牛行为监测技术及分类方法研究进展

郭 阳，陈桂鹏，丁 建，严志雁，梁 华

(江西省农业科学院 农业经济与信息研究所/江西省农业信息化工程技术研究中心，江西 南昌 330200)

随着我国人民生活水平的提高，牛肉消费需求不断增加。我国人均牛肉消费量从2015年的1.6 kg上升到2018年的2.0 kg[1]，江西省人均牛肉消费量从2015年的1.6 kg上升到2018年的2.2 kg[2]。联合国贸易数据(UNComtrade)和联合国粮食及农业组织(FAO)的数据显示，中国牛肉产量从2007年的626.2万t上升到2018年的644.1万t，中国牛肉产量大幅上升，同时，中国牛肉进口量从2007年的0.36万t上升到2017年的69.50万t，中国牛肉进口量也大幅提高，但相对人们对牛肉消费需求的增长来看，牛肉的供给还存在很大的缺口[3]。为推进牛肉市场健康发展，近年来，我国不断扩大肉牛养殖业的规模，饲养肉牛数量总体上保持着快速增长势头，同时养牛业的发展对我国农村经济建设发挥着重要作用，成为增加农民收入的主要途径[4]。

传统养牛方式消耗大量的人力物力，特别是劳动力成本上升导致养殖成本急剧上升[5]。同时，由于缺乏自动监测诊断工具，仅依靠人工经验难以准确及时地获取牛的行为特征和健康状况[6]。采用先进传感技术、智能传输技术和农业信息处理技术，可以实现牛养殖信息的智能感知、安全可靠传输以及智能处理，达到牛行为监测、识别分类以及疾病诊断与预警的目的，对推进养牛业发展具有重要的意义[7]。

1 行为监测技术

动物行为反映动物生理健康，监测动物行为可为疾病预警与诊断提供依据。加快养殖行业数字化、信息化，实现动物行为的实时监测，就要发展智能感知、无线传输、智能处理等技术[8]。目前用于监测牛行为的技术主要有声音监测技术、机器视觉技术、无线传感器技术。

1.1 声音监测技术

动物发出的声音信号与行为密切相关，利用识别算法从大量声音信号中提取出采食信号，监测牛采食行为[9]。对声音信号处理分为声音信号采集、预处理、声音信号数字化以及特征提取。声音采集利用声音传感器模块实现动物反刍声音信号采集，包含吞咽、反呕和咀嚼等声音信号；预处理防止干扰噪声对数据产生影响，对声音信号放大并消除环境噪声信号。牛发生吞咽、反呕和咀嚼等行为时，会发出不同的声音，通过声音频率提取吞咽、反呕和咀嚼等3种声音。

姚意[10]通过麦克风采集反刍声音，nRF51422芯片处理反刍声音数据，nRF51422芯片自带ANT网络作为反刍采集节点实现组网并发送到ANT集中器，再传送到PC，完成奶牛反刍信息采集，并采用反刍识别算法识别奶牛反刍声音。张爽[11]研发了一种佩戴在奶牛颈部的监测项圈，用来采集奶牛反刍声音、采食声音的数据，该设备采用麦克风传感器，利用声音识别算法识别反刍信号，实现反刍行为监测，结果表明：该设备反刍识别精度达到90%，较好地实现了奶牛反刍行为监测。王莉薇[12]设计了一种可穿戴设备，用来监测奶牛反刍声音信号、反刍姿态信号，利用音频识别算法提取反刍声音特征，实现反刍声音的分类，同时根据奶牛反刍颈部行为变化进行姿态分类，融合声音监测和姿态监测实现了反刍行为更精准的分类，结果表明：该可穿戴反刍设备精度达到81.3%，提高了反刍识别的准确率。Navon等[13]通过声音传感器监测放牧状态下奶牛采食行为，将声音传感器佩戴在奶牛前额上，采集奶牛下颌运动产生的数据，并采用机器学习算法去除背景噪声，实现采食声音信号分类，从而实现放牧时期对奶牛采食量的监测，结果表明，该声音监测系统识别正确率达到94%。Chelotti等[14]通过声音监测系统自动获取动物的采食和反刍行为，通过无线网络节点实现数据传输，利用实时决策逻辑算法测量信号频率、振幅，完成奶牛采食和反刍行为的分类，结果表明，采食行为正确率达到了97.4%，反刍行为正确率为84.0%。Deniz等[15]开发了一种基于嵌入式的声音采集监测系统，包含微控制器模块、音频模块、电源模块、GPS模块、无线网络模块，微控制器对麦克风获取的声音进行监测分类，并量化奶牛采食行为，结果表明，该系统在不分类情况下采食行为正确率达到92%，咀嚼、咬合以及咀嚼-咬合三类事件正确率达到78%。Vanrell等[16]设计了一种声音采集监测系统，监测觅食过程中产生的声音，采用一种基于分割分类正则化算法完成奶牛觅食活动分割与分类，结果表明，对于反刍和放牧行为分类的F1-score指标均高于0.89，能够长期监测奶牛采食和放牧行为，实现精准畜牧业。

采用声音传感器采集数据，实时获取吞咽、反呕和咀嚼行为，帮助饲养员及时判断牛的身体健康，减少人工投入，提高生产性能，实现数字化、智能化养殖。但是采用声音传感器的可穿戴设备体积比较大，长时间穿戴会产生应激反应。同时，家畜运动、争斗会造成设备位置偏移或者脱落，导致采集数据产生误差，而且声音识别范围窄，仅对特定动物有效，识别效果不理想。

1.2 机器视觉技术

随着人工智能、图像处理等信息技术的发展，机器视觉技术作为信息技术领域一个新兴的应用方向而广泛应用于数字化农业领域[17]。利用摄像机记录动物的视频、图像，包含信息较为丰富，通过利用图像处理实现动物行为识别、分类，可以提高动物福利，节约资源和人力成本[18]。

Chen等[19]为了克服传统的反刍动物检测方法的局限性，提出了一种视频技术的奶牛反刍行为检测方法。采用均值漂移算法精准跟踪奶牛下颌运动，从视频中提取牛嘴运动的质心轨迹曲线，实现奶牛反刍行为监测。通过手动选取奶牛嘴部区域，提出了基于视频分析技术的奶牛反刍行为检测方法，采用Mean-Shift算法准确地跟踪奶牛的下颌运动，提取出牛嘴部运动的质心轨迹曲线，实现了对奶牛反刍行为的监测，采用40个视频片段进行分析，结果表明，奶牛反刍行为的平均检测正确率为92.03%，该方法对奶牛反刍动物行为进行监测是可行的，但由于采用单头奶牛作为研究对象，自动化程度不高，对多头奶牛反刍行为的监测效果不理想。Reiter等[20]通过视频技术检测奶牛反刍时间和反刍次数，采用Smartbow算法获取奶牛的反刍时间，进而对奶牛19 d(每天24 h)的录像数据分析，与饲养员直接观察奶牛反刍行为进行对比，结果表明，奶牛每小时反刍时间Smartwell算法比目测值低1.2%，奶牛每小时反刍次数Smartwell算法比目测值高3.6%。赵凯旋等[21]采用视频技术检测奶牛呼吸频率，录制了72头奶牛侧卧视频，每头奶牛录制5 min，总共360 min，采用光流法分析奶牛侧卧呼吸时奶牛呼吸区域与腹部起伏规律，得到了呼吸特征值与时间变化的关系，结果表明，奶牛的呼吸频率与异常检测准确率分别为95.68%、89.06%。何东健等[22]采用视频分析对犊牛躺、站、走和跑跳等行为进行了分类，采用一种改进的目标检测方法，提取视频中犊牛目标，通过快速聚类算法对犊牛行为分类识别，结果表明，躺的正确率高达100%、站正确率高达96.17%、走正确率高达95.85%、跑跳正确率高达97.26%。温长吉等[23]采用视觉词典法能实现对母牛产期行为的识别，对90组规定视角下母牛产前行走、侧卧和回望等典型行为的平均正确识别率约为94.6%，对30组水平随机视角下拍摄的上述3种行为的平均正确识别率约为88.3%。康熙等[24]提出了机器视觉技术实现跛行检测、分类，采集了300头奶牛总时长81 min的行走视频，通过机器视觉技术识别奶牛行走，采用时空差值算法检测跛行牛蹄定位地点，通过牛蹄定位试验和跛行检测试验，其正确率分别达到了93.3%和77.8%。

机器视觉技术这种无接触的识别方法不会像外带装置一样影响动物的活动，避免造成动物伤害，有助于提高动物福利，对自动化、智能化养殖具有重大意义。但是机器视觉对牛行为监测视频的采集环境要求苛刻，对算法依赖高、难以对多个目标进行有效的识别，不利于精准监测动物行为。

1.3 无线传感器网络技术

无线传感节点设计小巧、易于固定，能够实时采集和发送数据，所以无线传感技术是单个动物行为监测最合适的方法。无线传感器网络技术通过使用传感器设备将被测量的数据转换电信号输出，传感器通过无线网络发送接收那些采集进来的数据信息，实现多种数据的实时监测。随着无线传感器的发展，广泛应用于动物体温、行为、发情的监测。

Zambelis等[25]将加速度计耳标用于监测奶牛行为时间与人观察进行对比测试，相关强度结果：活动>进食+反刍>反刍>进食(误差大)，因为进食和反刍总时间与人观察的接近，可能是反刍与进食时间相互误识别，且进食时间过多识别为反刍时间而导致误差较大。Ruuska等[26]利用传感器记录奶牛进食、反刍和饮水行为时间。将测量值与6头奶牛连续72 h实际记录的时间对比，进食时间频率分别为3.8 min/h和3.2 min/h，反刍时间频率分别为3.2 min/h和3.2 min/h，饮水时间频率分别为0.2 min/h和0.1 min/h。尹令等[27]利用无线传感器网络记录奶牛体温、脉搏、呼吸频率、运动加速度发送至监测中心，识别奶牛的当前身体状态以及是否发情。田富洋等[28]通过传感器实时检测奶牛颞窝部位的运动来计算奶牛的采食量，通过观察奶牛的采食规律，提供精细化饲养方案。

2 行为分类方法

在声音检测技术、机器视觉技术、无线传感器网络技术识别动物行为的基础上，采用行为分类算法对动物行为分类，可以提高动物行为分类的效果。模式识别是通过计算机用数学方法来研究人或动物行为，可以用于动物行为信息分类，常用的模式识别方法有K近邻算法、贝叶斯决策、K均值聚类、支持向量机和人工神经网络等[29]。下文综述了应用最广的3种算法——K均值聚类算法、支持向量机算法、人工神经网络算法。

2.1 K均值聚类算法

K均值聚类指将一堆没有标签的数据自动划分成几类的方法，并保证同一类的数据有相似的特征，是一种经典的聚类算法，简单易行[30]。K均值聚类算法简单、效率高，成为应用最广泛的聚类算法之一，应用于畜禽行为识别分类[31]。

王莉薇[12]提出基于K均值聚类算法和支持向量机分类算法结合进行奶牛反刍分类，结合牛反刍行为变化特征，提取并选择对分类器最有用的和最重要的特征向量，有效地解决高维数据分类，得到更精确的反刍分类结果，结果表明，单独支持向量机方法的准确率为73.6%～90.1%，利用K均值聚类+支持向量机方法的准确率为83.3%～93.2%。谭骥[32]采用一种改进的模糊聚类算法——半监督模糊聚类算法，结合了监督学习算法和无监督学习算法的优点，通过先训练样本再进行聚类，分析奶牛进食、平躺、站立、平躺动作、站立动作、快走、慢走7类运动行为，结果表明，平均准确度达到95.4%，比K均值聚类算法、BP神经网络算法平均精密度分别提升了5.1、1.7个百分点。从算法运行时间来说，改进的模糊聚类算法耗时556 ms，短于BP神经网络算法的1227 ms，但是加入了学习过程，略长于K均值聚类算法的364 ms。刘艳秋[33]提出了一种基于K均值聚类-BP神经网络算法识别母羊产前运动行为，利用K均值聚类算法具有良好的鲁棒性，对母羊静态行为分类，识别母羊趴卧状态，识别正确率高达99%。进一步结合BP神经网络模型对母羊产前站立、行走、刨地行为进行识别，识别正确率分别为85.71%、88.88%、80.00%。尹令等[27]采用的K均值聚类算法对奶牛行为进行多级分类识别，能准确区分奶牛静止、慢走、爬跨等行为特征，从而监测奶牛健康情况。沈维政等[34]利用K均值聚类算法对奶牛行为进行分类，静止、微动、慢走、爬跨和快跑等行为准确率分别为71.77%、74.42%、76.15%、78.23%、80.80%，通过试验分析各种行为所占时间的比例，预测奶牛的发情和身体异常情况。

K均值聚类算法的优点是相对容易理解和实现，时间复杂度较低；缺点是对预先输入的分类数目较为敏感，对噪声和离群值较为敏感，只用于数值类型数据，不适用于绝对值类型数据，不能解决非凸数据，容易陷入局部最优。

2.2 支持向量机算法

支持向量机是一个二分类器，寻找一个最优的决策边界，将两类样本分开，广泛应用于行为识别领域[36]。在智能化养殖领域，支持向量机已经成功地应用于动物行为识别、动物健康诊断[37]。支持向量计算法通过把动物行为信息定义为一个实体空间，行为信号转化为特征向量，实现动物行为的智能分类。

Hamilton等[38]提出了一种加速器传感器融合支持向量机识别奶牛反刍方法，瘤胃运动和收缩间隔时间作为支持向量机的特征向量，建立瘤胃运动与反刍变化规则，结果表明，反刍识别准确率达到86.1%，该模型能够准确地检测出反刍动物的反刍期，有助于深入了解动物健康情况。Martiskainen等[39]采用加速传感器和支持向量机自动测试和识别奶牛站立、躺下、沉思、进食、正常和跛行等行为方式，结果表明，站立的灵敏度和准确率分别为80%、65%，躺下的灵敏度和准确率分别为80%、83%，反刍的灵敏度和准确率分别为75%、86%，进食的灵敏度和准确率分别为75%、81%，正常行走的灵敏度和准确率分别为79%、79%，跛行的灵敏度和准确率分别为65%、66%。任晓惠等[40]提出了一种萤火虫算法优化支持向量机实现奶牛行为分类，加速度传感器采集姿态信息，三轴加速度数据进行标准化处理，得到奶牛反刍、进食、饮水和静止时的加速度，利用支撑向量机算法进行分类，结果表明，奶牛分类精度、灵敏度和准确率的平均值分别达到97.28%、97.03%、98.02%。陈春玲等[41]采用支持向量机算法实现肉牛的反刍行为的分类，通过随机抽取50头西门塔尔健康肉牛，采集9：00～15：00时间段内3000个样本数据(其中70%为训练集，30%为测试集)，通过牛额头安装动作传感器获取肉牛加速度、角速度、角度9组特征向量，提取特征向量通过支持向量机进行分类模型训练，结果表明，反刍和非反刍的识别率分别为97.659%、97.667%，支持向量机模型可以准确识别肉牛的反刍行为。

支持向量机算法有严格的数学理论支持，不依靠统计方法，从而简化了分类和回归的问题，并且可以处理非线性分类。但是支持向量机算法训练时间长，预测时间与支持向量个数呈正比，只适合数量较小的分类问题，而无法处理高度复杂的数据[42]。

2.3 人工神经网络算法

人工神经网络技术起源于20世纪80年代，是人工智能的重要分支，具有自适应、自组织和自学习的特点，并广泛应用于信息、医学、经济、农业等领域。在农业养殖领域，利用人工神经网络可以实现动物行为的识别[43]。

田富洋等[44]提出一种学习化矢量人工神经网络预测奶牛发情行为，提取发情天数、平均活动因子、体温、产奶量等参数作为神经网络输入参数，进行发情预测，结果表明，发情预测率可达到70%以上。周雅婷等[45]利用3层BP人工神经网络模型对肉牛采食行为进行识别，其正确率为高达99.04%，每1 min取1个均值进行处理，其正确率为91.09%；每5 min取1个均值进行处理，则正确率为84.03%。Dongre等[46]以日产奶量为基础，用人工神经网络预测了奶牛的产奶量，与多元线性回归分析的预测效果对比，结果表明，人工神经网络预测比多元线性回归分析更好，准确率超过了80%，并进一步指出当包含其他生产繁殖性状如初产年龄、性成熟年龄或其他更能准确预测产奶量的性状能时，能进一步改善人工神经网络的预测性能。Dong等[47]采用人工神经网络的对牛肉混合饲料体外发酵产生的甲烷与挥发性脂肪酸产量进行了研究，分别预测了人工瘤胃发酵的CH4、CO2和总产气量，与其实测值之间的一元线性相关分析结果显示，其决定系数(R2)分别为0.95、0.97和0.92,BP神经网络模型的均方根预测误差(RMSPE)分别为3.89%、2.95%和4.23%，结果表明，人工神经网络模型比多元线性回归模型有更准确的预测性能。

人工神经网络的优点是具有很强的非线性处理和自适应能力；缺点是对于结构复杂的人工神经网络，学习速度慢；对于数据量少导致算法不运行，容易陷入NP难，需要寻找更合适的类似方法。

3 讨论及展望

3.1 讨论

目前，国内外学者在牛行为监测技术、行为分类模型研究方面取得了一些进展，但缺乏可推广应用的产品，究其原因，一是传感器技术、机器视觉技术硬件不成熟，行为监测准确性不高；二是分类识别算法不完善，不能满足复杂的生产养殖环境。

(1)声音监测技术。声音监测技术通过利用扬声器采集声音信号，与对应的样本建立的数据库匹配，操作简单，成本不高，但受环境噪音影响尤其是周围动物发声的干扰。

(2)机器视觉监测技术。机器视觉监测技术难度大，需要大量数据针对动物行为进行建模，影响信息传输速度和效率。同时，对视频图像数据采集环境要求苛刻，阴天或者晚上等光照强度弱的环境下难以采集合适的视频图像数据。

(3)无线传感器网络技术。目前，行为监测智能设备大多数置于牛身上且体积大，在牛躺卧、打斗过程中容易掉落。同时，牛的养殖环境对监测设备影响较大，导致无法长期使用。

(4)牛行为分类算法。利用视频图像信息、传感器采集的动物行为数据，引入K均值聚类、支持向量机和人工神经网络等常见的模式识别方法实现牛行为信息的分类。但聚类算法对预先输入的分类数目较为敏感，不能解决非凸数据，容易陷入局部最优；支持向量机训练时间长，只适合数量较小的分类问题，无法处理高度复杂的数据；人工神经网络对于结构复杂的神经网络，学习速度慢，容易陷入NP难。

(5)多传感器信息融合。采用声音监测技术可以监测牛愤怒、悲伤、恐惧等不良情绪，通过监测采食声音、反刍声音判断牛采食、反刍行为，但单一且容易受到噪声影响，而且声音识别范围窄，识别效果不理想。采用姿态传感器(单轴加速计、MPU6050)监测反刍姿态、日常姿态，只能监测单一的姿态信息，识别准确度不高。

3.2 展望

通过分析声音监测技术、机器视觉技术、无线传感网络技术等牛行为监测技术的研究与应用现状，比较了支持向量机、K均值聚类、人工神经网络等3种牛行为识别分类的优缺点，笔者认为今后对牛行为监测技术、分类模型的研究重点应侧重以下5个方面。

(1)针对复杂环境噪声以及其他动物发声干扰，提出一种声音过滤算法，准确提取咀嚼、吞咽和反呕声音的特征参数，去除多余噪声、杂声的影响。

(2)针对阴天、晚上等光照强度弱的环境，合理布置光源减少环境光照影响，进一步优化视频图像算法，实现动物图像快速精准获取。

(3)考虑到多数智能监测传感器置于动物身上，设计一种动物行为监测传感器满足体积合理、防水、低功耗电池寿命长、易于动物穿戴不脱落，采用3D打印技术实现动物可穿戴装置研制，结合物联网技术开发低功耗、远距离智能监测设备，完成监测设备智能化。

(4)针对动物行为分类算法的优缺点，合理采用最优算法。对于数据量小采用支持向量机算法，具有较好的“鲁棒性”，可以得到全局最优解；对于数据量大采用人工神经网络算法，该算法具有很强的非线性处理能力和自适应、自学习、联想功能，有助于提高分类精度。针对单一分类算法分类效果不佳，提出一种改进的分类算法，实现更精确的分类结果。

(5)考虑到单一传感器行为监测的准确性低，不能监测到牛行为的所有信息，采用声音传感器监测与姿态传感器监测融合，多维度监测牛行为，提高监测准确性。

4 结论

通过对牛行为监测技术和分类模型研究进展的综述与分析，得出以下结论：(1)机器视觉技术具有无接触的识别，不外带装置，可以对牛行为进行识别，对牛活动影响小，但对图像视频环境要求苛刻，牛行为识别精准度不高。(2)无线传感器技术应用广、技术成熟，可以监测牛采食、反刍、休息、活动等行为，但适合牛穿戴、长期可靠工作的无线网络传感器技术有待突破。(3)支持向量机计算简单，理论完善，所需样本数据少，且识别精度高，分类效果好。人工神经网络算法的学习规则简单，非线性拟合能力较强，但是数据不足易出现运算时间长、过学习、容易陷入局部最小值等情况。