基于三軸加速度傳感器的放牧羊只牧食行為研究

張春慧 宣傳忠 于文波 郝 敏 劉飛龍

(1.內蒙古農業大學機電工程學院, 呼和浩特 010018；2.內蒙古自治區草業與養殖業智能裝備工程技術研究中心, 呼和浩特 010018)

0 引言

內蒙古自治區豐富的草地資源為畜牧業的發展提供了良好的條件，作為畜牧業支柱產業的養羊業，已經成為內蒙古自治區經濟發展的主要動力[1-2]。放牧羊只的牧食行為特征是衡量其生長發育的主要指標，通過監測羊只的牧食行為可評估其采食量和生長速度，用于指導羊只的選育、改善其某些特征以及預測未來羊只的性能[3]。同時，羊在患病初期發病癥狀表現不明顯，但反芻行為明顯減少，通過檢測其采食和反芻行為可評估羊只的健康狀況[4]。在生態學上，由于放牧羊只對草地資源的利用主要是通過牧食行為進行的，牧食行為與草資源的利用率、草地生態系統密切相關，通過羊只牧食行為監測及分析，可為牧區草場的劃區輪牧、草畜平衡提供決策依據[5-6]。

直接觀察法是國內外目前應用較多的方法，主要利用秒表、計數器、望遠鏡等跟蹤羊只連續觀測，記錄羊只采食行為、反芻行為及臥息、游走等行為，然后通過所得的觀測數據進行統計分析[7]。通過壓電傳感器、壓力應變片檢測羊只采食和反芻時的下顎或顳窩運動，得出兩種行為的不同電壓變化曲線，實現了對這兩種行為的量化分析，可自動記錄采食和反芻數據等牧食行為[8-9]。通過在羊頸部或頭部佩戴傳聲器或其它記錄裝置來采集羊只采食、咀嚼及吞咽等所傳出來的聲信號，再經過處理亦可得到羊只采食及反芻信息[10-12]。三軸加速度傳感器根據加速度信號可以得出物體的運動特征，能夠全面準確評估羊只的運動特性及牧食行為。國外利用三軸加速度計監測牛、羊、豬等家畜運動行為起步較早[13-16]，國內研究還處在起步階段[17-18]。在監測方法上，對于羊只牧食行為采用人工觀察及音視頻監測較多。人工觀察費時費力，不利于長期觀測，音視頻監測對監測環境要求較為嚴格，算法處理較為困難，不適合實時采集和傳輸。基于上述問題，本文提出利用全球定位系統(Global positioning system，GPS)、三軸加速度傳感器及無線傳輸相結合的方法進行放牧羊只牧食行為的監測，通過搭建神經網絡模型進行羊只牧食行為的分類識別，以得到羊只的采食、咀嚼、反芻3種牧食行為的實時監測數據。

1 試驗方案

1.1 試驗系統設計

采用三軸加速度傳感器采集放牧羊只采食、咀嚼、反芻3種行為加速度數據，系統方案如圖1所示，試驗系統由羊只牧食行為數據采集端和數據處理端組成，數據采集端集成了GPS定位傳感器和三軸加速度傳感器，試驗時，通過無線網絡將牧食行為的三軸加速度信號傳輸到計算機，在計算機上開發信號分析處理算法，并搭建羊只牧食行為分類識別模型對采食、咀嚼和反芻行為進行識別。

選取InvenSense公司設計的加速度傳感器模塊，該傳感器模塊以6軸模式或9軸模式輸出歐拉角、加速度等數字信號，加速度測量范圍可控，自帶數字運動處理器硬件加速引擎，通過兩線式串行總線(Inter-integrated circuit，I2C)接口可以輸出傳感器數據，參數如表1所示，三軸加速度傳感器采樣頻率設置為10 Hz。

表1 三軸加速度傳感器參數Tab.1 Parameters of three-axis acceleration sensor

無線數據傳輸模塊選用濟南有人物聯網技術有限公司生產的通用無線分組業務(General packet radio service，GPRS)模塊USR-GPRS232-7S3，可將串口數據通過無線通信網絡實時傳輸到指定的計算機。

1.2 試驗羊只和場地

試驗地點在內蒙古自治區四子王旗白音朝克圖鎮試驗草場，草原類型屬半荒漠化草原，試驗時間為2019年9—10月。選取體態相當的大(大于等于50 kg)、中(40～45 kg)、小(小于等于35 kg)3類蒙古羊各2只進行試驗，分別將加速度傳感器安裝在羊只額頭、頸部以及下顎等部位進行對比，安裝在羊只下顎的加速度信號明顯且羊只應激反應最小。

為了方便不同牧食行為的加速度信號處理，如圖2所示，采用固定和跟蹤兩種方式分別采集加速度信號，固定方式將羊只置于限制圍欄內，通過飼喂不同種類的牧草，分析采食、咀嚼和反芻行為的三軸加速度信號變化特征；利用羊只牧食行為分析系統跟蹤羊只牧食行為，并用攝像機記錄其牧食行為，并完善羊只牧食行為的信號處理和識別算法。

2 牧食行為加速度數據處理

2.1 牧食行為加速度信號

羊只進行采食、咀嚼、反芻等牧食行為時，采集的加速度數據信號包含X、Y、Z共3個方向，其數值分別用ax、ay、az表示，以采樣點數(時間線)為橫坐標、加速度為縱坐標，3種牧食行為的加速度數據曲線如圖3所示。

理想情況下，當羊只靜止不動時X、Y軸的數據為零，重力加速度為Z軸加速度，但通過試驗數據可知，由于加速度傳感器安裝位置不同，與重力加速度方向形成一定的傾角，加速度數據將偏離理想位置，從而導致采集數據與實際數據存在一定偏差[19-20]。還有一些噪聲信號，如羊只嬉戲、趴窩、驚嚇等引起羊只抖動以及檢測電路自身的噪聲等，為減小噪聲數據對牧食行為數據的干擾，這里引入合加速度A，以該數據反映羊只牧食行為的整體變化情況。合加速度的計算公式為

(1)

引入合加速度數據后，采食、咀嚼、反芻的加速度偏差明顯降低，因此合加速度的引入可一定程度消除傳感器安裝節點偏差對牧食行為數據的影響。

2.2 牧食行為加速度信號特征

牧草種類對羊只牧食行為加速度信號有影響，主要表現在牧草的高度，但加速度信號的變化趨勢是一致的。羊只體型對牧食行為的影響主要是咀嚼信號的差異，體型較小的羊只咀嚼速度較快，大約為0.4 s/次，而中大型羊只的咀嚼速度大約為0.6 s/次，且咀嚼連續發生。采食行為信號時長為1～1.5 s，咀嚼行為和反芻行為信號發生時長均為0.5～0.8 s，X、Y軸上加速度有較明顯的波動變化，Z軸加速度幅值區間存在差異。為保證所截取的數據為完整的牧食動作，以1.5 s為時長截取牧食行為加速度數據。因三軸加速度傳感器的采樣頻率為10 Hz，故以15個采樣點數據為邊長進行數據加窗切割，組成ax、ay、az和合成加速度A的4×15的數據特征矩陣。

3 羊只牧食行為的分類識別模型

為實現放牧羊只牧食行為的分類識別，分別建立了反向傳播(Back-propagation, BP)神經網絡模型、全連接深度神經網絡模型和卷積神經網絡模型，識別放牧羊只的采食、咀嚼、反芻、其他4種牧食行為。神經網絡模型的數據集獲取方法為取大、中、小不同羊只牧食行為的平均加速度數據，進行數據加窗分割處理，標記30 000條牧食行為樣本數據作為神經網絡模型的數據集，其中采食數據7 500個、咀嚼數據7 800個、反芻數據6 200個、其他行為數據8 500個。將數據集分成訓練集、測試集和驗證集3部分，各部分占比分別為70%、20%和10%，其中測試集樣本數據為：采食1 500個、咀嚼1 560個、反芻1 240個、其他行為1 700個。

3.1 BP神經網絡模型

BP神經網絡模型對未進行訓練的樣本有較強的預測能力，可用于羊只牧食行為的分類識別。考慮到網絡精度和識別效率的問題，采用4層網絡結構，即1層輸入層、2層隱含層和1層輸出層。

由于輸入的特征數據為ax、ay、az和合成加速度A的60維數據，故輸入層的神經元數為60；最終輸出層的神經元數為4；隱含層采用經驗公式確定神經元數量范圍，再通過試湊法確定最佳神經元數，神經元數經驗公式為

(2)

式中l——網絡隱含層節點數

m、n——輸入、輸出層節點數

a——調節常數

通過試湊法確定2層隱含層的最佳神經元數為28和12。對該BP神經網絡進行訓練直至模型收斂，對測試集的識別結果如表2所示。

表2 BP神經網絡模型的牧食行為識別結果Tab.2 Recognition results of grazing behaviors based on BP neural network model

由表2可知，咀嚼行為被誤識別為反芻行為的概率為9.7%，而反芻行為被誤識別為咀嚼行為的概率為9.4%，說明該網絡模型對放牧羊群牧食行為的識別率不高。

3.2 全連接深度神經網絡模型

采用全連接深度神經網絡建立羊只牧食行為的分類識別模型，該模型由輸入層、隱含層、原始輸出層、Softmax層以及最終輸出層組成，全連接深度神經網絡模型如圖4所示。

由于深度神經網絡模型易出現網絡過擬合和梯度消失問題，建立羊只牧食行為識別模型時采用的改進方法為：①采用激活函數為ReLU函數，該函數可以使部分輸入為負數的神經元為0，使得網絡具有一定的稀疏性，減少參數間的相互依存關系，不但加快了網絡的訓練，而且一定程度緩解了網絡的過擬合問題。②采用Dropout 丟棄算法，使得網絡訓練在每次迭代時，都會隨機地刪除一部分節點，只訓練剩下的節點，實現對神經網絡結構的改動來避免過擬合。③網絡輸出增加Softmax層優化分類結果，將神經網絡的輸出變成概率分布[21-23]。

每條樣本輸入數據均由ax、ay、az和合成加速度A共60維組成，因此深度神經網絡的輸入層神經元數為60，隱含層設置5層，各層均添加ReLU激活函數和Dropout功能，其丟棄率均設置為0.5，各層的神經元數分別為512、256、256、128、64，最終輸出層為4個神經元。該網絡模型的其他網絡結構參數設置為：初始學習率為0.01，采用L2正則優化，衰減率為0.99，訓練批尺寸為50，迭代輪數為2 000。對該全連接深度神經網絡模型進行訓練得出最優模型，對測試數據集的識別結果如表3所示。

表3 深度神經網絡模型的牧食行為識別結果Tab.3 Recognition results of grazing behaviors based on deep neural network model

由表3可知，咀嚼被誤識別為反芻和反芻被誤識別為咀嚼的概率分別為5.5%和5.3%，說明全連接深度神經網絡模型比BP神經網絡模型的識別效果好，但仍沒有獲得較高的識別率。

3.3 卷積神經網絡模型

卷積神經網絡主要用于圖像的分類識別，可以將羊只牧食行為的加速度時域信號變換到頻域中，分析信號頻率特征隨時間變化的關系，通過時頻域聯合分析獲得頻譜圖，對頻譜圖建立卷積神經網絡模型進行羊只牧食行為的分類識別[24-25]。圖5為羊只反芻行為的某個樣本時頻域譜圖，它由時域數據ax、ay、az和合成加速度A共計6 s的加速度信號變換而來。建立卷積神經網絡模型時將圖5變換成灰度圖。

以卷積神經網絡LeNet-5為參考，建立羊只牧食行為卷積網絡模型，如圖6所示，該模型具有1個輸入層、2個卷積層、2個池化層和2個全連接層。

輸入數據為樣本時頻語譜圖的灰度圖，色彩通道數為1，因此輸入數據的格式為11×11×1，卷積時采用全零填充，卷積神經網絡結構參數設置如表4所示。第1個卷積層的卷積核設置為5×5，卷積核深度設置為32，第1個池化層的過濾器尺寸設置為3×3；第2個卷積層的卷積核尺寸設置為3×3，深度為64，第2個池化層的過濾器尺寸設置為2×2；2個全連接層神經元數分別設置為512和4。

表4 卷積神經網絡模型的參數設置Tab.4 Parameters of convolutional neural network model

對該卷積神經網絡模型進行訓練得出最優模型，對測試數據集的識別結果如表5所示。由表5可知，卷積神經網絡模型對測試集樣本的平均識別正確率為93.8%，對采食、咀嚼、反芻行為的正確識別率分別達到了94.7%、93.9%和94.2%，基本滿足放牧羊群牧食行為的識別要求，且網絡的適應性和穩定性較強。

表5 卷積神經網絡模型的牧食行為識別結果Tab.5 Recognition results of grazing behaviors based on convolutional neural network model

4 時空軌跡分析

羊只的牧食行為與其放牧草地環境有較強的相互作用關系。自然放牧條件下，羊只為了牧食要進行游走，因此結合羊只GPS地理位置數據，通過分析羊只移動速度、采食區域等信息進而判斷植被分布及地理環境對羊只牧食行為的影響。該試驗牧場面積約為58 hm2，放牧期間每天早上將羊群趕入牧場自由采食，傍晚再由人工趕回畜圈牧食，時間為10：00—18：00，放牧牧場內有飲水設施。羊只某日的放牧軌跡如圖7所示，羊只平均每日行走距離為3.8 km，平均游走速度為3 km/h，平均奔跑速度為6 km/h。

由圖7可知，羊只在10：00—11：30活動范圍都集中在牧場南部靠近畜圈附近，11：30—17:30采食點逐漸向牧場北部偏移，但到17：30以后又向畜圈方向移動。這是因為羊只上午剛出圈時較為饑餓，選擇靠近畜圈附近采食；在采食一段時間后，羊只體力較為充沛，會選擇向遠處游走；而17：30后，羊只又返回畜圈附近。圖中紅色長方形區域的羊只活動較為集中，該區域為礦坑區，較陰涼且牧草茂盛，羊只采食和休息時間長。利用卷積神經網絡模型，對該區域截取一段26 min的羊只加速度信號進行識別及時長統計，可得到羊只采食、咀嚼和反芻3種牧食行為的時間，統計結果如表6所示。

表6 牧食行為時間統計Tab.6 Statistics on duration of grazing behaviors

通過羊只牧食行為發生的次數和時間，可以估測出羊只在該區域的采食量分布，為羊只放牧規劃和草畜平衡研究提供了理論依據。

5 結束語

采用三軸加速度傳感器采集放牧羊只牧食行為信號，分別設計BP神經網絡模型、全連接深度神經網絡模型和卷積神經網絡模型實現放牧羊只采食、咀嚼和反芻3種牧食行為的分類識別，平均識別率分別為83.1%、89.4%和93.8%，其中卷積神經網絡模型的識別度最高，且網絡的適應性和穩定性強，并可通過GPS監測羊只的采食路徑。該研究可為牧場管理人員制定放牧制度、提高放牧水平提供理論依據。