基于RFID的群养种鹅个体产蛋记录方法

孙爱东++尹令++石凯歌++施振旦+++阳希文

摘要：将无线射频识别（radio frequency identification，RFID）技术应用于种鹅产蛋情况跟踪记录，研发选育鹅产蛋性能的新技术。研究内容包括应用RFID设备标记和识别产蛋种鹅身份信息；在种鹅进出产蛋房时识别并记录种鹅身份和质量信息；通过建立鹅身份信息、进出产蛋房时间、质量变化等各数据库，运用综合分析法、神经网络、多线性回归等数学建模方法对数据进行分析及处理，构建种鹅产蛋分析系统并从数据记录中筛查产蛋鹅数据。设计并构建的种鹅产蛋分析系统为种鹅产蛋性能选育新技术的研发提供了新思路。

关键词：种鹅；无线射频识别；神经网络；多线性回归

中图分类号： TP274+.1文献标志码： A文章编号：1002-1302（2016）02-0420-04

收稿日期：2015-08-13

基金项目：国家自然科学基金（编号：30871795）；国家水禽产业体系专项基金（编号：NYCYTX-45-13）；江苏省科技支撑项目（编号：BE2012392）。

作者简介：孙爱东（1969—），女，浙江宁波人，硕士，副研究员，主要从事人工智能、专家系统、溯源系统等研究。Tel：（025）84391572；E-mail：sunad2002@163.com。

通信作者：施振旦，博士，研究员，主要从事动物繁殖研究。Tel：（025）84390956；E-mail：zdshi@jaas.ac.cn。近年来，我国鹅的消费量不断上升，然而国内大多数鹅种产蛋性能较低，并有季节性生产的特点，使我国养鹅业的发展速度受到制约。杨光荣等研究表明，凉山钢鹅、四川白鹅、川凉鹅品种的种鹅产蛋期为每年8月中旬至次年5月上旬，其年平均产蛋数分别为（29±2）、（45±3）、（50±6）个[1]。蔡来长等研究发现，马岗鹅的平均产蛋数为38.52个，其中个体母鹅最高产蛋数达78个，个体产蛋40个以上的超过50%，个体母鹅产蛋少者仅有7个，高产者与低产者相差10倍，个体母鹅年产蛋数不及30个的约占20%，表明马岗鹅产蛋性能差异较大[2]。扬州鹅通常于每年11月开产，至次年6月结束，平均产蛋数约为60～70个[3]。传统产蛋量记录方法多采用群体养殖的平均数；以试验或育种为目的的个体产蛋量记录方法主要为：产蛋期间头晚用手指检查每羽母鹅的阴道部是否有蛋贮存，次日验证鹅号捡蛋，立即记录[1]。蔡来长等采用产蛋箱的方式，每天04：00捉母鹅入箱产蛋，09：30开始放鹅出笼捡蛋，并按鹅肩牌编号进行产蛋记录和称蛋记录[2]。种鹅听觉灵敏，警觉性很强，易受惊吓发生应激反应而改变正常产蛋规律，上述2种个体产蛋记录方式均会造成种鹅的应激反应，影响数据的准确性。

养鹅技术的提高促进了养鹅业的产业化发展[4-5]，使提高种鹅产蛋性能变得更为急迫。目前的人工摸蛋措施常对鹅造成应激，导致卵泡发育异常并降低产蛋性能[6-8]，须设计一种能在自然状态下对每羽鹅进行应激探测并记录产蛋数的新技术。射频识别（radio frequency identification，RFID）技术是利用无线通信实现的一种非接触式自动识别技术，无须人工干预即可通过射频信号自动识别和记录目标对象信息，被应用于牛、猪等家畜的饲养与疫病防控[9-12]。本研究在不造成应激的自然条件下，探讨一种应用RFID和动态称质量技术解决种鹅识别和判断产蛋的方法。

1组成结构与工作原理

1.1RFID种鹅识别系统的工作原理

种鹅饲养一般为群体养殖，鹅舍内设有1～2个产蛋房。进入繁殖季节时，种鹅会自行进入铺有稻草的产蛋房中产蛋。本研究设计并构建了群养种鹅个体产蛋分析系统，包括通道装置、下位机（数据采集器）、上位机（数据库服务器）3个部分，系统架构见图1。通道装置由栅栏型隔离墙、2个读卡器、电子秤组成（图2）。2个读卡器并列安放在通道中，与下位机连接；电子秤置于读卡器之间，与下位机连接。上位机与下位机之间通过现场总线相连接。

1.2身份及判断进出产蛋房方向

将进入产蛋期的母鹅腿部佩戴电子标签。佩戴电子标签的种鹅经由通道装置进出产蛋房时，触发读卡器读卡，并由下位机记录标签号ID、日期、时间、读卡器编号；依据2个射频读写器读取同一ID信号的时间次序及读卡器顺序区分种鹅进出产蛋房的状态。读卡器1摆放在通道靠产蛋房的外侧，读卡器2则在靠产蛋房的内侧。种鹅进入产蛋房时读卡器1首先读到其ID号，之后是读卡器2，以此判断为进入；反之判断为走出。如果同一读卡器出现多条信息，则表示种鹅仍在产蛋房外或产蛋房内，未完全通过通道便折回。

1.3产蛋判断

电子秤置于通道中2个读卡器之间（图2）。通道的宽度设置使种鹅进出产蛋房时每次仅限制1羽通过，且必须经过电子秤。种鹅行进在电子秤台面时，触发下位机记录动态质量数据及时间。鹅蛋的质量约为120 g，因此通过对比同一羽种鹅进出产蛋房时的质量差，便可判断种鹅是否产蛋。如何计算行进中的种鹅质量是整个方案的关键。

2种鹅动态称质量建模

种鹅经过电子秤是一个动态过程。种鹅每次从电子秤上面经过，电子秤所读得的数据均是一系列动态过程的质量数据，因此有必要建立数学模型对所采集的动态质量数据进行处理。

在动态称质量系统中解决快速性问题是至关重要的，主要的解决思路有2条。（1）采取缩短过渡时间的方法，使系统尽快趋于稳定。目前采用的方法为动态补偿法，在测量系统输出端串连1个动态补偿环节，改善整个系统的动态性能，加快系统的响应速度，等待系统趋于稳态时得到被测量参数值，即在系统过渡过程结束后，利用系统的稳态值进行测量。（2）通过系统动态过渡过程的信息来提取被测量参数的信息。系统对外界激励的响应过程包含了系统自身的特征，即动态过渡过程包含了被称对象质量的信息。对称质量系统来说，当被测物料施加于系统上时，称质量系统自身的特征也发生了改变，特征量改变的大小与物体质量存在着一定数量关系，可通过系统的过渡过程包含特征量的改变间接进行测量。因此可将动态测量作为参数估计和预测问题来处理，即根据有关称质量系统的先验知识推导出含有未知参数的模型，并用该模型拟合称质量过渡过程信号。被测质量可看作称质量测力过程的终值，因此可用模型参数加以估计或预测得出。

目前，动态称质量主要应用于汽车等交通工具的质量测量，以及工程中配料定量的问题[13-15]，因此大部分动态称质量的经验公式并不适于本研究对象。经对比多种方法发现，本研究对象与鹅群所在的特定环境有较大关系。进入产蛋房通道的宽阔程度及平滑程度均会影响鹅的行走速度，而鹅行走过程中的快慢将直接影响测量装置所测得的鹅质量数值。饲养场本身的环境因素对鹅有较大影响。

基于以上情况分析，首先采用具有学习能力的神经网络解决这一类受环境因素影响较大的问题。神经网络要求大量数据作为输入，且神经网络相应的参数应针对不同电子秤进行恰当修改，这不利于简单实现系统，因此同时采用多线性回归的方法对以上问题进行求解。将神经网络和多线性回归2种方法得出的结果进行进一步对比，以决定在系统中采用的方法。

2.1神经网络动态称质量模型的构建

人工神经元网络简称神经网络，是一种旨在模仿人脑结构及其功能的信息处理系统。该系统由大量人工神经元按照一定拓扑结构广泛互连形成，并按照一定学习规则，通过对大量样本数据的学习和训练，把网络掌握的“知识”以神经元之间的连接权值和阈值形式储存下来，利用这些“知识”可实现某种人脑功能的推理机。

输入层（测量值数据）：共取9组测量工具测定的数据，考虑到种鹅进入和离开电子秤时数据起伏较大，较不可靠，因此选取电子秤读取的所有数据中位于中间9位的数据。

输出层（结果）：共1个数据，即鹅的实际质量。

Kolmogorov理论指出，具有单个隐含层的BP神经网络可映射所有连续函数，而具有双隐含层的BP神经网络可映射任何函数（包括不连续函数）。所要建立的映射关系是否连续尚不明确，因此先考虑具有单个隐含层的BP神经网络，如果无法满足要求则再加1个隐层。网络的输入是9维向量，输出是1个1维向量。隐层的节点数由经验公式[16]算出：

m=nl=9=3。

式中：m为中间层节点数；nl为输入向量维数。

中间层节点数为3个，由此可确定一个9-3-1的BP神经网络。

为实现网络输入和输出间的非线性映射，隐层神经元的传递函数采用对数Sigmoid函数f（x）=1/（1+e-x）。通常，BP神经网络的权值和阈值是通过沿着网络误差的负梯度方向进行调节的，最终使网络误差达到极小值或最小值，即在这一点误差梯度为零。限于梯度下降算法的固有缺陷，标准的BP学习算法通常具有收敛慢、易陷入局部极小值等缺点，因此出现了许多改进的算法。改进的BP算法可依据改进途径分为两大类：采用启发式学习方法，如引入动量项因子的学习算法、变学习速率学习算法、“弹性”学习算法等；采用更有效的数值优化方法，如共轭梯度学习算法、quasi-Newton算法、Levenberg-Marquardt优化方法等。本研究采用Levenberg-Marquardt优化方法对BP神经网络的权值和阈值进行训练，对神经网络的构建过程如下。第1步：定义BP网络输入向量组成的矩阵P、目标输出向量组成的矩阵T；第2步：创建新的神经网络；第3步：训练BP网络；第4步：输入、输出、测试。

2.2多重线性称质量模型的构建

多重回归（multiple linear regression）与多重相关（multiple correlation）是研究一个因变量和多个自变量之间线性关系的统计学分析方法。本研究将鹅的实际质量作为因变量，将电子秤所得的多个动态数据及鹅经过电子秤的总时间长度作为自变量，进行多重线性回归以获得实际质量。

对于多重线性称质量模型的构建，首先须确定自变量。种鹅通过电子秤的总时间长度不同，电子秤所读得数据的多少也不同。对于通过电子秤花费时间较长的种鹅，电子秤所读得的数据也相应较多。种鹅在电子秤上的实际运动情况会对电子秤的读数产生影响，如果种鹅花费时间较长，表明其行走速度较慢，电子秤所得数据相对比较稳定，否则相反。种鹅通过电子秤期间所花的总时间应作为自变量，同时取部分动态称质量结果值作为自变量。如果取值较多，则无法突出种鹅总花费时间作为自变量的特点，因此最终选择种鹅通过电子秤的总花费时间值，以及处于时间中点处和偏移2个时间单位处电子秤所获得的共3个质量值作为自变量。

第1步：从电子秤读取一系列动态称质量数据。通常1羽种鹅经过电子秤可能得到的数据是0.20，0.60，0.90，…，2.01，2.02，2.02，2.04，…，0.50，0.40，0.10 kg。种鹅刚踏入和刚离开电子秤时，数值较小且变化较大；而到中点附近时才具有较为稳定可靠的数据。第2步：在电子秤读入每个数据时系统会记录相应时间。通过记录的时间算出种鹅经过电子秤所花的总时间，并作为自变量。第3步：选择处于时间中点、与时间中点偏移2个时间单位处电子秤所获得的共3个质量值（分别为数值1、数值2、数值3）作为自变量。第4步：采用人工方法限制种鹅行动，并测其实际质量作为因变量。第5步：采用SPSS统计软件进行多线性回归求解。

3试验验证

在鹅群中随机选择12羽种鹅，通过轻拍安抚的方式尽量使鹅趴伏在秤台上，从而得到一段相对稳定的数据作为种鹅的实际质量。将30 cm×40 cm的秤台放置于宽40 cm、长 200 cm 的通道中，电子秤控制器通过RS232串口线与PC机相连，PC机以20条/min的频率按时间顺序保存时间、秤台质量数据。种鹅通过通道自由活动于两侧空间。1羽质量为2.07 kg的种鹅经过秤台时，获得数据及提取质量数据见表1。建模后进行试验验证。

3.1神经网络动态称质量验证

采用2组已经过人工验证的数据进行检验。第1组的实际质量为2.06 kg，第2组的实际质量为2.08 kg。由程序运行结果（图3）可知，经过神经网络程序判断的结果分别为 2.070 2、2.078 2 kg，与实际质量相比误差分别为10.2、1.8 g。允许具有120 g内的误差，因此结果正确。经多次验证所得的结果基本符合要求，误差范围可以接受。

3.2多重线性称质量验证

使用SPSS软件进行多重线性称质量建模，并获得分析结果（表2）。模型确定鹅的实际质量应为数值1的0.018倍+

数值2的0.485倍+数值3的0.408倍+时间间隔的1.515×10-5倍+常数×0.173。其中，数值2是电子秤所测各段时间中点时的质量，数值1、数值3分别为偏移2个时间单位的质量。经多次测试误差普遍在30 g左右，由于鹅蛋质量通常约为120 g，远大于30 g，因此结果可取。

3.3神经网络称质量模型与多线性回归称质量模型的比较

在正确性方面，神经网络方法所得到的值比较准确，但多线性回归方法同样可行。在易用性方面，多线性回归得出的公式可直接使用，而神经网络没有固定公式，编程和调用比较复杂。目前系统的目的是判断种鹅是否产蛋，并不是要得到种鹅的精确质量。2种方法同时可行的情况下，多线性回归方法比较简单、易实现，对于系统维护、拓展功能等方面具有实用意义，因此在构建系统过程中选择采用多线性回归的方法。

4应用展望

本研究设计并实现了种鹅产蛋分析系统。本系统综合运用RFID技术对数据进行采集，应用神经网络及多线性回归的数学方法对数据进行分析，采用C#、ACCESS数据库应用等编程知识构建系统。经试验，本系统能够正确检测出种鹅是否产蛋，从而为种鹅的选种提供有力依据。如果要进一步拓展本系统可加强硬件设备，从而避免数据的漏读和误读。如果在算法上加入图像识别系统，将进一步解决某些特殊情况产生的问题。生产现场还须采取措施保证电子秤所处环境干净、整洁，并解决零点漂移问题。本系统可应用于种鹅养殖场，自动记录不同种鹅的产蛋情况，为判断不同鹅高产与否提供依据，也为种鹅的正确选种提供有力保证。

参考文献：

[1]杨光荣，张德玉，黄志秋，等. 鹅产蛋量及产蛋规律的研究[J]. 中国家禽，1997（10）：19-20.

[2]蔡来长，杨承忠，容振坤，等. 马岗鹅产蛋规律的研究[J]. 中国家禽，2000，22（2）：12-14.

[3]赵万里，王志跃，龚道清，等. 扬州鹅产蛋规律的初步研究[J]. 中国家禽，2004，26（15）：15-16.

[4]Sun A D，Shi D，Huang Y M，et al. Development of out-of-season laying in geese and its impact on the goose industry in Guangdong Province，China[J]. Worlds Poultry Science Journal，2007，63（3）：481-490.

[5]孙爱东，梁少东，施振旦. 广东省鹅反季节繁殖和生产经济效益分析[J]. 中国家禽，2005，27（4）：17-19.

[6]施振旦，黄运茂，吴伟. 鹅产蛋周期及其生理学调控机制研究的回顾[J]. 中国家禽，2008，30（9）：1-5.

[7]Huang Y M，Shi Z D，Liu Z，et al. Endocrine regulations of reproductive seasonality，follicular development and incubation in Magang geese[J]. Animal Reproduction Science，2008，104（2/3/4）：344-358.

[8]Shi Z D，Tian Y B，Wu W，et al. Controlling reproductive seasonality in the geese：a review[J]. Worlds Poultry Science Journal，2008，64（3）：343-355.

[9]周仲芳，游洪，王彭军，等. RFID技术在活猪检验检疫监督管理中的应用研究[J]. 农业工程学报，2008，24（2）：241-245.

[10]Gay P，Giuffrida M P，Piccarolo P，et al. Livestock and farm management improvement using RFID Technologies[C]. Nitra，Slovakia：32th CIOSTA Congress：Advances in labour and machinery management for a profitable agriculture and forestry，2007：269.

[11]Ng M L，Leong K S，Hall D M，et al. A small passive UHF RFID tag for livestock identification[C]. Beijing，China：IEEE 2005 International Symposium on Microwave，Antenna，Propagation and EMC Technologies for Wireless Communications Proceedings，2005：67-70.

[12]Leong K S，Leng N M，Cole P H. Investigation on the deployment of HF and UHF RFID tag in livestock identification[C]. Honolulu，HI，USA：Antennas and Propagation International Symposium，2007.

[13]殷峻暹，陈守煜，邱菊. 基于遗传与BP混合算法神经网络预测模型及应用[J]. 大连理工大学学报，2002（5）：594-598.

[14]徐科军，江敦明. 称重传感器自适应动态补偿方法[J]. 仪表技术与传感器，1997，18（5）：12-14.

[15]毛建东. 动态称重系统的动态补偿和校正[J]. 食品与机械，2006，22（2）：84-86，94.

[16]沈小倩，蔡晋辉，姚燕，等. 遗传神经网络在动态称重中的应用[J]. 传感技术学报，2010（9）：1359-1363.

丰莎，缴锡云，虞晓彬，等. 由土壤物理性指标估算入渗参数的方法 [J]. 江苏农业科学，2016，44（2）：424-426，433.