinθ-axcosθ+aycosθ

(3)

校正前、后的加速度數據見圖2，校正后的數據接近標準狀態下的值。

圖2 校正前(a)和校正后(b)加速度數據的變化

對校正后的數據采用小波閾值去噪，以濾除在采集過程中監測裝置及母羊自身產生的噪聲。不同行為其周期不同，本研究通過確定站立、行走、刨地3種行為周期的最大公倍數，進而確定采用時長為3.2 s的矩形窗對原始加速度信號進行分割。由于信號的采樣頻率為20 Hz，故所加窗的長度為64個采樣點，且相鄰的窗重疊半個窗長。加窗后的數據效果見圖3。

圖3 加速度信號加窗處理效果

2 試驗方法

對母羊產前運動行為包括行走、站立、趴臥以及刨地進行識別。各行為的定義與描述[26]見表2。

表2 母羊不同運動行為定義與描述

母羊的站立和趴臥屬于靜態行為，且四蹄著地，具有類似模式，使得行為識別率較低。針對此問題，本研究充分利用K-means聚類算法對數據采樣率及數據誤差的不敏感性，將母羊的趴臥行為與其他行為準確的區分出來，在此基礎上采用神經網絡算法對站立、行走及刨地3種行為進一步的識別，識別流程見圖4。

圖4 母羊產前運動行為識別流程

2.1 K-means聚類試驗

本研究利用MATLAB軟件編寫K-means聚類算法對母羊產前4種運動行為進行識別。

通過母羊運動行為的定義及描述，結合試驗采集的同步視頻，確定某一時刻母羊發生的行為類別，并與K-means聚類算法的聚類結果進行比對。

對4種行為進行聚類，故將輸入參數設置為4；輸入的數據為單只母羊20 min內X、Y、Z3個軸向的連續的加速度值，共計24 000個數據。隨機選取初始聚類中心，聚類結果見圖5。

圖5 K-means算法聚類前(a)和聚類后(b)加速度數據

2.2 BP神經網絡試驗

2.2.1特征參數提取

1)特征提取。由于加速度傳感器所采集的原始數據是一串連續的、波動的值，表面上并不能體現出母羊的行為，故需要進行特征提取，建立數據與行為之間的關系。目前在行為識別中，所提取的特征均為時域、頻域和時頻域特征[27-28]。其中時域中的方差可體現數據的波動程度，可用來對母羊的靜態、動態行為進行區分。頻率特征相對穩定，數據不受外界因素的影響。頻率能量描述的是一段時間內的能量大小，在相同時間內不同行為的能量不同，故可以用頻率能量區分母羊的行走和刨地兩種動態行為。本研究提取X、Y、Z3個軸向加速度數據的方差、主峰頻率的均值、頻率能量的前5個值，共計19個特征值。試驗選取500個不同行為樣本數據，計算其特征值的平均值，結果見表3。結果顯示不同行為其特征值差異較大，表明所選特征可以很好地描述母羊不同行為。

表3 母羊產前不同運動行為各參數特征值

2)特征降維。為提高行為識別的正確率，通常提取多維特征，然而較高維度的特征會降低識別的效率，也會出現“過學習”或“過訓練”的現象。針對此現象，一般采用特征降維，主成分分析方法(Principal Component Analysis)是最常用的降維方法，即用較少的新特征取代原來的特征，而這些較少的新特征盡可能多地保留原來特征所反映的信息[29]。本研究在MATLAB軟件平臺實現PCA降維，各特征貢獻率結果見圖6。試驗選取累積貢獻率達到95%的6個主成分作為新的特征集。

圖6 PCA各主成分貢獻率和累積貢獻率

2.2.2BP算法識別過程

1)參數選擇。經過試驗確定最優神經網絡結構為3層，即輸入層、一層隱含層及輸出層。BP神經網絡的輸入為降維后的6維特征向量，所以輸入層神經元為6個。由于要識別行走、站立、刨地及其他共4種行為，所以輸出層神經元為4個。參考式(4)設置隱含層神經元的個數y。

(4)

式中：m、n分別為輸入層、輸出層神經元個數。a為[1，10]之間的一個常數。在式(4)估算的基礎上，根據網絡學習的結果對隱含層神經元個數再做調整，最終確定隱含層神經元個數為5[30]。

2)BP神經網絡訓練。試驗輸入樣本為5 720例，包括行走行為908例、站立行為4 306例、刨地行為303例，其他行為203例。選取每種運動行為數據70%的樣本訓練神經網絡，15%用于模型的驗證，剩余15%用于對模型的測試。

3)識別系統設計。本研究設計了基于Matlab平臺的母羊產前運動行為識別系統。該系統包括對采集的三軸加速度數據的獲取、去噪、加窗分段、特征提取以及行為的識別結果。在所設計的系統內也能夠調取并顯示相應時間段的視頻，以此驗證BP神經網絡的識別效果。

3 結果與分析

3.1 K-means聚類結果分析

試驗選取母羊產前站立行為4 308例、行走行為908例、趴臥行為8 218例、刨地行為303例，由K-means算法進行聚類，結果見表4:K-means聚類算法對母羊的趴臥行為識別率最高，為99.2%，但對于其他3種行為的識別率均只有35%左右。分析原因可能為行走、刨地與站立行為具有相似的行為模式，彼此之間容易混淆，所以K-means聚類算法對這3種行為的識別率較低?；诖?，提出在K-means聚類算法的聚類結果基礎之上，采用BP神經網絡對母羊的站立、行走及刨地行為進一步識別。

3.2 BP神經網絡識別結果分析

在Matlab軟件平臺上對母羊產前運動行為進行識別。加速度數據的特征采用降維后的6維參數。選取站立行為133例、行走行為27例、刨地行為10例、其他行為18例輸入到神經網絡，識別結果見表5?？梢?，算法對母羊產前站立行為的識別率為85.7%；行走行為的識別率較高，達到了88.9%；由于刨地行為發生的時間較短，且與行走行為的特征較接近，所以識別率偏低，為80.0%；對母羊發生的其他運動行為，如蹭欄桿、用腳撓耳朵等行為識別率較低為61.1%，究其原因為母羊在發生該類行為時仍然處于站立狀態，同時該類行為一般發生的時間非常短，所以算法對其他運動行為識別效果不是特別理想。

表4 K-means對母羊產前不同運動行為識別結果

表5 神經網絡對母羊產前不同運動行為識別結果

對特征值進行PCA降維前后算法的識別效果進行了對比(表6)，降維前模型對4種行為的平均識別率為69.0%，降維后的識別效果有明顯的改善，平均識別率達到了78.9%，提高了9.9%。說明特征維度操作既可以降低計算的復雜度，又可以提高行為的識別效果。

表6 特征降維前后不同運動行為識別率

目前，國內僅有郭冬冬[19]對羊只運動行為分類識別進行了研究，所識別的行為，躺臥、站立、采食均為偏靜態行為，而對動態行為如行走和刨地未能識別。沈明霞等[16-18]及李頎[31]分別采用K-means聚類及支持向量機算法對豬的運動行為，躺臥、站立、進食進行識別，識別率達到87%以上，識別率較高，但是該研究在識別時均將慢走與站立視為同一類行為，對母豬的動態進行未能進行詳細的分類，對家畜運動行為識別的精細度較低。因此，采用單一算法對母羊產前站立和趴臥行為識別時精度較低，且母羊在分娩前發生趴臥行為時會因即將臨產而出現頭部不斷向上延伸的現象，此時母羊的趴臥行為數據會出現波動，即表現出與非妊娠狀態不同的趴臥行為。本研究對母羊產前運動行為識別時首先采用K-means聚類算法將趴臥行為識別出來，在此基礎上利用BP神經網絡對其他運動行為進行識別，提高了算法的精度。

4 結束語

本研究設計了以三軸加速度傳感器為核心的可穿戴式母羊產前運動行為監測裝置，對母羊產前運動行為包括行走、站立、趴臥、刨地的加速度數據進行采集。對所采集數據進行了校正、濾波及加窗分段預處理操作，并對預處理后的數據進行特征提取，通過主成分分析得到了降維后的6維特征參數。采用K-means聚類與BP神經網絡算法相結合的方式對母羊產前運動行為進行識別。經驗證對母羊產前站立、行走、趴臥、刨地4種行為平均識別率達到88.5%；經過PCA降維后的識別率與降維之前相比提高了9.9%。