基于RFID的群養種鵝個體產蛋記錄方法

孫愛東++尹令++石凱歌++施振旦+++陽希文

摘要：將無線射頻識別（radio frequency identification，RFID）技術應用于種鵝產蛋情況跟蹤記錄，研發選育鵝產蛋性能的新技術。研究內容包括應用RFID設備標記和識別產蛋種鵝身份信息；在種鵝進出產蛋房時識別并記錄種鵝身份和質量信息；通過建立鵝身份信息、進出產蛋房時間、質量變化等各數據庫，運用綜合分析法、神經網絡、多線性回歸等數學建模方法對數據進行分析及處理，構建種鵝產蛋分析系統并從數據記錄中篩查產蛋鵝數據。設計并構建的種鵝產蛋分析系統為種鵝產蛋性能選育新技術的研發提供了新思路。

關鍵詞：種鵝；無線射頻識別；神經網絡；多線性回歸

中圖分類號： TP274+.1文獻標志碼： A文章編號：1002-1302（2016）02-0420-04

收稿日期：2015-08-13

基金項目：國家自然科學基金（編號：30871795）；國家水禽產業體系專項基金（編號：NYCYTX-45-13）；江蘇省科技支撐項目（編號：BE2012392）。

作者簡介：孫愛東（1969—），女，浙江寧波人，碩士，副研究員，主要從事人工智能、專家系統、溯源系統等研究。Tel：（025）84391572；E-mail：sunad2002@163.com。

通信作者：施振旦，博士，研究員，主要從事動物繁殖研究。Tel：（025）84390956；E-mail：zdshi@jaas.ac.cn。近年來，我國鵝的消費量不斷上升，然而國內大多數鵝種產蛋性能較低，并有季節性生產的特點，使我國養鵝業的發展速度受到制約。楊光榮等研究表明，涼山鋼鵝、四川白鵝、川涼鵝品種的種鵝產蛋期為每年8月中旬至次年5月上旬，其年平均產蛋數分別為（29±2）、（45±3）、（50±6）個[1]。蔡來長等研究發現，馬崗鵝的平均產蛋數為38.52個，其中個體母鵝最高產蛋數達78個，個體產蛋40個以上的超過50%，個體母鵝產蛋少者僅有7個，高產者與低產者相差10倍，個體母鵝年產蛋數不及30個的約占20%，表明馬崗鵝產蛋性能差異較大[2]。揚州鵝通常于每年11月開產，至次年6月結束，平均產蛋數約為60～70個[3]。傳統產蛋量記錄方法多采用群體養殖的平均數；以試驗或育種為目的的個體產蛋量記錄方法主要為：產蛋期間頭晚用手指檢查每羽母鵝的陰道部是否有蛋貯存，次日驗證鵝號撿蛋，立即記錄[1]。蔡來長等采用產蛋箱的方式，每天04：00捉母鵝入箱產蛋，09：30開始放鵝出籠撿蛋，并按鵝肩牌編號進行產蛋記錄和稱蛋記錄[2]。種鵝聽覺靈敏，警覺性很強，易受驚嚇發生應激反應而改變正常產蛋規律，上述2種個體產蛋記錄方式均會造成種鵝的應激反應，影響數據的準確性。

養鵝技術的提高促進了養鵝業的產業化發展[4-5]，使提高種鵝產蛋性能變得更為急迫。目前的人工摸蛋措施常對鵝造成應激，導致卵泡發育異常并降低產蛋性能[6-8]，須設計一種能在自然狀態下對每羽鵝進行應激探測并記錄產蛋數的新技術。射頻識別（radio frequency identification，RFID）技術是利用無線通信實現的一種非接觸式自動識別技術，無須人工干預即可通過射頻信號自動識別和記錄目標對象信息，被應用于牛、豬等家畜的飼養與疫病防控[9-12]。本研究在不造成應激的自然條件下，探討一種應用RFID和動態稱質量技術解決種鵝識別和判斷產蛋的方法。

1組成結構與工作原理

1.1RFID種鵝識別系統的工作原理

種鵝飼養一般為群體養殖，鵝舍內設有1～2個產蛋房。進入繁殖季節時，種鵝會自行進入鋪有稻草的產蛋房中產蛋。本研究設計并構建了群養種鵝個體產蛋分析系統，包括通道裝置、下位機（數據采集器）、上位機（數據庫服務器）3個部分，系統架構見圖1。通道裝置由柵欄型隔離墻、2個讀卡器、電子秤組成（圖2）。2個讀卡器并列安放在通道中，與下位機連接；電子秤置于讀卡器之間，與下位機連接。上位機與下位機之間通過現場總線相連接。

1.2身份及判斷進出產蛋房方向

將進入產蛋期的母鵝腿部佩戴電子標簽。佩戴電子標簽的種鵝經由通道裝置進出產蛋房時，觸發讀卡器讀卡，并由下位機記錄標簽號ID、日期、時間、讀卡器編號；依據2個射頻讀寫器讀取同一ID信號的時間次序及讀卡器順序區分種鵝進出產蛋房的狀態。讀卡器1擺放在通道靠產蛋房的外側，讀卡器2則在靠產蛋房的內側。種鵝進入產蛋房時讀卡器1首先讀到其ID號，之后是讀卡器2，以此判斷為進入；反之判斷為走出。如果同一讀卡器出現多條信息，則表示種鵝仍在產蛋房外或產蛋房內，未完全通過通道便折回。

1.3產蛋判斷

電子秤置于通道中2個讀卡器之間（圖2）。通道的寬度設置使種鵝進出產蛋房時每次僅限制1羽通過，且必須經過電子秤。種鵝行進在電子秤臺面時，觸發下位機記錄動態質量數據及時間。鵝蛋的質量約為120 g，因此通過對比同一羽種鵝進出產蛋房時的質量差，便可判斷種鵝是否產蛋。如何計算行進中的種鵝質量是整個方案的關鍵。

2種鵝動態稱質量建模

種鵝經過電子秤是一個動態過程。種鵝每次從電子秤上面經過，電子秤所讀得的數據均是一系列動態過程的質量數據，因此有必要建立數學模型對所采集的動態質量數據進行處理。

在動態稱質量系統中解決快速性問題是至關重要的，主要的解決思路有2條。（1）采取縮短過渡時間的方法，使系統盡快趨于穩定。目前采用的方法為動態補償法，在測量系統輸出端串連1個動態補償環節，改善整個系統的動態性能，加快系統的響應速度，等待系統趨于穩態時得到被測量參數值，即在系統過渡過程結束后，利用系統的穩態值進行測量。（2）通過系統動態過渡過程的信息來提取被測量參數的信息。系統對外界激勵的響應過程包含了系統自身的特征，即動態過渡過程包含了被稱對象質量的信息。對稱質量系統來說，當被測物料施加于系統上時，稱質量系統自身的特征也發生了改變，特征量改變的大小與物體質量存在著一定數量關系，可通過系統的過渡過程包含特征量的改變間接進行測量。因此可將動態測量作為參數估計和預測問題來處理，即根據有關稱質量系統的先驗知識推導出含有未知參數的模型，并用該模型擬合稱質量過渡過程信號。被測質量可看作稱質量測力過程的終值，因此可用模型參數加以估計或預測得出。

目前，動態稱質量主要應用于汽車等交通工具的質量測量，以及工程中配料定量的問題[13-15]，因此大部分動態稱質量的經驗公式并不適于本研究對象。經對比多種方法發現，本研究對象與鵝群所在的特定環境有較大關系。進入產蛋房通道的寬闊程度及平滑程度均會影響鵝的行走速度，而鵝行走過程中的快慢將直接影響測量裝置所測得的鵝質量數值。飼養場本身的環境因素對鵝有較大影響。

基于以上情況分析，首先采用具有學習能力的神經網絡解決這一類受環境因素影響較大的問題。神經網絡要求大量數據作為輸入，且神經網絡相應的參數應針對不同電子秤進行恰當修改，這不利于簡單實現系統，因此同時采用多線性回歸的方法對以上問題進行求解。將神經網絡和多線性回歸2種方法得出的結果進行進一步對比，以決定在系統中采用的方法。

2.1神經網絡動態稱質量模型的構建

人工神經元網絡簡稱神經網絡，是一種旨在模仿人腦結構及其功能的信息處理系統。該系統由大量人工神經元按照一定拓撲結構廣泛互連形成，并按照一定學習規則，通過對大量樣本數據的學習和訓練，把網絡掌握的“知識”以神經元之間的連接權值和閾值形式儲存下來，利用這些“知識”可實現某種人腦功能的推理機。

輸入層（測量值數據）：共取9組測量工具測定的數據，考慮到種鵝進入和離開電子秤時數據起伏較大，較不可靠，因此選取電子秤讀取的所有數據中位于中間9位的數據。

輸出層（結果）：共1個數據，即鵝的實際質量。

Kolmogorov理論指出，具有單個隱含層的BP神經網絡可映射所有連續函數，而具有雙隱含層的BP神經網絡可映射任何函數（包括不連續函數）。所要建立的映射關系是否連續尚不明確，因此先考慮具有單個隱含層的BP神經網絡，如果無法滿足要求則再加1個隱層。網絡的輸入是9維向量，輸出是1個1維向量。隱層的節點數由經驗公式[16]算出：

m=nl=9=3。

式中：m為中間層節點數；nl為輸入向量維數。

中間層節點數為3個，由此可確定一個9-3-1的BP神經網絡。

為實現網絡輸入和輸出間的非線性映射，隱層神經元的傳遞函數采用對數Sigmoid函數f（x）=1/（1+e-x）。通常，BP神經網絡的權值和閾值是通過沿著網絡誤差的負梯度方向進行調節的，最終使網絡誤差達到極小值或最小值，即在這一點誤差梯度為零。限于梯度下降算法的固有缺陷，標準的BP學習算法通常具有收斂慢、易陷入局部極小值等缺點，因此出現了許多改進的算法。改進的BP算法可依據改進途徑分為兩大類：采用啟發式學習方法，如引入動量項因子的學習算法、變學習速率學習算法、“彈性”學習算法等；采用更有效的數值優化方法，如共軛梯度學習算法、quasi-Newton算法、Levenberg-Marquardt優化方法等。本研究采用Levenberg-Marquardt優化方法對BP神經網絡的權值和閾值進行訓練，對神經網絡的構建過程如下。第1步：定義BP網絡輸入向量組成的矩陣P、目標輸出向量組成的矩陣T；第2步：創建新的神經網絡；第3步：訓練BP網絡；第4步：輸入、輸出、測試。

2.2多重線性稱質量模型的構建

多重回歸（multiple linear regression）與多重相關（multiple correlation）是研究一個因變量和多個自變量之間線性關系的統計學分析方法。本研究將鵝的實際質量作為因變量，將電子秤所得的多個動態數據及鵝經過電子秤的總時間長度作為自變量，進行多重線性回歸以獲得實際質量。

對于多重線性稱質量模型的構建，首先須確定自變量。種鵝通過電子秤的總時間長度不同，電子秤所讀得數據的多少也不同。對于通過電子秤花費時間較長的種鵝，電子秤所讀得的數據也相應較多。種鵝在電子秤上的實際運動情況會對電子秤的讀數產生影響，如果種鵝花費時間較長，表明其行走速度較慢，電子秤所得數據相對比較穩定，否則相反。種鵝通過電子秤期間所花的總時間應作為自變量，同時取部分動態稱質量結果值作為自變量。如果取值較多，則無法突出種鵝總花費時間作為自變量的特點，因此最終選擇種鵝通過電子秤的總花費時間值，以及處于時間中點處和偏移2個時間單位處電子秤所獲得的共3個質量值作為自變量。

第1步：從電子秤讀取一系列動態稱質量數據。通常1羽種鵝經過電子秤可能得到的數據是0.20，0.60，0.90，…，2.01，2.02，2.02，2.04，…，0.50，0.40，0.10 kg。種鵝剛踏入和剛離開電子秤時，數值較小且變化較大；而到中點附近時才具有較為穩定可靠的數據。第2步：在電子秤讀入每個數據時系統會記錄相應時間。通過記錄的時間算出種鵝經過電子秤所花的總時間，并作為自變量。第3步：選擇處于時間中點、與時間中點偏移2個時間單位處電子秤所獲得的共3個質量值（分別為數值1、數值2、數值3）作為自變量。第4步：采用人工方法限制種鵝行動，并測其實際質量作為因變量。第5步：采用SPSS統計軟件進行多線性回歸求解。

3試驗驗證

在鵝群中隨機選擇12羽種鵝，通過輕拍安撫的方式盡量使鵝趴伏在秤臺上，從而得到一段相對穩定的數據作為種鵝的實際質量。將30 cm×40 cm的秤臺放置于寬40 cm、長 200 cm 的通道中，電子秤控制器通過RS232串口線與PC機相連，PC機以20條/min的頻率按時間順序保存時間、秤臺質量數據。種鵝通過通道自由活動于兩側空間。1羽質量為2.07 kg的種鵝經過秤臺時，獲得數據及提取質量數據見表1。建模后進行試驗驗證。

3.1神經網絡動態稱質量驗證

采用2組已經過人工驗證的數據進行檢驗。第1組的實際質量為2.06 kg，第2組的實際質量為2.08 kg。由程序運行結果（圖3）可知，經過神經網絡程序判斷的結果分別為 2.070 2、2.078 2 kg，與實際質量相比誤差分別為10.2、1.8 g。允許具有120 g內的誤差，因此結果正確。經多次驗證所得的結果基本符合要求，誤差范圍可以接受。

3.2多重線性稱質量驗證

使用SPSS軟件進行多重線性稱質量建模，并獲得分析結果（表2）。模型確定鵝的實際質量應為數值1的0.018倍+

數值2的0.485倍+數值3的0.408倍+時間間隔的1.515×10-5倍+常數×0.173。其中，數值2是電子秤所測各段時間中點時的質量，數值1、數值3分別為偏移2個時間單位的質量。經多次測試誤差普遍在30 g左右，由于鵝蛋質量通常約為120 g，遠大于30 g，因此結果可取。

3.3神經網絡稱質量模型與多線性回歸稱質量模型的比較

在正確性方面，神經網絡方法所得到的值比較準確，但多線性回歸方法同樣可行。在易用性方面，多線性回歸得出的公式可直接使用，而神經網絡沒有固定公式，編程和調用比較復雜。目前系統的目的是判斷種鵝是否產蛋，并不是要得到種鵝的精確質量。2種方法同時可行的情況下，多線性回歸方法比較簡單、易實現，對于系統維護、拓展功能等方面具有實用意義，因此在構建系統過程中選擇采用多線性回歸的方法。

4應用展望

本研究設計并實現了種鵝產蛋分析系統。本系統綜合運用RFID技術對數據進行采集，應用神經網絡及多線性回歸的數學方法對數據進行分析，采用C#、ACCESS數據庫應用等編程知識構建系統。經試驗，本系統能夠正確檢測出種鵝是否產蛋，從而為種鵝的選種提供有力依據。如果要進一步拓展本系統可加強硬件設備，從而避免數據的漏讀和誤讀。如果在算法上加入圖像識別系統，將進一步解決某些特殊情況產生的問題。生產現場還須采取措施保證電子秤所處環境干凈、整潔，并解決零點漂移問題。本系統可應用于種鵝養殖場，自動記錄不同種鵝的產蛋情況，為判斷不同鵝高產與否提供依據，也為種鵝的正確選種提供有力保證。

參考文獻：

[1]楊光榮，張德玉，黃志秋，等. 鵝產蛋量及產蛋規律的研究[J]. 中國家禽，1997（10）：19-20.

[2]蔡來長，楊承忠，容振坤，等. 馬崗鵝產蛋規律的研究[J]. 中國家禽，2000，22（2）：12-14.

[3]趙萬里，王志躍，龔道清，等. 揚州鵝產蛋規律的初步研究[J]. 中國家禽，2004，26（15）：15-16.

[4]Sun A D，Shi D，Huang Y M，et al. Development of out-of-season laying in geese and its impact on the goose industry in Guangdong Province，China[J]. Worlds Poultry Science Journal，2007，63（3）：481-490.

[5]孫愛東，梁少東，施振旦. 廣東省鵝反季節繁殖和生產經濟效益分析[J]. 中國家禽，2005，27（4）：17-19.

[6]施振旦，黃運茂，吳偉. 鵝產蛋周期及其生理學調控機制研究的回顧[J]. 中國家禽，2008，30（9）：1-5.

[7]Huang Y M，Shi Z D，Liu Z，et al. Endocrine regulations of reproductive seasonality，follicular development and incubation in Magang geese[J]. Animal Reproduction Science，2008，104（2/3/4）：344-358.

[8]Shi Z D，Tian Y B，Wu W，et al. Controlling reproductive seasonality in the geese：a review[J]. Worlds Poultry Science Journal，2008，64（3）：343-355.

[9]周仲芳，游洪，王彭軍，等. RFID技術在活豬檢驗檢疫監督管理中的應用研究[J]. 農業工程學報，2008，24（2）：241-245.

[10]Gay P，Giuffrida M P，Piccarolo P，et al. Livestock and farm management improvement using RFID Technologies[C]. Nitra，Slovakia：32th CIOSTA Congress：Advances in labour and machinery management for a profitable agriculture and forestry，2007：269.

[11]Ng M L，Leong K S，Hall D M，et al. A small passive UHF RFID tag for livestock identification[C]. Beijing，China：IEEE 2005 International Symposium on Microwave，Antenna，Propagation and EMC Technologies for Wireless Communications Proceedings，2005：67-70.

[12]Leong K S，Leng N M，Cole P H. Investigation on the deployment of HF and UHF RFID tag in livestock identification[C]. Honolulu，HI，USA：Antennas and Propagation International Symposium，2007.

[13]殷峻暹，陳守煜，邱菊. 基于遺傳與BP混合算法神經網絡預測模型及應用[J]. 大連理工大學學報，2002（5）：594-598.

[14]徐科軍，江敦明. 稱重傳感器自適應動態補償方法[J]. 儀表技術與傳感器，1997，18（5）：12-14.

[15]毛建東. 動態稱重系統的動態補償和校正[J]. 食品與機械，2006，22（2）：84-86，94.

[16]沈小倩，蔡晉輝，姚燕，等. 遺傳神經網絡在動態稱重中的應用[J]. 傳感技術學報，2010（9）：1359-1363.

豐莎，繳錫云，虞曉彬，等. 由土壤物理性指標估算入滲參數的方法 [J]. 江蘇農業科學，2016，44（2）：424-426，433.