随着肉鸡集约化养殖的发展, 肉鸡规模化和产业化水平不断提高, 肉鸡成为我国仅次于猪肉的第2大类消费品^[1]。在目前规模化的养殖条件下, 肉鸡的健康与福利问题日益显著^[2-4]。受遗传、饲养营养、环境等因素的影响, 因腿病淘汰的肉鸡占所有淘汰肉鸡的0.52%。据统计, 每年美国肉鸡2%~5%的腿病发病率造成高达8 000万到12 000万美元的经济损失^[5-7], 而我国暂未有研究统计因肉鸡腿病造成的经济损失。目前, 检测肉鸡腿病的方法主要停留在人工观察检测的阶段, 需耗费大量的时间精力^[8]。因此, 如何快速高效识别跛行肉鸡并确定其跛行程度成为现代化肉鸡养殖行业的迫切需求。

伴随传感器技术的快速发展, 三轴加速度传感器被广泛应用于畜禽步态检测, Thorup等^[9]通过在348头荷斯坦奶牛腿部佩戴三轴加速度传感器装置获取奶牛运动状态的加速度信息, 分析躺卧时间、站立时间和行走时间及其相应的变化系数, 成功检测到奶牛的早期跛足迹象。Alsaaod等^[10]利用加速度计来测量30头荷斯坦奶牛的运动和躺卧时间, 通过分析躺卧总时间、躺卧次数以及每次躺卧时间等特征, 使用带RBF内核的支持向量机, 建立奶牛跛行预测模型, 该模型的准确率达76%。目前, 国内外并未见相关文献报道三轴加速度传感器在肉鸡步态检测上的研究。

本文针对肉鸡腿部结构, 基于三轴加速度传感器MMA8451, 结合Bluetooth 4.0技术, 提出了一种基于三轴加速度传感器的肉鸡步态检测方法。该方法通过穿戴式无线运动脚环采集肉鸡加速度数据, 先对加速度数据进行低通滤波预处理, 再利用行走自检测算法(walking self-detection, WSD)划分出行走过程的有效数据点, 并提取有效数据点的时域特征, 采用逻辑回归算法进行肉鸡健康与跛行的二分类, 最后通过欧氏距离度量肉鸡的跛行程度。

1 材料与方法 1.1 试验材料

试验于安徽省滁州市温氏畜牧有限公司进行, 选用112只(健康54只, 跛行58只)鸡龄为43 d、平均质量为1.52 kg、小腿平均直径为12.73 mm的淮南草鸡作为试验对象, 肉鸡双腿佩戴脚环(脚环距离脚掌21 mm)30 min后, 基本无应激反应, 分别记录20只肉鸡(健康、跛行各10只)从放入如图 1所示试验环境到正常行走一步的持续时间, 并重复3次试验, 其持续时间为0.2~8 min。为保证去除紧张性静止行为对肉鸡行走步态造成的影响^[11], 将肉鸡提前15 min放至试验环境, 固定型号为DS-2CD3T45-I3海康红外高清摄像头于肉鸡行走正前方, 实时录制高清视频信息, 用于记录肉鸡行走步态、行走时间以及每步起止时间。采用PC机进行数据处理和分析, 算法开发环境为Eclipse 4.7 Oxygen, 开发语言采用Python。

1.2 脚环设计

肉鸡腿部加速度数据来源于无线运动脚环, 为确保肉鸡佩戴脚环后无不适感, 便于其佩戴, 结合肉鸡腿部结构特征, 脚环必须要小、薄、轻; 无线运动脚环需实时采集肉鸡腿部加速度数据, 并通过无线传输方式发送至PC端; 保证适当传输距离的同时降低功耗^[12]。

根据以上要求, 脚环通过纽扣电池CR2032供电, 选用MMA8451作为数据采集传感器, 采用CC2541作为处理器, 结合板载PCB进行无线传输, 其设计框图如图 2所示。MMA8451尺寸为3 mm×3 mm×1 mm, 最低电流消耗为6 μA, 采样频率设置为200 Hz; CC2541集成了51内核、存储器和射频收发器, 体积小, 稳定性高, 无线传输频率设置为20 Hz, 发射功率设置为0 dB^[13]; 脚环外壳尺寸为31.75 mm× 26.17 mm× 12.20 mm, 用树脂材料3D打印软胶外壳, 柔软度高, 穿戴舒适, 脚环整体质量为36 g。

1.3 加速度数据预处理

确保加速度数据的准确性是数据处理过程中的重要环节, 加速度传感器的零点漂移以及基础运动引起的信号波形偏移, 导致加速度数据的输出是运动信号和随机信号的混合^[14]。加速度初始信号含有干扰噪声, 如式(1)所示:

(1)

式中:a_measure、a_real、a_noise分别代表实际测量值、实际加速度值、加速度传感器的测量误差。

针对随机噪声的特点, 提出加速度数据的一阶惯性低通滤波处理, 并对滤波后的加速度数据进行序列重构, 其滤波算法如式(2)所示:

(2)

式中:m、a(i)、a′(i)分别为滤波系数、第i个点的加速度测量值和滤波后的加速度值。

1.4 行走自检测算法

确定肉鸡每步行走(本次双脚着地到下次双脚着地)的有效数据点是分析肉鸡步态的必要条件, 肉鸡行走过程的单腿加速度数据如图 3所示, X轴加速度与合加速度的幅值特征能有效反映肉鸡行走的有效数据点(皮尔森相关系数分别为r=0.79和r=0.82), Z轴的加速度幅值特征无法判断有效数据点(r=0.12), 与肉鸡佩戴脚环的方式得到较好的吻合。

不同肉鸡在行走过程中, 其腿部运动振幅以及能量存在差异性, 通过单一的固定阈值方法(合加速度a在[1.5, 4]g的范围内为有效数据点)以及加速度能量E(如式(3), E(i)范围在[6.75, 31.5]为有效数据点)来检测肉鸡行走的有效数据点极易发生误判, 适应性差。

(3)

式(3)满足的约束条件如式(4)所示:

(4)

式中:n, m表示起止数据点; L表示数据长度; N表示数据总长度。

由于在肉鸡单步行走过程中, X轴加速度a_x与合加速度a的夹角θ呈周期性变化(图 4), 因此, 本文利用θ的余弦值提出一种行走自检测算法(WSD):构造新特征w(i)如式(5)所示, 结合固定阈值的判断结果, 通过有效数据点的个数进行区间限制, 当满足w(i)大于0.75且有效数据点的个数大于等于3时确定为有效数据点, 否则数据无效。

(5)

式中:w₀、a_x(i)、a_y(i)、a_z(i)、a(i)分别为常数项及第i个点的X轴、Y轴、Z轴加速度值以及合加速度值。

1.5 步态判定及跛行程度度量 1.5.1 特征选取

不同步态的肉鸡存在不同行走特点, 结合Kestin等^[15]的肉鸡步态评分标准, 提出改进型肉鸡步态分类标准, 如表 1所示。重度跛行肉鸡, 基本失去了行走能力, 在本文的试验中不做探究。

反应加速度数据分布的特征主要包括位置特征、散布特征和形态特征, 且加速度传感器获得的信号是离散的数字信号^[16]。对肉鸡行走过程中的有效数据点进行分析, 跛行肉鸡左右腿的X轴加速度(a_x)、合加速度(a)和1.4节的新特征w存在明显差异。

因此, 本文选用左右腿a_x、a和w中的平均值(avr)、中位数(mid)、方差(var)、最大值(max)之差作为特征, 构造特征向量v如式(6)所示:

(6)

1.5.2 健康与跛行二分类模型

为提高肉鸡健康与跛行的二分类效果及模型运算效率, 提出一种基于逻辑回归算法^[17]的肉鸡腿部健康与跛行二分类模型。其基本原理是训练1.5.1节中的特征向量v, 通过梯度下降寻找最佳拟合参数集θ=(θ₀, θ₁, …, θ_n-1, θ_n), 并建立分类边界, 最后进行肉鸡健康与跛行的二分类。本文采用python实现算法, 方法如下:

1) 首先建立判定边界z如式(7)所示:

(7)

式中:θ=(θ₀, θ₁, …, θ_n-1, θ_n)表示特征值的参数; θ^T表示θ的转置; x=(x₀, x₁, …, x_n-1, x_n)为输入的加速度数据特征向量。

2) 将判定边界z的结果映射于sigmoid函数如式(8)所示, 得到逻辑回归模型h_θ(x)=y如式(9)所示:

(8)

(9)

3) 通过最大似然估计定义损失函数J(θ)如式(10)所示。为防止过拟合, 引入正则化项。

(10)

式中:m为数据个数; xⁱ、yⁱ表示第i个数据和对应的标签(健康或跛行); λ为正则化系数; n为特征个数; θ_j为第j个特征参数。

4) 利用梯度下降法更新θ如式(11)所示。

(11)

式中: 表示J(θ)对θ_j求偏导。

5) 将1.5.1节中处理过的特征向量输入到训练成功的逻辑回归模型h_θ(x), 计算出其概率h_θ(x)≥0.5时, 判定为跛行肉鸡, 当h_θ(x) < 0.5时, 判定为健康肉鸡。

1.5.3 跛行程度判定

为进一步对肉鸡跛行程度进行细分, 更好地描述肉鸡跛行程度, 本文提出一种基于连续值的肉鸡跛行程度判定方法, 该方法通过欧氏距离度量肉鸡左右腿特征向量之间的相似度, 判定左右腿之间的差异程度, 并对其进行归一化运算, 如式(12)所示。

(12)

式中:v_lj、v_rj分别表示跛行肉鸡左、右腿特征向量的第j个参数; y表示跛行严重程度, 其取值范围为[0, 1], 当y值越接近1, 其跛行程度越严重, y值越接近0, 跛行程度越轻。

2 结果与分析 2.1 模型建立分析

选取100只肉鸡(50只健康肉鸡, 50只跛行肉鸡)作为试验组, 每只肉鸡进行10次试验, 每次试验采集肉鸡10步行走数据, 总共10 000步数据, 通过行走自检测(WSD)算法进行特征提取, 建立肉鸡健康与跛行二分类模型, 通过随机抽取12只肉鸡全部行走数据, 对模型建立过程中的WSD算法以及模型特征提取进行分析。

2.1.1 WSD算法比较分析

12只肉鸡行走数据中有效加速度数据点数量范围为[441, 698], 并对比实际有效加速度数据点数量与固定阈值、加速度能量E、WSD 3种判定算法所测得的有效加速度数据点数量。结果(表 2, 图 5)表明:上述3种算法计算肉鸡行走的有效数据点具有可行性, 并且WSD算法检测效果明显优于其他算法, 通过滤除异常数据、振幅和能量的差异对数据检测造成的影响, WSD算法的平均误差不超过2.47%, 误差最小值为0.29%。因此, 本文选用WSD算法作为肉鸡行走的有效数据点检测算法。

2.1.2 模型特征提取分析

分析肉鸡行走数据过程的特征, 以Δa_max为例, 数据分布见图 6, 纵轴表示左、右腿合加速度a最大值之差的绝对值, 即Δa_max=|a_max(left)-a_max(right)|, 相同肉鸡的Δa_max在不同的试验中存在差异性, 但都集中分布于某一固定范围, 且健康肉鸡(编号1, 5, 7, 10)与跛行肉鸡(编号2, 3, 4, 6, 8, 9, 11, 12)存在较高的区分度。因此, 经过试验数据的分析, 本文选用Δa_max作为特征具有可行性。

2.2 模型测试分析

选取非试验组肉鸡12只(健康、轻度跛行、中度跛行各4只)作为测试组, 每只肉鸡进行10次试验, 每次试验采集肉鸡20步行走数据, 总共2 400步数据, 将肉鸡行走数据输入到2.1节中的模型进行检测, 其统计数据如表 3所示。结果显示:判断健康肉鸡的平均准确率为95.13%, 跛行肉鸡的平均准确率为92.63%;准确率最高的为4号健康肉鸡(准确率为98.00%)。本文提出的肉鸡健康与跛行二分类模型能较好地检测肉鸡真实步态状况。

欧氏距离的跛行程度判定试验结果如图 7所示, 轻度跛行肉鸡的平均跛行程度低于0.30, 中度跛行肉鸡的平均跛行程度介于0.30~0.75, 能够在跛行肉鸡中度量肉鸡的跛行程度, 表明该方法具有一定可行性。由于肉鸡健康与跛行二分类模型存在误判, 导致健康肉鸡存在跛行程度的值, 但其误判次数少(一般不超过20), 且在误判情况下其平均跛行程度同样低于0.30, 与轻度跛行肉鸡相似, 故无法通过欧式距离判定方法区分健康肉鸡与轻度跛行肉鸡。

3 结论

1) 研制了一种基于三轴加速度的蓝牙运动脚环, 该脚环能够实时快速采集和传输肉鸡行走的三轴加速度数据。

2) 提出WSD算法用于提取肉鸡的有效行走数据点, 平均误差不超过3%, 建立肉鸡健康与跛行二分类算法对肉鸡步态进行腿部健康状态判定, 平均准确率达93.88%(健康判定平均准确率95.13%, 跛行判定平均准确率92.63%), 利用欧氏距离可以近似表征肉鸡跛行的严重程度(轻度跛行肉鸡的平均跛行程度低于0.3, 中度跛行肉鸡的平均跛行程度为0.30~0.35)。

3) 在特征提取方面没有利用加速度数据的频域特征, 使得肉鸡健康与跛行二分类模型的精度不高, 需要在后续的研究工作中加以改进。