基于无线传感器网络的金丝猴监测系统平台

刘晨　陈昊　陈锋　王晔竹　赵菁菁

摘 要：设计一个基于无线传感器网络的野生动物监测系统，用于监测国家一级保护动物金丝猴的生存环境及其活动规律，为金丝猴保护工作提供有效的数据积累和重要的科学依据。该监测系统包括适用于野外环境的硬件平台以及数据分析平台，实时、长期的对金丝猴进行监测。同时可实现金丝猴个体识别，定位跟踪以及金丝猴生境条件与其生存状态之间的关系分析。目前，该原型系统已部署于陕西省秦岭玉皇庙金丝猴保护区。

关键词：无线传感器网络；金丝猴监测；物联网；定位

中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2015）02-00-04

0 引 言

金丝猴是国家一级保护动物，大多分布于中国西南部和中部的温带地区，如图1所示。然而近些年由于人为因素干扰与破坏，其生存面临越来越严重的威胁与挑战。从世界《红皮书》中不难看出，世界上已有相当一部分的高等动植物濒临灭绝，金丝猴整体数量更是呈现出逐年递减的趋势，因此如何对金丝猴进行科学监测，研究其行为规律，进而实现对其有效保护迫在眉睫。

当前，人工观测和记录的方式通常用于金丝猴的行为和生境信息监测，其数据可靠性可想而知。此外对数据的记录、汇总和上传同样会面临诸多困难，比如大量野外数据表格的填写、录入和上传，经常会遇到毁损和丢失，造成长时间数据上传的不同步，影响最终分析的效率。

同时，人工方式往往仅能获取少量的短期数据，由于长期、实时观测数据的匮乏，无法反映出金丝猴的生存环境和活动习性，从而导致其生态习性、生理特点、活动规律、栖息地环境的研究工作难以顺利开展。此外，金丝猴的生存环境是原始的生态系统，在定位跟踪目标方面有一定的困难性和危险性，难以准确识别众多金丝猴个体，往往可能出现跟踪丢失，导致收集的数据有遗漏。最后，在人工调查数据模式中时空是割裂的，难以对所获取的数据进行时间、空间、现象的综合完整分析。因此，传统的人工方式不仅会降低监测保护工作的效率，还会为后期的数据分析带来巨大困扰，降低其科学价值。

基于上述分析，如何运用新的技术手段对野生动物的生存环境进行有效监测，同时在有效个体识别并获取其位置信息的基础上对动物活动规律进行科学分析，是亟待解决的问题之一。

无线传感器网络（Wireless Sensor Networks， WSN）在野外大范围野生动物监控保护中极具优势。在金丝猴的生存环境中部署大量的传感器节点，研究者可以通过不干扰野生动物正常生活的情况下，利用WSN技术，长期、实时、协作地感知监控区域环境信息以及野生动物行为活动信息，研究其生境信息和行为活动规律，为建立濒危种群人工饲养环境积累重要数据。

随着无线传感器网络的广泛应用，出现了一些使用无线传感器网络监测野生动物的应用案例。例如DuckIsland[1]和Zebranet项目[2]。然而上述系统缺乏有效的数据分析，同时其个体识别的方法是通过被监测目标携带RFID标签来实现的。然而对金丝猴等国家珍稀野生动物携带标签或者嵌入RFID需要得到国家林业局批准，同时，给大型珍稀野生动物带项圈或者植入RFID需要麻醉，会有致死危险。因此，上述方法对于金丝猴的监测是不适用的。

综上所述，尽管国内外已经出现了众多基于无线传感器网络的野生动物监测研究案例，但将其部署在真实的野外环境中，通过传感器节点间协作，实时感知动物的生境信息和活动规律仍然面临着以下挑战：

挑战一：节点能量受限

通常传感器节点依靠3.6伏干电池供电，以节点每30分钟采样一次（可以根据不同的应用需求设置）为例，实验表明节点生命周期一般仅能维持几个月。然而，对金丝猴的监测与分析是需要一年甚至几年时间的数据积累，此外，金丝猴所生存的环境大多是人迹罕至的野外环境，人工更换电池也相对困难。因此，如何采用有效的手段延长节点寿命，进而延长网络生存周期，以达到对金丝猴长期监测的目的是所面临的挑战之一。

挑战二：数据分析瓶颈

如何结合动物保护专家经验，同时如何充分利用已有传感器节点感知的数据实现个体识别、位置信息判定是金丝猴监测的关键。因此对传感器网络实时感知的大量数据信息进行有效分析与智能处理是所面临的又一挑战。

为此，本文设计了一个NISL系统（以所在实验室的名字命名）监测秦岭保护区（如图2所示）内的金丝猴生境信息及其活动规律。该系统包括专为野外环境下设计的传感器节点、网关以及数据分析软件平台。系统架构如图3所示，传感器节点部署在金丝猴活动的区域，实时采集环境中温湿度、光照以及视频、音频等数据，通过对数据的有效分析，实现对金丝猴日常活动规律、个体识别以及环境因素与其生存状态之间关系的分析与判定。

图1 金丝猴 图2 秦岭金丝猴保护区

图3 NISL 系统架构图

1 相关工作

近年来，随着WSN技术的不断发展，国内外出现了较多的将WSN用于动物监测的案例[3-10]。其中最为典型的是2002年美国加州大学伯克利分校“In-Situ”研究组在缅因州大鸭岛（GreatDuck Island）部署传感网，开展对海燕的监测，通过43个传感器节点协作感知光敏、温湿度、压力、红外等信息，对其生存的微环境和巢穴进行监测，首次实现了对野生动物的无入侵式智能监测[1]。

2003年，TekSensor项目[11]，通过使用有源RFID实时监测跟踪家畜的活动，可以实现对牛的位置信息以及其体温的实时监控，及时掌握家畜的健康情况，便于对体温不正常的家畜进行早期治疗。来自剑桥和哈佛大学的研究者Vladimir Dyo[12]等提出了一个RFID-WSN相结合的系统监测欧洲獾，其目的在于获取这种动物的生活习性以及它们对自然资源的要求。通过动物在洞穴中的移动情况来了解洞穴的结构，在优化的系统之上对收集到的数据进行分析。美国普林斯顿大学ZebraNet项目[2]，通过设计GPS 传感器节点，安装于斑马身上，达到对其进行实时全天候的跟踪监测。澳大利亚南威尔士大学TRAN等用声音传感器监测两栖动物种群[13]，在澳大利亚北部的季风林地中，利用动物发声自动识别普查本土青蛙和外来物种入侵的蟾蜍种群， 同时实现对蟾蜍分布、栖息情况等信息的获取。

此外，还有一些用于海洋动物追踪的研究，其主要技术手段是通过将水下电子射频标签安装在海洋鱼类和其它海洋动物身上，以达到对其跟踪的目的。美国杜克大学，利用水下电子芯片标签针对海龟的活动展开了相关研究[14]；来自加拿大的海洋动物科研小组，通过将研制的专门水下电子芯片植入大马哈鱼体内，跟踪其在海洋中移动的各项参数信息[14]。

2 硬件平台设计

根据野外环境下对于金丝猴监测的应用需要，其关键在于设计出针对野生动物如金丝猴监测的智能感知节点，如何利用太阳能为传感器节点提供稳定而持久的能量，使节点能够可靠工作，提高传感器节点的野外生存能力，使其能够长期监测野外环境中的温湿度、光照、风速风向等生境因子以及获取监测区域内，动物活动的音、视频等信息。

为此，本文所设计的硬件平台包括以下两个部分：传感器节点以及无线网关，其中传感器节点分为环境监测节点和音频-视频节点。为了使节点能够适用于野外的环境，提高其抗野外恶劣天气的能力，所有的硬件设备均采用不同规格的盒子进行了封装，同时为了延长系统的生命周期，所有的节点以及网关均由太阳能供电。

2.1 传感器节点

2.1.1 环境监测节点

野外无线传感器节点，采用太阳能与锂电池相结合的方式供电。如图5左边部分所示。核心芯片采用Atmega128L单片机，通信芯片采用CC2420，通信方式采用ZigBee，电源管理芯片采用CN3063。可实时感知环境中的温度、湿度、光照等信息。

2.1.2 音频-视频节点

无线传感器网络音视频节点，如图4所示。其能够收集感知动物的声音和图像数据，同时依靠RSSI驱动机制，根据目标对RSSI的影响，实时打开摄像头，采集监测区域内的图像和音频信息，以达到有效节省节点能量的目的。

2.2 无线网关

无线网关用于收集野外环境下的无线传感器网络感知数据并通过GPRS远程传输到服务器端。其核心采用ARM9 设计，集成 ZigBee协议和GPRS通信技术。内置蓄电池，并采用太阳能板供电，核心处理部分置于金属铝盒内，可实现野外环境下的长期使用，如图5右边所示。

图4 无线传感器音视频节点

图5 传感器节点及无线网关

3 数据分析平台

3.1 个体识别

金丝猴是国家一级保护动物，携带标签或者植入RFID需要报国家审批，同时由于金丝猴动作灵活，因此携带标签非常困难。本文根据不同金丝猴个体的声音差异，通过对原始的声音数据进行滤波和频谱分析，可以有效区分不同个体。如图6所示，图中是两个不同的金丝猴个体的声音数据在时域与频域上的曲线图，其中图6上半部分是原始声音数据的时域图，可以看出两个个体在叫声长短上有所不同，通过频域分析，如图6下半部分所示，不难看出不同个体的主要频域范围有所不同。因此，可以通过对金丝猴声音数据进行时域和频域的变化分析，区分不同个体，同时，为了保证个体识别的准确度，该系统同时结合了视频传感器的数据进行分析判断。

图6 不同金丝猴个体的声音频谱图

3.2 目标定位与跟踪

由于金丝猴自身特点和其生存的野外环境，使得目标无需携带任何收发设备的被动式目标定位方法尤为适合[15]。因此，本文设计了一种基于RSSI驱动的视频监测方法用于金丝猴的定位与跟踪。在初始阶段，所有的视频节点均处于休眠状态，当节点RSSI值超过其设定的阈值时，视频节点的摄像头自动打开，通过视频图像识别出金丝猴，再通过基于多链路检测的被动式目标定位方法——单元检测模型对其进行定位跟踪。

如图7所示，单元检测模型包括三条通信链路，由边长为L米的等边三角形构成，我们将其中一条链路（如图所示为节点l与节点3形成的通信链路）所覆盖的区域划分为s×t（如7×5） 个小方格，每个小方格的边长为0.5米。先验知识的获取是通过目标依次遍历每个方格位置，分别收集三条链路对应的RSSI值，构成先验RSSI向量。定位阶段，当目标移动到监测区域时，首先根据不同节点的RSSI值判定出当前有效的单元检测模型，再通过当前三条链路的RSSI值形成的RSSI向量，根据建立好的单元检测模型，对目标的位置做出估计。

这里引入贝叶斯概率来建立单元检测模型。当一个目标进入监测区域时，定义为当前三条链路的RSSI向量。该模型的输入为三条链路的RSSI值所构成的RSSI向量，模型的输出同样是目标可能的位置。L为所有位置的集合，即图7中所有划分的小方格，R为RSSI向量的集合。则目标的位置为l∈L的概率可由以下公式计算得到：

（1）

则目标的可能位置l是具有最大概率的所对应的位置，即：

（2）

假设所有的位置具有相同的概率，因此可以得到P（l）是常量，对于所有的位置l，式（2）中是一样的，进而上述公式可以等效为：

（3）

综上所述，具有最大先验概率的位置l的坐标就是目标可能的位置（xi，yi）。

图7 单元检测模型

4 结 语

本文设计并实现了一个应用于金丝猴监测的无线传感器网络应用系统，目的是通过长期、实时感知金丝猴的环境数据，分析其最佳生存状态，并进行有效的个体识别与定位跟踪。同时设计了适用于野外环境下的一套硬件平台系统。其原型系统部署在秦岭玉皇庙金丝猴保护区。然而，本文所提出的数据分析方法还需要较长时间的数据积累，同时扩大模型的适应性也是今后工作的一个方向。

参考文献

[1] Polastre J.， Szewczyk R.， Mainwaring A.， et al. Analysis of wireless sensor networks for habitat monitoring[J]. Wireless sensor networks， 2004（4）：399-423.

[2] Juang P. Oki H. Wang Y.， et al. Energy Efficient Computing for Wildlife Tracking：Design Tradeoffs and Early Experiences with ZebraNet[C]. In Proc. of the 10th Annual Conference on Architectural Support for Programming Language and Operating Systems， San Jose， New York， USA， 2002，96-107.

[3] P. Sikka . Corke， P. Valencia. Wireless Adhoc Sensor and Actuator Networks on the Farm[C]. In Proceedings of IPSN 06， 2006.

[4] Markham A.， Trigoni N.， Ellwood S.A.， et al. Revealing the hidden lives of underground animals using magneto-inductive tracking[C]. In Proc. of the 8th ACM Conference on Embedded Networked Sensor Systems（SenSys10）， Zurich， Switzerland，2010：281-294.

[5] Sikka P.， Corke P.， Valencia P.et al. Wireless Adhoc Sensor and Actuator Networks on the Farm[C]. In Proc. of the 5th international conference on Information processing in sensor networks（IPSN06）， Nashville， TN， USA， 2006： 492-499.

[6] Guo Y.， Corke P.， Poulton G.， et al. Animal Behaviour Understanding using Wireless Sensor Networks[C]. In Proc. of the 31st IEEE Conference on Local Computer Networks（LCN06）， Tampa， Florida， USA， 2006：607-614.

[7] Venkatraman S.， Long J.D.， Pister K.S.J.， et al. Wireless Inertial Sensors for Monitoring Animal Behavior[C]. In Proc. of the 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society（EMBS07）， 2007：378-381.

[8] Pereira D.P.， Dias W.， Braga M.， et al. Model to integration of RFID intoWireless Sensor Network for tracking and monitoring animals[C]. In Proc. of the 11th IEEE International Conference on Computational Science and Engineering（CSE08）， S?o Paulo， Brazil， 2008：125-131.

[9] Nadimi E.S.， Sogaard H.T.， Bak T.， et al. ZigBee-based wireless sensor networks for monitoring animal presence and pasture time in a strip of new grass[J]. Computers and electronics in agriculture， 2008， 61（2）：79-87.

[10] Dyo V.， Ellwood S.A.， Macdonald D.W.， et al. Evolution and Sustainability of a Wildlife Monitoring Sensor Network[C]. In Proc. of the 8th ACM Conference on Embedded Networked Sensor Systems（SenSys10）， Zurich， Switzerland， 2010：127-140.

[11] Radenkovic M.， Wietrzyk B. Wireless Mobile Ad-hoc Sensor Networks for Very Large Scale Cattle Monitoring[C]. In Proc. of the ASWN06， Berlin， 2006：47-58.

[12] Dyo V.， Ellwood S.A.， Macdonald D.W.， et al. Wildlife and Environmental Monitoring using RFID and WSN Technology[C] In Proc. of the 7th ACM Conference on Embedded Networked Sensor Systems（SenSys09）， Berkeley， California， USA， 2009：371-372.

[13] W Hu，C Tung Chou，S Jha，et al，Design and Evaluation of a Hybrid Sensor Network for Case Toad Monitoring[J]. ACM Tranaactions on Sensor Netwoks，2008，2（5）：3-28.

[14] 惠良. 海洋动物追踪新技术[J]. 世界环境， 2004（5）： 54-55.

[15] 邢天璋，常俪琼，刘晨，等. 无线传感器网络中基于二次估计的被动式目标定位方法[J]. 西北大学学报（自然科学版），2014，44（4）：563-567.