本文摘要：摘要:放牧家畜牧食信息包括位置、運(yùn)動狀態(tài)、牧食行為、采食量及采食時(shí)空分布等信息。牧食信息的自動監(jiān)測，對草畜平衡、精準(zhǔn)畜牧生產(chǎn)、動物科學(xué)和草地科學(xué)研究、福利化養(yǎng)殖和減少牧民經(jīng)濟(jì)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(yùn)動狀態(tài)、牧食行為、采食量及采食時(shí)空分布等信息。牧食信息的自動監(jiān)測，對草畜平衡、精準(zhǔn)畜牧生產(chǎn)、動物科學(xué)和草地科學(xué)研究、福利化養(yǎng)殖和減少牧民經(jīng)濟(jì)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(shí)空分布，依據(jù)所用信號或方法的不同，分別詳細(xì)闡述相關(guān)研究進(jìn)展。在此基礎(chǔ)上，著重介紹基于聲學(xué)方法監(jiān)測家畜牧食行為和估測采食量的研究進(jìn)展，旨在為深入研究自動監(jiān)測家畜牧食信息提供參考。
關(guān)鍵詞:牧食信息;聲學(xué)監(jiān)測;牧食行為;采食量;采食量時(shí)空分布
在我國內(nèi)蒙古和新疆地區(qū)，牛羊畜牧產(chǎn)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(jīng)濟(jì)利益，盲目擴(kuò)增家畜養(yǎng)殖數(shù)量，引起草畜失衡，草地環(huán)境遭到破壞。當(dāng)?shù)匦竽凉芾砉ぷ髡唠m盡力規(guī)范放牧活動，但由于監(jiān)測技術(shù)有限和牧區(qū)網(wǎng)絡(luò)覆蓋程度低等因素，一直無法對放牧活動進(jìn)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(bào)所主辦。全國優(yōu)秀畜牧獸醫(yī)期刊、一級科學(xué)技術(shù)期刊、中國學(xué)術(shù)期刊光盤版全文收錄期刊、中國學(xué)術(shù)期刊綜合評價(jià)數(shù)據(jù)庫全文收錄期刊、中國萬方數(shù)據(jù)庫全文收錄期刊。
伴隨精準(zhǔn)農(nóng)業(yè)的興起，精準(zhǔn)畜牧生產(chǎn)(precisionlivestockproduction，PLP)也逐漸引起人們的關(guān)注[2]。PLP通過各種傳感器獲取放牧家畜和草地的狀態(tài)數(shù)據(jù)，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(nèi)外學(xué)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(xué)監(jiān)測方法)憑借對家畜應(yīng)激小、精度高、功能多等優(yōu)點(diǎn)，成為最具潛力的監(jiān)測方法之一。此外，聲學(xué)監(jiān)測也被應(yīng)用于畜禽個(gè)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(lǐng)域[7]。
本文在總結(jié)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(diǎn)，以及詳細(xì)闡述聲學(xué)監(jiān)測方法的原理及研究進(jìn)展的基礎(chǔ)上，以牧食行為或采食量監(jiān)測技術(shù)為基礎(chǔ)，結(jié)合定位技術(shù)，提出更加精確的采食量時(shí)空分布模型，以實(shí)現(xiàn)牧食行為、采食量、采食量時(shí)空分布的自動精準(zhǔn)監(jiān)測為目標(biāo)，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(tuán)、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(nèi)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(shí)在同一上下頜張合動作中，同時(shí)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(wǎng)胃內(nèi)的采食過程。
反芻草料團(tuán):將草料從瘤胃、網(wǎng)胃中反吐到口腔內(nèi)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(nèi)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(tuán)、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(shí)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(jù)之一。在整個(gè)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(xué)監(jiān)測方法的基本依據(jù);同時(shí)，家畜上下頜相對位置發(fā)生周期性接觸和分離，這是機(jī)械開關(guān)、壓力傳感器和加速度傳感器監(jiān)測法的共同依據(jù)。
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(yīng)用廣泛。一般過程為觀測人員憑借望遠(yuǎn)鏡、秒表、記錄設(shè)備等工具，依靠養(yǎng)殖經(jīng)驗(yàn)，連續(xù)或間隔一定時(shí)間觀測家畜的牧食過程，分辨具體行為。根據(jù)所記錄的行為數(shù)據(jù)推測家畜身體或草場狀況，常見于動物科學(xué)和草地科學(xué)研究[9-10]。
此法雖簡單方便，但實(shí)際應(yīng)用中耗費(fèi)大量人力與時(shí)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(diǎn)。依據(jù)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(jī)械開關(guān)監(jiān)測法。主要原理為將動物顎部張合的動作轉(zhuǎn)換為機(jī)械開關(guān)的通斷狀態(tài)，依據(jù)開關(guān)通斷頻率或間隔時(shí)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(guān)裝置的遙感監(jiān)測籠頭安裝在野生鹿頭部，分析開關(guān)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(shí)間比例。此法設(shè)備簡單，精度較高，但無法細(xì)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(zhuǎn)換成因阻值改變而產(chǎn)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(qiáng)，平均幅度低，據(jù)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(jì)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(yàn)證研究，例如Zehner等[16]采用鼻帶壓力傳感器采集動物顎部運(yùn)動信號，檢驗(yàn)2種通用分類識別算法監(jiān)測家畜采食和反芻時(shí)間的準(zhǔn)確性。
3)加速度傳感器監(jiān)測法。其主要依據(jù)家畜牧食時(shí)頭部或顎部存在固有的運(yùn)動特征，比如低頭和抬頭的頻率、下頜運(yùn)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(yùn)動數(shù)據(jù)，提取12個(gè)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(jì)方法對特征變量進(jìn)行分類，以區(qū)分不同牧食行為，準(zhǔn)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(yùn)動時(shí)咬肌或其他肌肉伸縮運(yùn)動的變化通過電極轉(zhuǎn)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(shù)據(jù)分類識別其顎部運(yùn)動，與人工觀測結(jié)果高度一致。Campos等[26]從肌電信號中提取8個(gè)特征，利用7種機(jī)器學(xué)習(xí)算法對反芻與采食、采食不同食物產(chǎn)生的信號進(jìn)行識別分類，準(zhǔn)確率分別為70%、60%。此法基于肌電信號規(guī)律性的強(qiáng)弱，能夠分辨反芻和采食過程，準(zhǔn)確率較高。
以上方法雖具有諸多優(yōu)點(diǎn)，但存在不能識別采食過程中咀嚼-咬食復(fù)合行為的不足。相比而言，聲學(xué)監(jiān)測法能更進(jìn)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(shù)都占有張合總數(shù)的主要比例，但不同個(gè)體之間差異顯著。Ungar等[27]研究發(fā)現(xiàn)，不同家畜個(gè)體采食時(shí)張合運(yùn)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(shù)的比例直觀反映家畜采食效率，同時(shí)對飲食特點(diǎn)也有所表征，是分析家畜采食特點(diǎn)的重要參數(shù)。因此，聲學(xué)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(diǎn)。
1.3牧食行為聲信號特征
聲學(xué)監(jiān)測法，主要依據(jù)家畜不同牧食行為產(chǎn)生的聲音信號特征不同，如波形、強(qiáng)度和持續(xù)時(shí)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(fēng)作為聲信號采集傳感器，根據(jù)Nelson等[30]的研究，麥克風(fēng)垂直向內(nèi)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(zhǔn)確分辨出不同牧食行為。3種采食行為產(chǎn)生的典型聲信號。不同牧食行為的區(qū)別如下:時(shí)域:平均強(qiáng)度上，咬食相對于咀嚼，平均強(qiáng)度高(聲音大);持續(xù)時(shí)間上，羊咬食相對咀嚼持續(xù)時(shí)間短[32]，牛則不同;包絡(luò)線形狀特點(diǎn)上，咀嚼和咬食行為的包絡(luò)線只有1個(gè)峰[33]，而咀嚼-咬食行為由咀嚼和咬食2種行為復(fù)合連接而成，其包絡(luò)線有2個(gè)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(qiáng)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(nèi)，羊咬食相對于咀嚼聲能量大[29];在3～8kHz頻帶內(nèi)，牛咬食比咀嚼產(chǎn)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(nèi)，咬食比咀嚼產(chǎn)生更多能量輸出。
1.4基于聲信號的監(jiān)測方法
依據(jù)不同牧食行為聲信號的差異，綜合運(yùn)用語音信號處理技術(shù)、統(tǒng)計(jì)分類方法、機(jī)器學(xué)習(xí)算法和背景噪聲弱化技術(shù)，聲學(xué)監(jiān)測方法可準(zhǔn)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(yù)處理、特征提取、事件檢測、事件分類、結(jié)果輸出。信號采集時(shí)，除Clapham等[35]將麥克風(fēng)放置在家畜嘴巴側(cè)面和Tani等[36]將加速度傳感器當(dāng)做聲信號采集傳感器使用外，其余均安裝在家畜前額向內(nèi)處，用橡膠泡沫保護(hù)。
預(yù)處理主要對原始信號進(jìn)行背景噪聲弱化、生成包絡(luò)線等處理。特征提取是指尋找不同牧食行為聲信號在時(shí)域、頻域內(nèi)獨(dú)有的特征，例如平均強(qiáng)度、持續(xù)時(shí)間、信號包絡(luò)線衍生特征等，以準(zhǔn)確區(qū)分不同牧食行為。特征提取是整個(gè)識別分類過程的關(guān)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(shí)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(chǎn)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(chǎn)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(xiàng)研究將咬食、咀嚼、咀嚼-咬食和反芻咀嚼行為進(jìn)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(guān)報(bào)道。
Nelson等[30]利用無線麥克風(fēng)傳感器和接收裝置，遠(yuǎn)程遙測鹿的覓食、飲水和其他行為產(chǎn)生的聲信號，人工識別分類，獲得很高準(zhǔn)確率，證明人工觀測聲信號可準(zhǔn)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(guān)注咀嚼-咬食與反芻咀嚼行為。
Laca等[28]提取聲信號的4個(gè)特征:總能量通量密度、各子頻帶中平均強(qiáng)度和峰值(頻譜被均等劃分成8份)、持續(xù)時(shí)間、平均強(qiáng)度和峰值，采用統(tǒng)計(jì)學(xué)分類方法進(jìn)行分類，結(jié)果表明使用4個(gè)特征總誤差為0.063，使用每個(gè)頻帶內(nèi)的信號平均強(qiáng)度特征總誤差為0.070。Clapham等[35]根據(jù)高頻段內(nèi)牛咬食比咀嚼產(chǎn)生更大聲能量的特點(diǎn)，使用SIGNAL軟件對兩者進(jìn)行分類，準(zhǔn)確率為95%;同時(shí)驗(yàn)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(zhǔn)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(jié)合語音識別技術(shù)，構(gòu)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(shù)為顯性狀態(tài)，根據(jù)采集到的顯性狀態(tài)推斷隱藏狀態(tài)，實(shí)現(xiàn)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(zhǔn)確率為85.09%。此法準(zhǔn)確率較高，但計(jì)算量高達(dá)萬次[31]，無法應(yīng)用于嵌入式設(shè)備以實(shí)現(xiàn)實(shí)時(shí)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(biāo)準(zhǔn)樣本，與待分類信號比較，依據(jù)差值大小將其分類為采食或反芻行為。同時(shí)研究了加速度傳感器放置在牛頭部不同位置時(shí)分類精度的變化，結(jié)果發(fā)現(xiàn)放在牛角最佳，分類精度達(dá)99%。實(shí)際應(yīng)用時(shí)，此法因動物個(gè)體差異需重復(fù)標(biāo)定閾值，推廣應(yīng)用存在一定難度。Navon等[38]利用機(jī)器學(xué)習(xí)算法分離背景噪聲，提出一種無需標(biāo)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(qiáng)、斷續(xù)強(qiáng))下，對牛、山羊、綿羊下頜活動產(chǎn)生的聲信號進(jìn)行識別，準(zhǔn)確率分別為94%、96%、83%。
此算法通用性強(qiáng)，不限麥克風(fēng)種類和安裝位置、牧草種類和含水率、動物種類、背景噪聲強(qiáng)弱，但只識別事件，并未進(jìn)一步分類。Chelotti等[33]基于采食過程中不同行為聲信號包絡(luò)線形狀差異，提取包絡(luò)線曲線導(dǎo)數(shù)正負(fù)符號改變的次數(shù)、平均強(qiáng)度、持續(xù)時(shí)間3個(gè)信號特征，利用統(tǒng)計(jì)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(zhǔn)確率分別為97.4%和84.0%。此算法計(jì)算成本僅為Milone等[32，37]算法的兩千分之一，可運(yùn)行于嵌入式設(shè)備中。
Deniz等[39]以其為核心，結(jié)合經(jīng)驗(yàn)判別法，采用嵌入式微處理器、聲音信號采集調(diào)理電路、GPS定位裝置及太陽能板供電等設(shè)計(jì)了一套采食行為實(shí)時(shí)監(jiān)測裝置。在無噪聲室內(nèi)用語音庫試驗(yàn)，發(fā)現(xiàn)裝置能夠?qū)崟r(shí)監(jiān)測采食行為，擺脫了傳統(tǒng)的將聲信號轉(zhuǎn)移至計(jì)算機(jī)再處理的方式，識別、分類準(zhǔn)確率較高。此裝置采用太陽能板供電，延長了系統(tǒng)運(yùn)行時(shí)間，但在噪聲環(huán)境中的分類精度較低。
Chelotti等[31]進(jìn)一步改進(jìn)算法，在事件識別前增加去噪步驟，對比經(jīng)驗(yàn)?zāi)B(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(xùn)練6種機(jī)器學(xué)習(xí)算法分類不同采食行為，用含有弱和強(qiáng)背景噪聲的2種牧食語音庫進(jìn)行試驗(yàn)，結(jié)果表明，在綜合考慮分類精度、計(jì)算成本和嵌入式設(shè)備易用性指標(biāo)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(shí)分類準(zhǔn)確率提高到89.75%，而計(jì)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(shí)草場環(huán)境下試驗(yàn)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(bǔ)。
其算法主要依據(jù)為:1)利用信號自相關(guān)參數(shù)，可判別采食和反芻過程;2)相對于采食，反芻聲信號平均強(qiáng)度低、分布均勻、周期性強(qiáng)、信號中有周期性吞咽與反芻草料團(tuán)產(chǎn)生的信號中斷，據(jù)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(xiàn)，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(jié)果輸出(簡稱RAFAR-MBBP)的信號處理流程效果最佳，此時(shí)事件分割準(zhǔn)確率為96.2%，反芻和采食過程分類的準(zhǔn)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(xì)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(jī)整合所形成的算法功能才更完整，有望應(yīng)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(xué)監(jiān)測方法準(zhǔn)確率的影響，結(jié)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(gè)體不會顯著影響聲學(xué)監(jiān)測的識別分類準(zhǔn)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(yīng)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(yàn)階段而未應(yīng)用于實(shí)際草場環(huán)境，但已有適用于實(shí)時(shí)在線監(jiān)測牧食行為的研究報(bào)道[33-34]，為實(shí)際應(yīng)用提供了理論和技術(shù)基礎(chǔ)。下一步研究的重點(diǎn)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(fēng)類型，對全部牧食行為進(jìn)行識別與分類。
在草場實(shí)際應(yīng)用時(shí)，需解決以下幾個(gè)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(zhǔn)確率沒有顯著影響，但應(yīng)注意到其方法是在高頻條件下應(yīng)用。對于其他情況，例如Chelotti等[33]和Vanrell等[34]所提算法，在牧場實(shí)際應(yīng)用時(shí)，動物叫聲、風(fēng)聲、機(jī)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(xiàng)十分重要的工作[42]。
Chelotti等[31]研究了在信號調(diào)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(yàn)表明增加經(jīng)驗(yàn)?zāi)B(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(fēng)噪聲對消方法:第1個(gè)麥克風(fēng)固定在動物的前額上，記錄下咀嚼、咬食和背景噪聲;第2個(gè)麥克風(fēng)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(gè)麥克風(fēng)相減，可獲得“干凈”的咀嚼聲信號;第3個(gè)麥克風(fēng)安置在遠(yuǎn)離動物頭部的背部，記錄環(huán)境噪聲，利用其消除另2個(gè)麥克風(fēng)所采集信號中的噪聲。
宣傳忠[42]提出一種改進(jìn)的小波去噪方法，有效弱化了羊舍中的風(fēng)機(jī)、飼喂設(shè)備等背景噪聲，在強(qiáng)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(jī)器學(xué)習(xí)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(shí)間直接決定系統(tǒng)運(yùn)行時(shí)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(xiàng)圈外壁或穿戴到身體上，在家畜牧食時(shí)，太陽能電池板隨時(shí)補(bǔ)充消耗掉的電量。市場上也有將太陽能內(nèi)板和定位器集成到一起的定位裝置。此外，設(shè)計(jì)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(shí)更換電池。3)數(shù)據(jù)獲取問題。人工方式獲取采集的牧食行為數(shù)據(jù)，工作量大，不便于操作。數(shù)據(jù)的無線傳送彌補(bǔ)了以上不足，一定范圍內(nèi)可用藍(lán)牙、Zigbee等，遠(yuǎn)程可通過GPRS、4G等將數(shù)據(jù)上傳至服務(wù)器，當(dāng)終端需要時(shí)從服務(wù)器下載。前者可在家畜回圈時(shí)統(tǒng)一獲取數(shù)據(jù)，但不能實(shí)時(shí)監(jiān)測。
若使用后者，當(dāng)牧場網(wǎng)絡(luò)質(zhì)量差甚至斷網(wǎng)情況下，應(yīng)將數(shù)據(jù)保存在預(yù)置大容量存儲單元內(nèi)，當(dāng)系統(tǒng)檢測到網(wǎng)絡(luò)質(zhì)量良好時(shí)，將存儲單元內(nèi)的數(shù)據(jù)依次上傳，謹(jǐn)防數(shù)據(jù)丟失。此外應(yīng)注意現(xiàn)場采集的聲信號數(shù)據(jù)量太大，不便于實(shí)時(shí)傳輸和保存，若嵌入式設(shè)備能夠?qū)崟r(shí)將語音信號分類為對應(yīng)牧食行為，可大幅度縮小數(shù)據(jù)傳輸量和存儲壓力。4)算法運(yùn)算成本問題。嵌入式處理器運(yùn)行能力有限，識別分類算法計(jì)算成本過高將無法實(shí)現(xiàn)實(shí)時(shí)處理，甚至出現(xiàn)數(shù)據(jù)丟失造成更大誤差。除Chelotti等[31，33]考慮計(jì)算成本外，其他研究未見進(jìn)行計(jì)算成本的核算。同時(shí)，好的算法應(yīng)綜合考慮分類精度、計(jì)算成本及嵌入式設(shè)備易用性等指標(biāo)。
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(zhǔn)確估測采食量對及時(shí)發(fā)現(xiàn)患病個(gè)體和調(diào)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(zhì)量差異可準(zhǔn)確估測家畜進(jìn)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(guān)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(xué)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(zhì)量差異，以此推算整塊草場被采食的狀況，即依據(jù)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(nèi)所有的草都必須被均勻采食)，牧草差分法應(yīng)用方便，結(jié)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(zhì)量差分法。在家畜無排泄行為的短期內(nèi)(例如1h內(nèi))，將其牧食后體質(zhì)量增加量視為采食量。長期時(shí)需考慮排泄和運(yùn)動消耗影響。
間接法有5種:1)標(biāo)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(zhì)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(gòu)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(yīng)用廣泛[48-49]。2)比例法[21]。比例法利用飼料消化率和糞便產(chǎn)量推算采食量。
無論標(biāo)記法或比例法，牧草的取樣必須具有代表性，否則會產(chǎn)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(zhǔn)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(xué)分析法[51]。對糞便或胃腸道中的植物殘留物進(jìn)行微觀組織學(xué)分析進(jìn)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(shù)據(jù)庫，將采集的近紅外光譜數(shù)據(jù)與通過試驗(yàn)測量得到的化學(xué)或生物成分含量等值對應(yīng)起來以實(shí)現(xiàn)采食量估測[44]。
最新的NIRS技術(shù)通過檢測家畜糞便，能夠?qū)崿F(xiàn)家畜消化率、進(jìn)食量和飲食特點(diǎn)的檢測，且精度高。但此法所用分析設(shè)備昂貴，需開發(fā)大型參考數(shù)據(jù)庫且必須持續(xù)更新，是廣泛應(yīng)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(yīng)用成本較高、費(fèi)時(shí)費(fèi)力，無法實(shí)現(xiàn)自動遠(yuǎn)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(chǎn)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(guān)的參數(shù)，比如咬食次數(shù)、咀嚼次數(shù)和反芻次數(shù)等，稱作行為變量;聲音信號相關(guān)的參數(shù)，比如聲信號能量，稱作聲學(xué)變量。行為變量和聲學(xué)變量簡稱為特征變量。利用特征變量估測采食量時(shí)，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(zhì)量、頭部大小、牙齒、頭部組織結(jié)構(gòu)等影響因素，這樣建立的預(yù)測模型方法具有普遍性、信服性和高精度。根據(jù)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(xué)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(guān)變量，例如采食時(shí)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(xué)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(xiàng)圈檢測牛的咬食次數(shù)，線性回歸預(yù)測進(jìn)食量。田富洋等[13]依據(jù)奶牛在采食、反芻和吞咽時(shí)顳窩部位振動頻率不同，利用開關(guān)式傳感器獲取奶牛吞咽次數(shù)，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(yù)測山羊采食多種草料的纖維進(jìn)食量，準(zhǔn)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(shí)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(yù)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(shí)間估測進(jìn)食量的可行性。研究中將飼喂前后飼料質(zhì)量差當(dāng)做進(jìn)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(shí)間。結(jié)果表明鮮物質(zhì)進(jìn)食量和飼喂、咀嚼時(shí)間的相關(guān)性系數(shù)分別為0.891、0.780。以上研究中，采食時(shí)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(jīng)驗(yàn)數(shù)值法可以短期內(nèi)精準(zhǔn)估算采食量，但復(fù)雜草場環(huán)境下會產(chǎn)生較大誤差，推廣應(yīng)用存在困難。
此外，單口采食量的測定還與家畜個(gè)體特征(咬食面積、咬食深度)有關(guān)。同一批次的家畜在形態(tài)、年齡等方面具有極大相似性，個(gè)體差異影響不顯著。質(zhì)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(yīng)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(shù)，精度低，難度大。綜上，單口咬食量的準(zhǔn)確測定是行為變量法應(yīng)用的一項(xiàng)巨大挑戰(zhàn)[21]。單獨(dú)使用行為變量預(yù)測采食量往往不能得到滿意的結(jié)果，但在其他預(yù)測模型中加入行為變量能有效提高模型預(yù)測的準(zhǔn)確性[52，57]。
2.2.2聲學(xué)變量法
聲學(xué)變量法主要利用采食過程中咀嚼行為產(chǎn)生的聲信號相關(guān)變量，例如咀嚼次數(shù)、咀嚼聲信號的總能量通量密度，結(jié)合行為變量、時(shí)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(shí)咀嚼行為產(chǎn)生的聲信號中，提取5個(gè)咀嚼聲信號相關(guān)的特征變量線性回歸預(yù)測干物質(zhì)進(jìn)食量(drymatterintake，DMI):①總能量通量密度(chewenergyfluxdensity，EFDC);②頻域內(nèi)1～2kHz頻帶的平均強(qiáng)度;③頻域內(nèi)2～3kHz頻帶的平均強(qiáng)度;④單次咀嚼產(chǎn)生的平均咀嚼能量密度;⑤單口咬食產(chǎn)生的平均咀嚼能量通量密度。結(jié)果表明:①②③④或②③④⑤預(yù)測采食量的準(zhǔn)確率高達(dá)88%;DMI與EFDC具有極高的線性相關(guān)性。經(jīng)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(chǎn)生的EFDC基本保持不變，利用EFDC可準(zhǔn)確估測DMI。
此外，EFDC包含咀嚼聲強(qiáng)度和持續(xù)時(shí)間的信息，而持續(xù)時(shí)間可作為有效的預(yù)測因子也在Pahl等[18]和Oudshoorn等[55]研究中得到證實(shí)。盡管Laca等[28]研究發(fā)現(xiàn)利用EFDC可估測DMI，但其試驗(yàn)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(yàn)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(gè)特征變量，多元回歸估測DMI，結(jié)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(chǎn)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(shí)間(TCC)和單位干物質(zhì)咀嚼次數(shù)(CI)3個(gè)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(xué)2種變量，可準(zhǔn)確預(yù)測DMI。
其中EFDC、咀嚼次數(shù)、牧草含水率是最有效的預(yù)測變量。4)本試驗(yàn)中沒有證據(jù)表明牧草的種類、喂入量和顆粒大小顯著影響EFDC預(yù)測DMI的精度。Galli等[41]研究發(fā)現(xiàn)，牧草含水率對預(yù)測結(jié)果有重要影響。根據(jù)水分位于牧草細(xì)胞壁不同位置，含水率可分為內(nèi)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(nèi)部含水率決定，部分咀嚼聲由細(xì)胞破裂和內(nèi)部水分的擠壓產(chǎn)生。含水率對鮮、干牧草影響不同。
鮮牧草中，較高內(nèi)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(nèi)部含水率不同;不同放牧?xí)r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(xué)方式下的采食量預(yù)測影響顯著，具有很強(qiáng)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(xué)變量和行為變量估算DMI的準(zhǔn)確性進(jìn)行了研究。
結(jié)果發(fā)現(xiàn)聲學(xué)變量比行為變量準(zhǔn)確;估測DMI的最佳聲學(xué)變量依次為EFDC、咀嚼時(shí)間，而最佳行為變量為咀嚼次數(shù)。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(qiáng)度、EFDC/咀嚼次數(shù)、咀嚼強(qiáng)度、EFDC/咬食次數(shù)，此時(shí)相關(guān)系數(shù)(R2)為0.92，變異系數(shù)(CV)為18%。同時(shí)發(fā)現(xiàn)，盡管鮮、干牧草含水率有所差異，但EFDC與DMI仍然呈線性關(guān)系;用行為變量法和聲學(xué)變量法同時(shí)估測DMI時(shí)，進(jìn)食量對估測結(jié)果沒有影響[40]。
綜上，在一定牧草含水率和具體動物個(gè)體條件下，行為變量和聲學(xué)變量相結(jié)合可準(zhǔn)確估測DMI�，F(xiàn)有報(bào)道中，試驗(yàn)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(zhì)量、頭部尺寸、牙齒和頭部結(jié)構(gòu)是否影響DMI的預(yù)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(shí)空分布模型
3.1單只家畜采食量時(shí)空分布模型
放牧家畜采食量時(shí)空分布指家畜在單位放牧周期(日、月)內(nèi)，不同時(shí)間、地點(diǎn)采食牧草質(zhì)量的分布情況，可反映草地放牧強(qiáng)度和家畜采食特點(diǎn)，常用于分析動物和環(huán)境的相互影響。Rutter等[59]發(fā)現(xiàn)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(xiàng)圈，研究山羊群每日的運(yùn)動軌跡和草地放牧強(qiáng)度的季節(jié)變化，以及采集位置數(shù)據(jù)的頻率對預(yù)測羊群每日行走距離的影響及放牧強(qiáng)度與距離的關(guān)系，計(jì)算了聚落周圍區(qū)域的放牧強(qiáng)度。汪傳建等[1]根據(jù)放牧家畜的位置數(shù)據(jù)，擬合出放牧路徑曲線，以路徑曲線為中線向兩側(cè)擴(kuò)展一定寬度(緩沖區(qū))，擬合出畜群采食區(qū)域曲線帶;結(jié)合GIS地理信息數(shù)據(jù)，以網(wǎng)格細(xì)分采食區(qū)域;將定量進(jìn)食量按家畜在每段放牧路徑曲線上所耗時(shí)間占總時(shí)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(shí)間屬性的家畜放牧路徑曲線帶，也即畜群采食量時(shí)空分布圖。
4研究展望
近年來國內(nèi)已有學(xué)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(jìn)食行為識別分類[6]的相關(guān)研究，但放牧條件下家畜牧食行為及采食量的研究鮮有報(bào)道。綜合國內(nèi)外研究現(xiàn)狀，如下幾個(gè)方向可能將成為未來研究重點(diǎn)：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(yīng)的嵌入式裝置已有報(bào)道[33-34]，但尚未應(yīng)用到實(shí)際環(huán)境當(dāng)中。下一步應(yīng)重點(diǎn)研發(fā)可應(yīng)用到草場環(huán)境條件下的實(shí)時(shí)在線監(jiān)測設(shè)備。2)采食量監(jiān)測。行為變量和聲學(xué)變量能夠準(zhǔn)確估測采食量已經(jīng)得到證實(shí)，且建立了較為精確的預(yù)測模型。牧草特性對模型的影響基本清晰，但動物個(gè)體差異和牧草含水率的影響尚未充分研究。下一步重點(diǎn)研究兩者的具體影響，并根據(jù)EFDC、咀嚼次數(shù)、咀嚼時(shí)間等變量建立一種可應(yīng)用于嵌入式設(shè)備的采食量實(shí)時(shí)估測算法，以完善家畜牧食信息的監(jiān)測。
3)畜群采食量時(shí)空分布模型�；谖恢脭�(shù)據(jù)的簡易畜群采食量時(shí)空模型已經(jīng)建立，但并未利用牧食行為和采食量檢測技術(shù)，畜群放牧區(qū)域擬合的報(bào)道也較少。應(yīng)重點(diǎn)研究擬合畜群放牧區(qū)域的最佳擬合方法，以及建立精準(zhǔn)的畜群采食量時(shí)空分布模型。4)聲學(xué)監(jiān)測方法與其他監(jiān)測方法的結(jié)合研究。聲學(xué)監(jiān)測方法能夠監(jiān)測動物的情緒、進(jìn)食和交流等，與其他檢測方法的結(jié)合，將更全面地監(jiān)測動物的生理、心理狀況。比如機(jī)器視覺能夠自動檢測動物體尺信息，動態(tài)稱量技術(shù)能夠在動物無應(yīng)激情況下測量其體質(zhì)量。聲學(xué)監(jiān)測方法與兩者的結(jié)合，將有望建立動物進(jìn)食-生長模型。綜上，聲學(xué)監(jiān)測不僅可實(shí)現(xiàn)放牧家畜牧食行為的監(jiān)測，同時(shí)還可監(jiān)測采食量，結(jié)合定位器、加速度傳感器、電子信息技術(shù)等，可實(shí)現(xiàn)放牧家畜牧食信息的實(shí)時(shí)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(shí)施都具有重大的價(jià)值。
參考文獻(xiàn)References:
[1]汪傳建，王偉強(qiáng)，魯為華，等.基于放牧?xí)r空軌跡數(shù)據(jù)的牧群采食量分布模型[J].農(nóng)業(yè)工程學(xué)報(bào)，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(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///nylw/23288.html
