郭 陽，陳桂鵬，丁 建，嚴志雁，梁 華

(江西省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟與信息研究所/江西省農(nóng)業(yè)信息化工程技術(shù)研究中心，江西 南昌 330200)

隨著我國人民生活水平的提高，牛肉消費需求不斷增加。我國人均牛肉消費量從2015年的1.6 kg上升到2018年的2.0 kg[1]，江西省人均牛肉消費量從2015年的1.6 kg上升到2018年的2.2 kg[2]。聯(lián)合國貿(mào)易數(shù)據(jù)(UNComtrade)和聯(lián)合國糧食及農(nóng)業(yè)組織(FAO)的數(shù)據(jù)顯示，中國牛肉產(chǎn)量從2007年的626.2萬t上升到2018年的644.1萬t，中國牛肉產(chǎn)量大幅上升，同時，中國牛肉進口量從2007年的0.36萬t上升到2017年的69.50萬t，中國牛肉進口量也大幅提高，但相對人們對牛肉消費需求的增長來看，牛肉的供給還存在很大的缺口[3]。為推進牛肉市場健康發(fā)展，近年來，我國不斷擴大肉牛養(yǎng)殖業(yè)的規(guī)模，飼養(yǎng)肉牛數(shù)量總體上保持著快速增長勢頭，同時養(yǎng)牛業(yè)的發(fā)展對我國農(nóng)村經(jīng)濟建設(shè)發(fā)揮著重要作用，成為增加農(nóng)民收入的主要途徑[4]。

傳統(tǒng)養(yǎng)牛方式消耗大量的人力物力，特別是勞動力成本上升導(dǎo)致養(yǎng)殖成本急劇上升[5]。同時，由于缺乏自動監(jiān)測診斷工具，僅依靠人工經(jīng)驗難以準確及時地獲取牛的行為特征和健康狀況[6]。采用先進傳感技術(shù)、智能傳輸技術(shù)和農(nóng)業(yè)信息處理技術(shù)，可以實現(xiàn)牛養(yǎng)殖信息的智能感知、安全可靠傳輸以及智能處理，達到牛行為監(jiān)測、識別分類以及疾病診斷與預(yù)警的目的，對推進養(yǎng)牛業(yè)發(fā)展具有重要的意義[7]。

1 行為監(jiān)測技術(shù)

動物行為反映動物生理健康，監(jiān)測動物行為可為疾病預(yù)警與診斷提供依據(jù)。加快養(yǎng)殖行業(yè)數(shù)字化、信息化，實現(xiàn)動物行為的實時監(jiān)測，就要發(fā)展智能感知、無線傳輸、智能處理等技術(shù)[8]。目前用于監(jiān)測牛行為的技術(shù)主要有聲音監(jiān)測技術(shù)、機器視覺技術(shù)、無線傳感器技術(shù)。

1.1 聲音監(jiān)測技術(shù)

動物發(fā)出的聲音信號與行為密切相關(guān)，利用識別算法從大量聲音信號中提取出采食信號，監(jiān)測牛采食行為[9]。對聲音信號處理分為聲音信號采集、預(yù)處理、聲音信號數(shù)字化以及特征提取。聲音采集利用聲音傳感器模塊實現(xiàn)動物反芻聲音信號采集，包含吞咽、反嘔和咀嚼等聲音信號；預(yù)處理防止干擾噪聲對數(shù)據(jù)產(chǎn)生影響，對聲音信號放大并消除環(huán)境噪聲信號。牛發(fā)生吞咽、反嘔和咀嚼等行為時，會發(fā)出不同的聲音，通過聲音頻率提取吞咽、反嘔和咀嚼等3種聲音。

姚意[10]通過麥克風(fēng)采集反芻聲音，nRF51422芯片處理反芻聲音數(shù)據(jù)，nRF51422芯片自帶ANT網(wǎng)絡(luò)作為反芻采集節(jié)點實現(xiàn)組網(wǎng)并發(fā)送到ANT集中器，再傳送到PC，完成奶牛反芻信息采集，并采用反芻識別算法識別奶牛反芻聲音。張爽[11]研發(fā)了一種佩戴在奶牛頸部的監(jiān)測項圈，用來采集奶牛反芻聲音、采食聲音的數(shù)據(jù)，該設(shè)備采用麥克風(fēng)傳感器，利用聲音識別算法識別反芻信號，實現(xiàn)反芻行為監(jiān)測，結(jié)果表明：該設(shè)備反芻識別精度達到90%，較好地實現(xiàn)了奶牛反芻行為監(jiān)測。王莉薇[12]設(shè)計了一種可穿戴設(shè)備，用來監(jiān)測奶牛反芻聲音信號、反芻姿態(tài)信號，利用音頻識別算法提取反芻聲音特征，實現(xiàn)反芻聲音的分類，同時根據(jù)奶牛反芻頸部行為變化進行姿態(tài)分類，融合聲音監(jiān)測和姿態(tài)監(jiān)測實現(xiàn)了反芻行為更精準的分類，結(jié)果表明：該可穿戴反芻設(shè)備精度達到81.3%，提高了反芻識別的準確率。Navon等[13]通過聲音傳感器監(jiān)測放牧狀態(tài)下奶牛采食行為，將聲音傳感器佩戴在奶牛前額上，采集奶牛下頜運動產(chǎn)生的數(shù)據(jù)，并采用機器學(xué)習(xí)算法去除背景噪聲，實現(xiàn)采食聲音信號分類，從而實現(xiàn)放牧?xí)r期對奶牛采食量的監(jiān)測，結(jié)果表明，該聲音監(jiān)測系統(tǒng)識別正確率達到94%。Chelotti等[14]通過聲音監(jiān)測系統(tǒng)自動獲取動物的采食和反芻行為，通過無線網(wǎng)絡(luò)節(jié)點實現(xiàn)數(shù)據(jù)傳輸，利用實時決策邏輯算法測量信號頻率、振幅，完成奶牛采食和反芻行為的分類，結(jié)果表明，采食行為正確率達到了97.4%，反芻行為正確率為84.0%。Deniz等[15]開發(fā)了一種基于嵌入式的聲音采集監(jiān)測系統(tǒng)，包含微控制器模塊、音頻模塊、電源模塊、GPS模塊、無線網(wǎng)絡(luò)模塊，微控制器對麥克風(fēng)獲取的聲音進行監(jiān)測分類，并量化奶牛采食行為，結(jié)果表明，該系統(tǒng)在不分類情況下采食行為正確率達到92%，咀嚼、咬合以及咀嚼-咬合三類事件正確率達到78%。Vanrell等[16]設(shè)計了一種聲音采集監(jiān)測系統(tǒng)，監(jiān)測覓食過程中產(chǎn)生的聲音，采用一種基于分割分類正則化算法完成奶牛覓食活動分割與分類，結(jié)果表明，對于反芻和放牧行為分類的F1-score指標均高于0.89，能夠長期監(jiān)測奶牛采食和放牧行為，實現(xiàn)精準畜牧業(yè)。

采用聲音傳感器采集數(shù)據(jù)，實時獲取吞咽、反嘔和咀嚼行為，幫助飼養(yǎng)員及時判斷牛的身體健康，減少人工投入，提高生產(chǎn)性能，實現(xiàn)數(shù)字化、智能化養(yǎng)殖。但是采用聲音傳感器的可穿戴設(shè)備體積比較大，長時間穿戴會產(chǎn)生應(yīng)激反應(yīng)。同時，家畜運動、爭斗會造成設(shè)備位置偏移或者脫落，導(dǎo)致采集數(shù)據(jù)產(chǎn)生誤差，而且聲音識別范圍窄，僅對特定動物有效，識別效果不理想。

1.2 機器視覺技術(shù)

隨著人工智能、圖像處理等信息技術(shù)的發(fā)展，機器視覺技術(shù)作為信息技術(shù)領(lǐng)域一個新興的應(yīng)用方向而廣泛應(yīng)用于數(shù)字化農(nóng)業(yè)領(lǐng)域[17]。利用攝像機記錄動物的視頻、圖像，包含信息較為豐富，通過利用圖像處理實現(xiàn)動物行為識別、分類，可以提高動物福利，節(jié)約資源和人力成本[18]。

Chen等[19]為了克服傳統(tǒng)的反芻動物檢測方法的局限性，提出了一種視頻技術(shù)的奶牛反芻行為檢測方法。采用均值漂移算法精準跟蹤奶牛下頜運動，從視頻中提取牛嘴運動的質(zhì)心軌跡曲線，實現(xiàn)奶牛反芻行為監(jiān)測。通過手動選取奶牛嘴部區(qū)域，提出了基于視頻分析技術(shù)的奶牛反芻行為檢測方法，采用Mean-Shift算法準確地跟蹤奶牛的下頜運動，提取出牛嘴部運動的質(zhì)心軌跡曲線，實現(xiàn)了對奶牛反芻行為的監(jiān)測，采用40個視頻片段進行分析，結(jié)果表明，奶牛反芻行為的平均檢測正確率為92.03%，該方法對奶牛反芻動物行為進行監(jiān)測是可行的，但由于采用單頭奶牛作為研究對象，自動化程度不高，對多頭奶牛反芻行為的監(jiān)測效果不理想。Reiter等[20]通過視頻技術(shù)檢測奶牛反芻時間和反芻次數(shù)，采用Smartbow算法獲取奶牛的反芻時間，進而對奶牛19 d(每天24 h)的錄像數(shù)據(jù)分析，與飼養(yǎng)員直接觀察奶牛反芻行為進行對比，結(jié)果表明，奶牛每小時反芻時間Smartwell算法比目測值低1.2%，奶牛每小時反芻次數(shù)Smartwell算法比目測值高3.6%。趙凱旋等[21]采用視頻技術(shù)檢測奶牛呼吸頻率，錄制了72頭奶牛側(cè)臥視頻，每頭奶牛錄制5 min，總共360 min，采用光流法分析奶牛側(cè)臥呼吸時奶牛呼吸區(qū)域與腹部起伏規(guī)律，得到了呼吸特征值與時間變化的關(guān)系，結(jié)果表明，奶牛的呼吸頻率與異常檢測準確率分別為95.68%、89.06%。何東健等[22]采用視頻分析對犢牛躺、站、走和跑跳等行為進行了分類，采用一種改進的目標檢測方法，提取視頻中犢牛目標，通過快速聚類算法對犢牛行為分類識別，結(jié)果表明，躺的正確率高達100%、站正確率高達96.17%、走正確率高達95.85%、跑跳正確率高達97.26%。溫長吉等[23]采用視覺詞典法能實現(xiàn)對母牛產(chǎn)期行為的識別，對90組規(guī)定視角下母牛產(chǎn)前行走、側(cè)臥和回望等典型行為的平均正確識別率約為94.6%，對30組水平隨機視角下拍攝的上述3種行為的平均正確識別率約為88.3%?？滴醯萚24]提出了機器視覺技術(shù)實現(xiàn)跛行檢測、分類，采集了300頭奶?？倳r長81 min的行走視頻，通過機器視覺技術(shù)識別奶牛行走，采用時空差值算法檢測跛行牛蹄定位地點，通過牛蹄定位試驗和跛行檢測試驗，其正確率分別達到了93.3%和77.8%。

機器視覺技術(shù)這種無接觸的識別方法不會像外帶裝置一樣影響動物的活動，避免造成動物傷害，有助于提高動物福利，對自動化、智能化養(yǎng)殖具有重大意義。但是機器視覺對牛行為監(jiān)測視頻的采集環(huán)境要求苛刻，對算法依賴高、難以對多個目標進行有效的識別，不利于精準監(jiān)測動物行為。

1.3 無線傳感器網(wǎng)絡(luò)技術(shù)

無線傳感節(jié)點設(shè)計小巧、易于固定，能夠?qū)崟r采集和發(fā)送數(shù)據(jù)，所以無線傳感技術(shù)是單個動物行為監(jiān)測最合適的方法。無線傳感器網(wǎng)絡(luò)技術(shù)通過使用傳感器設(shè)備將被測量的數(shù)據(jù)轉(zhuǎn)換電信號輸出，傳感器通過無線網(wǎng)絡(luò)發(fā)送接收那些采集進來的數(shù)據(jù)信息，實現(xiàn)多種數(shù)據(jù)的實時監(jiān)測。隨著無線傳感器的發(fā)展，廣泛應(yīng)用于動物體溫、行為、發(fā)情的監(jiān)測。

Zambelis等[25]將加速度計耳標用于監(jiān)測奶牛行為時間與人觀察進行對比測試，相關(guān)強度結(jié)果：活動>進食+反芻>反芻>進食(誤差大)，因為進食和反芻總時間與人觀察的接近，可能是反芻與進食時間相互誤識別，且進食時間過多識別為反芻時間而導(dǎo)致誤差較大。Ruuska等[26]利用傳感器記錄奶牛進食、反芻和飲水行為時間。將測量值與6頭奶牛連續(xù)72 h實際記錄的時間對比，進食時間頻率分別為3.8 min/h和3.2 min/h，反芻時間頻率分別為3.2 min/h和3.2 min/h，飲水時間頻率分別為0.2 min/h和0.1 min/h。尹令等[27]利用無線傳感器網(wǎng)絡(luò)記錄奶牛體溫、脈搏、呼吸頻率、運動加速度發(fā)送至監(jiān)測中心，識別奶牛的當(dāng)前身體狀態(tài)以及是否發(fā)情。田富洋等[28]通過傳感器實時檢測奶牛顳窩部位的運動來計算奶牛的采食量，通過觀察奶牛的采食規(guī)律，提供精細化飼養(yǎng)方案。

2 行為分類方法

在聲音檢測技術(shù)、機器視覺技術(shù)、無線傳感器網(wǎng)絡(luò)技術(shù)識別動物行為的基礎(chǔ)上，采用行為分類算法對動物行為分類，可以提高動物行為分類的效果。模式識別是通過計算機用數(shù)學(xué)方法來研究人或動物行為，可以用于動物行為信息分類，常用的模式識別方法有K近鄰算法、貝葉斯決策、K均值聚類、支持向量機和人工神經(jīng)網(wǎng)絡(luò)等[29]。下文綜述了應(yīng)用最廣的3種算法——K均值聚類算法、支持向量機算法、人工神經(jīng)網(wǎng)絡(luò)算法。

2.1 K均值聚類算法

K均值聚類指將一堆沒有標簽的數(shù)據(jù)自動劃分成幾類的方法，并保證同一類的數(shù)據(jù)有相似的特征，是一種經(jīng)典的聚類算法，簡單易行[30]。K均值聚類算法簡單、效率高，成為應(yīng)用最廣泛的聚類算法之一，應(yīng)用于畜禽行為識別分類[31]。

王莉薇[12]提出基于K均值聚類算法和支持向量機分類算法結(jié)合進行奶牛反芻分類，結(jié)合牛反芻行為變化特征，提取并選擇對分類器最有用的和最重要的特征向量，有效地解決高維數(shù)據(jù)分類，得到更精確的反芻分類結(jié)果，結(jié)果表明，單獨支持向量機方法的準確率為73.6%～90.1%，利用K均值聚類+支持向量機方法的準確率為83.3%～93.2%。譚驥[32]采用一種改進的模糊聚類算法——半監(jiān)督模糊聚類算法，結(jié)合了監(jiān)督學(xué)習(xí)算法和無監(jiān)督學(xué)習(xí)算法的優(yōu)點，通過先訓(xùn)練樣本再進行聚類，分析奶牛進食、平躺、站立、平躺動作、站立動作、快走、慢走7類運動行為，結(jié)果表明，平均準確度達到95.4%，比K均值聚類算法、BP神經(jīng)網(wǎng)絡(luò)算法平均精密度分別提升了5.1、1.7個百分點。從算法運行時間來說，改進的模糊聚類算法耗時556 ms，短于BP神經(jīng)網(wǎng)絡(luò)算法的1227 ms，但是加入了學(xué)習(xí)過程，略長于K均值聚類算法的364 ms。劉艷秋[33]提出了一種基于K均值聚類-BP神經(jīng)網(wǎng)絡(luò)算法識別母羊產(chǎn)前運動行為，利用K均值聚類算法具有良好的魯棒性，對母羊靜態(tài)行為分類，識別母羊趴臥狀態(tài)，識別正確率高達99%。進一步結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型對母羊產(chǎn)前站立、行走、刨地行為進行識別，識別正確率分別為85.71%、88.88%、80.00%。尹令等[27]采用的K均值聚類算法對奶牛行為進行多級分類識別，能準確區(qū)分奶牛靜止、慢走、爬跨等行為特征，從而監(jiān)測奶牛健康情況。沈維政等[34]利用K均值聚類算法對奶牛行為進行分類，靜止、微動、慢走、爬跨和快跑等行為準確率分別為71.77%、74.42%、76.15%、78.23%、80.80%，通過試驗分析各種行為所占時間的比例，預(yù)測奶牛的發(fā)情和身體異常情況。

K均值聚類算法的優(yōu)點是相對容易理解和實現(xiàn)，時間復(fù)雜度較低；缺點是對預(yù)先輸入的分類數(shù)目較為敏感，對噪聲和離群值較為敏感，只用于數(shù)值類型數(shù)據(jù)，不適用于絕對值類型數(shù)據(jù)，不能解決非凸數(shù)據(jù)，容易陷入局部最優(yōu)。

2.2 支持向量機算法

支持向量機是一個二分類器，尋找一個最優(yōu)的決策邊界，將兩類樣本分開，廣泛應(yīng)用于行為識別領(lǐng)域[36]。在智能化養(yǎng)殖領(lǐng)域，支持向量機已經(jīng)成功地應(yīng)用于動物行為識別、動物健康診斷[37]。支持向量計算法通過把動物行為信息定義為一個實體空間，行為信號轉(zhuǎn)化為特征向量，實現(xiàn)動物行為的智能分類。

Hamilton等[38]提出了一種加速器傳感器融合支持向量機識別奶牛反芻方法，瘤胃運動和收縮間隔時間作為支持向量機的特征向量，建立瘤胃運動與反芻變化規(guī)則，結(jié)果表明，反芻識別準確率達到86.1%，該模型能夠準確地檢測出反芻動物的反芻期，有助于深入了解動物健康情況。Martiskainen等[39]采用加速傳感器和支持向量機自動測試和識別奶牛站立、躺下、沉思、進食、正常和跛行等行為方式，結(jié)果表明，站立的靈敏度和準確率分別為80%、65%，躺下的靈敏度和準確率分別為80%、83%，反芻的靈敏度和準確率分別為75%、86%，進食的靈敏度和準確率分別為75%、81%，正常行走的靈敏度和準確率分別為79%、79%，跛行的靈敏度和準確率分別為65%、66%。任曉惠等[40]提出了一種螢火蟲算法優(yōu)化支持向量機實現(xiàn)奶牛行為分類，加速度傳感器采集姿態(tài)信息，三軸加速度數(shù)據(jù)進行標準化處理，得到奶牛反芻、進食、飲水和靜止時的加速度，利用支撐向量機算法進行分類，結(jié)果表明，奶牛分類精度、靈敏度和準確率的平均值分別達到97.28%、97.03%、98.02%。陳春玲等[41]采用支持向量機算法實現(xiàn)肉牛的反芻行為的分類，通過隨機抽取50頭西門塔爾健康肉牛，采集9：00～15：00時間段內(nèi)3000個樣本數(shù)據(jù)(其中70%為訓(xùn)練集，30%為測試集)，通過牛額頭安裝動作傳感器獲取肉牛加速度、角速度、角度9組特征向量，提取特征向量通過支持向量機進行分類模型訓(xùn)練，結(jié)果表明，反芻和非反芻的識別率分別為97.659%、97.667%，支持向量機模型可以準確識別肉牛的反芻行為。

支持向量機算法有嚴格的數(shù)學(xué)理論支持，不依靠統(tǒng)計方法，從而簡化了分類和回歸的問題，并且可以處理非線性分類。但是支持向量機算法訓(xùn)練時間長，預(yù)測時間與支持向量個數(shù)呈正比，只適合數(shù)量較小的分類問題，而無法處理高度復(fù)雜的數(shù)據(jù)[42]。

2.3 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)技術(shù)起源于20世紀80年代，是人工智能的重要分支，具有自適應(yīng)、自組織和自學(xué)習(xí)的特點，并廣泛應(yīng)用于信息、醫(yī)學(xué)、經(jīng)濟、農(nóng)業(yè)等領(lǐng)域。在農(nóng)業(yè)養(yǎng)殖領(lǐng)域，利用人工神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)動物行為的識別[43]。

田富洋等[44]提出一種學(xué)習(xí)化矢量人工神經(jīng)網(wǎng)絡(luò)預(yù)測奶牛發(fā)情行為，提取發(fā)情天數(shù)、平均活動因子、體溫、產(chǎn)奶量等參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，進行發(fā)情預(yù)測，結(jié)果表明，發(fā)情預(yù)測率可達到70%以上。周雅婷等[45]利用3層BP人工神經(jīng)網(wǎng)絡(luò)模型對肉牛采食行為進行識別，其正確率為高達99.04%，每1 min取1個均值進行處理，其正確率為91.09%；每5 min取1個均值進行處理，則正確率為84.03%。Dongre等[46]以日產(chǎn)奶量為基礎(chǔ)，用人工神經(jīng)網(wǎng)絡(luò)預(yù)測了奶牛的產(chǎn)奶量，與多元線性回歸分析的預(yù)測效果對比，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)預(yù)測比多元線性回歸分析更好，準確率超過了80%，并進一步指出當(dāng)包含其他生產(chǎn)繁殖性狀如初產(chǎn)年齡、性成熟年齡或其他更能準確預(yù)測產(chǎn)奶量的性狀能時，能進一步改善人工神經(jīng)網(wǎng)絡(luò)的預(yù)測性能。Dong等[47]采用人工神經(jīng)網(wǎng)絡(luò)的對牛肉混合飼料體外發(fā)酵產(chǎn)生的甲烷與揮發(fā)性脂肪酸產(chǎn)量進行了研究，分別預(yù)測了人工瘤胃發(fā)酵的CH4、CO2和總產(chǎn)氣量，與其實測值之間的一元線性相關(guān)分析結(jié)果顯示，其決定系數(shù)(R2)分別為0.95、0.97和0.92,BP神經(jīng)網(wǎng)絡(luò)模型的均方根預(yù)測誤差(RMSPE)分別為3.89%、2.95%和4.23%，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型比多元線性回歸模型有更準確的預(yù)測性能。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點是具有很強的非線性處理和自適應(yīng)能力；缺點是對于結(jié)構(gòu)復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速度慢；對于數(shù)據(jù)量少導(dǎo)致算法不運行，容易陷入NP難，需要尋找更合適的類似方法。

3 討論及展望

3.1 討論

目前，國內(nèi)外學(xué)者在牛行為監(jiān)測技術(shù)、行為分類模型研究方面取得了一些進展，但缺乏可推廣應(yīng)用的產(chǎn)品，究其原因，一是傳感器技術(shù)、機器視覺技術(shù)硬件不成熟，行為監(jiān)測準確性不高；二是分類識別算法不完善，不能滿足復(fù)雜的生產(chǎn)養(yǎng)殖環(huán)境。

(1)聲音監(jiān)測技術(shù)。聲音監(jiān)測技術(shù)通過利用揚聲器采集聲音信號，與對應(yīng)的樣本建立的數(shù)據(jù)庫匹配，操作簡單，成本不高，但受環(huán)境噪音影響尤其是周圍動物發(fā)聲的干擾。

(2)機器視覺監(jiān)測技術(shù)。機器視覺監(jiān)測技術(shù)難度大，需要大量數(shù)據(jù)針對動物行為進行建模，影響信息傳輸速度和效率。同時，對視頻圖像數(shù)據(jù)采集環(huán)境要求苛刻，陰天或者晚上等光照強度弱的環(huán)境下難以采集合適的視頻圖像數(shù)據(jù)。

(3)無線傳感器網(wǎng)絡(luò)技術(shù)。目前，行為監(jiān)測智能設(shè)備大多數(shù)置于牛身上且體積大，在牛躺臥、打斗過程中容易掉落。同時，牛的養(yǎng)殖環(huán)境對監(jiān)測設(shè)備影響較大，導(dǎo)致無法長期使用。

(4)牛行為分類算法。利用視頻圖像信息、傳感器采集的動物行為數(shù)據(jù)，引入K均值聚類、支持向量機和人工神經(jīng)網(wǎng)絡(luò)等常見的模式識別方法實現(xiàn)牛行為信息的分類。但聚類算法對預(yù)先輸入的分類數(shù)目較為敏感，不能解決非凸數(shù)據(jù)，容易陷入局部最優(yōu)；支持向量機訓(xùn)練時間長，只適合數(shù)量較小的分類問題，無法處理高度復(fù)雜的數(shù)據(jù)；人工神經(jīng)網(wǎng)絡(luò)對于結(jié)構(gòu)復(fù)雜的神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速度慢，容易陷入NP難。

(5)多傳感器信息融合。采用聲音監(jiān)測技術(shù)可以監(jiān)測牛憤怒、悲傷、恐懼等不良情緒，通過監(jiān)測采食聲音、反芻聲音判斷牛采食、反芻行為，但單一且容易受到噪聲影響，而且聲音識別范圍窄，識別效果不理想。采用姿態(tài)傳感器(單軸加速計、MPU6050)監(jiān)測反芻姿態(tài)、日常姿態(tài)，只能監(jiān)測單一的姿態(tài)信息，識別準確度不高。

3.2 展望

通過分析聲音監(jiān)測技術(shù)、機器視覺技術(shù)、無線傳感網(wǎng)絡(luò)技術(shù)等牛行為監(jiān)測技術(shù)的研究與應(yīng)用現(xiàn)狀，比較了支持向量機、K均值聚類、人工神經(jīng)網(wǎng)絡(luò)等3種牛行為識別分類的優(yōu)缺點，筆者認為今后對牛行為監(jiān)測技術(shù)、分類模型的研究重點應(yīng)側(cè)重以下5個方面。

(1)針對復(fù)雜環(huán)境噪聲以及其他動物發(fā)聲干擾，提出一種聲音過濾算法，準確提取咀嚼、吞咽和反嘔聲音的特征參數(shù)，去除多余噪聲、雜聲的影響。

(2)針對陰天、晚上等光照強度弱的環(huán)境，合理布置光源減少環(huán)境光照影響，進一步優(yōu)化視頻圖像算法，實現(xiàn)動物圖像快速精準獲取。

(3)考慮到多數(shù)智能監(jiān)測傳感器置于動物身上，設(shè)計一種動物行為監(jiān)測傳感器滿足體積合理、防水、低功耗電池壽命長、易于動物穿戴不脫落，采用3D打印技術(shù)實現(xiàn)動物可穿戴裝置研制，結(jié)合物聯(lián)網(wǎng)技術(shù)開發(fā)低功耗、遠距離智能監(jiān)測設(shè)備，完成監(jiān)測設(shè)備智能化。

(4)針對動物行為分類算法的優(yōu)缺點，合理采用最優(yōu)算法。對于數(shù)據(jù)量小采用支持向量機算法，具有較好的“魯棒性”，可以得到全局最優(yōu)解；對于數(shù)據(jù)量大采用人工神經(jīng)網(wǎng)絡(luò)算法，該算法具有很強的非線性處理能力和自適應(yīng)、自學(xué)習(xí)、聯(lián)想功能，有助于提高分類精度。針對單一分類算法分類效果不佳，提出一種改進的分類算法，實現(xiàn)更精確的分類結(jié)果。

(5)考慮到單一傳感器行為監(jiān)測的準確性低，不能監(jiān)測到牛行為的所有信息，采用聲音傳感器監(jiān)測與姿態(tài)傳感器監(jiān)測融合，多維度監(jiān)測牛行為，提高監(jiān)測準確性。

4 結(jié)論

通過對牛行為監(jiān)測技術(shù)和分類模型研究進展的綜述與分析，得出以下結(jié)論：(1)機器視覺技術(shù)具有無接觸的識別，不外帶裝置，可以對牛行為進行識別，對?；顒佑绊懶。珜D像視頻環(huán)境要求苛刻，牛行為識別精準度不高。(2)無線傳感器技術(shù)應(yīng)用廣、技術(shù)成熟，可以監(jiān)測牛采食、反芻、休息、活動等行為，但適合牛穿戴、長期可靠工作的無線網(wǎng)絡(luò)傳感器技術(shù)有待突破。(3)支持向量機計算簡單，理論完善，所需樣本數(shù)據(jù)少，且識別精度高，分類效果好。人工神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)規(guī)則簡單，非線性擬合能力較強，但是數(shù)據(jù)不足易出現(xiàn)運算時間長、過學(xué)習(xí)、容易陷入局部最小值等情況。