奶山羊行为监测管理系统设计

发布时间：2020-09-22 13:30

　　随着我国畜禽养殖业向着规模化、精准化的趋势发展,要求现代养殖业要有科学的管理方式和健康的饲舍环境。为了达到以上要求,本文以圈养奶山羊为研究对象,设计了一套监测系统,以实现在奶山羊养殖过程中对其行为与养殖环境的监测,将系统划分成了三个部分(前端穿戴设备部分、协调节点部分和PC端软件系统),并基于BP神经网络训练行为识别分类器,对奶山羊的四种行为进行分类,最后设计并实现了PC端的奶山羊行为监测管理系统软件。本文的主要研究内容有:(1)系统总体方案设计。分析整个项目需求和功能,选用了无线传感器网络技术与三轴加速度传感器的系统设计方案,并把整个系统分为三个部分:前端穿戴设备部分、协调节点部分和PC端软件系统。前端穿戴设备包含有MPU6050的三轴加速度陀螺仪的ZigBee模块,将该设备戴在奶山羊身上,用以采集奶山羊的三轴加速度数据;协调节点部分由集成CC2530芯片的ZigBee模块和TQ2440主板组成,主要接收由前端穿戴设备和羊舍环境传感器发来的数据并发给PC端软件系统;PC端软件系统则对采集的各类数据进行处理、存储、行为分类与展示。(2)奶山羊行为分类识别。由于奶山羊日常行为特征复杂多变,为降低系统建模难度,本文将奶山羊运动行为分为行走、跑动、跨跳和站立四种状态。对采集的加速度数据进行预处理后选取了均值、标准差和峰度三个特征值,采用BP神经网络建立奶山羊行为识别器对其行为进行分类识别。实验结果表明,该方法对奶山羊的四种运动行为的整体识别率可达到89.8%,能够满足实际需求。(3)奶山羊行为监测管理系统软件的设计与实现。根据需求研究,本文运用C#与Matlab语言混合编程,采用MySQL作为系统数据库,利用Visual Studio2010开发平台设计并开发出C/S架构的奶山羊行为监测管理系统,完成了数据接收与解析、行为数据的实时显示、奶山羊行为的分类、历史数据的查询、环境参数的阈值设置与报警、传感器节点管理与用户管理等功能模块的设计,实现奶山羊养殖过程中的行为的分类和饲养环境的实时监管功能,为信息化养殖管理提供支撑。
【学位单位】：西北农林科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP315;S827
【部分图文】：

现场图,奶山羊

2.1.1 行为数据采集在采集奶山羊行为数据之前，先要对奶山羊的行为进行分类。在查阅相关文献、观察奶山羊运动规律和询问养殖技术人员之后，得知奶山羊的典型日常活动基本表现为站立、行走和趴卧三大类，奶山羊的日常活动中站立行为占比较大，如进食、饮水、观望等。行走行为可以反映出其运动量的大小，奶山羊在生病时运动量会明显减少，而奶山羊在发情、求偶等过程中会表现出跨跳、跑动等行为。鉴于奶山羊的日常行为复杂多变且涉及过渡行为，为降低建模难度，本文将奶山羊行为分为行走、跑动、跨跳和站立 4 种行为。本文实验所用的奶山羊行为数据主要为三轴加速度数据，使用 MPU6050 加速度陀螺仪来采集奶山羊的加速度数据，文中 3.1.1 节对其进行了介绍。采集过程中，随机从羊圈中选取三只奶山羊，对其进行编号标记，用松紧带把带有MPU6050 传感器和 ZigBee 模块的采集设备固定于奶山羊背部，且三轴轴向分别为：X 轴指向前方（羊头方向），Y 轴指向羊身一侧，Z 轴垂直地面。分别采集每只羊在 4 种不同行为状态下的加速度数据，采样频率 10Hz，同时同步录制视频，记录奶山羊行为，以便后续分类识别。实验现场如图 2-1 所示。

函数曲线,函数曲线,输出层

图 2-4 logsig 函数曲线Fig.2-4 The logsig function curve个很好的特性就是其导数很容易用它的输出来表示：算法中，仍采用梯度下降法，但是由于网络的输出层有多个单元的差值平方求和，为了方便对网络输出层的所有单元误为：ut 为输出层单元的集合，tkd和kdo 是第 k 个输出层单元的期误差则是网络各层之间所有连接的权值的函数。P 网络中输出层与隐含层单元的权值更新法则。可知，对于每个训练样本 d，每个权值的增加量为 wji ：(y)(y)(1 (y))ddy 21(w) (t )2kd kdd D k outputsE o

网络训练,行为,误差

6) 设定训练误差和迭代次数于奶山羊的行为之间的变换是连续有过程的，有些行为区分并不明显，因此器的时候，需要设定较小的误差，以确保对行为分类的准确性。本文将误差别设定为 0.0001 和 10000 次。BP 网络结构的训练与结果分析验采集四种行为的加速度数据，经过视频对比加标签和加窗处理后，获得 6本数据，其中行走行为 1604 个，跑动行为 942 个，跨跳行为 404 个，站立行每种行为分别取 70%作为训练样本，取 15%的数据对训练好的分类器进行验%作为测试样本，用来测试训练好的模型。将每个窗口片段中 X、Y、Z 三轴差、均值、峰度总共 9 维数据作为输入向量，将式(2-24)定义的矩阵a作为期望MATLAB 2014a 生成神经网络。实验过程中根据上文确定的隐含层节点数范围结构，通过对比每次的训练误差和迭代次数最终确定隐含层神经元个数为 11练误差的统计结果如图 2-6 所示。

【参考文献】