郭东东，郝润芳，吉增涛，杨信廷*，周 超，梁旭姣

(1.太原理工大学 信息工程学院，山西 太原 030024；2.国家农业信息化工程技术研究中心，北京 100097)

基于三轴加速度传感器的山羊行为特征分类与识别

郭东东1,2，郝润芳1，吉增涛2，杨信廷2*，周 超2，梁旭姣1,2

(1.太原理工大学 信息工程学院，山西 太原 030024；2.国家农业信息化工程技术研究中心，北京 100097)

为分类并识别山羊的典型日常行为特征，以半封闭圈养的波尔山羊为研究对象，利用三轴加速度传感器对山羊的三轴加速度数据进行采集，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，同时利用全程的视频监控结合动作发生的时间识别并验证山羊的4种典型日常行为。结果表明，将三轴加速度传感器部署在山羊羊角处基本无明显应激反应，并且此传感器可以连续不间断地记录山羊的行为特征参数，对山羊的躺卧、站立或慢走、采食、跨跳等典型日常行为识别的准确率达87.76%，为山羊福利及山羊疾病预测模型的建立奠定了基础。

山羊；三轴加速度传感器；日常行为；K-means聚类算法；疾病预测模型

山羊属哺乳纲，偶蹄目，是人类最早驯养的动物之一，其被驯养的历史可以追溯到至少10,000年前。山羊具有繁殖率高、适应性强、易管理等特点，至今已在中国广大农牧区大批量养殖。山羊的乳、肉可用来食用，绒、毛和皮也可用作工业原料，人类对山羊的研究及依赖性日益增加[1-2]。但是，关于山羊的行为研究仅局限于昼夜间活动节律的统计学研究[3-5]。并没有对山羊的日常行为与疾病发生的相关性进行分类研究。山羊相对其他复胃食草动物[6-8]而言，患病较少，发病初期或者小病往往不易发现。当前规模化、集约化的养殖环境必然会对山羊福利产生影响[9]。因此，对山羊行为指标的研究成为保护动物福利亟待解决得关键问题[10]。传统的监测方式主要是依赖饲养员的直觉和经验来判断山羊的正常体态(或非正常体态)，最终判定行为与疾病的关系。但是该技术不但要求大量人力，而且工作效率也低，不适合大规模、连续性监测。为了避免传统人工观察法的被动性，机器视觉技术[11-15]被引入动物行为学研究。这种研究方式对环境的光线干扰及摄像机的固定位置及角度有较高得要求，并且该方法不能连续记录动物(特别是散养放牧的动物)的行为数据，对后期计算动物行为的运动距离、运动时间、运动轨迹等参数的数据处理不利，因此不能为动物行为模型的建立提供足够的数据。本文提出基于三轴加速度传感器对山羊日常行为数据进行采集的方法，该传感器具有体积小、功耗低等优点，固定在山羊身上基本无明显应激反应。采用K-means算法分析山羊的三维运动学参数[16]，对山羊典型日常行为特征进行分类和识别。为判定山羊日常行为与疾病关系、动物福利以及山羊疾病预测模型的建立提供基础。

1 材料与方法

1.1 试验材料

1.1.1 试验动物及试验设计 试验于2013年11月14日至25日，在北京小汤山国家精准农业研究示范基地进行。从70只波尔山羊里选择健康、体态相当的成年山羊4只作为试验对象，随机分为2组，每组2只，其中1组作为试验组，将三轴加速度传感器节点用绑带固定在试验组山羊羊角中心处；另1组作为对照组，验证是否佩戴传感器节点对山羊日常行为产生影响。分两次采集试验数据，每次持续5～6 d，获取相关数据，预计适应期大概2～3 d，然后进入稳定期。对山羊的典型日常行为进行分类和识别的三轴加速度数据主要选自稳定期数据集。

1.1.2 饲养管理 羊舍采用半开放式，铺垫有干玉米粉末和干草，羊舍温度尽量保证在7～28 ℃。试验期间山羊由专业饲养员按常规饲养管理，清洗水槽和食槽并进行严格消毒，常规免疫。每天在08∶30和16∶30分别喂食一次，山羊可进行自由采食、自由饮水。

1.1.3 试验材料 试验设备采用MSR145三轴加速度传感器，将传感器通过绑带固定在山羊羊角中心处，进行三轴加速度数据采集。山羊在X轴、Y轴、Z轴上的加速度方向定义为X轴指向山羊的左侧，Y轴指向山羊的尾部方向，Z轴指向山羊头部正上方。并在羊舍的正上方安装监控摄像头及补光灯，全程记录山羊的日常行为，视频采集设备包括：WOSHIDA CL03彩色高清摄录一体机，分辨率为640×480像素，红外照相机LTL-5210。算法开发平台为Matlab R2012a。

1.2 试验方法

获取山羊的三维加速度数据，以及羊舍的环境温度和相对湿度是本次山羊日常行为分类模型建立的重点。

1.2.1 养殖圈的环境温度和相对湿度 动物的行为与气候变化的关系密切[17-18]，而且养殖环境也是影响动物福利的一个重要方面，可以为山羊疾病预测模型的建立提供更好的参考。反应环境因素变换的基本要素是气温、气压和湿度。所以此次试验数据也设计了养殖圈中的温度、相对湿度和气压等参数。

1.2.2 山羊的三轴加速度传感器选择 三轴加速度传感器是本试验的核心器件，在2011年Cornon等[19-20]利用松紧带把三轴加速度传感器与蓝牙模块兼容佩戴在母猪的颈部，进行三轴加速度数据采集并无线传输到PC端，最终判断母猪分娩时间[21]。但是该试验所用的传感器兼容蓝牙模块之后，功耗大、传输距离小、而且山羊的生活习性与母猪有很大的差别，所以该方法不适合安装在山羊身上。本试验模块节点要求体积小、质量轻、可以长时间连续不间断地进行数据采集记录、并且要求防水、能达到工业级标准，便于在山羊身上佩戴。

结合上述要求，此节点采用的三轴加速度传感器MSR145，为小巧轻便的常规数据记录仪，用于测量和记录各种物理测量参数。包含一个温度传感器，一个带集成湿度的相对湿度传感器，一个大气压强感应器，以及一个3轴加速度传感器(X轴，Y轴和Z轴)。测量参数能够通过USB数据线传输到PC端(无论是数据记录刚刚完成还是数据记录正在进行中)。试验期间选用参数主要为：MSR145中的Main storage rate参数设置为t1=1s；Batterycapacity选用900mAh，可以持续记录50days。

1.3 山羊日常行为分类及描述

通过与饲养员的沟通和观察分析，本研究从山羊的4种主要日常行为进行数据采集。但是单凭K均值聚类算法的反复叠加训练之后得到的聚类中心也不能完全作为行为模式建立的充要条件，还要结合动作发生的时间综合判定山羊的行为。日常行为分类及行为描述如表1。

表1 山羊日常行为分类及描述Table1 Daily behavior classifications and descriptions of goats

1.4 基于K-means 算法的山羊日常行为分析

山羊的三轴加速度数据用ACC=(ACCx,ACCy,XCCz)表示。同时K-means均值聚类算法[22-24]的核心是对初始聚类中心的选择。主要思想是通过迭代过程把数据集划分为不同的类别，从而使生成的每个聚类内紧凑，而且聚类间又相互独立。这一算法比较适合运用于连续型属性的聚类。

K-means算法应用于山羊日常行为建模的基本原理：假定需要聚类的对象共有n个，样本集为X={x1,x2,…,xn} ，K-means算法的目的是把n个样本对象分成K=4个簇(这里的K是指山羊的四个主要的日常行为分类)，使得簇内的样本对象具有较高的相似性，而簇间的样本对象相似性很低。具体流程如下：

(1)山羊的日常行为主要有躺卧、站立、采食和跨跳行为4种，随机选取K=4个初始的聚类中心：C1,C2,…,Ck。

(2)将样本集X中的对象 按照最小距离原则分配到K 个聚类中的某一个中；最小距离原则:Dj=min‖X-Cj1b,X={x1,x2,…,xn},j=1,2,…,K。

式中:nj是该聚类中所包含的样本数。

2 结果与分析

2.1 山羊日常行为特征类别

将三轴加速度传感器获取的样本集经过反复训练之后得到了较为稳定的聚类中心，再结合动作发生的时间综合判定山羊的4种日常行为属于哪个聚类。三轴加速度传感器记录的山羊4种典型日常行为加速度数据曲线如图1所示。

图1 山羊典型日常行为加速度数据曲线Fig.1 Curves of typical daily behavior acceleration in goats

由图1a知，当山羊处于上下跨跳行为时，三轴加速度传感器记录的数据曲线会出现大幅地急升急降，以及不规则的波动；图1b中，山羊躺卧时，三轴加速度传感器记录的加速度数据曲线基本保持稳定，且主要集中在采食行为之后；图1c中，当山羊处在采食阶段时，山羊的三轴加速度数据曲线波动比较剧烈且三轴数据没有明显的规律性；图1d中，当山羊站立或者慢走时，山羊的加速度数据曲线呈现比较规律地波动。因此利用三轴加速度传感器方向轴的响应差异，以及结合K-means算法对采集的数据样本集进行聚类，可以实现对山羊4种主要日常行为特征类别的分类。

假设山羊在备用的玉米粉末铺垫地面上下跨跳过程中产生的三轴方向上的细微变换忽略不计。试验与验证结果如图2所示。从典型行为模型预测与羊舍内视频监控记录的情况比较，得出的四种典型日常行为的识别率为87.76% 。从稳定期数据中随机抽出2000个样本数据[25]，养殖圈内的视频记录显示实际的行为变化为98次，模型预测中正确判断的行为变化为86次。产生误判的原因主要来自随机误差，比如：试验时养殖圈内温度及相对湿度的变化影响了仪器性能；不同山羊之间行为的差异；山羊在跨跳过程中导致的传感器位置偏移等。

2.2 养殖圈内温度及相对湿度对山羊日常行为的影响

山羊的行为活动表现出一定的节律性，必然受相关环境因素的影响。环境因素的变化也必然会导致动物行为分配的差异[26]。本试验中的三轴加速度传感器是全程佩戴，所以实测的温度和相对湿度必然能反映出山羊相应的行为。比如：传感器测得的相对湿度数值高于羊舍内设置的相对湿度范围，表明此时的山羊有可能在饮水或者静卧在潮湿的环境下，得出山羊此时的体态是否正常。此外，如果传感器测得的温度高于试验设置的羊舍温度范围，表明此时的山羊可能长时间躺卧在阳光直射的环境中，或者持续在羊舍内跨跳，由此猜测山羊的疾病状况或行为状态。

图2 山羊加速度数据识别结果L表示山羊的躺卧行为，S/W表示站立或慢走行为，E表示采食行为，J表示跨跳或跑动行为。Fig.2 Data identification of goats'behavior acceleration L stands for lying of goats,S/W for standing/walking,E for eating,J for jumping or ruming.

总之，具体行为活动仍需结合三轴加速度传感器采集的有效试验数据进行迭代分析。此外，试验中的温度以及相对湿度对山羊日常行为的影响是否会干扰山羊福利以及山羊个体疾病模型的建立，将作为下一步建模时考虑的影响因子。

2.3 佩戴传感器节点对山羊日常行为的影响

通过观察两组山羊的全程视频监控对比发现，三轴加速度传感器佩戴在山羊羊角处基本无明显应激反应。没有发现两组山羊之间存在明显的行为差异，佩戴三轴加速度传感器的山羊没有出现频繁站立、不能静卧或者频繁摩擦采食栏杆等现象。而且试验组山羊的加速度数据采集是分两次进行的，多次迭代聚类之后，取最优聚类中心进行建模比对得出，最大程度地减小试验误差，增加了试验结论的真实性和可靠性。

3 结 论

本试验采用的三轴加速度传感器能连续不间断地记录山羊行为数据，采集数据真实可靠，佩戴在山羊身上基本无应激反应，为建立典型日常行为模型提供了依据。本试验首次有针对性的对山羊的日常行为数据进行分析，结合K-means算法对采集的数据样本集进行聚类，得出相应数据曲线，结合视频记录以及动作发生的时间进行识别验证，后续试验将在山羊的脖子、背部、前腿、后腿等部位分时段采集数据并分析，得出山羊传感器的最佳部署位置，为建立精准的山羊行为与疾病关系模型、提高山羊福利奠定基础。

[1]尚玉昌.动物行为学[M].北京:北京大学出版社,2007.

[2]吴宝明,卓 豫,王 禾.动物行为检测技术进展及展望[J].中国行为医学科学，2001,10(3):278-280.

[3]普华才让,牟永娟,丁考仁青,等.贾洛羊种公羊引进甘加地区适应性观测研究[J].畜牧兽医杂志,2012,31(3):1-2.

[4]刘振生,王小明,曹丽荣.圈养条件下岩羊冬季昼间的行为及活动规律[J].东北林业大学学报,2005,33(1):41-43.

[5]刘振生,王小明,李志刚,等.贺兰山岩羊不同年龄和性别昼间时间分配的季节差异动[J].动物学研究,2005,26(4):350-357.

[6]章书声,鲍毅新,王艳妮,等.基于红外相机技术的黑麂活动节律[J].兽类学报,2012,32(4):368-372.

[7]Hirayama T,Katoh K.Effects of heat exposure and restricted feeding on behavior,digestibility and growth hormone secretion in goats[J].Asian-Australasian Journal of Animal Science,2004,17:655-658.

[8]章书声,鲍毅新,王艳妮,等.不同相机布放模式在古田山兽类资源监测中的比较[J].生态学杂志,2012,31(8):2 016-2 022.

[9]李智.全球动物福利运动的发展趋势及应对建议[J].国际贸易,2008(1):43-44.

[10]齐 琳,包 军,李剑虹.动物行为学研究在动物福利养殖中的应用[J].中国动物检疫,2009,26(9):68-69.

[11]朱伟兴,浦雪峰,李新城,等.基于行为监测的疑似病猪自动化识别系统[J].农业工程学报,2010,26(1):188-192.

[12]温长吉,王生生,赵 昕,等.基于视觉词典法的母牛产前行为识别[J].农业机械学报,2014,45(1):266-274.

[13]Boaz Zion.The use of computer vision technologies in aquaculture-a review[J].Computers and Electronics in Agriculture,2012,88(10):125-132.

[14]劳凤丹,滕光辉,李 军,等.机器视觉识别单只蛋鸡行为的方法[J].农业工程学报,2012,28(24):157-163.

[15]Zhao Guoying,Pietikainen M.Dynamic texture recognition using local binary patterns with an application to facial expressions[J].IEEE Transactions on Pattern Analysis and Machine Learning,2007,29(6):915-928.

[16]尹 令,刘财兴,洪添胜,等.基于无线传感网络的母牛行为特征监测系统研究[J].农业工程学报,2010,26(3):203-209.

[17]King G J,Willoughby R A,Hacker R R.Fluctuations in rectal temperature of swine at parturition[J].Canadian Veterinary Journal,1972,174(4):620-622.

[18]Hendrix W F,Kelley K W,Gaskins C T,et al.Changes in respiratory rate and rectal temperature of swine near parturition[J].Journal of Animal Science,1978,47(1):188-191.

[19]Cornou C,Lundbye-Christensen S.Classifying sows'activity types from acceleration patterns: an application of the multi-process Kalman filter[J].Applied Animal Behavior Science,2008,111(3):262-273.

[20]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.

[21]刘龙申,沈明霞,姚 文,等.基于加速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.

[22]王祝文,刘菁华,任 莉.基于K均值动态聚类分析的地球物理测井岩性分类方法[J].东华理工大学学报：自然科学版,2009,32(2):152-156.

[23] Xinwu Li.A New Text Clustering Algorithm Based on Improved K-means[J].Journal of Software,2012,7(1):95-101.

[24]任景彪,尹绍宏.一种有效的K-means聚类初始中心选取方法[J].计算机与现代化,2010,179(7):84-86.

[25]王秀华.基于随机抽样的加速K-均值聚类方法[J].计算机与现代化，2013,220(12):27-29.

[26]Elmore R G,Martin C E,Riley J L,et al.Body temperatures of farrowing swine[J].Journal of the American Veterinary Medical Association,1979,174(4):620-622.

ClassificationandRecognitionofGoats'DailyBehaviorBasedonThree-dimensionalAccelerationSensor

GUO Dong-dong1，2,HAO Run-fang1,JI Zeng-tao2,YANG Xin-ting2*,ZHOU Chao2,LIANG Xu-jiao1,2

(1.CollegeofInformationEngineering,TaiyuanUniversityofTechnology,Taiyuan,Shanxi030024,China;2.NationalEngineeringResearchCenterforInformationTechnologyinAgriculture,Beijing100097,China)

To classify and identify the typical daily behaviors and the characteristics of the semi-closed breeding circle Boer goats,using three-dimensional acceleration sensor for behavior acceleration data collection,and K-means algorithm as the experiment main clustering algorithm,the study extracted the clustering center by repeated superposition and training,and identified the goats'typical daily behavior using the video monitor installation and the time of the action.The experiment results showed no stress reaction to the installment of three-dimensional acceleration sensor in the goats'horn,and the sensor recorded continuously the goats'behavior parameters,recognition accuracy to the typical daily behavior (including lying,standing or walking,eating,and jumping) reached 87.76%,setting up basis for establishment of the goat diseases prediction model.

goats; three-dimensional acceleration sensor; daily behavior; K-means clustering algorithm; diseases prediction model

2014-03-03，

2014-04-09

国家高技术研究发展计划(863计划)资助项目(2012AA101905)

郭东东(1988-)，男，山西太原人，在读硕士，主要从事数字图像处理研究。E-mail: aidrr@163.com

*[通讯作者]杨信廷(1974-)，男，山东安丘人，研究员，主要从事农产品及食品质量安全管理与溯源技术研究。 E-mail: yangxt@nercita.org.cn

S811.6

A

1005-5228(2014)08-0053-05