家畜行为智能监测系统的研究进展

闫 丽，邵 庆，席桂清

（黑龙江八一农垦大学信息技术学院，黑龙江大庆163319）

家畜的健康直接关系到食品安全、人类健康、环境污染和贸易壁垒等问题。近年来家畜生产环节中质量安全问题屡见不鲜，如大量使用抗生素和违禁药品、“瘦肉精”中毒事件、“禽流感”事件等，因此动物的福利和健康养殖越来越受到重视，“十一五”期间健康养殖项目首次列入国家科技计划。作为评价动物福利条件最直接的证据，行为是对其运动功能、高级中枢神经功能和精神状态的评估，能够全面反应机体的整体状态。动物行为学研究最早起源于古希腊的亚里斯多德（BC384），在他的论著中，记录了540种动物的生活史和行为，开创了观察、描述动物行为的新纪元。家畜的行为是指家畜的活动形式、发声和身体姿势，以及外表上可辨认的变化［1］，通过行为能够了解家畜的适应性和生存所需要的条件。

1 监测方法

动物行为学（Ethnology）分析包括三个重要的步骤：（1）体态；（2）体态变化；（3）声音分析。目前对家畜的行为监测的方法主要有：人工观察法、电子测量法、图像识别法和声音分析方法。

1.1 人工观察法

对于家畜的行为研究源自于行为观察，从文明狩猎阶段起，人们通过观察猎物的活动规律来增大获取猎获的概率；随着野畜家养，人们开始有目的的观察和掌握家畜的生活周期和行为规律。传统的动物行为学研究通常是利用人工将动物置于某种特殊的装置内，通过人工观察用笔记，准确、详尽地记录动物的行为及其反应作为行为学指标，但这种方法容易受人为因素干扰，影响行为数据的可靠性和客观性。随着视频技术的发展，Wratten［1］在1994年首次将视频录像技术用作动物行为学研究，视频录像技术可以结合计算机辅助分析技术得到各种行为学指标，能够在很大程度上减少实验过程中的人为干扰，目前仍然是很多学者进行动物行为学研究的重要方法，但是该方法还是要人为的对视频进行观察和记录分析，浪费时间和人力。

1.2 图像识别法

通过使用能够对视频记录自动进行分析的智能分析系统，将动物研究者所需定量指标从视频序列中精确提取出来，节省时间并提高试验效率，并且使试验的观察、分析和研究具有再现性和高可靠性。

动物形体姿态特征作为动物行为分析的重要特征之一，包括位置、姿态、运动速度、轮廓等信息，体态特征提取可用于区分诸如休息、站立、走步、采食等基本行为。Canger等［2］研究了这些基本行为对应的主轴线方向、臀围长度、体型宽长比、背部面积等图像特征，实现了基本行为的自动识别；Beach［3］通过自动监测母猪探视公猪栏的感知行为监测发情，感知行为包括：寻找公猪的趋势、靠近公猪的距离和交配前的反应。

动物行为模式是发现动物反常行为的基础，而反常行为是动物个体出现健康异常或环境发生突变的外在表现。动物反常行为的及时发现可用于动物疾病或环境调节预警。朱伟兴等［4］利用安装于猪舍排泄区的嵌入式监控设备对群养猪的排泄行为进行24h监控，通过一种改进的运动目标检测算法和基于像素块对称特征的图像识别算法定位具有异常行为的疑似病猪，病猪检测正确率78.38%。浦雪峰等［5］采用图像处理的方法识别猪身上的数字，通过对群养猪的排泄行为进行24h监控，对每天排泄次数异常的猪认为是疑似病猪。纪滨［6］利用Matlab对视频中猪的脊腹线波动进行分析判断猪呼吸急促症状，脊腹线的识别精度高于85%，且其波动频率与猪的人工呼吸急促症状估分值呈线性正相关。Shao等［7］利用红外摄像头监测群养仔猪的图像，使用最小欧几里德距离计算猪群紧密程度评定猪舍温度的舒适度，从而进行温度调控。

1.3 电子测量法

为了能够更精细定量的研究动物行为体征，提高行为监测自动化水平，人们研制出了各种电子测量设备，主要有红外探测仪、计步器、加速度计、RFID 和嵌入式系统设备等。Cornou 和Lundbye－Christensen［8－9］提出了采用加速度传感器和蓝牙技术对群养模式下每头母猪的基本行为进行分类；Geers等［10］报道了255次／s采集母猪活动量，同时记录超过10m／s的次数；尹令［11］将基本行为分为3个状态：低运动状态、中运动状态和高运动状态，通过统计每小时中3类行为出现的频率来计算奶牛活动量；Altmann［12］采用小型的加速度计和红外传感器检测母猪活动量，发现母猪发情期的前1～3d活动量是平时的两倍。针对群养母猪，Bressers［13］在母猪脖子上佩戴三轴加速度传感器检测活动量，减少了10%～15%的人工检查。针对限位栏母猪，Serlet［14］在猪背上安装加速度传感器，根据母猪活动特征检测发情的正确率达53%。Freson［15］在母猪颈部上方50cm 处安装红外传感器，进行母猪日常行为分类，正确率达到86%；刘龙申等［16］利用三轴加速度传感器和ZigBee模块组成的无线传感器网络监测母猪的产前行为，将运动量的大小和高运动量持续时间作为特征，预测母猪的分娩时间。Oliviero等［17］利用地毯式的压力传感器监测母猪的走动行为，同时在产床0.6m 高处安装光电传感器监测母猪的站立或躺卧行为；Song等［18］定义健康牛只的行走行为模式，将牛行走过程中两侧前后蹄接触地面中心点间距之差大于0的牛认定为患有跛腿残疾。

近期对动物的饮水行为的研究成为热点话题，皇家兽医与农业大学Thomas Nejsum Madsen［19］通过监测生长猪每小时的饮水次数和饮水量，基于状态空间模型对生长猪的饮水模式进行建模，用于监测猪的饮水是否正常，预测猪疾病的爆发、饲料质量和通风设备问题等异常情况。Meiszberg等［20］研究表明，利用水流量传感器分析仔猪饮水行为的精确度高于人工观察仔猪行为视频。南京农大陆明洲等［21］利用RFID 射频识别技术和水流量传感器设计了一套群养方式下母猪饮水行为自动监测系统，测得个体的饮水频率和饮水量。河北农业大学陈辉等［22］利用称重传感器和水流量传感器研制了记录产蛋鸡采食、饮水量的智能鸡笼。山东农业大学田富洋等［23］将高频反射涡流传感器放置在奶牛颞窝部位计算奶牛的吞咽次数，从而判定奶牛采食量。

1.4 声音分析方法

动物声音正成为全世界在相关领域的研究对象，它能反映动物的生理状况如饥饿、疼痛等，以及外部因素对动物机体所造成的应激。针对患有呼吸道疾病的动物咳嗽声处理实现生理健康监测，Ferrari等［24］通过临床检查筛选染病猪并采集其咳嗽声，发现染病猪咳嗽音频的标准化压力均方差、峰值频率均值、咳嗽持续时间及咳嗽频率都异于健康猪。动物情绪健康更多是动物福利关注的问题，提取动物在恐惧、孤独、焦虑等不良情绪下的叫声特征实现动物情绪健康的无损监测。Jahns［25］针对已知的牛饥饿和发情叫声信号提取出先验特征矩阵及其参考模式，利用模式匹配方法识别牛只日常叫声中所蕴含的饥饿及发情信息。Ikeda等［26］利用线性判别分析方法处理声音信号的频谱结构变化特征，进而智能识别母牛饥饿以及与仔牛分隔而产生的两种焦虑状态。余礼根等［27］以产蛋期海兰褐蛋鸡为研究对象，利用频谱分析技术提取产蛋叫声、尖叫声、争斗应激叫声的频谱结构特征，分析蛋鸡发声语义。于天福［28］以狗为研究对象，对其叫声特征中功率谱、MFCC、基音频率等特征的研究达到识别攻击、警告、讨好三种行为的目的。

动物叫声是种群内与其它成员交流的“语言”。猪是社会性群居动物，产多仔的母猪需要同时与仔猪建立相互联系；对仔猪来说，亲生母亲的识别是重要的任务。Rohde等［29］研究认为，母仔之间联系主要运用声音信号。Rogerio等［30］观察到仔猪发出惊慌的叫声，母猪就会发出担心的声音信号。仔猪发出饥饿的叫声时，母猪也会发出一种声音，称为“呼叫看护声”，直到最后一头仔猪到达乳头，母猪才停止这种叫声，之后它转换成“放乳声”，只有发出这种声音时母猪才能释放乳汁。Lewis等［31］试验结果表明，母猪的哼叫声音可吸引小于14日龄仔猪接近母猪，寻找乳房，争夺乳头或吃乳，播放母猪哼叫录音可减轻仔猪断奶应激，有助于仔猪吮乳和增重。

今年国外开展了用采食和饮水时发出的声音估算采食和饮水量的相关研究。Laca等［32］利用三个麦克风来采集牛的采食声音研究牛采食量与吃草行为的关系；Aydin等［33］通过监测肉鸡个体的采食声音，提出了采食声音与采食量的函数关系。

2 存在问题

综上所述，家畜行为的智能化监测技术有基于电子测量仪器的运动识别、基于视频的动作状态识别和基于声音的情绪表达识别。在集约化饲养模式下，三种行为识别方法都有广泛的应用，但研究中仍存在问题。

2.1 传感器节点的设计问题

目前已经投入实际使用的传感器节点大多针对生产环境相对规范稳定的工业现场设计，但是畜牧业生产环境复杂，有些应用场合甚至具有高温高湿的特点，家畜打斗或碰撞也会破坏传感器节点。畜牧业中应用的传感器节点应该具备比工业生产现场更好的抗高温抗高湿、舒适性及抗损坏性能，然而畜牧业生产特点决定了其使用的传感器节点不能代价高昂。因此，选择一款高性能、高稳定性、低成本的传感器并设计耐潮耐腐蚀外观及合理的佩戴方式是需要重点解决的问题。另外在个体信息监测应用中，需要将节点绑定在大型家畜躯体上，若传感器与躯体没有完全固定，在家畜躺卧甚至相互争斗时都可能产生节点角度的旋转，当传感器旋转后，传感器的输出值就会发生改变，对后续的行为模式分析产生影响。

2.2 环境因素对视频监测的影响

仅从畜牧信息的无损监测角度而言，基于机器视觉技术的家畜行为监测是常用方法之一，这种技术以无接触方式记录家畜行为信息，对家畜活动没有任何影响。但是该方法受现场光照条件影响大，摄像机视距、拍摄范围有限。以群养猪的监测为例，需要解决在弱光或无光条件下，对母猪个体识别与跟踪的问题，在大通量的视频信息中识别跟踪某一行为异常的个体是后续研究需要重点解决的问题。而分娩母猪生长在限位栏中，限位栏空间小、栅栏密集，需解决栅栏对猪身图像采集的阻挡问题，以准确确立母猪的姿态。

2.3 噪声对音频质量的影响

声音含义分析对音频质量要求高，如何有效降低圈养家畜发声间的相互干扰及环境噪声的影响以实现音频高质量地实时采集，是后续研究中尚待解决的问题。声音分析的首要目标是针对大量已知含义的声音提取其特征参数，不断扩充声音分析模式库，这是研发家畜叫声含义智能识别系统的基础。

2.4 单一行为监测方法的不足

在家畜监测和行为分类方法中，每种监测手段都存在盲区，例如饮水和站立在视频中都是站立行为，三轴加速度亦无法区分，但可通过声音的方式辅以补充判断，因此需要在家畜发声音频信息、活动视频信息、传感器监测运动数据等信息与家畜行为分类间建立映射关系，进一步提高基于加速度传感器、音频分析、机器视觉等无损监测技术的检测精度。

3 展望

近几年，欧洲的研究学者提出了精准动物养殖（Precision livestock farming，PLF）的概念：提供连续、实时、自动的监控和观察，使养殖户能够监测和控制动物的健康和福利状态。同时，相应的科研成果也转换为实际设备在养殖场应用。而受到资金和养殖环境的制约，我国在家畜的自动监控和智能分析方面开展的研究较少，缺乏智能监测设备。希望今后根据家畜不同生长阶段设计质量适中、体积合理、易于家畜佩戴、固定良好及通信稳定的数据采集节点，并选取防水、耐腐蚀材料作为封装和固定传感器节点的外部材料；进一步研究热成像技术，通过家畜表面的温度分布状况成像，来区分家畜个体，解决图像的采集与识别中因家畜种类颜色差异大、与养殖场背景相近及受现场光照条件等影响，使视频的监控算法具有一定的普适性；比较行为分析方法，包括动态线性模型、K 均值聚类、支持向量机、朴素贝叶斯、决策树分类，研究引入姿态识别参数的分类方法，以提高家畜行为分类的准确度；最终建立家畜行为数据采集数据库和行为分析专家系统，构建集姿态、动作和声音多元融合的行为的评价模型，以挖掘家畜行为的深层含义。

［1］Wratten S D.Video techniques in animal ecology and behavior［M］.Germany：Springer，1994.

［2］Cangar O，Leroy T，Guarino M，et al.Automatic real－time monitoring of locomotion and posture behaviour of pregnant cows prior to calving using online image analysis［J］.Computers and Electronics in Agriculture，2008，64（1）：53－60.

［3］Beach F A.Sexual attractivity，proceptivity，and receptivity in female mammals［J］.Hormones and Behavior，1976，7（1）：105－138.

［4］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.

［5］浦雪峰，朱伟兴，陆晨芳.基于对称像素块识别的病猪行为监测系统［J］.计算机工程，2009，35（21）：250－252.

［6］纪 滨，朱伟兴，刘 波，等.基于脊腹线波动的猪呼吸急促症状视频分析［J］.农业工程学报，2011，27（1）：191－195.

［7］Bin S，Xin H W.A real－time computer vision assessment and control of thermal comfort for group－housed pigs［J］.Computers and Electronics in Agriculture，2008，62（1）：15－21.

［8］Cornou C，Lundbye－Christensen S.Classifying sows＇activity types from acceleration patterns：an application of the multiprocess kalman filter［J］.Applied Animal Behaviour Science，2008，111（3）：262－273.

［9］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.

［10］Geers R，Janssens S，Spoorenberg S，et al.Automated oestrus detection of sows with sensors for body temperature and physical activity［C］.Japan，Kobe：Proceedings of ARBIP95，1995.

［11］尹 令，刘财兴，洪添胜，等.基于无线传感器网络的奶牛行为特征监测系统设计［J］.农业工程学报，2010，26（3）：203－208.

［12］Altmann M.Interrelations of the sex cycle and the behavior of the sow［J］.Journal of Comparative Psychology，1941，31：481－498.

［13］Bressers H P M.Monitoring individual sows in group－housing：possibilities for automation［M］.Rappoort Instituut voor Veeteeltkundig Onderzoek＇Schoonoord，1993.

［14］Serlet S.Optimalisatie van bronstdetectie bij zeugen［C］.Denmark，Copenhagen：University of Copenhagen，2004.

［15］Freson L，Godrie S，Bos N，et al.Validation of an infra－red sensor for oestrus detection of individually housed sows［J］.Computers and Electronics in Agriculture，1998，20（1）：21－29.

［16］刘龙申，沈明霞，姚 文，等.基于加速度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）：191－196.

［17］Oliviero C，Pastell M，Heinonen M，et al.Using movement sensors to detect the onset of farrowing［J］.Biosystems Engineering，2008，100（2）：281－285.

［18］Song X Y，Leroy T，Vranken E，et al.Automatic detection of lameness in dairy cattle－Vision－based trackway analysis in cow＇s locomotion［J］.Computers and Electronics in Agriculture，2008，64（1）：39－44.

［19］Thomas Nejsum Madsen，Søren Andersen，Anders Ringgaard Kristensen.Modelling the drinking patterns of young pigs using a state space model［J］.Computers and Electronics in Agriculture，2005，48（1）：39－62.

［20］Meiszberg A M，Johnson A K，Sadler L J，et al.Drinking behavior in nursery pigs：determining the accuracy between an automatic water meter versus human observers［J］.American Society of Animal Science，2009，87（12）：4173－4180.

［21］陆明洲，沈明霞，丁永前，等.群养母猪饮水行为自动监测系统设计［J］.南京农业大学学报，2013，36（5）：133－138.

［22］Hui Chen，Liuhua Li，Ke－qian Di，et al.Comparing of individual feed，water intake and excretion of hens kept in intelligent hencoop under different photoperiods［C］.2013International Symposium on Animal Environment and Welfare.2013.

［23］田富洋，李法德，李晋阳，等.奶牛采食量检测仪的设计与技术研究［J］.仪器仪表学报，2007，28（2）：293－297.

［24］Ferrari S，Silva M，Guarino M，et al.Cough sound analysis to identify respiratory infection in pigs.Computers and Electronics in Agriculture，2008，64（2）：318－325.

［25］Jahns G.Call recognition to identify cow conditions－a callrecognizer translating calls to text［J］.Computers and Electronics in Agriculture，2008，62（1）：54－58.

［26］Ikeda Y，Ishii Y.Recognition of two psychological conditions of a single cow by her voice［J］.Computers and Electronics in Agriculture，2008，62（1）：67－72.

［27］余礼根，滕光辉，李保明，等.栖架养殖模式下蛋鸡发声分类识别［J］.农业机械学报，2013，4（9）：236－242.

［28］于天福.基于声音特征的动物行为识别系统研究［D］.黑龙江哈尔滨：东北林业大学，2010.

［29］Rohde P K A，Gonyou H W attraction of newborn pigs to auditory，visual，olfactory and tactile stimuli［J］.Anim Sci，1991，66：2165－2173.

［30］Rogerio G T，Da Cunha.As good as it sounds－understanding piggish［J］.Pig progress，2006，22（8）：13－15.

［31］Lewis N J，Hurnik J F.An approach response of piglets to the sow＇s nursing vocalizations［J］.Anim Sci，1986，66：537－539.

［32］Laca E A，Wallis De Vries M F.Acoustic measurement of intake and grazing behaviour of cattle［J］.Grass and Forage Science，2000，55：97－104.

［33］Aydin A，Bahr C，Berckmans D.Measuring feed intake of broilers by real time sound analysis［C］.Chongqing：2013International Symposium on Animal Environment and Welfare，2013.