技术领域
[0001] 本
发明属于动物个体体征监测技术领域,具体涉及一种基于决策树分类器与鼻羁压力包络信号的
奶牛反刍识别方法。
背景技术
[0002] 反刍行为是
反刍动物将
植物资源转化为动物资源的重要行为,并且反映了动物的生理健康及福利
水平。
疾病、
产犊、发情、日粮颗粒、应激反应等都会影响反刍行为,因此可以通过监测反刍行为的变化来反馈动物的生理健康及福利水平。传统的人工监测方法耗时费力,效率不高,随着养殖规模的扩大和精准
畜牧业研究的深入,对反刍自动监测系统的需求也日益增加。传统的反刍监测方法主要依赖人工,耗时费力,随着养殖规模的扩大和精准畜牧业研究的深入,不仅提高了养殖场工人的饲养能力,节约劳动力,也提高了对牛群的监管效率,降低了养殖场的饲养成本。
[0003] 发明
专利“一种反刍动物反刍与吞咽次数的音频识别
算法”公开号(CN103914732A),公开了一种反刍动物反刍与吞咽次数识别方法,该方法通过在反刍动物颈部佩戴的
接触式声音
传感器获取反刍
声音信号,通过对
音频信号在时域和频域的处理,获取反刍时间、次数和持续时间等信息。该方法采用的监测设备易受环境噪声和电磁环境的影响,采集的信号
信噪比较低,效果欠佳。
[0004] 本发明通过内置在奶牛佩戴的笼头鼻羁压力的传感器测量奶牛鼻羁压力变化,获取奶牛鼻羁压力信号,并通过对于鼻羁压力信号特点的分析区分奶牛的反刍行为和进食等其他行为,提取“均方根包络”和“极值包络”两个反刍鼻羁压力包络信号的时域特征参数,利用这两个时域特征参数可以有效地区分反刍信号和进食等其他行为信号,最后利用决策树分类器对反刍鼻羁压力包络信号的两个重要参数反刍时长与反刍次数进行识别。该方法可以有效地减小环境噪声等引入的干扰,并快速有效的识别奶牛的反刍行为。
发明内容
[0005] 为了实现对奶牛反刍状况的准确判断,并克服现有反刍识别方法的缺点,本发明提出了一种基于决策树分类器与鼻羁压力包络信号的奶牛反刍行为识别方法。
[0006] 本发明的技术方案如下:
[0007] (1)通过一种可穿戴的鼻羁压力信号采集设备对奶牛鼻羁压力信号进行采集,采集奶牛因反刍行为与进食等其他行为产生的鼻羁压力信号的变化。
[0008] (2)通过对反刍鼻羁压力信号特点的分析,选取均方根包络、极值包络作为反刍鼻羁压力信号的时域特征。
[0009] (3)根据提取得到的“均方根包络”和“极值包络”两个时域特征参数建立基于决策树分类器的反刍识别模型。
[0010] 步骤(1)中在奶牛佩戴的笼头鼻羁中内置一个
压力传感器,该传感器可以测量反刍动物咀嚼时因颌运动而导致的压力变化,压力传感器将该压力转换成信号
波形,存储在与之相连的SD卡内,并通过无线传输的方式上传到
服务器。
[0011] 步骤(2)中提取均方根包络:求取鼻羁压力信号的上下均方根包络,绘制出上包络曲线与下包络曲线,得到鼻羁压力信号的均方根包络,图1是反刍鼻羁压力信号均方根包络;提取极值包络:求取鼻羁压力信号的上下极值包络,绘制出上包络曲线与下包络曲线,得到鼻羁压力信号的极值包络,图2是反刍鼻羁压力信号极值包络。
[0012] 步骤(3)中学习步骤如下:
[0013] 步骤1建立决策树模型:这个过程通常分为两个阶段:
[0014] 1)建树:创建根结点后递归创建子树,最终构造成一颗完整的树。
[0015] 2)
剪枝:简化决策树结构,降低训练集中存在的起伏。
[0016] 步骤2对输入样本进行分类:从根结点依次比较待测样本的属性值,直至达到某个叶结点,那么该叶结点的类别就是待测样品所属的类,利用样本的类别和样本的特征对于创建好的决策树分类器进行仿真预测,得到的输出对应样本的类别,并将待预测样本对应的所属类别进行标签。
[0017] 步骤(3)中识别步骤如下,将包络特征作为决策树分类器的输入特征来识别反刍行为,图5是奶牛反刍时长与反刍次数监测算法
流程图:
[0018] (1)标记反刍起点:用决策树分类器检测当前
帧信号,当检测到当前帧信号为反刍鼻羁压力信号时,记当前帧的起始点为X1,若检测到后9帧信号均为反刍鼻羁压力信号时,判断此段信号为反刍鼻羁压力信号,并记此段反刍起始点为X1,否则判定此段信号为其他行为的鼻羁压力信号,取消反刍起始点标记,重复预处理;
[0019] (2)标记反刍终点:标记完反刍起始点后,继续检测当前帧信号,当检测到当前帧信号不是反刍鼻羁压力信号时,判断此段反刍鼻羁压力信号结束,记当前帧的起始点为X2,终点为X3,并令X2点为此段反刍的终点;
[0020] (3)统计反刍次数和反刍时长:每完成一次反刍行为起始点和终止点的标记后,反刍次数自动加1,并令X1点到X2点的时间差为此段反刍的反刍时长,这样就实现了反刍次数和反刍时长的统计;
[0021] 本发明的有益效果是将测量得到的奶牛鼻羁压力信号进行均方根包络与极值包络两个时域特征参数的提取,可以有效减小环境噪声干扰并大幅提高反刍识别
精度,并且相比于传统识别方法,具有更高的效率与准确率。
附图说明
[0022] 图1是反刍鼻羁压力信号均方根包络。
[0023] 图2是反刍鼻羁压力信号极值包络。
[0024] 图3是奶牛反刍行为与进食等其他行为的鼻羁压力信号时域波形。
[0025] 图4是奶牛反刍时长与反刍次数监测算法流程图。
[0026] 图5是直接观察和反刍识别模型的拟合图。
具体实施方式
[0027] 下面结合附图和实例对本发明的具体实施方式作进一步详细描述。以下实例用于说明本发明,但不用来限制本发明的范围。
[0028] 本发明提供的一种基于决策树分类器与鼻羁压力包络信号分析处理的奶牛反刍行为识别方法,反刍行为识别方法主要包括以下步骤:
[0029] (1)对奶牛鼻羁压力进行测量。通过一种可穿戴的鼻羁压力信号采集设备对奶牛鼻羁压力信号进行采集,采集奶牛因反刍行为、进食等其他行为产生的鼻羁压力信号的变化。
[0030] (2)通过对反刍鼻羁压力信号特点的分析,选取均方根包络、极值包络作为反刍鼻羁压力信号的时域特征。
[0031] (3)根据提取得到的“均方根包络”和“极值包络”两个时域特征参数建立基于决策树分类器的反刍识别模型。
[0032] 具体实施方案如下:
[0033] 试验前三天为适应期,牛舍为半封闭式牛舍。试验对象为4头处于干奶期的年龄为5.1±0.3岁、体重为670±20kg的健康荷斯坦奶牛。试验期间由有夜视功能的摄像机记录奶牛行为,摄像机位于限位栏正前方3米,距地面2.5m。试验过程中,于每日5:00和14:30饲喂精料补充料和羊草(精粗比3:7),精料营养成分为玉米84.87%、
豆粕7.32%、
棉籽粕
3.66%、食盐1.71%、预混料2.44%,羊草营养成分为
粗蛋白15.42%、粗脂肪2.83%、粗
纤维32.39%、无氮
浸出物30.60%、粗灰分5.02%,将羊草铡切后,长度大于19mm的羊草占
48%,长度介于8-19mm的羊草占22%,长度介于1.2-8mm的羊草占18%,长度小于1.2mm的羊草占12%。另外,试验期间奶牛可自由饮水。
[0034] 开始采集数据前,将内存卡格式化、校准时钟、设置鼻羁压力信号
采样频率为10Hz。这里认为每日7:00至次日7:00为一整天,系统自动处理每帧的鼻羁压力信号,并自动统计上传每头奶牛每小时的反刍数据,进而得到每头奶牛每天的反刍次数、反刍时长和反刍食团数。以试验对象1(5.4岁,675kg)为例,表1所示为反刍识别模型统计得到的该牛6天的反刍次数和反刍时长。
[0035] 表1反刍识别模型统计的试验数据
[0036]
[0037] 本发明选用以下误差评价指标:标准误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE),对反刍识别算法的准确度进行统计分析,误差指标公式如下:
[0038]
[0039]
[0040]
[0041] 其中f(x)为直接观察到的反刍参数(反刍次数、反刍时长), 为反刍主要参数识别模型统计的反刍参数,N1为试验天数,RMSE和MAE用来衡量反刍识别方法的离散程度,MAPE用来衡量反刍识别方法的准确性。利用公式(1)至(3)分别计算每头奶牛的反刍次数识别误差、反刍时长识别误差。最后取4头奶牛的反刍次数识别误差的平均数和反刍时长识别误差的平均数分别作为反刍识别模型的反刍次数识别误差和反刍时长识别误差。
[0042] 表2反刍主要参数识别模型识别误差
[0043]
[0044] 由表2可知,反刍识别模型识别出的奶牛的反刍参数与直接观察得到的反刍参数之间存在一定的误差,相比反刍时长,反刍次数的识别误差较小,其RMSE、MAE和MAPE的值分别为0.4202、0.1667和1.41%。反刍时长的RMSE、MAE和MAPE的值分别为8.7520、7.6575和1.87%。
[0045] 对于使用直接观察和反刍主要参数识别方法两种方法得到的4头奶牛6天的反刍次数和反刍时长两种反刍参数进行线性拟合来衡量直接观察和模型识别的一致性,如表3和图5所示,反刍次数与反刍时长的校正决定系数(Adjusted-R2)分别为0.9538、0.9467,表明经反刍识别模型处理过的反刍参数可以代表94%以上的经直接观察得到的反刍参数,其中此模型对反刍次数的识别效果优于反刍时长的识别效果。以反刍时长为例,其线性拟合模型斜率的95%置信区间包含1,说明在统计学
角度上,经反刍识别模型处理得到的反刍时长与直接观察得到的反刍时长在统计学上没有显著差异。另外,其校正决定系数为0.9467,表明本发明所提出的反刍识别方法可以准确识别94.67%的反刍行为,结合图5,可以看出数据点均匀分布在直线周围,且距离直线的距离较小,表明直接观察和模型识别两种方法得到的反刍次数与反刍时长两项统计量的拟合效果很好,决定系数值很高,且回归方程斜率的95%置信区间包含值1,在统计学角度上截距与0没有显著差异。
[0046] 表3直接观察与反刍识别模型的反刍信息线性拟合结果
[0047]
[0048] 综上所述,可以看出本发明所提出的基于决策树分类器与鼻羁压力包络信号的奶牛反刍主要参数识别方法可以准确地识别奶牛反刍行为信息。
[0049] 本发明提出了一种基于决策树分类器与鼻羁压力包络信号的奶牛反刍行为识别方法,属于动物个体体征监测技术领域。反刍行为可以监测奶牛等拥有反刍生理行为的
家畜的发情期、进食情况和体征健康状况等。本发明采用压力传感器对奶牛鼻羁处的压力信号进行采集,对采集得到的奶牛鼻羁压力信号进行均方根包络和极值包络两个时域特征参数的提取,通过决策树分类器监测帧信号来标记反刍的起点和终点,找到反刍起止点后,反刍次数增加,同时令反刍起点到反刍终点的时间差为此段反刍的反刍时长,反刍次数和反刍时长的变化可以反映反刍动物的体征健康状况。本发明通过测量奶牛鼻羁处的压力包络信号监测奶牛的反刍时长和反刍次数,可以有效地降低噪声、温湿度等环境因素的干扰,实现对奶牛个体的反刍行为的识别。
[0050] 以上所述,仅是本发明的较佳实施案例,并非对本发明作任何形式上的限制,虽然本发明已将较佳实施案例揭露如上,但并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案的范围内,均可利用上述揭示的技术内容做出些许改善或修饰为等同变化的等效实施案例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上的实例所作的任何简单
修改、等同变化与修饰,均仍属于本发明技术方案的范围内。