基于頸環采集節點的母羊產前行為識別方法

應燁偉，曾松偉，趙阿勇，顏菲菲

基于頸環采集節點的母羊產前行為識別方法

應燁偉1，曾松偉1※，趙阿勇2，顏菲菲2

（1. 浙江農林大學信息工程學院，杭州 311300；2. 浙江農林大學動物科技學院，杭州 311300）

針對目前母羊產前行為監測費時費力、精準度較低、可識別行為類型單一等問題，以頸環采集節點獲得的加速度數據為研究對象，提出了一種基于區間閾值與遺傳算法優化支持向量機（Genetic Algorithm-Support Vector Machine, GA-SVM）分類模型的母羊產前行為識別方法。該方法首先對合加速度數據進行小波降噪和提取輪廓線預處理，再利用區間閾值分類法，識別出行走、趴臥2種行為。在此基礎上，采用GA-SVM分類模型實現飲水、采食、反芻3種行為的準確識別。試驗表明，頸環采集節點能夠實時采集和傳輸產前母羊頸部的活動信息，并能有效區分5種產前行為活動。可識別行為類型增多，且在適用性方面有了較大提升，平均準確率達到97.88%，比傳統的決策樹算法、K最近鄰（K-Nearest Neighbor, KNN）算法、支持向量機（Support Vector Machine, SVM）算法分別提高了31.26%、21.87%、21.9%。該研究對建立產前母羊運動量及健康評估模型、提高繁殖及工作效率、實現智能化管理等方面具有十分重要的意義。

識別；算法；行為；區間閾值分類；遺傳算法；支持向量機

0 引 言

肉羊作為中國太湖平原地區最重要的家畜之一，具有理想肉質、一年二胎、每胎多羔等優良特性，懷孕母羊在具有極高經濟價值的同時，也極大地促進了太湖平原地區畜牧養殖業的發展。隨著近年來肉羊養殖密度的增加，其日常運動量及生長環境均得不到保障，導致難產、流產、發病數量急劇上升[1]。母羊在分娩前經常伴有食欲減退、起臥頻繁等行為[2]，根據這些產前行為有助于預測分娩時間；產前母羊的采食、飲水、反芻行為是營養物質的量化基礎，可用于判斷其生長及健康狀況[3]；此外，趴臥和行走時長從側面反映了產前母羊的休息和運動情況，也是判斷其健康狀況的重要途徑之一[4-6]。因此，亟需建立一套智能化監測系統對母羊產前行為進行實時監測和精準識別，為提升母羊的養殖效益提供一種參考。

隨著信息技術的發展，對動物行為的監測方式已經從傳統的人為主觀觀測向自動化監測過渡[7]。目前，以各類傳感器為采集工具、以機器學習算法進行數據分析的動物行為分類識別方案已經取得了長足的發展[8-11]，且已經被廣泛地應用[12-17]。劉艷秋等[18]和劉龍申等[19]采用無線三軸加速度采集節點，基于K均值聚類算法對動物的站立、趴臥等行為進行分類識別，但無監督學習算法的正確識別率還有待提高。王俊等[20]基于無線傳感網絡和半監督模糊聚類算法，對奶牛的采食、趴臥等行為進行分類識別，平均精度和靈敏度分別為53.0%和60.6%。Martiskainen等[21]采用脖頸式固定方式，應用支持向量機（Support Vector Machine, SVM）分類模型，對奶牛的采食、反芻等運動行為進行識別，平均識別精度為78%。任曉惠等[22]使用螢火蟲尋優算法優化SVM參數，對奶牛的反芻、采食、飲水3種行為進行識別，提高了分類算法的適用性，然而其識別的行為類型較少。Diosdado等[23]使用決策樹分類模型對奶牛的趴臥、站立、采食行為進行識別，但分類模型的靈敏度和精度仍有提升的空間。王俊等[24]在傳統的分類、聚類算法基礎上，以信息增益為基準構建最優二叉決策樹，對奶牛的6種行為實現分類識別，平均準確率為76.47%。

綜上所述，國內外的行為識別主要以奶牛、母豬作為研究對象，鮮有針對母羊產前行為的相關研究。此外，已有的行為分類模型由于識別類型單一，相互之間的差異較明顯，故而易于區分，然而隨著行為識別類型的增加，將難以避免地導致正確識別率的降低。本研究利用頸環采集節點，實時采集三軸加速度數據，針對行為類型增加時導致正確識別率降低的問題，提出了一種基于區間閾值與遺傳算法優化支持向量機（Genetic Algorithm-Support Vector Machine, GA-SVM）分類模型的母羊產前行為識別方法，實現飲水、采食、反芻、行走、趴臥5種行為的分類識別，為建立產前母羊運動量及健康評估模型、預測其分娩時間、人工助產決策等方面提供了理論依據。

1 材料與方法

1.1 試驗場地概況

試驗在浙江省湖州市農業科學研究院某湖羊養殖基地中進行。試驗羊棚長50 m、寬10 m，劃分為左右各10個欄，每個欄中圈養5只母羊，欄與欄之間的圍墻高1 m、厚0.3 m。從中隨機挑選10只體型相近、分布離散的產前湖羊作為行為識別對象，通過松緊布帶在其頸部下方佩戴頸環采集節點，其中5只湖羊作為試驗組，另外5只湖羊作為對照組，用于比較產前湖羊是否會因為佩戴頸環采集節點而產生身體抗拒、互相撕咬松緊布帶、剮蹭欄桿等異常行為。

1.1.1 頸環采集節點

本研究所使用的數據采集裝置為頸環采集節點，主要由微處理器、六軸傳感器、無線傳輸模塊、存儲模塊、電源模塊5個部分組成。微處理器采用意法半導體（STMicroelectronics）集團推出的STM32F103RCT6芯片，該款芯片使用ARM Cortex-M3架構，LQFP64封裝；六軸傳感器采用InvenSense公司發布的MPU6050運動處理組件，其內部集成三軸加速度和三軸陀螺儀傳感器。在本試驗中通過軟件將加速度的量程設置為±20 m/s2，角速度的量程設置為±34.91 rad/s；無線傳輸模塊采用CC2530解決方案，通過印制電路板（Printed Circuit Board, PCB）天線可實現300 m內數據的穩定傳輸；存儲模塊采用微型安全數碼卡（Micro Secure Digital Memory Card, MicroSD Card）實時存儲數據；電源模塊采用德玲達新能源科技電子廠生產的3.7 V鋰電池，容量為6 800 mA·h，可確保頸環采集節點連續穩定工作14 d左右。

頸環采集節點尺寸為75 mm×75 mm×25 mm，總質量為189 g，采樣頻率設為10 Hz，整個節點封裝在一個密閉防水塑料盒中，通過松緊布帶固定于產前母羊頸部下方。將節點所在位置定為三維空間坐標原點，則三軸加速度傳感器的軸分別指向母羊正前方、正右方、重力方向。頸環采集節點及固定方式如圖1所示。

注：圖1c中，O為三軸加速度傳感器所在位置；X為三軸加速度傳感器的X軸正方向；Y為三軸加速度傳感器的Y軸正方向；Z為三軸加速度傳感器的Z軸正方向。

1.1.2 數據采集

本研究設計了一套母羊產前行為監測系統，其功能結構如圖2所示。頸環采集節點實時采集母羊產前的行為加速度信息，通過Zigbee無線傳輸至協調器基站，協調器基站基于S3C6410控制通用分組無線業務（General Packet Radio Service, GPRS）模塊將數據傳輸至服務器后端，服務器將數據存儲于MySQL數據庫，并在HTML網頁前端及手機App端進行顯示，方便用戶查詢及下載。

圖2 母羊產前行為監測系統功能結構圖

1.1.3 數據標定

給產前一周左右的母羊佩戴頸環采集節點，同時使用海康威視提供的監控攝像頭和硬盤錄像機對母羊的行為進行視頻錄制。將監控攝像頭與頸環采集節點的時間設置為同步，通過錄像中母羊表現的行為找到對應時刻的數據進行行為標定。觀看監控錄像發現，產前母羊的行為主要包括飲水、采食、反芻、行走、趴臥5種，本研究主要針對這5種行為實現分類識別。

在對5種行為的數據進行標定的過程中發現，若同種行為的持續時間＜5 s，例如，1 s時間段內行走行為的10組數據，會因數據量較少而難以進行特征提取，且母羊自身顫抖等瞬間行為的干擾也會隨著標定間隔的縮短而增大影響，此外，短時間內不同行為之間的快速變化也難以通過觀看錄像來精確其轉變的具體時刻；而同種行為持續時間≥5 s的數據，可以有效包含母羊產前行為活動的整個過程，50組及以上的連續行為數據有利于提取特征，并減小了瞬間干擾行為的影響。因此，為保證數據的可辨別性、有效性和完整性，保留每種行為持續時間≥5 s的標定數據，舍棄5 s內行為發生變化的標定數據。

1.2 行為分類算法

本研究采用MATLAB2019b，對產前母羊飲水、采食、反芻、行走、趴臥5種行為的加速度數據進行處理和分析；采用Origin Pro 9.0軟件進行圖表繪制。

傳統的分類算法包括決策樹算法、K最近鄰（K-Nearest Neighbor, KNN）算法、SVM算法等[25]。僅使用一種分類算法或一種優化后的分類算法難以對5種行為直接進行分類識別。因此，本研究根據行走、趴臥行為的幅值波動特點及飲水、采食、反芻行為的聚類效果，將區間閾值分類與GA-SVM分類模型相結合，針對5種行為進行2次分類處理，在增加行為類型的同時保證較高的準確率。

1.2.1 區間閾值分類算法

1）求取合加速度

由劉艷秋等[18]可知，區分產前母羊的各類行為，加速度的方向并不是判斷的必要條件。為了防止頸環采集節點因發生傾斜而使坐標軸偏離理想位置，導致采集的數據不準確，本研究將采集到的三維加速度數據合成為一維合加速度數據來反映母羊產前行為的整體情況。合加速度（, mm/s2）計算如式（1）所示：

式中a、a、a分別表示軸的加速度，mm/s2。

2）小波降噪處理

產前母羊自身呼吸、顫抖等因素的干擾會導致合加速度數據存在很多高頻噪聲。為了提高識別效果，使用MATLAB的小波工具箱，對合加速度數據進行降噪平滑處理。常用的小波基函數包括haar、sym()、db()等，其中均為正整數。通過對比試驗發現，haar小波基對數據的降噪效果不明顯且連續性較差；使用sym()小波基進行數據降噪后，各行為間的幅值差異較小，難以進一步確定分類的區間閾值；db()小波基對數據進行降噪后的曲線較平滑，去掉了較多噪聲，且各行為之間的幅值差異較為明顯。因此本研究最終選擇db5小波基為數據降噪的基函數。

式中代表小波系數，代表給定閾值。

3）滑動窗口提取輪廓線

根據降噪后加速度數據的幅值波動特征，對數據添加滑動窗口，根據每個窗口的波動峰值來提取上部輪廓線。滑動窗口的長度設定對最終分類的效果影響較大，長度過長會包含2種行為的幅值特征，長度過短則會包含最小幅值特征而達不到提取上部輪廓線的目的。考慮以上2種情況，結合加速度數據的采樣頻率為10 Hz且每種行為進行標定的持續時間最短為5 s，最終將窗口長度設置為50。經試驗證明，長度為50的滑動窗口可以達到保留各個行為幅值特征的同時提取上部輪廓線的目的。

1.2.2 遺傳算法優化支持向量機（GA-SVM）分類模型

1）可行性分析

由任曉惠等[22]可知，產前母羊飲水、采食、反芻行為的三軸加速度數據在空間中基本分成了3團獨立的簇，聚類效果顯著。因此，可以采用SVM算法對3種行為進行分類識別。SVM分類算法的性能與懲罰參數和核函數參數密切相關。懲罰參數表示間隔大小和分類準確度的權重，即對誤差的寬容度。越大，對誤差的寬容度越小，易導致過擬合；越小，對誤差的寬容度越大，易導致欠擬合。過大或過小，都會導致分類模型的泛化能力變差。表示所選核函數的核參數，越大，支持向量的數量越少，訓練速度和適用性得到提高，但訓練誤差會增大；越小，支持向量的數量越多，訓練速度和適用性會下降，但訓練誤差會減小[22]。因此，需要使用優化算法尋找SVM的2個參數的最優解，以達到加快訓練模型收斂速度，提高模型分類性能的目的。

常用的SVM參數尋優算法包括粒子群（Particle Swarm Optimization, PSO）算法、遺傳算法（Genetic Algorithm, GA）、網格搜索（Grid Search, GS）算法等。PSO算法尋優時，收斂速度較快，但對離散化問題易陷入局部優化，不能保證搜索到全局最優解；GA尋優獨立于求解域，且優化結果與初始條件無關，能夠得到優化問題的全局最優解，然而其收斂速度較慢；GS算法需要遍歷網格中的所有參數點，相對而言耗時最為嚴重。綜上，為將離散的三軸加速度數據進行分類，在收斂速度可接受范圍內，本次研究使用GA尋找全局最優解。

2）支持向量機（SVM）原理

使用拉格朗日乘子法并在滿足卡羅需-庫恩-塔克（Karush-Kuhn-Tucker, KKT）條件的情況下將式（3）轉化為對偶問題，所得數學表達式如式（4）所示：

式中α代表第個約束條件添加的拉格朗日乘子，代表個拉格朗日乘子的集合，(,,)代表得到的拉格朗日函數。

使用SVM實現多分類的方法主要有一對多法、一對一法等。一對多法雖然分類器個數較少，分類速度較快，但隨著樣本數量的增加，訓練速度急劇減慢且選擇的訓練數據易出現樣本不對稱的情況；一對一法針對大樣本量的訓練，優勢較為明顯，但當分類類別較多時，分類器數量增多，代價較大。本研究因分類類別較少，訓練樣本量較大，故選擇一對一法實現產前母羊多種行為的分類。

本研究首先采用高斯核函數將三軸加速度數據映射到高維空間中，使其變得線性可分，再采用一對一法對飲水、采食、反芻3種行為兩兩組合，共構建3個二分類器。最后將測試樣本依次輸入3個二分類器并進行投票，將得票數最多的分類器輸出的結果作為最終的行為分類結果。

3）遺傳算法（GA）參數尋優原理

針對難以尋到SVM懲罰參數和核函數參數全局最優解的問題，提出GA優化SVM參數的解決方案。GA是一種將生物進化適者生存原理與遺傳學交叉變異機制相結合的啟發式參數尋優算法[26]。具體算法步驟如下[27-31]：

步驟1：GA參數初始化。設置和的取值范圍均為[0, 100]，最大進化代數為100，種群數量為20，交叉驗證次數為5。

步驟2：編碼。將和進行二進制編碼，采用40個二進制位表示每個個體并隨機組成初始種群。

步驟3：計算適應度函數值。將種群中的個體依次輸入SVM模型中訓練，得到交叉驗證意義下的準確率并進行線性排序，根據排序的結果計算適應度函數值。每個個體適應度函數值的計算如式（6）所示：

式中Nind代表種群中個體的數量，sp代表選擇的壓差，Pos代表每個個體排序后在種群中的位置，則適應度函數值越大的個體遺傳到下一代的概率也越大。

步驟4：選擇。根據適應度函數值采用輪盤賭算法進行“優勝劣汰”的選擇操作。

步驟5：交叉。將選擇后的個體作為父代，按照交叉率進行基因重組，產生新的個體。

步驟6：變異。根據變異率，隨機選擇個體產生變異，形成新的子代。

步驟7：迭代。判斷迭代次數或適應度函數值是否滿足終止條件。若沒滿足，重復步驟3~6；若滿足，執行步驟8。

步驟8：輸出。最終所得到的具有最大適應度的個體、，即可作為最優解輸出。

GA-SVM分類模型比SVM分類模型擁有更合適的和，對產前母羊的行為分類具有更高的準確率。

1.3 分類算法性能評價

本研究采用混淆矩陣計算準確率（Accuracy）、精度（Precision）、靈敏度（Sensitivity）、F1得分（F1-score）4項指標，對分類算法的性能進行評價。準確率代表整個分類模型的正確識別率；精度表示在預測為本行為的所有結果中，預測正確的比例；靈敏度表示在實際為本行為的所有結果中，預測正確的比例；F1得分是精度和靈敏度加權平均后的綜合評價指標。其計算如式（7）~式（10）所示：

式中TP代表正確分類為本行為的樣本數，FP代表錯誤劃分為本行為的樣本數，FN代表錯誤劃分為其他行為的樣本數，TN代表正確劃分為其他行為的樣本數。

采用上述4項性能評價指標，有利于將本研究提出的分類算法與傳統的分類算法進行對比，為分析其相互之間的差異性及優劣勢提供了理論基礎。

2 結果與分析

2.1 區間閾值選取

區間閾值分類法中閾值的選擇尤為重要。首先選取飲水、采食、反芻、行走、趴臥5種行為連續20 s的三軸加速度數據分別計算其合加速度，再采用db5小波基函數對合加速度數據進行小波降噪處理，最后根據每種行為波動峰值之間表現出的區間性，利用長度為50的滑動窗口進行上部輪廓線的提取，得到的合加速度曲線如圖3所示，根據合加速度曲線的幅值波動范圍，即可確定行為分類的區間閾值。

由圖3可知，小波降噪后的合加速度曲線明顯比原始的合加速度曲線更加平滑，有利于進一步數據分析。對比5種行為提取輪廓線后的合加速度曲線可知，飲水、采食、反芻3種行為的幅值波動范圍均有交集，而行走和趴臥2種行為與其他行為相比，在幅值上存在著明顯的差異，表現出相對清晰的閾值界限。因此，可以采用區間閾值分類法將行走和趴臥2種行為先識別出來，而將飲水、采食、反芻3種行為歸于一類，等待進一步處理。

圖3 5種母羊產前行為預處理后的合加速度曲線比較

不同羊只對同種行為表現的差異性及同一羊只對同種行為表現的幅度差異都會對閾值的確定產生較大的影響，為了減小這些干擾，在所有產前母羊中隨機選取每種行為持續時長為20 s的數據各20組，再使用上述方法進行重復試驗，最終確定行走行為的閾值區間為（18 800，+∞），趴臥行為的閾值區間為（?∞, 16 000），飲水、采食、反芻3種行為的閾值區間為[16 000, 18 800]。

2.2 區間閾值分類結果

試驗共采集并標定了29 150組樣本數據，其中飲水行為2 250組，采食行為8 200組，反芻行為3 950組，行走行為2 550組，趴臥行為12 200組。采用預先設定的2個閾值進行區間閾值分類，其結果如表1所示。3類行為的精度均超過85%，平均精度為96.12%，其中趴臥行為的精度達到100%，但行走行為的精度較低。3類行為的靈敏度和F1得分均超過90%，且平均靈敏度和平均F1得分分別為98.66%和97.3%。區間閾值法對3類行為的分類準確率達到98.41%，其對合加速度數據的分類效果如圖4所示。

表1 基于區間閾值分類算法的行為分類結果

注：2條橫虛線代表16 000和18 800兩個區間閾值；豎向點劃線代表各類行為相互轉變時的臨界時刻。

由圖4可知，在各個臨界時刻，合加速度數據出現明顯的跳變，由此可見，區間閾值分類法對行走和趴臥2種幅值特征差異較明顯的行為分類效果顯著，但針對飲水、采食、反芻3種幅值波動相近的行為無法直接識別出來，需要借助GA-SVM算法進一步處理。

臨近生產的母羊時常表現出起臥頻繁、來回走動等現象。本研究分類識別的行走和趴臥2種行為，有助于預測其分娩時間，便于管理人員及時將孕羊送入待產欄。此外，部分母羊在分娩前會出現后腿無力、站立困難、喜歡臥地等情況，即典型的產前癱瘓現象。如若置之不理，大部分懷孕母羊都會衰竭而亡，即使僥幸產下羊羔，羊羔也會由于先天性的虛弱，導致早死概率增大。本研究分類識別的趴臥行為，有利于計算產前母羊的日均趴臥時長，對管理人員及時發現癱瘓孕羊并采取治療措施、提高母羊的繁殖效率等方面具有十分重要的意義。

2.3 遺傳算法優化支持向量機（GA-SVM）分類結果

在MATLAB2019b中安裝libsvm工具箱作為本次研究的數據分析環境。將14 400組樣本數據進行[0, 1]范圍的歸一化處理，再以2:1的比例進行劃分，即選擇9 600組數據構成訓練集，其余4 800組數據構成測試集。為了提高SVM的分類性能，采用GA尋找懲罰參數和核函數參數的全局最優解。在初始化GA參數的過程中，交叉率和變異率的設定對尋優的收斂速度和最優解的質量有較大影響。一般交叉率的取值范圍為[0.4, 0.99]，變異率的取值范圍為[0.001, 0.1][32]。本研究首先固定某一交叉率，以0.000 5為步長改變變異率并進行GA尋優運算；再以0.01為步長改變交叉率，重復上述操作。通過該算法試驗，最終發現交叉率和變異率分別為0.95和0.017 5時的適應率結果最好。GA參數初始化完成后，其尋找最優解的結果如圖5所示。

注：懲罰參數c為14.509 4；核函數參數g為31.812 7；最佳適應率為96.968 8%。

圖5中最佳適應率代表每代種群中最優個體的適應率，平均適應率代表每代種群中所有個體適應率的平均值。由圖5可知，基于最優保留策略，最優個體的適應率逐漸增加，最終穩定在96.968 8%，表明此時的懲罰參數和核函數參數的組合達到最優的分類性能，即最佳=14.509 4，最佳=31.812 7。將最佳、代入SVM，即可得到最佳的分類模型，再將測試集的數據輸入分類模型進行分類預測。最終，GA-SVM分類模型對測試集分類識別的結果如表2所示。

由表2可知，3種行為的精度均超過85%，平均精度為95.44%，其中采食和反芻行為的精度均達到100%，但飲水行為的精度較低。3種行為靈敏度和F1得分的平均值分別為97.37%和96.19%。GA-SVM算法對3種行為的分類準確率達到97.52%。

表2 基于遺傳算法優化支持向量機分類模型的行為分類結果

母羊在產前3～8 d左右，由于小羊羔重量較大會壓迫其腸胃。此時，妊娠母羊為了自我調節，會出現食欲下降甚至不吃草料等現象。本研究分類識別的飲水、采食、反芻3種行為，有利于預測母羊的生產時間，為是否需要人工助產等決策提供依據，間接提高了母羊的順產率。此外，攝食量也從側面反映了母羊產前的健康狀況，為建立產前母羊健康評估模型奠定了理論基礎。

表1和表2的試驗結果表明，采用區間閾值分類與GA-SVM分類模型相結合的行為分類方法，可以對母羊產前的飲水、采食、反芻、行走、趴臥5種行為進行分類識別，平均準確率為97.88%。該方法的F1得分與母羊的運動幅度有關，當運動幅度較小時，F1得分較高；當運動幅度增大時，F1得分有所下降。此外，該分類方法的精度與樣本量密切相關，采食、反芻、趴臥行為的樣本量較多，分類精度較高；飲水和行走行為的樣本量較少，分類精度較低。分析原因主要是母羊在懷孕期間日飲水量和運動量有所下降，導致2種行為的樣本量減少，因此需要獲取更多的飲水行為和行走行為的數據進行模型訓練。

2.4 算法性能比較

在相同的軟件平臺和計算機環境下，選擇MATLAB2019b的分類學習器工具箱并采用傳統的決策樹算法、KNN算法、SVM算法與本研究提出的方法進行對比試驗。隨機抽取29 150組樣本數據中的19 300組作為訓練集，剩余9 850組作為測試集，選擇三軸加速度數據作為特征向量進行有監督的模型訓練和分類預測。3種傳統分類算法的性能對比如表3所示。

表3 3種傳統分類算法的性能統計

由表3可知，決策樹算法對飲水、反芻、行走、趴臥行為的識別效果不佳；KNN算法對反芻、趴臥行為的分類效果不理想；SVM算法盡管對飲水、采食、反芻、趴臥行為的識別效果較好，但對行走行為的分類效果偏差。決策樹算法、KNN算法、SVM算法的分類準確率分別為66.62%、76.01%和75.98%，相較于本研究提出的方法，分別低了31.26%、21.87%和21.9%。分析其原因主要是隨著行為識別類型的增加，僅使用一種特征向量和分類算法，難以找到一個最合適的劃分超平面對多種相似且復雜的行為進行劃分，導致某些行為的正確識別率無法避免的下降。試驗結果表明，本研究提出的基于區間閾值與GA-SVM模型的行為分類方法對母羊產前的飲水、采食、反芻、行走、趴臥5種行為具有更高的正確識別率。這將為母羊異常行為監測、預測其分娩時間、人工助產決策等方面提供理論依據。

3 結 論

1）本研究設計了一套基于頸環采集節點的母羊產前行為監測系統，實時采集并傳輸三軸加速度數據，對建立產前母羊運動量及健康評估模型、提高繁殖及工作效率、實現智能化管理等方面具有十分重要的意義。

2）調節松緊布帶的魔術貼，保證產前母羊佩戴舒適。通過觀察2組產前母羊的監控發現，在佩戴初期，母羊會出現身體抗拒、互相撕咬松緊布帶、剮蹭欄桿等異常行為。經過24 h適應期后，2組產前母羊的異常行為基本消失且基本不存在差異性。因此，佩戴此頸環采集節點不會對母羊的產前行為產生影響。

3）針對目前母羊產前行為識別研究較少，且隨著行為識別類型的增加，正確識別率隨之降低的問題，提出了一種基于區間閾值與遺傳算法優化支持向量機（Genetic Algorithm-Support Vector Machine, GA-SVM）分類模型的母羊產前行為識別方法。引入遺傳算法（Genetic Algorithm, GA）對支持向量機（Support Vector Machine, SVM）的懲罰參數和核函數參數進行優化，最終實現飲水、采食、反芻、行走、趴臥5種行為的分類識別，平均準確率為97.88%，比傳統的決策樹算法、K最近鄰（K-Nearest Neighbor, KNN）算法、SVM算法分別提高了31.26%、21.87%和21.9%。該方法具有規則簡單、分類速度快、準確率高等優點，可為提高母羊產前行為分類水平提供參考。

[1] 王翀，楊金勇，夏月峰，等. 浙江省肉牛肉羊產業分析及養殖現狀調研[J]. 畜牧與獸醫，2017，49(3)：111-115.

Wang Chong, Yang Jinyong, Xia Yuefeng, et al. Investigation on industrial analysis and breed aquatics existing state of the cattle and sheep in Zhejiang Province[J]. Animal Husbandry and Veterinary Medicine, 2017, 49(3): 111-115. (in Chinese with English abstract)

[2] 郝彩虹. 母羊分娩和羔羊護理[J]. 農學學報，2010(7)：75-77.

Hao Caihong. Ewe birth and lamb care[J]. Journal of Agriculture, 2010(7): 75-77. (in Chinese with English abstract)

[3] 汪開英，趙曉洋，何勇. 畜禽行為及生理信息的無損監測技術研究進展[J]. 農業工程學報，2017，33(20)：197-209.

Wang Kaiying, Zhao Xiaoyang, He Yong. Review on noninvasive monitoring technology of poultry behavior and physiological information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 197-209. (in Chinese with English abstract)

[4] 梁振杰，付曉林. 病羊與健康羊如何識別[J]. 中國動物保健，2016，18(11)：88.

Liang Zhenjie, Fu Xiaolin. How to identify sick sheep and healthy sheep[J]. China Animal Health, 2016, 18(11): 88. (in Chinese with English abstract)

[5] 宋志偉. 如何從外觀識別病羊[J]. 河南畜牧獸醫：綜合版，2016，37(2)：24.

Song Zhiwei. How to identify sick sheep from appearance[J]. Henan Journal of Animal Husbandry and Veterinary Medicine: Comprehensive Edition, 2016, 37(2): 24. (in Chinese with English abstract)

[6] 楊章華. 試論病羊的簡易識別及羊場疫病防控要點[J]. 甘肅畜牧獸醫，2016，46(24)：98-99.

Yang Zhanghua. On the simple identification of sick sheep and the main points of prevention and control of disease on sheep farm[J]. Gansu Journal of Animal Husbandry and Veterinary Medicine, 2016, 46(24): 98-99. (in Chinese with English abstract)

[7] Smith D, Rahman A, Bishop-Hurley G J, et al. Behavior classification of cows fitted with motion collars: Decomposing multi-class classification into a set of binary problems[J]. Computers and Electronics in Agriculture, 2016, 131: 40-50.

[8] 張曦宇，武佩，宣傳忠，等. 基于加速度傳感器的種公羊運動行為識別[J]. 中國農業大學學報，2018，23(11)：104-114.

Zhang Xiyu, Wu Pei, Xuan Chuanzhong, et al. Recognition of the movement behavior of stud rams based on acceleration sensor[J]. Journal of China Agricultural University, 2018, 23(11): 104-114. (in Chinese with English abstract)

[9] Gupta R K, Lathwal S S, Ruhil A P, et al. Lameness prediction in Karan Fries cross-bred cows using decision tree models[C]// 2015 2ndInternational Conference on Computing for Sustainable Global Development. New Delhi, India, 2015.

[10] 侯云濤，蔡曉華，吳澤全，等. 奶牛行為特征識別方法的研究與實現—基于支持向量機[J]. 農機化研究，2018，40(8)：36-41.

Hou Yuntao, Cai Xiaohua, Wu Zequan, et al. Research and implementation of cattle behavior character recognition method: Based on support vector machine[J]. Journal of Agricultural Mechanization Research, 2018, 40(8): 36-41. (in Chinese with English abstract)

[11] 陳春玲，楊天嬌，郭雷，等. 支持向量機在舍飼肉牛反芻行為分析中的應用[J]. 沈陽農業大學學報，2017，48(6)：751-756.

Chen Chunling, Yang Tianjiao, Guo Lei, et al. Application of SVM in cattle ruminant behavior analysis[J]. Journal of Shenyang Agricultural University, 2017, 48(6): 751-756. (in Chinese with English abstract)

[12] 閆麗，沈明霞，姚文，等. 基于MPU6050傳感器的哺乳期母豬姿態識別方法[J]. 農業機械學報，2015，46(5)：279-285.

Yan Li, Shen Mingxia, Yao Wen, et al. Recognition method of lactating sows' posture based on sensor MPU6050[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5): 279-285. (in Chinese with English abstract)

[13] Abell K M, Theurer M E, Larson R L, et al. Predicting bull behavior events in a multiple-sire pasture with video analysis, accelerometers, and classification algorithms[J]. Computers and Electronics in Agriculture, 2017, 136: 221-227.

[14] Shahriar M S, Smith D, Rahman A, et al. Detecting heat events in dairy cows using accelerometers and unsupervised learning[J]. Computers and Electronics in Agriculture, 2016, 128: 20-26.

[15] Rombach M, Münger A, Niederhauser J, et al. Evaluation and validation of an automatic jaw movement recorder (RumiWatch) for ingestive and rumination behaviors of dairy cows during grazing and supplementation[J]. Journal of Dairy Science, 2018, 101(3): 1-13.

[16] Smith D, Dutta R, Hellicar A, et al. Bag of class posteriors, a new multivariate time series classifier applied to animal behaviour identification[J]. Expert Systems with Applications, 2015, 42(7): 3774-3784.

[17] Mathie M J, Celler B G, Lovell N H, et al. Classification of basic daily movements using a triaxial accelerometer[J]. Medical & Biological Engineering & Computing, 2004, 42(5): 679-687.

[18] 劉艷秋，武佩，張麗娜，等. 母羊產前行為特征分析與識別—基于可穿戴檢測裝置構架[J]. 農機化研究，2017，39(9)：163-168.

Liu Yanqiu, Wu Pei, Zhang Lina, et al. Feature analysis and recognition of ewe's behavior prior to delivery—Based on a wearable detection device architecture[J]. Journal of Agricultural Mechanization Research, 2017, 39(9): 163-168. (in Chinese with English abstract)

[19] 劉龍申，沈明霞，姚文，等. 基于加速度傳感器的母豬產前行為特征采集與分析[J]. 農業機械學報，2013，44(3)：192-196.

Liu Longshen, Shen Mingxia, Yao Wen, et al. Acquisition and analysis of sows' behavior before farrowing based on acceleration sensor[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(3): 192-196. (in Chinese with English abstract)

[20] 王俊，譚驥，張海洋，等. 基于半監督模糊聚類算法的奶牛行為判別系統[J]. 中國畜牧獸醫，2018，45(11)：3112-3121.

Wang Jun, Tan Ji, Zhang Haiyang, et al. A cow behavior classification system based on semi-supervised fuzzy clustering algorithm[J]. China Animal Husbandry & Veterinary Medicine, 2018, 45(11): 3112-3121. (in Chinese with English abstract)

[21] Martiskainen P, J?rvinen M, Sk?n J P, et al. Cow behaviour pattern recognition using a three-dimensional accelerometer and support vector machines[J]. Applied Animal Behaviour Science, 2009, 119(1): 32-38.

[22] 任曉惠，劉剛，張淼，等. 基于支持向量機分類模型的奶牛行為識別方法[J]. 農業機械學報，2019，50(增刊1)：290-296.

Ren Xiaohui, Liu Gang, Zhang Miao, et al. Dairy cattle's behavior recognition method based on support vector machine classification model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(Supp.1): 290-296. (in Chinese with English abstract)

[23] Diosdado J A V, Barker Z E, Hodges H R, et al. Classification of behaviour in housed dairy cows using an accelerometer-based activity monitoring system[J]. Animal Biotelemetry, 2015, 3(1): 15-28.

[24] 王俊，張海洋，趙凱旋，等. 基于最優二叉決策樹分類模型的奶牛運動行為識別[J]. 農業工程學報，2018，34(18)：202-210.

Wang Jun, Zhang Haiyang, Zhao Kaixuan, et al. Cow movement behavior classification based on optimal binary decision-tree classification model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 202-210. (in Chinese with English abstract)

[25] 周英，卓金武，卞月青. 大數據挖掘：系統方法與實例分析[M]. 北京：機械工業出版社，2016：153-185.

[26] 王小川，史峰，郁磊，等. MATLAB神經網絡43個案例分析[M]. 北京：北京航空航天大學出版社，2013：127-136.

[27] 李書玲，劉蓉，張鎏欽，等. 基于改進型SVM算法的語音情感識別[J]. 計算機應用，2013，33(7)：1938-1941.

Li Shuling, Liu Rong, Zhang Liuqin, et al. Speech emotion recognition algorithm based on modified SVM[J]. Journal of Computer Applications, 2013, 33(7): 1938-1941. (in Chinese with English abstract)

[28] 蘇軍，饒元，張敬堯，等. 基于GA優化SVM的干制紅棗品種分類方法[J]. 洛陽理工學院學報：自然科學版，2018，28(4)：65-69，93.

Su Jun, Rao Yuan, Zhang Jingyao, et al. Study on classification method of jujube varieties based on GA optimized SVM[J]. Journal of Luoyang Institute of Science and Technology: Natural Science Edition, 2018, 28(4): 65-69, 93. (in Chinese with English abstract)

[29] 邱昌桂，孔蘭芬，楊式華，等. 基于GA-SVM算法的烤煙香型自動識別研究[J]. 煙草科技，2019，52(2)：101-108.

Qiu Changgui, Kong Lanfen, Yang Shihua, et al. Automatic recognition of flavor types of flue-cured tobacco based on GA-SVM algorithm[J]. Tobacco Science & Technology, 2019, 52(2): 101-108. (in Chinese with English abstract)

[30] 孫波，梁勇，漢牟田，等. 基于GA-SVM的GNSS-IR土壤濕度反演方法[J]. 北京航空航天大學學報，2019，45(3)：486-492.

Sun Bo, Liang Yong, Han Mutian, et al. GNSS-IR soil moisture inversion method based on GA-SVM[J]. Journal of Beijing University of Aeronautics and Astronautics, 2019, 45(3): 486-492. (in Chinese with English abstract)

[31] 張成梁，李蕾，董全成，等. 基于GA-SVM模型的機采籽棉雜質識別[J]. 農業工程學報，2016，32(24)：189-196.

Zhang Chengliang, Li Lei, Dong Quancheng, et al. Recognition for machine picking seed cotton impurities based on GA-SVM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 189-196. (in Chinese with English abstract)

[32] 黎鈞琪，石國楨. 遺傳算法交叉率與變異率關系的研究[J]. 武漢理工大學學報：交通科學與工程版，2003，27(1)：97-99.

Li Junqi, Shi Guozhen. A study of the relationship of crossover rate and mutation rate in genetic algorithm[J]. Journal of Wuhan University of Technology: Transportation Science & Engineering Edition, 2003, 27(1): 97-99. (in Chinese with English abstract)

Recognition method for prenatal behavior of ewes based on the acquisition nodes of the collar

Ying Yewei1, Zeng Songwei1※, Zhao Ayong2, Yan Feifei2

(1.311300;2.311300)

Aiming at the current time-consuming and manpower-spending problems of prenatal behavior monitoring of ewes, a monitoring system based on the acquisition node of the collar was designed. The acquisition node of the self-made collar was integrated with the MPU6050 sensor, which collected prenatal behavioral acceleration information of ewes in real-time. The collected acceleration data was wirelessly transmitted to the embedded base station through Zigbee technology. The server received the data from the GPRS module in the base station, and then the data was stored in the MySQL database. Finally, the data was displayed on the webpage or mobile phones. According to the monitoring video of ewes, the collected acceleration data was calibrated at the same time, which provided sufficient samples for the behavior classification models. Besides, aiming at the problems of low accuracy and less recognizable behaviors of ewes in labor, regarding the collected acceleration data as the research object, a recognition method for prenatal behavior of ewes was proposed based on the classification model of the interval threshold and the Genetic Algorithm-Support Vector Machine (GA-SVM). In this method, three-dimensional acceleration data was firstly synthesized into one-dimensional resultant acceleration data, and then the resultant acceleration data was preprocessed by noise reduction of db5 wavelet and extraction contour of the sliding window. According to its amplitude fluctuation characteristics, the interval threshold classification method was used to recognize the two behaviors of walking and lying. In the light of the obvious characteristics of the spatial clustering effect for the three-axis acceleration data of drinking, eating, and ruminating behavior, the Genetic Algorithm (GA) was used to search the global optimal solution of penalty parameter and kernel function parameter of the Support Vector Machine (SVM) to accurately recognize the three behaviors. Finally, through calculating the four indicators including accuracy, precision, sensitivity, F1-score based on the confusion matrix, and then the performance between the classification method proposed in the research and several common classification algorithms were evaluated. The comparison results illustrated that the F1-score of the classification method proposed in the research was inversely proportional to the movement amplitude of ewes, and its precision was also inversely proportional to the sample size. The average accuracy of the classification method proposed in this work was 97.88%, which was 31.26%, 21.87%, and 21.9% higher than the traditional decision tree algorithm, the K-Nearest Neighbor (KNN) algorithm, and the SVM algorithm, respectively. The main reason was that with the increase of behavior recognition types, using only one feature vector and classification algorithm, it was difficult to find the most suitable partition hyperplane, resulting in the unavoidable decline in the correct recognition rate of certain behaviors. The experimental results showed that the monitoring system for the prenatal behavior of ewes based on the acquisition node of the collar could collect and transmit the activity information of prenatal ewes’ neck simultaneously. Besides, the classification method based on the interval threshold and GA-SVM could effectively distinguish five kinds of prenatal activities including drinking, eating, ruminating, walking, and lying. The number of identifiable behavioral types increased, and the applicability was greatly improved. This work also set up a control group to conduct a comparative experiment and found that the prenatal ewes had no abnormal behaviors after the 24 h adaptive period. Therefore, the acquisition node of the self-made collar would not affect the prenatal behaviors of ewes. The results were of great significance for establishing the amount of exercise and health assessment models of prenatal ewes, improving the efficiency of reproduction, and realizing intelligent management.

recognition; algorithms; behavior; interval threshold classification; genetic algorithms; support vector machine

應燁偉，曾松偉，趙阿勇，等. 基于頸環采集節點的母羊產前行為識別方法[J]. 農業工程學報，2020，36(21)：210-219. doi：10.11975/j.issn.1002-6819.2020.21.025 http://www.tcsae.org

Ying Yewei, Zeng Songwei, Zhao Ayong, et al. Recognition method for prenatal behavior of ewes based on the acquisition nodes of the collar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 210-219. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.21.025 http://www.tcsae.org

2020-06-18

2020-08-21

國家自然科學基金項目（31872397）；浙江省自然基金公益項目（LGN18C200017）；浙江農林大學科研發展基金項目（2017FR020）

應燁偉，主要從事嵌入式及農業物聯網方向的研究。Email：2416323765@qq.com

曾松偉，博士，副教授，主要從事電子信息系統集成及農林業物聯網應用研究。Email：283604093@qq.com

10.11975/j.issn.1002-6819.2020.21.025

TP274+.2; S126

A

1002-6819(2020)-21-0210-10