1、支持向量机在舍饲肉牛反刍行为分析中的应用 陈春玲 杨天娇 郭雷 郭宇峰 周雅婷 刘栋 沈阳农业大学信息与电气工程学院 国网大连供电公司 摘 要： 为进一步加强对反刍类家畜的规范化饲养, 合理利用资源, 提高生产品质, 研究其日常行为规律便成了关键因素。舍饲肉牛的反刍行为是反映肉牛健康状态的重要指标之一。为研究肉牛的反刍行为规律, 在辽宁未来牧业随机抽取 50 头处于育肥期的西门塔尔健康肉牛作为试验对象, 进行为期 7d 的日常活动观察, 并记录其行为。将 50 头肉牛分为试验组和对照组, 每组 25 头。在试验组肉牛的额头绑上九轴蓝牙动作传感器, 用于采集肉牛在 x, y, z 轴上的加速度,
2、 角速度和角度共 9 组特征向量数据。通过小波降噪对此特征向量进行预处理, 选择标准归一化的方法降低数据间相互的纲量和影响。抽取特征向量中的 70%作为训练集投入 SVM (support vector machine, 支持向量机) 进行二分类训练得到反刍模型, 随后将其余 30%作为测试集带入反刍模型进行分类预测, 以判断是否存在反刍行为。最后, 利用对照组的肉牛与试验组相比对, 判断试验组的肉牛是否出现异常行为。试验结果表明:所采用试验设备工作正常, 信号传输稳定;舍饲肉牛在佩戴传感器节点过程中无不良反应。SVM 可以通过蓝牙动作传感器发送得到的特征向量高效且准确的判断肉牛的反刍行为与非
3、反刍行为。分类结果达到 97.7728% (其中, 反刍识别率 97.659%, 非反刍识别率 97.667%) , 满足对反刍行为分类的目的 , 可有效的识别反刍行为。关键词： 舍饲肉牛; 反刍行为分类; 蓝牙动作传感器; 小波降噪; 支持向量机; 作者简介：陈春玲 (1971-) , 女, 博士, 教授, 从事肉牛行为识别研究, E-mail:收稿日期：2017-04-18基金：辽宁省科技厅自然科学基金项目 (2015020760) Application of SVM in Cattle Ruminant Behavior AnalysisCHEN Chun-ling YANG Tian
4、-jiao GUO Lei GUO Yu-feng ZHOU Ya-ting LIU Dong College of Information and Electrical Engineering, Shenyang Agricultural University; State Grid Dalian Power Supply Company; Abstract： In order to further strengthen the standardized breeding of ruminant livestock, to make rational use of resources and
5、 improve the quality of production, the study on their daily behaviors has become the key factor. The beef cattle ruminant behavior is as an important indicator for the health status. The experimental study on the behavior of ruminant cattle was carried in Liaoning. The Future Animal Husbandry has r
6、andomly selected from 50 head in fattening Simmental cattle health as the test object of daily activities observed for 7 d and record their behavior. Beef cattle were divided into experimental group and control group, each group had 25 heads. Nine axis motion sensor Bluetooth tied in the experimenta
7、l group of beef cattle in the forehead, acquisition of x, y, z axis acceleration, angular velocity and angle of 9 groups of feature vector data. Wavelet denoising was used to preprocess the feature vectors, and the standard normalization method was chosen to reduce the mutual data and influence betw
8、een the data. Extracting feature vector in 70% as the training set into SVM two classification training model will be followed by 30% other ruminants, as to classify and predict ruminant model test set, to determine whether there ruminating behavior.Finally, the beef cattle in the control group was
9、compared with the experimental group to determine whether the abnormal behavior of the beef cattle in the test group. The test results showed that the test equipment was working properly, the signal transmission is stable, beef cattle was no adverse reaction in the wear process of sensor nodes. SVM
10、could send the characteristic vectors through the Bluetooth action sensor to judge the ruminant behavior and non rumination behavior of the beef cattle. The classification result was 97.7728% (including the recognition rate of 97.659% and the rate of non ruminant recognition rate 97.667%) . It could
11、 effectively identify the ruminant behavior by satisfying the classification of rumination behavior.Keyword： beef cattle feeding in drylot; ruminant behavior classification; bluetooth action sensor; wavelet noise reduction; support vector machine; Received： 2017-04-18反刍作为反刍动物的一大行为特征, 可快速有效的反映动物当前的健康
12、程度以及隐藏的健康问题1。牛、羊等反刍动物作为人类肉食原材料的主要来源, 他们的身体状态和生产水平等相关研究随之受到了重视。因此, 在现代农业中, 人们通过对反刍动物的反刍行为进行分析和研究, 不仅提高了肉类和奶类的生产品质, 还使得养殖技术更加合理、规范化。在国外, 对奶牛的研究已日趋成熟。BEAUCHEMIN 等2利用应变片传感器对奶牛的采食和反刍行为分类从而实现两种行为的量化分析;HALEY 等3将奶牛的行为频率进行分类用来提高奶牛的生活舒适度;UELI 等4通过鼻羁压力传感器对多种泌乳期奶牛采用变量饲养的方法发现反刍和采食量存在显著相关性。近年来国内对家畜的反刍行为也进行了分析讨论,
13、发现反刍行为不仅与牛自身的采食量5、身体健康情况有关6, 与环境、饲养方式等其他外界因素也有较为紧密的关系7。如今, 支持向量机 (support vector machine, SVM) 作为近年来大热的统计学习算法, 在人体行为识别领域得到广泛应用, 却较少应用于动物行为识别。仅有 LENE 等8利用 SVM 对奶牛是否跛脚做出分类判断, MUNKS-GAARD 等9同样利用 SVM 判断奶牛的发情行为规律, 与鉴定肉牛的反刍情况大大不同。由此可知 SVM 是可以用来对动物的行为进行分类。因此, 本试验利用九轴蓝牙动作传感器采集所得到的九组特征向量, 通过小波降噪对数据进行预处理后, 选择
14、标准归一化的方法降低数据间相互的纲量和影响;利用 SVM 对舍饲肉牛的反刍行为进行分类研究, 以判断反刍行为是否存在异常, 为日后反刍类家畜的研究及以及与之类似的研究试验提供有力的理论依据。1 材料与方法1.1 试验对象本试验在辽宁省沈阳市未来牧业处于育肥期的西门塔尔健康肉牛中随机抽取 50头样本作为试验对象, 进行为期 7d 的试验数据采集。该肉牛饲养方式是将肉牛用半米长缰绳固定在食槽上方围栏上, 只能站立或躺卧, 无法自由活动;每天 2次喂食 (430 和 1530) , 待牛采食完毕清理食槽, 引入清水, 让其自由饮水。将试验对象分为试验组和对照组, 每组各 25 头。在试验组头部绑定传
15、感器节点, 对照组无需安装节点。以此来观察安装传感器对肉牛的影响, 判断是否在绑定传感器后出现不适。1.2 传感器节点舍饲肉牛的日常行为特征主要包括休息、采食、反刍、饮水、躺卧、玩耍、排泄等。其中休息和反刍二者平均占据 90%的时间10-11。而据有关研究调查得到, 肉牛在反刍与非反刍期间的咀嚼次数和频率存在巨大差异, 同时此特征重点集中在牛头的部位12, 以此为依据将节点利用绑带安装于牛的头部 (图 1) 采集相关数据既能得到肉牛反刍行为及其特征规律。高精度惯性导航模块能够快速求解出模块当前的实时运动姿态, 加上自身体积小、便携带、无安全隐患的特点可将其固定在肉牛头部并且不影响其日常行为。本
16、研究采用该模块合成的 JY-901 九轴传感器 (图 2) 采集肉牛头部活动信号。当传感器感知到肉牛头部的活动时, 得到对应时间点的三维加速度、角速度、角度共 9 个变量参数, 用来探讨研究肉牛的反刍行为及其特征规律。图 1 传感器安装示意图 Figure 1 Sensor installation diagram 下载原图图 2 JY-901 九轴传感器示意图 Figure 2 JY-901 Schematic diagram of nine axis sensor 下载原图1.3 数据采集流程根据上述反刍行为叙述和系统功能需求分析, 该系统结构流程如图 3, 主要由数据采集点、蓝牙动作传感
17、器, PC 端肉牛行为检测平台组成。即通过在肉牛头部安装数据采集点得到数据, 随后该数据通过蓝牙动作传感器发送到 PC 端进行数据处理。图 3 肉牛反刍系统结构流程示意图 Figure 3 Schematic diagram of beef cattle ruminant system 下载原图数据采集点由三维传感器构成, 将肉牛的日常行为动作转换为电脉冲信号。采用高性能的微处理器和先进的动力学计算与卡尔曼动态滤波算法, 能够快速求解出模块当前的实时运动姿态, 使传感器可同时测量九轴变量 (三维加速度、三维角速度、三维角度) 。同时用摄像机同步记录肉牛的日常行为, 数据处理时, 即可通过同步时
18、间轴准确得到肉牛当前行为。蓝牙动作传感器基于 GATT 蓝牙 4.0 接口, 虚拟串口的数据传输服务。同时添加2000m A 外置电池, 以保证蓝牙动作传感器长时间传输数据, 经实际测试可持续工作 30h。肉牛行为监测平台是整个操作流程的核心部分。包括: (1) 接收蓝牙动作传感器传递数据; (2) 参数设置:回传速率 1Hz、串口波特率 9600bs; (3) 经过平台进行数据处理, 得到当前形态的九轴波形图; (4) 将得到的参数变量保存到PC 端, 为下一步研究提供基础数据。2 基于 SVM 的分类识别现如今, SVM 分类算法应用于各种分类领域, 在行为识别方面应用尤为广泛, 技术水平
19、很是成熟。因此本研究基于 SVM 的二分类算法针对肉牛的反刍行为问题进行研究分析。首先, 借助在肉牛头部安装的蓝牙动作传感器得到肉牛反刍行为的基础数据。随后, 利用小降噪对数据进行预处理, 采用标准归一化的方法使数据更加平滑, 降低识别难度。最后将处理后数据输入 SVM 模型对其进行分类判断, 得到最终结果 (图 4) 。2.1 基于小波的数据预处理通过视频记录和参考文献得知舍饲肉牛在 900 至 1500 处于反刍高峰, 故采集该时段内 3000 个样本作为此次分类试验的数据集。其中, 70%作为训练集, 30%作为测试集。共分为反刍、非反刍两类样本, 每个样本中包含 9 个特征向量。通常,
20、 反刍信号为低频信号。但是, 数据信号在接收、检测和传输过程中会不同程度地受到随机噪声的污染, 以及肉牛在玩耍时相互摩擦引入的噪声信号, 这些干扰信号均为高频信号。为了减小噪声对行为识别的影响, 抑制噪声, 恢复真实信号。本研究采用小波降噪的方法对原始信号进行降噪处理, 将得到的数据信号进行三层分解, 考虑到计算时间和频带划分选择采用 db6 系列小波对其进行处理, 然后对得到的新信号进行重构即可得到降噪后的信号。图 4 SVM 的分类识别流程 Figure 4 SVM classification and identification process 下载原图由图 5 可知经小波降噪处理后的
21、信号比处理前的信号更加光滑, 平滑度指标的数值降低, 很好的去除了噪声对最终结果的影响。同时观察波形也可发现样本在反刍期间加速度信号波动剧烈, 非反刍期间波动较为平缓, 有此可证明蓝牙动作传感器的九轴数据可用来研究反刍行为规律。2.2 数据归一化数据归一化是为了缩小各个数据样本间的相对关系从而降低不同数据之间的纲量的影响, 是一项挖掘数据的基础工作。经过归一化后的数据, 所有指标均在同一水平线, 有利于降低误差。常用的归一化方法有最值归一化方法、中值归一化方法、标准归一化方法13。由于肉牛的动作幅度不固定, 不同肉牛即使动作相同, 九轴间参数变量的震荡频率与幅值等指标也不尽相同, 因此选用标准
22、归一化方法。将数据利用公式对数据进行处理, 以减小信号间振荡频率与幅值的差异, 简化识别过程, 降低识别难度, 提升正确率。2.3 基于 SVM 的分类识别2.3.1 支持向量机 (support vector machine, SVM) 原理SVM 是 BAPNIK 等14-15根据统计学理论 (statistical learning theory, SLT) 中的结构风险最小化的原则提出的。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势16。支持向量机的目标是从已知样本中推出一个函数, 对两类对象进行分类。SVM 的主要针对线性可分情况进行分析。对于线性不可分的情况, 通过使
23、用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分17。根据有关理论, 只要一种核函数满足正定矩阵的判定条件, 它就对应某一空间中的内积, 因此只要在最优分类面上采用适当的内积函数就可以实现此类问题。(1) 设 xi是数据点, y i是类别。则 n 个样本 (x i, yi) 组成一个数据空间。则其中的超平面可表示为 wx+b=0。在线性可分的情况下, 超平面用分类函数 f (x) =wx+b 表示, 当 f (x) =0, x 便是位于超平面上的点, 而 f (x) 0 的点对应 y=1 的数据点, f (x) 0 的点对应 y=-1 的点 (图 6) 。图 5 X
24、 轴加速度降噪对比图 Figure 5 Comparison of figures of X axis acceleration noise reduction 下载原图图 6 线性可分情况下的最优分类线 Figure 6 The optimal classification of linear separable case 下载原图(2) 经过优化得到最优划分直线:(3) 通过拉格朗日对偶性 (Lagrange Duality) 变换到对偶变量 (Dual Variable) 的优化问题, 使用 KKT 条件, 最终得到线性可分表达式:那么, 在此基础上引入核函数18, 同时加个带限制条件的
25、惩罚函数后求解拉格朗日对偶问题19, 得到了非线性可分情况下的表达式:本研究目的是将肉牛的行为分为反刍与非反刍两类, 综合上述 SVM 原理可以采用两类分类的 SVM 对样本数据进行分类。经过大量研究测试后决定采用高斯核函数 (RBF) :式 (9) 作为此次试验模型的核函数训练数据集, 使测试结果更为精准。2.3.2 识别流程基于 MATLAB 平台, 采用林智仁教授在 LIBSVM 基础上研发的 SVM 软件, 将样本数据带入模型得到分类结果。基于 SVM 的反刍行为分类具体流程为: (1) 定义反刍与非反刍行为; (2) 导入经过小波降噪和归一化后的数据集, 并分为训练集和测试集两类;
26、(3) 将生成的数据集按 LIBSVM 软件使用数据格式输入; (4) 在 svm train 命令中设置 SVM 类型、设置核函数为高斯核函数及惩罚系数等参数, 进行训练, 训练结束后产生模型文件, 包括支持向量样本数、支持向量样本数等必须参数; (5) 输入测试数据, 利用训练好的模型进行分类, 得到分类结果, 分类后得到分类正确率和运算时间等。2.3.3 分类识别结果本研究先用小波降噪的方法对原始数据降噪, 随后将数据进行了归一化处理后, 在 MATLAB 平台中使用 LIBSVM 软件利用 SVM 二分类算法对样本进行分类处理。采用交叉验证选择得到 c=1, g=1.2 为最优参数。程
27、序运行用时 0.4319s 得到最终结果, 证明可准确识别舍饲肉牛的反刍状态 (图 7) 。由图 7 可知, 1 代表样本处于非反刍行为阶段, 2 代表样本处于反刍行为阶段;“+”代表测试集样本。由表 1 可知, 分类正确率达到 97.7728%。其中, 反刍识别率 97.659%, 非反刍识别率 97.667%。通过观察视频录像, 加以辅助证明此分类结果的正确性是十分可靠的。由此可利用 SVM 算法正确判断舍饲肉牛是否处于反刍行为状态, 有效的识别反刍行为。图 7 测试样本分类结果 Figure 7 Test sample classification results 下载原图表 1 测试样
28、本结果统计 Table 1 Statistical results of test samples 下载原表 3 讨论与结论本研究针对舍饲健康肉牛的反刍行为进行分析, 但通过查阅文献发现, 反刍动物在身体状态不佳 (跛脚或生病) 时的反刍频率和次数也会减少20。不仅如此, 反刍动物在不良环境影响下 (温度, 湿度等) 也会对反刍频率和次数产生影响21-22。另外, 传感器在佩戴完成的短时间内存在数据波动, 虽影响不大但可以通过改进传感器使其便于安装的方式解决这一问题。还有, 此次试验用传感器使用手动开关, 如将开关更换成遥控式开关将大大提高工作效率也减少了人工更换的过程同时也不会影响到试验样本
29、的日常活动状态。综合全文可以看出 SVM 可以通过蓝牙动作传感器发送得到的九轴反刍行为数据方便高效且准确的描述肉牛的反刍行为规律。目前, 对利用 SVM 方法对反刍动物的研究还不是很完善, 无论是传感器制造、生产, 还是数据精确度、稳定性以及抗外界干扰等情况来看, 都还有很大的提升空间。如果上述问题得到解决或降低, 相信对反刍动物的反刍行为识别会更加准确, 也会更加利于对反刍动物的研究。本研究引入 SVM 对肉牛反刍行为分类的概念 (识别了反刍与非反刍行为) 。利用蓝牙动作传感器接收并保存舍饲肉牛的九轴反刍行为数据样本, 通过小波降噪处理数据后, 在 LIBSVM 软件平台对样本归一化处理后,
30、 带入模型并对其进行分类研究, 准确的将反刍与非反刍行为进行了分类判断, 准确率达到 97.7728%, 达到了分类目的, 证明了本研究的识别方法能有效识别反刍行为。参考文献1邬娟.母羊反刍行为检测系统的研究D.呼和浩特:内蒙古农业大学, 2016. 2BEAUCHEMIN K A, ELIN S.An automatic system for quantification of eating and ruminating activities of dairyc, attie housed in stallsJ.Journal of Dairy Science, 2001, 72:2746-
31、2759. 3HALEY D B, DE PARSSILLE A M, et al.Assessing cow comfort:effects of two floor types and two tie stall designs on the behavior of lactating dairy cowsJ.Applied Animal Behavior Science, 2001, 71 (2) :105-117. 4UELI BRAUN, SUSANNE ZURCHER, et al.Evaluation of eating and rumination behavior in 30
32、0 cows of three different breeds using a noseband pressure sensorJ.BMC Veterinary Research, 2015, 11 (231) :1-6. 5王晗, 朱建博, 张佳艳, 等.基于单片机和加速度传感器的跌倒检测设备设计J.科技视界, 2015 (22) :67-71. 6徐川龙, 顾勤龙, 姚明海.一种基于三维加速度传感器的人体行为识别方法J.计算机系统应用, 2013, 22 (6) :132-135. 7刘龙申, 沈明霞, 姚文, 等.基于加速度传感器的母猪产前行为特征采集与分析J.农业机械学报, 2013
33、, 44 (3) :191-196. 8LENE MUNKSGAARD, 黄鸿威, 宋扬, 等.奶牛的行为与时间分配J.中国奶牛, 2015 (8) :61-63. 9MUNKSGAARD L M B, JENSEN L J, PEDERSEN, et al.Quantifying behavioural priorities-effetcs of time constraints on behaviour of dairy cows, Bos taurusJ.Appl Anim Behav Sci, 2005, 92:3-14. 10赵刚, 许志信, 李德新.反刍家畜牧食行为综述J.内蒙古农
34、业大学学报, 2000, 21 (2) :109-116. 11孙林, 孙磊, 格根图, 等.大针茅草产品对乌珠穆沁羊采食和反刍行为的影响J.中国草地学报, 2015 (7) :102-105. 12周雅婷, 许童羽, 陈春玲, 等.基于神经网络算法的肉牛采食行为检测方法J.沈阳农业大学学报, 2016, 47 (6) :752-757. 13汤荣志, 段会川, 孙海涛.SVM 训练数据归一化研究J.山东师范大学学报 (自然科学版) , 2016, 31 (4) :60-65. 14常甜甜, 刘红卫.支持向量机学习算法若干问题的研究D.西安:西安电子科技大学, 2010 (4) :13-14.
35、 15BURGES CJC.A tutorial on support vector machines for pattern recongnitionJ.Data Mining and Knowledge Disovery, 1998, 2 (2) :121-167. 16宋晓芳, 陈劲操.基于支持向量机的动态电能质量扰动分类方法J.电力自动化设备, 2006, 26 (4) :39-42. 17陈冰梅, 樊小平, 周志明, 等.支持向量机原理及展望J.制造业自动化, 2010, 32 (12) :136-138. 18付元元, 任东.支持向量机中核函数及其参数选择研究J.科技创新导报, 2
36、010 (9) :6-7. 19LEFTNOTEASY.机器学习中的算法 (2) -支持向量机 (SVM) 基础J/OL. (2011-5-7) .http:/ Not Easy/a-rchive/20-11/05/02/basic-of-svm.html. 20邵大富, 沈景林.奶牛反刍行为变化规律及其影响因素的相关性研究D.长春:吉林大学, 2015. 21BICALHO R C, OIKONOMOU G.Control and prevention of lameness associated with claw lesions in dairy cowJ.Livestock Scien-ce, 2013, 156 (1) :96-105. 22FRANKENA K, SOMERS J, SCHOUTEN W G P, et al.The effect of digital lesions and floor type on locomotion score in Dutch dairycowsJ.Preventive veterinary medicine, 2009, 88 (2) :150-157.
