本文摘要：摘要:放牧家畜牧食信息包括位置、運動狀態(tài)、牧食行為、采食量及采食時空分布等信息。牧食信息的自動監(jiān)測，對草畜平衡、精準畜牧生產、動物科學和草地科學研究、福利化養(yǎng)殖和減少牧民經濟損失都具有重要意義。本文圍繞自動監(jiān)測家畜的牧食行為、采食量和采食量
摘要:放牧家畜牧食信息包括位置、運動狀態(tài)、牧食行為、采食量及采食時空分布等信息。牧食信息的自動監(jiān)測，對草畜平衡、精準畜牧生產、動物科學和草地科學研究、福利化養(yǎng)殖和減少牧民經濟損失都具有重要意義。本文圍繞自動監(jiān)測家畜的牧食行為、采食量和采食量時空分布，依據所用信號或方法的不同，分別詳細闡述相關研究進展。在此基礎上，著重介紹基于聲學方法監(jiān)測家畜牧食行為和估測采食量的研究進展，旨在為深入研究自動監(jiān)測家畜牧食信息提供參考。
關鍵詞:牧食信息;聲學監(jiān)測;牧食行為;采食量;采食量時空分布
在我國內蒙古和新疆地區(qū)，牛羊畜牧產業(yè)占重要地位，放牧是畜牧養(yǎng)殖的主要方式。牧民為追求更大經濟利益，盲目擴增家畜養(yǎng)殖數量，引起草畜失衡，草地環(huán)境遭到破壞。當地畜牧管理工作者雖盡力規(guī)范放牧活動，但由于監(jiān)測技術有限和牧區(qū)網絡覆蓋程度低等因素，一直無法對放牧活動進行有效監(jiān)控[1]。
畜牧論文投稿刊物：《畜禽業(yè)》(月刊)創(chuàng)刊于1990年，由四川省科技情報所主辦。全國優(yōu)秀畜牧獸醫(yī)期刊、一級科學技術期刊、中國學術期刊光盤版全文收錄期刊、中國學術期刊綜合評價數據庫全文收錄期刊、中國萬方數據庫全文收錄期刊。
伴隨精準農業(yè)的興起，精準畜牧生產(precisionlivestockproduction，PLP)也逐漸引起人們的關注[2]。PLP通過各種傳感器獲取放牧家畜和草地的狀態(tài)數據，制定合理有效的放牧策略，為草畜平衡提供有效解決方案[2]。牧食行為和采食量監(jiān)測是PLP的重要組成部分[3]，國內外學者為此提出多種監(jiān)測方法。在各種監(jiān)測方法中，基于聲信號的監(jiān)測方法(以下簡稱聲學監(jiān)測方法)憑借對家畜應激小、精度高、功能多等優(yōu)點，成為最具潛力的監(jiān)測方法之一。此外，聲學監(jiān)測也被應用于畜禽個體識別[4]、發(fā)情監(jiān)測[5]、叫聲識別分類[6]等動物信息智能感知領域[7]。
本文在總結分析傳統(tǒng)放牧家畜(主要指牛、羊)牧食行為和采食量監(jiān)測方法的原理和優(yōu)缺點，以及詳細闡述聲學監(jiān)測方法的原理及研究進展的基礎上，以牧食行為或采食量監(jiān)測技術為基礎，結合定位技術，提出更加精確的采食量時空分布模型，以實現牧食行為、采食量、采食量時空分布的自動精準監(jiān)測為目標，展望未來研究方向。
1牧食行為的監(jiān)測
1.1牧食過程
家畜在放牧過程中存在牧食過程和非牧食過程。牧食過程包括咬食、咀嚼、咀嚼-咬食、吞咽、反芻草料團、反芻咀嚼、反芻吞咽等牧食行為。具體包括:咬食:舌頭攬住一撮牧草后，牙齒將牧草咬斷卷入口腔的采食過程;咀嚼:牙齒初次粉碎口腔內牧草的采食過程;咀嚼-咬食:在口腔中殘留較多草料的情況下，去咬食其他草料，此時在同一上下頜張合動作中，同時存在咬食和咀嚼的采食過程;吞咽:將初次粉碎的草料吞入瘤胃、網胃內的采食過程。
反芻草料團:將草料從瘤胃、網胃中反吐到口腔內的反芻過程;反芻咀嚼:牙齒再次研磨粉碎草料的反芻過程;反芻吞咽:將再次粉碎的草料吞入瓣胃、皺胃內的反芻過程。其中咬食、咀嚼、咀嚼-咬食組成采食過程，稱作采食行為;反芻草料團、反芻咀嚼、反芻吞咽組成反芻過程，稱作反芻行為;采食、反芻等組成牧食過程。在牧食過程和非牧食過程中，家畜顎部靜止的狀態(tài)，稱為靜顎。
牛在咬食時首先頭部低下咬住牧草，而后快速向上抖動以咬或扯斷牧草[8]，這是加速度傳感器監(jiān)測法的重要依據之一。在整個牧食過程中，家畜的牙齒和草料之間相互作用發(fā)出特有的聲音信號，這是聲學監(jiān)測方法的基本依據;同時，家畜上下頜相對位置發(fā)生周期性接觸和分離，這是機械開關、壓力傳感器和加速度傳感器監(jiān)測法的共同依據。
1.2傳統(tǒng)監(jiān)測方法
傳統(tǒng)牧食行為監(jiān)測方法為人工/錄像直接觀測法，操作簡單，應用廣泛。一般過程為觀測人員憑借望遠鏡、秒表、記錄設備等工具，依靠養(yǎng)殖經驗，連續(xù)或間隔一定時間觀測家畜的牧食過程，分辨具體行為。根據所記錄的行為數據推測家畜身體或草場狀況，常見于動物科學和草地科學研究[9-10]。
此法雖簡單方便，但實際應用中耗費大量人力與時間，易對畜群造成驚擾，無法持續(xù)長期監(jiān)測�；诖�，牧食行為的自動監(jiān)測成為一種必然趨勢和研究熱點。依據所用傳感器類型或裝置不同，主要有以下幾種監(jiān)測方法：
1)機械開關監(jiān)測法。主要原理為將動物顎部張合的動作轉換為機械開關的通斷狀態(tài)，依據開關通斷頻率或間隔時間的不同來區(qū)分不同牧食行為[11-14]。例如平山琢二等[11]將帶有開關裝置的遙感監(jiān)測籠頭安裝在野生鹿頭部，分析開關接通頻率以區(qū)分野生鹿的采食、反芻、靜顎及其所占總牧食時間比例。此法設備簡單，精度較高，但無法細分采食行為且影響動物采食。
2)壓力傳感器監(jiān)測法。主要原理為將動物顎部張合的幅度成比例地轉換成因阻值改變而產生的電信號輸出變化[15]。此法采集的信號波形中，相對于采食過程，反芻過程信號規(guī)律性強，平均幅度低，據此可區(qū)分兩者[15-20]。該法不干擾動物采食，精度高，在20世紀得到廣泛研究[16]。以其為原理開發(fā)出IGER行為記錄儀[17]和ART-MSR壓力傳感器2種典型的家畜牧食行為監(jiān)測裝置，分別適用于草地放牧和舍飼養(yǎng)殖環(huán)境[21]。至今，仍有對壓力傳感器監(jiān)測法的驗證研究，例如Zehner等[16]采用鼻帶壓力傳感器采集動物顎部運動信號，檢驗2種通用分類識別算法監(jiān)測家畜采食和反芻時間的準確性。
3)加速度傳感器監(jiān)測法。其主要依據家畜牧食時頭部或顎部存在固有的運動特征，比如低頭和抬頭的頻率、下頜運動的頻率和幅度等。在家畜的頭部或下頜處安裝加速度傳感器，從采集的加速度值中提取特征變量，以區(qū)分不同牧食行為[22-24]。例如Giovanetti等[23]用三軸加速度傳感器采集大量羊只采食、反芻和休息的下頜運動數據，提取12個特征變量，利用逐步判別分析、典型判別分析和判別分析3種統(tǒng)計方法對特征變量進行分類，以區(qū)分不同牧食行為，準確率較高。
4)肌電圖監(jiān)測法(surfaceelectromyographyofthemassetermuscle)。其主要原理為將動物顎部運動時咬肌或其他肌肉伸縮運動的變化通過電極轉換為電信號變化。電極安裝在韁繩或肌肉表面。例如Büchel等[25]利用牛咬肌表面的肌電圖數據分類識別其顎部運動，與人工觀測結果高度一致。Campos等[26]從肌電信號中提取8個特征，利用7種機器學習算法對反芻與采食、采食不同食物產生的信號進行識別分類，準確率分別為70%、60%。此法基于肌電信號規(guī)律性的強弱，能夠分辨反芻和采食過程，準確率較高。
以上方法雖具有諸多優(yōu)點，但存在不能識別采食過程中咀嚼-咬食復合行為的不足。相比而言，聲學監(jiān)測法能更進一步分辨咀嚼-咬食行為。家畜在草地連續(xù)采食過程中，雖上下頜張合速率近似，咀嚼-咬食次數都占有張合總數的主要比例，但不同個體之間差異顯著。Ungar等[27]研究發(fā)現，不同家畜個體采食時張合運動分配的差異是引起采食速率不同的主要原因。咀嚼-咬食行為占張合總數的比例直觀反映家畜采食效率，同時對飲食特點也有所表征，是分析家畜采食特點的重要參數。因此，聲學監(jiān)測法是一種更佳的監(jiān)測方法，它還具有不干擾家畜采食、安裝簡單、精度高等諸多優(yōu)點。
1.3牧食行為聲信號特征
聲學監(jiān)測法，主要依據家畜不同牧食行為產生的聲音信號特征不同，如波形、強度和持續(xù)時間等，以此區(qū)分咬食、咀嚼、咀嚼-咬食和反芻咀嚼等行為[28-29]。以單指向電容麥克風作為聲信號采集傳感器，根據Nelson等[30]的研究，麥克風垂直向內緊貼在家畜去除毛發(fā)的額頭處采集的信號信噪比最高，人工直接觀測亦可準確分辨出不同牧食行為。3種采食行為產生的典型聲信號。不同牧食行為的區(qū)別如下:時域:平均強度上，咬食相對于咀嚼，平均強度高(聲音大);持續(xù)時間上，羊咬食相對咀嚼持續(xù)時間短[32]，牛則不同;包絡線形狀特點上，咀嚼和咬食行為的包絡線只有1個峰[33]，而咀嚼-咬食行為由咀嚼和咬食2種行為復合連接而成，其包絡線有2個峰。
此外，反芻咀嚼和采食咀嚼聲信號相似，但反芻咀嚼平均強度相對較低，具有更加對稱的信號波形和更規(guī)律的周期頻率[34];形狀比率上，咀嚼-咬食明顯不同于咬食和咀嚼。頻域:在0～50、80～100和160～190Hz頻帶內，羊咬食相對于咀嚼聲能量大[29];在3～8kHz頻帶內，牛咬食比咀嚼產生的聲能量大[28];在高頻段17～20kHz，牛咬食和咀嚼聲信號存在明顯差異[35]�？傊谔囟l域范圍內，咬食比咀嚼產生更多能量輸出。
1.4基于聲信號的監(jiān)測方法
依據不同牧食行為聲信號的差異，綜合運用語音信號處理技術、統(tǒng)計分類方法、機器學習算法和背景噪聲弱化技術，聲學監(jiān)測方法可準確區(qū)分不同牧食行為。典型的牧食行為識別分類過程為:信號采集、預處理、特征提取、事件檢測、事件分類、結果輸出。信號采集時，除Clapham等[35]將麥克風放置在家畜嘴巴側面和Tani等[36]將加速度傳感器當做聲信號采集傳感器使用外，其余均安裝在家畜前額向內處，用橡膠泡沫保護。
預處理主要對原始信號進行背景噪聲弱化、生成包絡線等處理。特征提取是指尋找不同牧食行為聲信號在時域、頻域內獨有的特征，例如平均強度、持續(xù)時間、信號包絡線衍生特征等，以準確區(qū)分不同牧食行為。特征提取是整個識別分類過程的關鍵，除Laca等[28]和Clapham等[35]所用特征涉及到頻域范圍，其他研究多在時域中提取特征。
事件檢測指判斷某段信號是否為牧食行為產生，是牧食行為識別分類的第一步。事件分類是指將判斷為牧食行為產生的信號段分為咬食、咀嚼、咀嚼-咬食、反芻咀嚼等具體的牧食行為，是牧食行為識別分類的第二步。在事件分類中，目前沒有一項研究將咬食、咀嚼、咀嚼-咬食和反芻咀嚼行為進行分類。2000年以來已有較多利用聲信號識別分類牧食行為的相關報道。
Nelson等[30]利用無線麥克風傳感器和接收裝置，遠程遙測鹿的覓食、飲水和其他行為產生的聲信號，人工識別分類，獲得很高準確率，證明人工觀測聲信號可準確識別分類不同牧食行為。Laca等[28]和Clapham等[35]主要利用信號的頻域特征變量識別分類牛的咀嚼、咬食行為，未關注咀嚼-咬食與反芻咀嚼行為。
Laca等[28]提取聲信號的4個特征:總能量通量密度、各子頻帶中平均強度和峰值(頻譜被均等劃分成8份)、持續(xù)時間、平均強度和峰值，采用統(tǒng)計學分類方法進行分類，結果表明使用4個特征總誤差為0.063，使用每個頻帶內的信號平均強度特征總誤差為0.070。Clapham等[35]根據高頻段內牛咬食比咀嚼產生更大聲能量的特點，使用SIGNAL軟件對兩者進行分類，準確率為95%;同時驗證了動物之間的交叉干擾和背景環(huán)境噪聲對此法的分類準確率沒有影響。
Milone等[32，37]將采食過程視為咀嚼、咬食和咀嚼-咬食3種行為的有序組合，結合語音識別技術，構建出一套包括隱型馬爾科夫和二音素的采食行為識別分類模型。模型中，咀嚼、咬食和咀嚼-咬食為隱藏狀態(tài)，聲信號特征參數為顯性狀態(tài)，根據采集到的顯性狀態(tài)推斷隱藏狀態(tài)，實現采食行為的識別分類。在牛、羊的采食行為識別分類中，平均準確率為85.09%。此法準確率較高，但計算量高達萬次[31]，無法應用于嵌入式設備以實現實時監(jiān)測[33]。
Tani等[36]從誤差角度提出一種模式匹配分類方法。其主要思路為建立采食咀嚼、反芻咀嚼行為聲信號的標準樣本，與待分類信號比較，依據差值大小將其分類為采食或反芻行為。同時研究了加速度傳感器放置在牛頭部不同位置時分類精度的變化，結果發(fā)現放在牛角最佳，分類精度達99%。實際應用時，此法因動物個體差異需重復標定閾值，推廣應用存在一定難度。Navon等[38]利用機器學習算法分離背景噪聲，提出一種無需標定的動物下頜活動事件的識別算法。在不同背景噪聲(弱、連續(xù)極強、斷續(xù)強)下，對牛、山羊、綿羊下頜活動產生的聲信號進行識別，準確率分別為94%、96%、83%。
此算法通用性強，不限麥克風種類和安裝位置、牧草種類和含水率、動物種類、背景噪聲強弱，但只識別事件，并未進一步分類。Chelotti等[33]基于采食過程中不同行為聲信號包絡線形狀差異，提取包絡線曲線導數正負符號改變的次數、平均強度、持續(xù)時間3個信號特征，利用統(tǒng)計分類法的規(guī)則識別分類不同采食行為，識別和分類事件的準確率分別為97.4%和84.0%。此算法計算成本僅為Milone等[32，37]算法的兩千分之一，可運行于嵌入式設備中。
Deniz等[39]以其為核心，結合經驗判別法，采用嵌入式微處理器、聲音信號采集調理電路、GPS定位裝置及太陽能板供電等設計了一套采食行為實時監(jiān)測裝置。在無噪聲室內用語音庫試驗，發(fā)現裝置能夠實時監(jiān)測采食行為，擺脫了傳統(tǒng)的將聲信號轉移至計算機再處理的方式，識別、分類準確率較高。此裝置采用太陽能板供電，延長了系統(tǒng)運行時間，但在噪聲環(huán)境中的分類精度較低。
Chelotti等[31]進一步改進算法，在事件識別前增加去噪步驟，對比經驗模態(tài)分解、最小均方濾波器、高通濾波3種弱化背景噪聲方法的效果，并增加形狀比率特征以提高分類精度。訓練6種機器學習算法分類不同采食行為，用含有弱和強背景噪聲的2種牧食語音庫進行試驗，結果表明，在綜合考慮分類精度、計算成本和嵌入式設備易用性指標情況下，最小均方濾波器與多層感知器分類算法(multilayerperceptron，MLP)的組合性能最佳，此時分類準確率提高到89.75%，而計算量僅增加1倍。但是，該研究存在未識別分類反芻行為和未在真實草場環(huán)境下試驗的缺憾。Vanrell等[34]提出一種基于條件判斷規(guī)則的采食和反芻過程識別分類方法，在功能上與Chelotti等[31]的互補。
其算法主要依據為:1)利用信號自相關參數，可判別采食和反芻過程;2)相對于采食，反芻聲信號平均強度低、分布均勻、周期性強、信號中有周期性吞咽與反芻草料團產生的信號中斷，據此可分辨兩者;3)采食聲信號中，咬食、咀嚼和咀嚼-咬食信號分布不均，三者差異較大。研究發(fā)現，信號輸入—分割—分類前合并短信號段—長信號段分解—信號段分類—結果輸出(簡稱RAFAR-MBBP)的信號處理流程效果最佳，此時事件分割準確率為96.2%，反芻和采食過程分類的準確率分別為89.1%和93.5%。
Vanrell等[34]雖提出不同采食行為聲信號的區(qū)別，但并未對其細分;而Chelotti等[31]所提算法只針對采食過程中的不同行為識別分類，因此兩者有機整合所形成的算法功能才更完整，有望應用于PLP。Galli等[29，40-41]和Laca等[28]研究了牧草特性、動物差異對聲學監(jiān)測方法準確率的影響，結果表明牧草的種類、高度和顆粒大小及形態(tài)近似的家畜個體不會顯著影響聲學監(jiān)測的識別分類準確率，但牧草含水率會有影響。
這表明以上各種分類方法可在形態(tài)近似的家畜和特定牧草含水率條件下，應用于家畜的牧食行為識別分類。綜上，基于聲信號監(jiān)測方法的牧食行為識別與分類研究雖然還處于試驗階段而未應用于實際草場環(huán)境，但已有適用于實時在線監(jiān)測牧食行為的研究報道[33-34]，為實際應用提供了理論和技術基礎。下一步研究的重點在于建立一種通用算法，適用于不同牧草種類、含水率、動物種類、采集裝置及麥克風類型，對全部牧食行為進行識別與分類。
在草場實際應用時，需解決以下幾個問題:1)環(huán)境噪聲和動物交叉干擾影響分類精度問題。雖然Clapham等[35]考慮了這種問題，且通過分析證明得出兩者對其提出的識別分類方法準確率沒有顯著影響，但應注意到其方法是在高頻條件下應用。對于其他情況，例如Chelotti等[33]和Vanrell等[34]所提算法，在牧場實際應用時，動物叫聲、風聲、機器聲等環(huán)境干擾將會顯著影響分類精度。因此最小化背景噪聲干擾提高信噪比是一項十分重要的工作[42]。
Chelotti等[31]研究了在信號調理環(huán)節(jié)增加背景噪聲弱化處理前后對分類精度的影響，試驗表明增加經驗模態(tài)分解或最小均方濾波器弱化背景噪聲后，分類精度得到顯著提高。Laca等[28]提出了一種多麥克風噪聲對消方法:第1個麥克風固定在動物的前額上，記錄下咀嚼、咬食和背景噪聲;第2個麥克風靠近頭部，但與頭部沒有直接接觸，主要記錄咬食和背景噪聲，將其所得信號與第1個麥克風相減，可獲得“干凈”的咀嚼聲信號;第3個麥克風安置在遠離動物頭部的背部，記錄環(huán)境噪聲，利用其消除另2個麥克風所采集信號中的噪聲。
宣傳忠[42]提出一種改進的小波去噪方法，有效弱化了羊舍中的風機、飼喂設備等背景噪聲，在強背景噪聲干擾條件下仍能取得高分類精度。Navon等[38]雖然提出一種利用機器學習算法分離背景噪聲的方法，但文中并沒有具體闡述。此外，增加過濾棉球也可以有效弱化背景噪聲。2)系統(tǒng)供電問題。電池供電時間直接決定系統(tǒng)運行時長。大容量可充電電池連接太陽能充電板是一種理想的供電方式[34]。一種思路為將柔性太陽能充電板貼附在家畜項圈外壁或穿戴到身體上，在家畜牧食時，太陽能電池板隨時補充消耗掉的電量。市場上也有將太陽能內板和定位器集成到一起的定位裝置。此外，設計易于電池更換的裝置也很重要，便于在監(jiān)測系統(tǒng)提示電量不足時更換電池。3)數據獲取問題。人工方式獲取采集的牧食行為數據，工作量大，不便于操作。數據的無線傳送彌補了以上不足，一定范圍內可用藍牙、Zigbee等，遠程可通過GPRS、4G等將數據上傳至服務器，當終端需要時從服務器下載。前者可在家畜回圈時統(tǒng)一獲取數據，但不能實時監(jiān)測。
若使用后者，當牧場網絡質量差甚至斷網情況下，應將數據保存在預置大容量存儲單元內，當系統(tǒng)檢測到網絡質量良好時，將存儲單元內的數據依次上傳，謹防數據丟失。此外應注意現場采集的聲信號數據量太大，不便于實時傳輸和保存，若嵌入式設備能夠實時將語音信號分類為對應牧食行為，可大幅度縮小數據傳輸量和存儲壓力。4)算法運算成本問題。嵌入式處理器運行能力有限，識別分類算法計算成本過高將無法實現實時處理，甚至出現數據丟失造成更大誤差。除Chelotti等[31，33]考慮計算成本外，其他研究未見進行計算成本的核算。同時，好的算法應綜合考慮分類精度、計算成本及嵌入式設備易用性等指標。
2采食量的估測
采食量直接影響家畜成長速度，指示家畜生理健康狀況，準確估測采食量對及時發(fā)現患病個體和調整家畜膳食具有重要意義。舍飼條件下，定量飼喂或衡量飼喂前后草料質量差異可準確估測家畜進食量。放牧條件下，家畜直接采食草場牧草，測定采食量比較困難，這一直是草原生態(tài)和動物營養(yǎng)研究者關注而又棘手的問題[43]。
2.1傳統(tǒng)人工估測方法
多年來，眾多學者提出許多估測放牧家畜采食量的方法，可分為直接法和間接法[44]。直接法有2種:1)牧草差分法。在家畜牧食前后獲取具有代表性小區(qū)域面積草場的牧草質量差異，以此推算整塊草場被采食的狀況，即依據樣本估測總體[45]。若放牧周期短(最多1～2d)、放養(yǎng)率高(理想情況下，草場內所有的草都必須被均勻采食)，牧草差分法應用方便，結果可靠。若放牧周期較長，則需考慮牧草的再生長影響[46]。2)體質量差分法。在家畜無排泄行為的短期內(例如1h內)，將其牧食后體質量增加量視為采食量。長期時需考慮排泄和運動消耗影響。
間接法有5種:1)標記法。測定家畜排泄糞便中天然不可消化的植物成分含量，如木質素、烷烴或不溶性灰，參照天然植物中的含量，以此估測采食量。Mayes等[47]提出的正構烷烴法是估算放牧條件下采食量的最佳方法。該方法基于測定植物和糞便中天然烷烴和合成烷烴的濃度，以此估算采食量，其精度較高，應用廣泛[48-49]。2)比例法[21]。比例法利用飼料消化率和糞便產量推算采食量。
無論標記法或比例法，牧草的取樣必須具有代表性，否則會產生較大誤差。3)模擬采食法。人工模擬家畜咬食牧草以估測采食量。此法測量的準確性取決于操作人員的觀察和模仿家畜采食的相似程度[50]。4)微觀組織學分析法[51]。對糞便或胃腸道中的植物殘留物進行微觀組織學分析進而估算采食量，需宰殺家畜，精度不高。5)近紅外光譜法(NIRS)。它依靠參考數據庫，將采集的近紅外光譜數據與通過試驗測量得到的化學或生物成分含量等值對應起來以實現采食量估測[44]。
最新的NIRS技術通過檢測家畜糞便，能夠實現家畜消化率、進食量和飲食特點的檢測，且精度高。但此法所用分析設備昂貴，需開發(fā)大型參考數據庫且必須持續(xù)更新，是廣泛應用的主要限制因素。以上方法在一定條件下具有較高的檢測精度，但存在應用成本較高、費時費力，無法實現自動遠程監(jiān)測[52]和滿足PLP的發(fā)展要求。
2.2自動檢測方法
牧食過程中動物和牧草相互作用，產生聲音信號。利用聲音信號不僅可以監(jiān)測牧食行為，且能估測采食量。牧食行為相關的參數，比如咬食次數、咀嚼次數和反芻次數等，稱作行為變量;聲音信號相關的參數，比如聲信號能量，稱作聲學變量。行為變量和聲學變量簡稱為特征變量。利用特征變量估測采食量時，需考慮牧草種類、高度、含水率、顆粒大小等影響因素;還需考慮動物種類、體質量、頭部大小、牙齒、頭部組織結構等影響因素，這樣建立的預測模型方法具有普遍性、信服性和高精度。根據各種自動檢測方法依賴的主要變量類型的不同，可分為行為變量法和聲學變量法。
2.2.1行為變量法
行為變量法主要利用采食過程中咬食行為相關變量，例如采食時間、咬食速率和單口咬食量等以估測采食量[44]。行為變量可通過1.4節(jié)中所述聲學方法監(jiān)測牧食行為得到，也可以通過其他方式。例如，Umemura等[53]利用集成擺鐘傳感器的項圈檢測牛的咬食次數，線性回歸預測進食量。田富洋等[13]依據奶牛在采食、反芻和吞咽時顳窩部位振動頻率不同，利用開關式傳感器獲取奶牛吞咽次數，以此估算奶牛采食量，精度較高。
Campos等[54]采集放置在山羊咬肌上電極的電信號，提取特征變量線性回歸預測山羊采食多種草料的纖維進食量，準確率超過86.7%。Oudshoorn等[55]利用加速度傳感器監(jiān)測牛的采食時間、咬食頻率，使用能量需求方法估算采食量，在動物連續(xù)采食條件下獲得最佳采食量預測精度，每頭牛誤差為±1.3kg·d-1。
Pahl等[18]研究了利用飼喂和咀嚼時間估測進食量的可行性。研究中將飼喂前后飼料質量差當做進食量的參考值，用MSR-ART壓力傳感器行為監(jiān)測裝置檢測咀嚼行為及其時間。結果表明鮮物質進食量和飼喂、咀嚼時間的相關性系數分別為0.891、0.780。以上研究中，采食時間和咬食速率可自動/人工測量，方法多樣，精度高。但單口咬食量受牧草特征(草高和單位體積密度)影響[28]，測定存在一定困難。Carvalho等[56]提出一種單口采食量測定公式:單口咬食量=咬食面積×咬食深度×牧草密度。在牧草密度和高度近似的草場環(huán)境下，使用經驗數值法可以短期內精準估算采食量，但復雜草場環(huán)境下會產生較大誤差，推廣應用存在困難。
此外，單口采食量的測定還與家畜個體特征(咬食面積、咬食深度)有關。同一批次的家畜在形態(tài)、年齡等方面具有極大相似性，個體差異影響不顯著。質量較好的草場，其牧草種類相同、密度均勻、高度相似，牧草差異影響不顯著，應用行為變量法精度較高。若用在天然草場特別是荒漠化草原中，牧草差異較大，需自動檢測牧草特征參數，精度低，難度大。綜上，單口咬食量的準確測定是行為變量法應用的一項巨大挑戰(zhàn)[21]。單獨使用行為變量預測采食量往往不能得到滿意的結果，但在其他預測模型中加入行為變量能有效提高模型預測的準確性[52，57]。
2.2.2聲學變量法
聲學變量法主要利用采食過程中咀嚼行為產生的聲信號相關變量，例如咀嚼次數、咀嚼聲信號的總能量通量密度，結合行為變量、時間變量等以估測采食量。一般而言，咀嚼行為的聲信號包含的信息比咬食行為更豐富[28]。Laca等[28]從小公牛采食種類相同但高度不同的人工牧草時咀嚼行為產生的聲信號中，提取5個咀嚼聲信號相關的特征變量線性回歸預測干物質進食量(drymatterintake，DMI):①總能量通量密度(chewenergyfluxdensity，EFDC);②頻域內1～2kHz頻帶的平均強度;③頻域內2～3kHz頻帶的平均強度;④單次咀嚼產生的平均咀嚼能量密度;⑤單口咬食產生的平均咀嚼能量通量密度。結果表明:①②③④或②③④⑤預測采食量的準確率高達88%;DMI與EFDC具有極高的線性相關性。經分析，盡管因牧草高度不同引起家畜單口咬食的DMI為1.37～4.5g，但單位DMI產生的EFDC基本保持不變，利用EFDC可準確估測DMI。
此外，EFDC包含咀嚼聲強度和持續(xù)時間的信息，而持續(xù)時間可作為有效的預測因子也在Pahl等[18]和Oudshoorn等[55]研究中得到證實。盡管Laca等[28]研究發(fā)現利用EFDC可估測DMI，但其試驗中只考慮牧草高度這一單一因素，不具有普遍性。Galli等[41]的試驗考慮了更多牧草特性因素，如植物種類(2種)、含水率、喂入量及牧草顆粒大小。
提取10個特征變量，多元回歸估測DMI，結果表明:1)DMI中66%的變化由EFDC引起，但鮮、干牧草回歸線的斜率不同，鮮牧草單位DMI產生的聲能比干牧草多28%。2)單位咀嚼聲能量密度(EI)包括咀嚼聲信號幅值、咀嚼聲持續(xù)時間(TCC)和單位干物質咀嚼次數(CI)3個分量。咀嚼聲信號幅值解釋了EI的最大變異，鮮牧草的EI比干牧草高21%，而TCC和CI對EI有顯著且相似的影響，TCC不受各種因素影響，CI則不然。3)利用行為和聲學2種變量，可準確預測DMI。
其中EFDC、咀嚼次數、牧草含水率是最有效的預測變量。4)本試驗中沒有證據表明牧草的種類、喂入量和顆粒大小顯著影響EFDC預測DMI的精度。Galli等[41]研究發(fā)現，牧草含水率對預測結果有重要影響。根據水分位于牧草細胞壁不同位置，含水率可分為內部含水率和外部含水率。鮮草和干牧草之間的差異幾乎由內部含水率決定，部分咀嚼聲由細胞破裂和內部水分的擠壓產生。含水率對鮮、干牧草影響不同。
鮮牧草中，較高內部水分和膨脹增加單位DMI聲能量;干牧草和其他干飼料中，較高外部水分會軟化飼料脆性，降低單位EFDC。牧草在不同生長階段內部含水率不同;不同放牧時間(例如早、中、晚)，牧草的外部含水率也不同。因此牧草含水率對于聲學方式下的采食量預測影響顯著，具有很強的挑戰(zhàn)性。Galli等[29]在暫不考慮含水率因素，只考慮牧草種類和高度的條件下，對綜合利用聲學變量和行為變量估算DMI的準確性進行了研究。
結果發(fā)現聲學變量比行為變量準確;估測DMI的最佳聲學變量依次為EFDC、咀嚼時間，而最佳行為變量為咀嚼次數。Galli等[40]使用2種變量估算DMI得到最佳模型，變量包括:EFDC、咬食強度、EFDC/咀嚼次數、咀嚼強度、EFDC/咬食次數，此時相關系數(R2)為0.92，變異系數(CV)為18%。同時發(fā)現，盡管鮮、干牧草含水率有所差異，但EFDC與DMI仍然呈線性關系;用行為變量法和聲學變量法同時估測DMI時，進食量對估測結果沒有影響[40]。
綜上，在一定牧草含水率和具體動物個體條件下，行為變量和聲學變量相結合可準確估測DMI�，F有報道中，試驗對象均為體態(tài)、年齡相仿家畜，沒有研究表明家畜的種類、年齡、質量、頭部尺寸、牙齒和頭部結構是否影響DMI的預測，也沒有研究表明不同牧草含水率的具體影響。
3采食量時空分布模型
3.1單只家畜采食量時空分布模型
放牧家畜采食量時空分布指家畜在單位放牧周期(日、月)內，不同時間、地點采食牧草質量的分布情況，可反映草地放牧強度和家畜采食特點，常用于分析動物和環(huán)境的相互影響。Rutter等[59]發(fā)現全球定位系統(tǒng)可以用來追蹤放牧家畜并確定其活動區(qū)域。Akasbi等[60]利用帶有定位功能的項圈，研究山羊群每日的運動軌跡和草地放牧強度的季節(jié)變化，以及采集位置數據的頻率對預測羊群每日行走距離的影響及放牧強度與距離的關系，計算了聚落周圍區(qū)域的放牧強度。汪傳建等[1]根據放牧家畜的位置數據，擬合出放牧路徑曲線，以路徑曲線為中線向兩側擴展一定寬度(緩沖區(qū))，擬合出畜群采食區(qū)域曲線帶;結合GIS地理信息數據，以網格細分采食區(qū)域;將定量進食量按家畜在每段放牧路徑曲線上所耗時間占總時間的比例，劃分到采食區(qū)域曲線帶上，形成具有采食量和時間屬性的家畜放牧路徑曲線帶，也即畜群采食量時空分布圖。
4研究展望
近年來國內已有學者利用聲信號開展畜禽叫聲識別分類[42]、禽類聲信號與采食量檢測[69]、舍飼條件下家畜進食行為識別分類[6]的相關研究，但放牧條件下家畜牧食行為及采食量的研究鮮有報道。綜合國內外研究現狀，如下幾個方向可能將成為未來研究重點：1)牧食行為監(jiān)測。目前基于聲信號監(jiān)測家畜牧食行為的算法及相應的嵌入式裝置已有報道[33-34]，但尚未應用到實際環(huán)境當中。下一步應重點研發(fā)可應用到草場環(huán)境條件下的實時在線監(jiān)測設備。2)采食量監(jiān)測。行為變量和聲學變量能夠準確估測采食量已經得到證實，且建立了較為精確的預測模型。牧草特性對模型的影響基本清晰，但動物個體差異和牧草含水率的影響尚未充分研究。下一步重點研究兩者的具體影響，并根據EFDC、咀嚼次數、咀嚼時間等變量建立一種可應用于嵌入式設備的采食量實時估測算法，以完善家畜牧食信息的監(jiān)測。
3)畜群采食量時空分布模型。基于位置數據的簡易畜群采食量時空模型已經建立，但并未利用牧食行為和采食量檢測技術，畜群放牧區(qū)域擬合的報道也較少。應重點研究擬合畜群放牧區(qū)域的最佳擬合方法，以及建立精準的畜群采食量時空分布模型。4)聲學監(jiān)測方法與其他監(jiān)測方法的結合研究。聲學監(jiān)測方法能夠監(jiān)測動物的情緒、進食和交流等，與其他檢測方法的結合，將更全面地監(jiān)測動物的生理、心理狀況。比如機器視覺能夠自動檢測動物體尺信息，動態(tài)稱量技術能夠在動物無應激情況下測量其體質量。聲學監(jiān)測方法與兩者的結合，將有望建立動物進食-生長模型。綜上，聲學監(jiān)測不僅可實現放牧家畜牧食行為的監(jiān)測，同時還可監(jiān)測采食量，結合定位器、加速度傳感器、電子信息技術等，可實現放牧家畜牧食信息的實時在線監(jiān)測。這無論對于牧區(qū)草畜平衡問題的解決，還是PLP的實施都具有重大的價值。
參考文獻References:
[1]汪傳建，王偉強，魯為華，等.基于放牧時空軌跡數據的牧群采食量分布模型[J].農業(yè)工程學報，2016，32(13):125-130.WangCJ，WangWQ，LuWH，etal.Feedintakedistributionmodelforherdbasedongrazingspatio-temporaltrajectorydata[J].TransactionsoftheChineseSocietyofAgriculturalEngineering，2016，32(13):125-130(inChinesewithEnglishabstract).
[2]LacaEA.Precisionlivestockproduction:toolsandconcepts[J].RevistaBrasileiradeZootecnia，2009，38:123-132.
[3]NeethirajanS，TutejaSK，HuangS，etal.Recentadvancementinbiosensorstechnologyforanimalandlivestockhealthmanagement[J].BiosensorsandBioelectronics，2017，98:398-407.
[4]YajuvendraS，LathwalSS，RajputN，etal.Effectiveandaccuratediscriminationofindividualdairycattlethroughacousticsensing[J].AppliedAnimalBehaviourScience，2013，146(1):11-18.
作者：王奎，武佩*，宣傳忠，于文波，蘇赫
轉載請注明來自發(fā)表學術論文網：http:///nylw/23288.html
