基于卡尔曼滤波器的肉牛行为识别方法

姜美曦+陈春玲+周云成

摘要：肉牛的行为是其健康状态的外在表现，目前主要依赖于饲养员的目测判断。大规模肉牛饲养采用人工观察的方法带来繁重人力负担的同时，也会造成误判。为了能自动识别肉牛是否生病，在肉牛的2个角上安装无线传感器节点，通过传感器获取肉牛运动加速度，采用卡尔曼算法对提取的各参数进行分析，可以识别出肉牛的采食行为和行走行为。这种方法识别出采食行为的正确率为78%，行走行为的正确率为62.3%。同时，这种方法也可以应用到其他动物上，对畜牧业发展具有积极意义。

关键词：卡尔曼滤波器；肉牛；加速度传感器；无线传感器；行为识别；采食行为

中图分类号： S126文献标志码： A文章编号：1002-1302（2017）12-0167-04

通信作者：陈春玲，博士，副教授，主要从事肉牛生理行为感知研究。E-mail：snccl@163.com。肉牛的健康状况可以从采食行为和行走行为的时间来确定。目前，对肉牛行为的监测手段仍然是依靠饲养员的人工观察，这样，在大规模养殖的今天，大大加重了饲养员的工作强度。肉牛行为科学分类可以减轻饲养员的工作强度，为现代化畜牧养殖者节省了大量的人力物力。对肉牛行为分类也可以方便准确地确定肉牛的健康状况，更加确保对肉牛精确地饲养，确保牛肉品质。现代化饲养模式以及良好的饲养环境对动物行为具有重要的影响，甚至可以一定程度上降低动物不良行为发生的概率。因此，找到一种准确的对肉牛行为进行分类的方法对肉牛生产具有重要意义。

国内外已展开应用无线传感器网络对动物进行监测的研究。田富洋等利用传感器实时检测奶牛的运动量、躺卧时间和体表温度等，建立以奶牛的行走步数、躺卧时间、行走时间和温度为输入，以奶牛的行为特点为输出的LVQ神经网络发情行为辨识模型与预测模型[1]。郭东东等设计了基于三轴加速度传感器和无线传感网络采集数据，利用K-means聚类算法对采集的数据集进行反复叠加训练得到较为稳定的聚类中心，分别对山羊、母猪和奶牛行为进行分类[2-4]。高晶敏等运用三轴传感器对人体姿态进行采集和处理，通过径向基函数（RBF）、神经网络算法对数据进行训练和分类，从而达到对人的动态姿态的识别[5]。Oliviero等利用压力传感器观察母猪的走动行为，同时在分娩床上方墙上安装光电传感器，用来监测母猪的站立或躺卧行为，综合判断母猪分娩时间[6]。Cornou等利用布带把三轴加速度传感器和蓝牙模块固定在母猪颈部，进行运动信息采集并无线传输到笔记本计算机上（PC）[7-8]。采用三轴加速度传感器和无线传感网络进行动物行为特征实时监测已证明其可行性，但使用该方法研究肉牛行为的报道还很少。

本試验为了对肉牛行为科学分类，使用了一种应用三轴加速度传感器对肉牛行为进行实时监测，通过采用卡尔曼滤波器方法对肉牛行为特征进行识别分析，得到每个行为各轴的后验概率，通过比较后验概率的值，可以容易地分辨出肉牛的采食行为和行走行为。

1肉牛行为监测系统构成

肉牛在采食行为、反刍行为和吞咽动作时，其眼角偏上方的颞窝部位会因为肉牛行为的不同而作出不同规律的振动[9-17]。经过初步研究发现，肉牛在采食时的咀嚼频率与次数和行走时的咀嚼频率与次数不同，因此肉牛颞窝部位的振动加速度具有一定的区别。可见其头部动作具有很大的不同，因此，采用三轴加速度传感器对肉牛的采食行为和行走行为进行分类是可以实现的。

根据上述原理，本试验选用一种高精度的加速度传感器模块，该模块可以将肉牛采食过程中颞窝部位的振动特性转化为相应的加速度数据信息，同时可以将肉牛在采食过程中头部的转动速度转化为相应的角速度数据信息，记录并保存。为了配合肉牛行为采集，在牛舍顶端安装摄像头，用于图像实时采集。如图1所示，本试验所采用的肉牛行为检测系统包括传感器节点模块、视频输入模块和上位机3个部分。

传感器节点模块主要包括数据采集、压缩和发送。数据采集模块采集来的数据通过低通滤波器滤波后进行数据压缩，经过压缩的数据通过发送模块发送到上位机，上位机将接收到的数据和图像存储在PC上。数据和图像压缩主要用来解决传输数据量大的问题。

如图2所示，三轴加速度传感器采用松紧带固定在肉牛的颞窝部位。图2右下角为姿态角示意图，x轴为垂直向下的方向，y轴为水平向右的方向，z轴为垂直于x-y所在平面向前的方向。

本次试验在辽宁未来牧业进行，选取5头健康西门塔尔牛，将该模块绑在肉牛颞窝部位，每天05：00、17：00对肉牛进行喂食，在此期间，肉牛进行集中采食。其余时间肉牛在牛舍中可以自由活动。经过3 d的应激性试验，肉牛对本装置基本没有排斥行为。再对所选肉牛实时监测7 d，采集肉牛的行为数据，并在牛棚上安装监视器，可以获取肉牛实时运动状态。检测到的肉牛数据为肉牛三轴的加速度、角速度和角度。本试验中将上位机的频率设置为1 Hz，采集频率1个/s，将每天的数据保存为1个文档文件，其大小为1 GB。

2基于卡尔曼滤波器的分类方法

2.1特征值的选取

随机变量的方差用来描述与其期望的离散程度，方差的算数平方根称为标准差，反映组内个体间的离散程度。本试验通过对应的视频的观察，分别截取肉牛采食行为和行走行为时间段的肉牛行为数据，分别选取1008个数据，进行特征值的提取。

表2所示为成对样本通过t检验得到的结果。通过检验得到，对1，对2，对3的P（双侧）小于显著性水平0.05。因此，3个方向的加速度可以作为肉牛行为分类的特征值。表2成对样本t检验

组别成对差分平均值标准差均值的标准误差分的95%置信区间下限上限tdfP值

2.2数据预处理

建模之前首先进行数据的预处理，并将采集到的数据整理为1 s 1个数据。使用卡尔曼滤波器进行数据处理，数据应呈现相关性。因此，将整理后的数据进行相关性分析，结果如图4所示，以肉牛采食行为的x轴加速度为例，进行相关性分析，结果呈周期变化，周期T为18 s。具有平滑变化波长的伪循环，该模型被称为动态线性模型（dynamic linear model，DLM）。endprint

本试验建模所用数据满足2个条件：第一，选取的行为为本试验期间牛的正常行为；第二，选取的数据尽量避开多个行为同时发生时的行为数据。

2.3基于卡尔曼滤波器分类模型的建立

卡尔曼滤波器可以通过现有的测量数据预测出下一个时刻的测量值。通过卡尔曼滤波器的5个公式来进行数据的循环，最后得出预测的最优解。对肉牛行为分类，其观测值具有动态线性模型数据的特点，其动态线性模型通常由一组微分方程表示，分别表示系统观测的变化和系统过程的变化。

观测方程：Yt=FTtθt+vtvt～N（0，V）；

过程方程：θt=Gtθt-1+ωtωt～N（0，Wt）。

其中：Ft为系统参数矩阵；θt为状态向量；Gt为状态转化矩阵；Yt为检测得到肉牛的加速度和加速度的模。

FTt=1，sin2πT，cos2πT。

Gt=I，为单位矩阵。

假定vt和ωt为过程和测量产生的相互独立的噪音，且服从均值为0、方差分别为V和Wt的正态分布。由于状态向量θt随变化的正余弦分量的随机变化，使模型也呈周期为T的周期变化。基于卡尔曼滤波的动态线性模型通过假定均值向量mt和所有以前加速度观测值Dt={Y1，Y2，…，Yt}的方差矩阵Ct。因此，状态向量θt的条件分布为：

（θt|Dt）～N（mt，Ct）。

DLM包括觀测数据的正弦余弦运动状态数据：状态向量θt由一组描述模型在时间t的参数（μt）和正弦余弦分量（st、ct）在时间t，即：

θt=μt

st

ct。

系统方差Wt被定义成：

Wt=Wμ

Wsc

Wsc。

观测方差V和系统方差Wt的参数Wμ和Wsc表示牛每种行为各轴的特点，其通过EM抽样算法（最大期望算法，expectation maximization algiorithm）估计得，EM抽样算法是通过极大似然估计来估计未知参量的一种重复的算法。平均向量mt和方差Ct经过卡尔曼滤波器平滑后得到m～t和C～t。

肉牛2个行为分别有4个参量（x、y、z轴加速度和加速度模长acc），本研究应用了上面定义的8个DLM，DLM中每个时间t都由4个变量表示，即

Mt：{F，G，V，W}t（t=1，2，…）。

在一阶多进程模型中，一个单独的DLM可以适当地描述整个时间序列。然而，定义参数向量α=α（i，j）的真实值是不确定的，其中α（i，j）表示8个DLM的参数，即5个活动类型对4个轴上的映射。

Mt=Mt（α） （t=1，2，…）。

每一个DLM的Mt（α）都使用卡尔曼修正方程进行分析，每个观察时间t计算模型的一步预测均值ft及其各自的方差Qt。每个DLM的后验概率（pt）被估计为：

pt（i）∞φt（i）×pt-1（i）。

式中：φt（i）为过去观察值（Dt-1）的预测分布。

φt=1det2πQtexp[-12（Yt-ft）TQ-1t（Yt-ft）]。

先验概率是指根据以往经验和分析得到的概率，后验概率是基于新的信息，修正原来的先验概率后所获得的更接近实际情况的概率估计。

在实践中，每个DLM使用建模数据集估计参数的分析；对周期T的值设置为18 s。肉牛的采食行为和行走行为的后验概率的初始值设定为0.2，每个时间t的后验概率的值都会更新。对于后验概率的初始值理论上不为0，为多少都可以，后验概率为0说明系统处于一个稳定的状态。

如图5-a，采食行为很容易被观察到，但后验概率的值通常很低，如图3-a所示，很少超过0.5。行走行为只有一个轴能被识别——所测量的水平向前的z轴加速度，大约在25 s后后验概率超过0.5。在这里观察到的面板之间的差异可以解释的值选择的阈值，即阈值p=0.5。

3模型检验

使用测试数据集的数据，采用“2”节提到的建模方法，进行10组分析，并将得到的后验概率取平均值。得到的数据如图6所示，“+”的线条表示采食行为的后验概率值，“-” 的线条表示行走行为的后验概率值。置信区间为95%，水平轴表示的是观察时间，单位为s。

本研究中探讨的分类方法的结果表明，肉牛的采食行为和行走行为都可以被识别。采食行为任何一个轴的后验概率都很快达到1，而行走行为只有z轴加速度在80 s后后验概率才达到1。

为了证实分类方法的结果，从测试数据集中抽取新的参数和用于建模的学习数据集中参数进行比较，表3说明在 2 min 的时间序列中后验概率为0.5以上的数据的比。左边显示的为取自测试数据集分析的结果，右边的面板显示了从学习数据集的结果。

4结论

本研究中提出利用多进程卡尔曼滤波器对肉牛行为分类的方法行之有效，为进一步建立肉牛行为模型奠定了基础。其中，采食行为的正确率为78%。但在这项研究中所使用的数据集是在理想条件下选取的，即每个周期只有1种肉牛行为，肉牛行为不重叠，将误差减小到最低，这可能会导致准确性偏高。

如果使用更完整的数据集，并且加速度测量与视频记录同步，进行进一步包括3个轴相结合的1个多变量模型的分析，在后续研究中可以进行尝试。同时，如果该方法使用1个更大数量的检测数据，这个行为类型自动分类方法的发展趋势可以用于检测肉牛疾病或福利状况。

参考文献：

[1]田富洋，王冉冉，刘莫尘，等. 基于神经网络的奶牛发情行为辨识与预测研究[J]. 农业机械学报，2013，44（增刊1）：277-281.

[2]郭东东，郝润芳，吉增涛，等. 基于三轴加速度传感器的山羊行为特征分类与识别[J]. 家畜生态学报，2014，35（8）：53-57.endprint

[3]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，2013，44（3）：192-196.

[4]尹令，刘财兴，洪添胜，等. 基于无线传感器网络的奶牛行为特征监测系统设计[J]. 农业工程学报，2010，26（3）：203-208.

[5]高晶敏，梁箐箐，李春云. 基于RBF神经网络的人体动态姿势识别算法[J]. 北京信息科技大学学报，2011，26（4）：26-29.

[6]Oliviero C，Pastell M，Heinonen M，et al. Using movement sensors to detect the onset of farrowing[J]. Biosystems Engineering，2008，100（2）：281-285.

[7]CornouC，Lundbye-ChristensenS.Classifyingsowsactivitytypes

from acceleration patterns：an application of the Multi-Process Kalman Filter[J]. Applied Animal Behaviour Science，2008，111（3/4）：262-237.

[8]Cornou C，Lundbye-Christensen S. Classification of sows activity types from acceleration patterns using univariate and multivariate models[J]. Computers and Electronics in Agriculture，2010，72（2）：53-60.

[9]郭东东，郝润芳，吉增涛，等. 基于三轴加速度传感器的山羊行为特征分类与识别[J]. 家畜生态学报，2014，35（8）：53-57.

[10]李长悦，何东健. 基于WSN的奶牛信息采集传输系统的研究[J] 农机化研究，2013，35（9）：112-115.

[11]郑李鹏，何东健. 基于WSN的奶牛信息采集网关节点研究[J]. 农机化研究，2011，33（10）：162-165.

[12]Ehasn K，Juha H，Anna V，et al. Real-time recognition of sows in video：a supervised approach[J]. Information Processing in Agriculture，2014（1）：73-81.

[13]Cornou C，Lundbye-Christensen S，Kristensen A R. Modelling and monitoring sows activity types in farrowing house using acceleration data[J]. Computers and Electronics in Agriculture，2011，76（2）：316-324.

[14]戚永刚. 基于卡尔曼滤波的城市路口车辆检测及分类[J]. 电视技术，2013，37（19）：241-245.

[15]焉晓贞，罗清华. 基于卡尔曼滤波的动态传感数据流估计方法[J]. 仪器仪表学报，2013，34（8）：1847-1854.

[16]馮智勇，曾瀚，张力，等. 基于陀螺仪及加速度计信号融合的姿态角度测量[J]. 西南师范大学学报（自然科学版），2011，36（4）：137-141.

[17]朱清华. 自传旋翼飞行器总体设计关键技术研究[D]. 南京：南京航空航天大学，2007.陈熔，俞彤. 基于APP的农产品质量安全监管平台的设计与开发[J]. 江苏农业科学，2017，45（12）：171-173.endprint