论文部分内容阅读
摘要：【目的】设计一套基于无线传感器网络（Wireless sensor networks，WSN）的蛋鸡活动量实时监测系统，为通过蛋鸡活动量变化确定蛋鸡健康状态提供技术支持。【方法】系统的终端节点以ADXL345加速度传感器对蛋鸡活动量进行采集，以CC2530芯片为核心对数据进行处理与无线传输，并针对蛋鸡独特的体型设计背包式佩戴带。系统选用低功耗ZigBee通讯协议，上位机使用Visual Studio 2012和SQL Server 2008对监控管理端进行设计。【结果】监测系统能满足在长×宽×高为50.0 m×6.0 m×3.5 m鸡舍内的通讯要求，测试期间平均丢包率仅为0.19%。5羽试验蛋鸡佩戴终端节点后6 h内有一定程度的应激反应；监测24 h后仅1号和4号蛋鸡分别丢失3和11个数据包。通过对比监控图像，监测系统对蛋鸡的活动、产蛋及睡眠状态下产生的加速度均能进行准确地采集与显示。【建议】对终端节点体积、佩戴带材料进行进一步优化，提高佩戴舒适性；加强网络通信稳定性，获得更加准确的活动量数据；增加分类识别算法实现对蛋鸡所患疾病的判别、报警，以实现对疫情进行预防。
关键词： 蛋鸡；活动量；无线传感器网络（WSN）；监测装置
中图分类号： S126 文献标志码：A 文章编号：2095-1191（2018）07-1453-07
0 引言
【研究意义】相关研究表明，当蛋鸡处于病理状态时会出现体温及行为异常、活动减少等情况（李春花和刘英贤， 2009；杨威雄，2011），因此，在蛋鸡养殖过程中要经常通过人工观察，判断蛋鸡行为状态是否正常（王秀生等，2016），从而对家禽健康状况进行评估。但该方法耗时长，对蛋鸡行为的判断存在主观性强、准确性低的问题，不适用于大规模养殖模式下蛋鸡生理健康狀况的诊断。因此，寻找和构建出一种能够对蛋鸡活动量数据进行实时监测和收集的系统，对大规模集约化养殖模式下蛋鸡生理状况的及时掌握具有重要意义。【前人研究进展】目前，国内外已有大量研究将无线传感器网络（Wireless sensor networks， WSN）应用于家畜活动量采集过程中，但业内对活动量的监测尚无统一标准，现有研究中通常采用加速度的变化来表征活动量变化；而现有针对蛋鸡活动量进行的研究多采用机器视觉技术对鸡群的各项行为（啄食、饮水、扇翅等）进行识别及统计，从而确定鸡体的健康状态。Leroy等（2006）应用相机与图像处理技术设计一种对鸡群行为进行分类识别的系统，成功实现了对单只鸡站立、行走和抓挠3种行为的识别；劳凤丹等（2012）采用机器视觉技术实现了对单只蛋鸡运动、饮水、采食、休息和抖动等行为的自动识别，为蛋鸡福利指标的评价提供了新方法。针对大型家畜应用WSN进行的研究已有较多报道，如Nadimi等（2008）利用ZigBee通讯协议对传感器节点的数据进行传输，通过分类树实现对群体性动物行为分类；刘龙申等（2013）利用三轴加速度计并结合WSN设计了一种行为实时监测系统，从而实现了对母猪产前行为特征的识别，系统的正确识别率可达87.93%；田富洋等（2013）采用多种传感器结合无线传输模块实时检测奶牛的活动量、静卧时间和体温等参数，使用神经网络建立了对奶牛行为特征的辨识模型；李颀等（2017）设计了一种基于WSN的产前母猪行为特征监测系统，通过支持向量机分析加速度数据从而识别母猪行为，对母猪分娩状态进行确认；Nogami等（2017）将无线三轴加速计传感器节点测量到的数据进行分析，从而判别牛的瘤胃运动是否出现异常，对牛瘤胃健康状况进行评估；Wang等（2016）通过构建WSN系统，对牛的体温及加速度信息进行采集，判别出牛的饮食与饮水行为是否出现异常，从而反映牛体的健康状况。【本研究切入点】由于家畜体型较大，因此在已有研究中对其活动量进行采集所用的采集节点体积均较大，但其节点无法适应于体型较小、活动灵活的蛋鸡，且已有的研究并未开发出适配的PC端的监控管理平台，未能对采集到的数据进行实时反映，直观程度差。其次，已有研究中采用机器视觉技术对鸡群行为活动进行分析的过程中，都是在理想试验条件下仅对单只鸡的行为进行判别分析，并不能满足在实际养殖环境中监测鸡活动行为的要求。【拟解决的关键问题】针对蛋鸡机体型设计出适用于蛋鸡的小型化、低应激的数据采集节点，对其活动量数据进行采集；应用WSN技术、通信技术及自主设计的监控管理端对活动量数据进行传输、存储、分析和显示，旨在实时掌握蛋鸡的日常行为活动情况，为蛋鸡生理状况的确定提供数据支持。
1 系统硬件和软件设计
1. 1 硬件设计
本研究设计的蛋鸡活动量实时监测系统实现了对蛋鸡活动量的数据采集、数据传输和数据管理三大主要功能。首先，采用传感器和电路设计技术，对蛋鸡活动量信息采集节点、辅助通信节点进行设计，满足数据采集与通信的要求。其次，为降低鸡舍内布线的繁琐程度，选用无线通信方式将各节点采集到的活动量数据进行传输。第三，为满足养殖人员实时掌握鸡体活动量状况的需求，使用计算机编程技术对数据管理端进行设计。蛋鸡活动量监测系统整体结构如图1所示，对蛋鸡活动量进行采集时，鸡舍内搭建ZigBee无线网络，鸡舍外采用RS485有线传输协议的通信方案，确保整体数据链路传输质量的稳定；终端节点将采集到蛋鸡活动量数据无线传输至簇头节点；簇头节点将数据汇总后无线传输至协调器节点；协调器节点将数据打包后通过RS485总线传输至控制室的上位机；在PC端设计监控管理软件，对采集到的活动量数据进行存储、分析及实时显示。
1. 1. 1 终端节点设计 终端节点在采集数据时需与蛋鸡鸡体直接接触，因此，为降低对鸡体的伤害及应激反应的产生，节点应体积小、质量轻。同时，为减少频繁更换电池对鸡体生理活动的影响，节点功耗应足够低，以便维持长时间监测。
针对以上要求，本研究采用TI公司生产的CC2530芯片作为节点的主处理器，采用QFN封装，其体积为6.0 mm×6.0 mm×0.8 mm。CC2530芯片集成了RF收发器，仅需很少的电路辅助元件便可实现无线收发数据的功能，简化电路复杂度，减小了节点体积；芯片在接收数据时的电流为24 mA，发送数据时的电流为29 mA，且当芯片不工作时进入睡眠模式，最低仅需1 μA便可维持状态。采用ADI公司的三轴加速度计ADXL345对蛋鸡活动量进行采集，该加速度计体积小、功耗低、分辨率高（13位），测量范围可达到±16 m/s2，可直接连接至处理器芯片，简化电路复杂程度；另外，采用14引脚小型超薄塑料封装时，体积（长、宽、高）仅为3 mm×5 mm×1 mm。在设计时，为了减轻终端节点重量，辅助电路的电气元件均采用贴片式元件，采用PCB板载天线，成本低，体积小。整个终端节点使用CR2032纽扣电池供电，终端节点电路原理如图2所示。 本研究采用背包式佩戴的方式将终端节点佩戴于鸡体背部，背带采用有弹性的软橡胶带，将终端节点嵌放中间橡胶囊腔中。佩戴时，类似穿马甲，将囊腔背于鸡体背部，将翅膀从囊腔两侧空洞穿出，于鸡体胸下将固定带扣好，可根据不同的鸡体调整背带松紧程度。如图3所示，在俯视图和主视图上，添加了俯视角度和主视角度相应的笛卡尔坐标系表明方向，佩戴后使三轴加速度计的X轴指向鸡头方向，Y轴与X轴在一个平面内且垂直于X轴，Z轴垂直于X0Y平面且方向朝上。
1. 1. 2 簇头节点与协调器节点设计 簇头节点与协调器节点在工作时均无需与蛋鸡鸡体直接接触，因此，对其体积大小沒有过多限制。终端节点采集到数据后，将数据传输至簇头节点，簇头节点将数据路由至协调器节点。协调器节点的独特功能是发起和构建网络的作用，当网络构建成功后，协调器便作为路由器实现对数据的路由。协调器节点接收到簇头节点传输到的数据后，将数据通过有线网络（RS-485）发送至PC上位机。
为降低成本，簇头节点和协调器节点依旧采用CC2530芯片作为处理中心，对数据进行处理和无线收发。由于簇头节点与协调器节点在网络中承担着大量的数据路由工作，因此，在设计簇头节点与协调器系统时均采用塑胶棒天线来加强信号的强度，以保证数据链路的传输质量；因簇头节点和协调器节点传输数据量较大，节点功耗大，因此簇头节点采用可反复充电的锂电池进行供电，而协调器节点与PC上位机相连，可直接由上位机直接进行供电。
1. 2 软件设计
1. 2. 1 蛋鸡活动量采集程序设计 如图4所示，终端节点上电后先对设备进行初始化，检测是否有网络可加入；确定加入网络后三轴加速度计开始采集数据，然后向簇头节点传输数据；接收到簇头节点成功接收的应答消息后，确定数据成功发送，否则重新发送。终端节点的采集频率及发送数据的时间间隔均可调整。
1. 2. 2 通讯网络拓扑结构设计 为降低维护网络成本，在设计网络的拓扑结构时采用星型网拓扑结构（图5），即终端节点间不进行数据路由，只向簇头发送数据，簇头与簇头间不进行数据路由，只向协调器节点传输数据。此外，为避免 “多对一”传输方式导致的网络拥堵，采用分时机制进行数据传输，设置每个终端节点在不同的时间点发送数据包，避免簇头同时接收到多个数据包而造成接收失败。同理，簇头节点向协调器节点传输数据包时也在不同的时间点进行上传。
1. 2. 3 PC端监控管理的实现 通过使用VisualStudio 2012和SQL Server 2008实现上位机监测软件的主要功能，即参数设置、数据显示和历史数据查询等功能。如图6所示，登录家禽活动量信息监控系统V1.0，为保证数据采样的连续性和完整性，系统可对丢包阈值进行设定，当系统检测到某个节点的丢包个数大于等于阈值时，则发出报警提示，通知管理人员对节点状态进行检查。
2 系统测试结果分析
2. 1 试验场地
于山西省灵丘县汇鑫养殖有限公司蛋鸡养殖基地进行试验。鸡舍长×宽×高为50.0 m×6.0 m×3.5 m，舍内设有木制产蛋笼及木制梯形栖息架。簇头节点悬挂安装于鸡舍舍顶中心的横梁上，协调器节点位于鸡舍内的控制室并与电脑相连。
2. 2 终端节点通讯距离测试
试验人员手持终端节点在鸡舍内移动，分别在鸡舍内的空旷区域、产蛋笼内及栖息架下进行数据发送，上位机均能成功接收到终端节点发送的数据，产蛋笼与栖息架并未造成严重影响传输链路质量的屏蔽作用。因此，终端节点可对蛋鸡在处于蛋笼中、上架状态时的活动量进行采集和传输，且通讯距离满足在整个鸡舍内使用的要求。
2. 3 通讯丢包率测试
由于在平养状态下鸡体的行为较活跃，为使获得的数据能充分体现蛋鸡的实时活动状态，设置终端节点的采样时间间隔为10 s，每5 min将数据打包发送一次，终端节点在采样间隔期间进入休眠模式。在鸡舍内安装5个终端节点，其中，3个随机分布于鸡舍内空旷无遮挡区域，1个置于产蛋笼中，1个置于栖息架下，运行时间为2 d，结果如表1所示。由表1可看出，5个节点中最大丢包率为0.23%，最低丢包率为0.12%，即网络平均丢包率为0.19%，能满足日常监测过程中对蛋鸡活动量的采集要求，在监控系统中设置丢包报警阈值为0.23%，应用此阈值对系统工作稳定性进行测试。
2. 4 监测系统准确性测试
进行测试试验时，对鸡舍进行全方位视频监控，随机选取5羽健康的蛋鸡作为试验个体，给其佩戴终端节点1～5号，使用无毒染料在蛋鸡背部进行标记，蛋鸡编号与所佩戴的终端节点的编号保持一致。同时，应保证所做标记足够清晰，确保从监控视频中可准确将其分辨出来。试验个体在鸡舍中与其他未佩戴终端节点的蛋鸡个体一同饲养，进食、饮水均不受限制，可在舍内自由活动。通过观察监控视频发现，5羽试验蛋鸡个体在佩戴终端节点初期，均有强烈的应激反应，出现频繁扇翅、抖身体和啄节点等行为；6 h后，5羽试验蛋鸡的应激反应均消退。在无应激状态下对试验蛋鸡进行连续24 h（8：00～次日8：00）监测，设置终端节点采样时间间隔为10 s，传输数据间隔为5 min。
在监测过程中，PC端上的监控系统软件无报警提示，系统成功对1～5号试验蛋鸡完成监测。查看PC监控端，将5羽试验蛋鸡的终端节点数据传输情况进行统计，从表2可看出，在24 h的监测过程中，只有1号和4号蛋鸡终端节点分别丢失3和11个数据包，相对于总体8640个数据而言并不影响整体监测结果。
从监控软件的数据查询窗口中将2号蛋鸡24 h的数据结果图截取出来，如图7所示，在试验期间，X、Y和Z轴上正向加速度值较多，其中，11：00～12：00期间3个轴的值基本不发生变化，通过观看视频录像发现此阶段2号蛋鸡处于产蛋状态；18：00～19：00和23：00～24：00期间，Z轴加速度出现急剧上升的情况，查找对应时间点的视频图像，发现其原因是由于2号蛋鸡飞上栖息架时的起飞动作造成；24：00后进入睡眠状态，3个轴上的加速度值均无剧烈变化，仅在很小范围内波动；次日7：00后醒来逐渐进入活动状态，加速度值波动范围又逐渐增大。 3 讨论
本研究所设计的小型终端节点能对蛋鸡活动量数据进行采集，但通过观察试验期间的视频录像发现，蛋鸡在佩戴终端节点初期出现约6 h的适应期。在目前应用传感器节点对家畜活动量进行采集的研究中，试验个体在佩戴后均会产生较长时间的适应期。尹令等（2011）应用无线传感器节点对奶牛活动量数据进行采集时，奶牛佩戴节点后有48 h的适应期；郭东东等（2014）针对山羊行为活动量进行采集时设计的节点，山羊佩戴后需48～72 h后才能适应。本研究认为终端节点体积会影响试验个体佩戴后的适应期长短，若活动量采集节点体积更小，蛋鸡在佩戴后适应期可能更短，节点可尽早获得正常状态下的活动量数据，提高节点使用效率。
此外，当蛋鸡在产蛋或休息状态时，身体几乎处于静止状态，但终端节点依旧采集到在一定范围内加速度活动值，与尹令等（2011）对奶牛活动量研究中对处于静止状态下的奶牛所采集到一定活动量数值的情况一致。在本研究中出现此种情况的原因可能是蛋鸡呼吸运动引起身体轻微颤动导致加速度值变化，而节点灵敏度较高对此类变化值进行了记录。
本研究采用ZigBee通讯协议作为整体网络通讯基础，通过配套协议栈进行一定开发，获得了良好的网络通信结果。本研究仅在一种鸡舍中进行系统测试，但实际应用中由于试验场地大小的变化在客观上会影响整体网络的稳定性与通信质量。此外，对系统传输数据准确性验证时采用试验个体数目较少，网络吞吐量小，因此网络通讯质量良好，而实际应用中终端节点数目繁多，可能会造成网络拥堵而不能对数据进行良好传输。
4 建议
4. 1 结合鸡体特点对终端节点进行改进
本研究中蛋鸡在佩戴所设计的终端节点后产生了6 h左右的轻微应激反应，因此需进一步优化节点的电路設计，采用更加小型化的电路元器件，优化电路布线排布，在保证测量结果准确性的前提下尽量缩小终端节点的整体体积。此外，在终端节点的佩戴方面，对佩戴带的材料进行优化选择，使佩戴带拥有更好的弹性及更轻的质量，以便提高佩戴后的舒适程度，减小佩戴终端节点后对蛋鸡的刺激，降低佩戴后的应激反应。
4. 2 提升数据传输准确性
为保证数据准确性，使采集的数据准确地反映蛋鸡活动量的状态，需在协议栈中对通讯协议进行进一步开发。在数据传输时增加校验码，设计错误重传机制，当簇头节点接收到的数据包所包含的校验码与预先设定校验码不同时，则向终端节点发送重传应答信号，直到接收到正确的数据包。同理，簇头节点向协调器节点传输数据时也采用该机制，以保证系统最终能够接收到准确的活动量数据。
4. 3 优化数据处理过程
在对系统进行初步测试时，对处于孵蛋及休息状态的蛋鸡产生轻微加速度变化值也进行采集，而这种小范围的波动值可视为一种噪声，在一定程度上会影响对蛋鸡活动状态判断的准确性。针对此问题，系统的后续研发中可在监控管理端加入去除噪声的算法（如平滑方法、聚类技术等），对采集的数据进行降噪处理，从而使数据能够更加准确地表征蛋鸡的行为活动状态。
4. 4 增加疾病判断算法
通过监测获得的数据对蛋鸡是否处于患病状态及患何种疾病进行判别，需在监控管理端中引入数据分类的算法（如K-means、支持向量机等），通过构建相应的分类模型，然后进行多次训练，逐步提高分类的准确性，从而实现对蛋鸡生理健康状态进行分类识别。当系统监测到某一只蛋鸡活动量状况出现异常时，系统可进行报警提示，实现大规模家禽养殖过程中对疫情的预防。
参考文献：
郭东东，郝润芳，吉增涛，杨信廷，周超，梁旭姣. 2014. 基于三轴加速度传感器的山羊行为特征分类与识别[J]. 家畜生态学报，35（8）： 53-57. [Guo D D， Hao R J， Ji Z T， Yang X T， Zhou C， Liang X J. 2014. Classification and recognition of goats’ daily behavior based on three-dimensional acceleration sensor[J]. Journal of Domestic Animal Ecology，35（8）： 53-57.]
李春花，刘英贤. 2009. 家禽系统临诊概述[J]. 畜牧与饲料科学，30（3）： 189-190. [Li C H， Liu Y X. 2009. Poultry system clinical overview[J]. Animal Husbandry and Feed Science，30（3）： 189-190].
李颀， 王志鹏， 窦轩，季雨薇. 2017. 基于无线传感器网络的产前母猪行为监测系统[J]. 家畜生态学报， 38（3）： 75-79. [Li Q，Wang Z P，Dou X，Ji Y W. 2017. Monitoring system of sows’ behavior before farrowing based on wireless sensor networks[J]. Journal of Domestic Animal Ecology， 38（3）： 75-79.]
劳凤丹， 滕光辉， 李军， 余礼根，李卓. 2012. 机器视觉识别单只蛋鸡行为的方法[J]. 农业工程学报， 28（24）： 157-163. [Lao F D， Teng G H， Li J， Yu L G， Li Z. 2012. Behavior recognition method for individual laying hen based on computer vision[J]. Transactions of the Chinese Society for Agricultural Engineering， 28（24）： 157-163.] 刘龙申，沈明霞，姚文，陆明洲，杨晓静，柏广宇. 2013. 基于加速度传感器的母猪产前行为特征采集与分析[J]. 农业机械学报，44（3）： 192-196. [Liu L S， Shen M X， Yao W， Lu M Z，Yang X J，Bai G Y. 2013. Acquisition and analysis of sows’ behavior before farrowing based on acceleration sensor[J]. Transactions of the Chinese Society for Agricultural Machinery， 44（3）： 192-196.]
田富洋，王冉冉，刘莫尘， 王震， 李法德， 王中华. 2013. 基于神经网络的奶牛发情行为辨识与预测研究[J]. 农业机械学报，44（S1）：277-281. [Tian F Y， Wang R R， Liu M C，Wang Z，Li F D，Wang Z H. 2013. Oestrus detection and prediction in dairy cows based on neural networks[J]. Transactions of The Chinese Society for Agricultural Machinery，44（S1）： 277-281.]
王秀生，冯增玉，王庆新，刘建文. 2016. 蛋鸡疾病的诊断与預防研究[J]. 当代畜牧，（14）：101. [Wang X S， Feng Z Y，Wang Q X，Liu J W. 2016. Study on the diagnosis and prevention of laying hens disease[J]. Contemporary Animal Husbandry，（14）： 101.]
杨威雄. 2011. 影响蛋鸡产蛋的主要疾病及预防措施[J]. 畜禽业，（2）：10-12. [Yang W X. 2011. The main diseases affecting laying hens and preventive measures[J]. Livestock and Poultry Industry，（2）： 10-12.]
尹令， 洪添胜， 刘迎湖， 刘财兴. 2011. 基于无线传感器网络支持向量机奶牛行为特征识别[J]. 传感技术学报， 24（3）：458-462. [Yin L，Hong T S，Liu Y H，Liu C X. 2011. Cow behavioral features recognition using binary decision tree support vector machines based on wireless sensor network[J]. Chinese Journal of Sensors and Actua-tors，24（3）：458-462.]
Leroy T，Vranken E，Brecht A V，Struelens E，Sonck B，Berckmans D. 2006. A computer vision method for on-line behavioral quantification of individually caged poultry[J]. Transactions of the American Society of Agricultural and Biological Engineers， 49（3）： 795-802.
Nadimi E S， S?gaard H T， Bak T. 2008. ZigBee-based wireless sensor networks for classifying the behaviour of a herd of animals using classification trees[J]. Biosystems Engineering， 100（2）： 167-176.
Nogami H，Arai S，Okada H，Zhan L，Itoh T. 2017. Minimized bolus-type wireless sensor node with a built-in three-axis acceleration meter for monitoring a cow’s rumen conditions[J]. Sensors（Basel），17（4）： 687.
Wang H，Fapojuwo A O，Davies R J. 2016. A wireless sensor network for feedlot animal health monitoring[J]. IEEE Sensors Journal， 16（16）： 6433-6446.
（责任编辑 邓慧灵）
关键词： 蛋鸡；活动量；无线传感器网络（WSN）；监测装置
中图分类号： S126 文献标志码：A 文章编号：2095-1191（2018）07-1453-07
0 引言
【研究意义】相关研究表明，当蛋鸡处于病理状态时会出现体温及行为异常、活动减少等情况（李春花和刘英贤， 2009；杨威雄，2011），因此，在蛋鸡养殖过程中要经常通过人工观察，判断蛋鸡行为状态是否正常（王秀生等，2016），从而对家禽健康状况进行评估。但该方法耗时长，对蛋鸡行为的判断存在主观性强、准确性低的问题，不适用于大规模养殖模式下蛋鸡生理健康狀况的诊断。因此，寻找和构建出一种能够对蛋鸡活动量数据进行实时监测和收集的系统，对大规模集约化养殖模式下蛋鸡生理状况的及时掌握具有重要意义。【前人研究进展】目前，国内外已有大量研究将无线传感器网络（Wireless sensor networks， WSN）应用于家畜活动量采集过程中，但业内对活动量的监测尚无统一标准，现有研究中通常采用加速度的变化来表征活动量变化；而现有针对蛋鸡活动量进行的研究多采用机器视觉技术对鸡群的各项行为（啄食、饮水、扇翅等）进行识别及统计，从而确定鸡体的健康状态。Leroy等（2006）应用相机与图像处理技术设计一种对鸡群行为进行分类识别的系统，成功实现了对单只鸡站立、行走和抓挠3种行为的识别；劳凤丹等（2012）采用机器视觉技术实现了对单只蛋鸡运动、饮水、采食、休息和抖动等行为的自动识别，为蛋鸡福利指标的评价提供了新方法。针对大型家畜应用WSN进行的研究已有较多报道，如Nadimi等（2008）利用ZigBee通讯协议对传感器节点的数据进行传输，通过分类树实现对群体性动物行为分类；刘龙申等（2013）利用三轴加速度计并结合WSN设计了一种行为实时监测系统，从而实现了对母猪产前行为特征的识别，系统的正确识别率可达87.93%；田富洋等（2013）采用多种传感器结合无线传输模块实时检测奶牛的活动量、静卧时间和体温等参数，使用神经网络建立了对奶牛行为特征的辨识模型；李颀等（2017）设计了一种基于WSN的产前母猪行为特征监测系统，通过支持向量机分析加速度数据从而识别母猪行为，对母猪分娩状态进行确认；Nogami等（2017）将无线三轴加速计传感器节点测量到的数据进行分析，从而判别牛的瘤胃运动是否出现异常，对牛瘤胃健康状况进行评估；Wang等（2016）通过构建WSN系统，对牛的体温及加速度信息进行采集，判别出牛的饮食与饮水行为是否出现异常，从而反映牛体的健康状况。【本研究切入点】由于家畜体型较大，因此在已有研究中对其活动量进行采集所用的采集节点体积均较大，但其节点无法适应于体型较小、活动灵活的蛋鸡，且已有的研究并未开发出适配的PC端的监控管理平台，未能对采集到的数据进行实时反映，直观程度差。其次，已有研究中采用机器视觉技术对鸡群行为活动进行分析的过程中，都是在理想试验条件下仅对单只鸡的行为进行判别分析，并不能满足在实际养殖环境中监测鸡活动行为的要求。【拟解决的关键问题】针对蛋鸡机体型设计出适用于蛋鸡的小型化、低应激的数据采集节点，对其活动量数据进行采集；应用WSN技术、通信技术及自主设计的监控管理端对活动量数据进行传输、存储、分析和显示，旨在实时掌握蛋鸡的日常行为活动情况，为蛋鸡生理状况的确定提供数据支持。
1 系统硬件和软件设计
1. 1 硬件设计
本研究设计的蛋鸡活动量实时监测系统实现了对蛋鸡活动量的数据采集、数据传输和数据管理三大主要功能。首先，采用传感器和电路设计技术，对蛋鸡活动量信息采集节点、辅助通信节点进行设计，满足数据采集与通信的要求。其次，为降低鸡舍内布线的繁琐程度，选用无线通信方式将各节点采集到的活动量数据进行传输。第三，为满足养殖人员实时掌握鸡体活动量状况的需求，使用计算机编程技术对数据管理端进行设计。蛋鸡活动量监测系统整体结构如图1所示，对蛋鸡活动量进行采集时，鸡舍内搭建ZigBee无线网络，鸡舍外采用RS485有线传输协议的通信方案，确保整体数据链路传输质量的稳定；终端节点将采集到蛋鸡活动量数据无线传输至簇头节点；簇头节点将数据汇总后无线传输至协调器节点；协调器节点将数据打包后通过RS485总线传输至控制室的上位机；在PC端设计监控管理软件，对采集到的活动量数据进行存储、分析及实时显示。
1. 1. 1 终端节点设计 终端节点在采集数据时需与蛋鸡鸡体直接接触，因此，为降低对鸡体的伤害及应激反应的产生，节点应体积小、质量轻。同时，为减少频繁更换电池对鸡体生理活动的影响，节点功耗应足够低，以便维持长时间监测。
针对以上要求，本研究采用TI公司生产的CC2530芯片作为节点的主处理器，采用QFN封装，其体积为6.0 mm×6.0 mm×0.8 mm。CC2530芯片集成了RF收发器，仅需很少的电路辅助元件便可实现无线收发数据的功能，简化电路复杂度，减小了节点体积；芯片在接收数据时的电流为24 mA，发送数据时的电流为29 mA，且当芯片不工作时进入睡眠模式，最低仅需1 μA便可维持状态。采用ADI公司的三轴加速度计ADXL345对蛋鸡活动量进行采集，该加速度计体积小、功耗低、分辨率高（13位），测量范围可达到±16 m/s2，可直接连接至处理器芯片，简化电路复杂程度；另外，采用14引脚小型超薄塑料封装时，体积（长、宽、高）仅为3 mm×5 mm×1 mm。在设计时，为了减轻终端节点重量，辅助电路的电气元件均采用贴片式元件，采用PCB板载天线，成本低，体积小。整个终端节点使用CR2032纽扣电池供电，终端节点电路原理如图2所示。 本研究采用背包式佩戴的方式将终端节点佩戴于鸡体背部，背带采用有弹性的软橡胶带，将终端节点嵌放中间橡胶囊腔中。佩戴时，类似穿马甲，将囊腔背于鸡体背部，将翅膀从囊腔两侧空洞穿出，于鸡体胸下将固定带扣好，可根据不同的鸡体调整背带松紧程度。如图3所示，在俯视图和主视图上，添加了俯视角度和主视角度相应的笛卡尔坐标系表明方向，佩戴后使三轴加速度计的X轴指向鸡头方向，Y轴与X轴在一个平面内且垂直于X轴，Z轴垂直于X0Y平面且方向朝上。
1. 1. 2 簇头节点与协调器节点设计 簇头节点与协调器节点在工作时均无需与蛋鸡鸡体直接接触，因此，对其体积大小沒有过多限制。终端节点采集到数据后，将数据传输至簇头节点，簇头节点将数据路由至协调器节点。协调器节点的独特功能是发起和构建网络的作用，当网络构建成功后，协调器便作为路由器实现对数据的路由。协调器节点接收到簇头节点传输到的数据后，将数据通过有线网络（RS-485）发送至PC上位机。
为降低成本，簇头节点和协调器节点依旧采用CC2530芯片作为处理中心，对数据进行处理和无线收发。由于簇头节点与协调器节点在网络中承担着大量的数据路由工作，因此，在设计簇头节点与协调器系统时均采用塑胶棒天线来加强信号的强度，以保证数据链路的传输质量；因簇头节点和协调器节点传输数据量较大，节点功耗大，因此簇头节点采用可反复充电的锂电池进行供电，而协调器节点与PC上位机相连，可直接由上位机直接进行供电。
1. 2 软件设计
1. 2. 1 蛋鸡活动量采集程序设计 如图4所示，终端节点上电后先对设备进行初始化，检测是否有网络可加入；确定加入网络后三轴加速度计开始采集数据，然后向簇头节点传输数据；接收到簇头节点成功接收的应答消息后，确定数据成功发送，否则重新发送。终端节点的采集频率及发送数据的时间间隔均可调整。
1. 2. 2 通讯网络拓扑结构设计 为降低维护网络成本，在设计网络的拓扑结构时采用星型网拓扑结构（图5），即终端节点间不进行数据路由，只向簇头发送数据，簇头与簇头间不进行数据路由，只向协调器节点传输数据。此外，为避免 “多对一”传输方式导致的网络拥堵，采用分时机制进行数据传输，设置每个终端节点在不同的时间点发送数据包，避免簇头同时接收到多个数据包而造成接收失败。同理，簇头节点向协调器节点传输数据包时也在不同的时间点进行上传。
1. 2. 3 PC端监控管理的实现 通过使用VisualStudio 2012和SQL Server 2008实现上位机监测软件的主要功能，即参数设置、数据显示和历史数据查询等功能。如图6所示，登录家禽活动量信息监控系统V1.0，为保证数据采样的连续性和完整性，系统可对丢包阈值进行设定，当系统检测到某个节点的丢包个数大于等于阈值时，则发出报警提示，通知管理人员对节点状态进行检查。
2 系统测试结果分析
2. 1 试验场地
于山西省灵丘县汇鑫养殖有限公司蛋鸡养殖基地进行试验。鸡舍长×宽×高为50.0 m×6.0 m×3.5 m，舍内设有木制产蛋笼及木制梯形栖息架。簇头节点悬挂安装于鸡舍舍顶中心的横梁上，协调器节点位于鸡舍内的控制室并与电脑相连。
2. 2 终端节点通讯距离测试
试验人员手持终端节点在鸡舍内移动，分别在鸡舍内的空旷区域、产蛋笼内及栖息架下进行数据发送，上位机均能成功接收到终端节点发送的数据，产蛋笼与栖息架并未造成严重影响传输链路质量的屏蔽作用。因此，终端节点可对蛋鸡在处于蛋笼中、上架状态时的活动量进行采集和传输，且通讯距离满足在整个鸡舍内使用的要求。
2. 3 通讯丢包率测试
由于在平养状态下鸡体的行为较活跃，为使获得的数据能充分体现蛋鸡的实时活动状态，设置终端节点的采样时间间隔为10 s，每5 min将数据打包发送一次，终端节点在采样间隔期间进入休眠模式。在鸡舍内安装5个终端节点，其中，3个随机分布于鸡舍内空旷无遮挡区域，1个置于产蛋笼中，1个置于栖息架下，运行时间为2 d，结果如表1所示。由表1可看出，5个节点中最大丢包率为0.23%，最低丢包率为0.12%，即网络平均丢包率为0.19%，能满足日常监测过程中对蛋鸡活动量的采集要求，在监控系统中设置丢包报警阈值为0.23%，应用此阈值对系统工作稳定性进行测试。
2. 4 监测系统准确性测试
进行测试试验时，对鸡舍进行全方位视频监控，随机选取5羽健康的蛋鸡作为试验个体，给其佩戴终端节点1～5号，使用无毒染料在蛋鸡背部进行标记，蛋鸡编号与所佩戴的终端节点的编号保持一致。同时，应保证所做标记足够清晰，确保从监控视频中可准确将其分辨出来。试验个体在鸡舍中与其他未佩戴终端节点的蛋鸡个体一同饲养，进食、饮水均不受限制，可在舍内自由活动。通过观察监控视频发现，5羽试验蛋鸡个体在佩戴终端节点初期，均有强烈的应激反应，出现频繁扇翅、抖身体和啄节点等行为；6 h后，5羽试验蛋鸡的应激反应均消退。在无应激状态下对试验蛋鸡进行连续24 h（8：00～次日8：00）监测，设置终端节点采样时间间隔为10 s，传输数据间隔为5 min。
在监测过程中，PC端上的监控系统软件无报警提示，系统成功对1～5号试验蛋鸡完成监测。查看PC监控端，将5羽试验蛋鸡的终端节点数据传输情况进行统计，从表2可看出，在24 h的监测过程中，只有1号和4号蛋鸡终端节点分别丢失3和11个数据包，相对于总体8640个数据而言并不影响整体监测结果。
从监控软件的数据查询窗口中将2号蛋鸡24 h的数据结果图截取出来，如图7所示，在试验期间，X、Y和Z轴上正向加速度值较多，其中，11：00～12：00期间3个轴的值基本不发生变化，通过观看视频录像发现此阶段2号蛋鸡处于产蛋状态；18：00～19：00和23：00～24：00期间，Z轴加速度出现急剧上升的情况，查找对应时间点的视频图像，发现其原因是由于2号蛋鸡飞上栖息架时的起飞动作造成；24：00后进入睡眠状态，3个轴上的加速度值均无剧烈变化，仅在很小范围内波动；次日7：00后醒来逐渐进入活动状态，加速度值波动范围又逐渐增大。 3 讨论
本研究所设计的小型终端节点能对蛋鸡活动量数据进行采集，但通过观察试验期间的视频录像发现，蛋鸡在佩戴终端节点初期出现约6 h的适应期。在目前应用传感器节点对家畜活动量进行采集的研究中，试验个体在佩戴后均会产生较长时间的适应期。尹令等（2011）应用无线传感器节点对奶牛活动量数据进行采集时，奶牛佩戴节点后有48 h的适应期；郭东东等（2014）针对山羊行为活动量进行采集时设计的节点，山羊佩戴后需48～72 h后才能适应。本研究认为终端节点体积会影响试验个体佩戴后的适应期长短，若活动量采集节点体积更小，蛋鸡在佩戴后适应期可能更短，节点可尽早获得正常状态下的活动量数据，提高节点使用效率。
此外，当蛋鸡在产蛋或休息状态时，身体几乎处于静止状态，但终端节点依旧采集到在一定范围内加速度活动值，与尹令等（2011）对奶牛活动量研究中对处于静止状态下的奶牛所采集到一定活动量数值的情况一致。在本研究中出现此种情况的原因可能是蛋鸡呼吸运动引起身体轻微颤动导致加速度值变化，而节点灵敏度较高对此类变化值进行了记录。
本研究采用ZigBee通讯协议作为整体网络通讯基础，通过配套协议栈进行一定开发，获得了良好的网络通信结果。本研究仅在一种鸡舍中进行系统测试，但实际应用中由于试验场地大小的变化在客观上会影响整体网络的稳定性与通信质量。此外，对系统传输数据准确性验证时采用试验个体数目较少，网络吞吐量小，因此网络通讯质量良好，而实际应用中终端节点数目繁多，可能会造成网络拥堵而不能对数据进行良好传输。
4 建议
4. 1 结合鸡体特点对终端节点进行改进
本研究中蛋鸡在佩戴所设计的终端节点后产生了6 h左右的轻微应激反应，因此需进一步优化节点的电路設计，采用更加小型化的电路元器件，优化电路布线排布，在保证测量结果准确性的前提下尽量缩小终端节点的整体体积。此外，在终端节点的佩戴方面，对佩戴带的材料进行优化选择，使佩戴带拥有更好的弹性及更轻的质量，以便提高佩戴后的舒适程度，减小佩戴终端节点后对蛋鸡的刺激，降低佩戴后的应激反应。
4. 2 提升数据传输准确性
为保证数据准确性，使采集的数据准确地反映蛋鸡活动量的状态，需在协议栈中对通讯协议进行进一步开发。在数据传输时增加校验码，设计错误重传机制，当簇头节点接收到的数据包所包含的校验码与预先设定校验码不同时，则向终端节点发送重传应答信号，直到接收到正确的数据包。同理，簇头节点向协调器节点传输数据时也采用该机制，以保证系统最终能够接收到准确的活动量数据。
4. 3 优化数据处理过程
在对系统进行初步测试时，对处于孵蛋及休息状态的蛋鸡产生轻微加速度变化值也进行采集，而这种小范围的波动值可视为一种噪声，在一定程度上会影响对蛋鸡活动状态判断的准确性。针对此问题，系统的后续研发中可在监控管理端加入去除噪声的算法（如平滑方法、聚类技术等），对采集的数据进行降噪处理，从而使数据能够更加准确地表征蛋鸡的行为活动状态。
4. 4 增加疾病判断算法
通过监测获得的数据对蛋鸡是否处于患病状态及患何种疾病进行判别，需在监控管理端中引入数据分类的算法（如K-means、支持向量机等），通过构建相应的分类模型，然后进行多次训练，逐步提高分类的准确性，从而实现对蛋鸡生理健康状态进行分类识别。当系统监测到某一只蛋鸡活动量状况出现异常时，系统可进行报警提示，实现大规模家禽养殖过程中对疫情的预防。
参考文献：
郭东东，郝润芳，吉增涛，杨信廷，周超，梁旭姣. 2014. 基于三轴加速度传感器的山羊行为特征分类与识别[J]. 家畜生态学报，35（8）： 53-57. [Guo D D， Hao R J， Ji Z T， Yang X T， Zhou C， Liang X J. 2014. Classification and recognition of goats’ daily behavior based on three-dimensional acceleration sensor[J]. Journal of Domestic Animal Ecology，35（8）： 53-57.]
李春花，刘英贤. 2009. 家禽系统临诊概述[J]. 畜牧与饲料科学，30（3）： 189-190. [Li C H， Liu Y X. 2009. Poultry system clinical overview[J]. Animal Husbandry and Feed Science，30（3）： 189-190].
李颀， 王志鹏， 窦轩，季雨薇. 2017. 基于无线传感器网络的产前母猪行为监测系统[J]. 家畜生态学报， 38（3）： 75-79. [Li Q，Wang Z P，Dou X，Ji Y W. 2017. Monitoring system of sows’ behavior before farrowing based on wireless sensor networks[J]. Journal of Domestic Animal Ecology， 38（3）： 75-79.]
劳凤丹， 滕光辉， 李军， 余礼根，李卓. 2012. 机器视觉识别单只蛋鸡行为的方法[J]. 农业工程学报， 28（24）： 157-163. [Lao F D， Teng G H， Li J， Yu L G， Li Z. 2012. Behavior recognition method for individual laying hen based on computer vision[J]. Transactions of the Chinese Society for Agricultural Engineering， 28（24）： 157-163.] 刘龙申，沈明霞，姚文，陆明洲，杨晓静，柏广宇. 2013. 基于加速度传感器的母猪产前行为特征采集与分析[J]. 农业机械学报，44（3）： 192-196. [Liu L S， Shen M X， Yao W， Lu M Z，Yang X J，Bai G Y. 2013. Acquisition and analysis of sows’ behavior before farrowing based on acceleration sensor[J]. Transactions of the Chinese Society for Agricultural Machinery， 44（3）： 192-196.]
田富洋，王冉冉，刘莫尘， 王震， 李法德， 王中华. 2013. 基于神经网络的奶牛发情行为辨识与预测研究[J]. 农业机械学报，44（S1）：277-281. [Tian F Y， Wang R R， Liu M C，Wang Z，Li F D，Wang Z H. 2013. Oestrus detection and prediction in dairy cows based on neural networks[J]. Transactions of The Chinese Society for Agricultural Machinery，44（S1）： 277-281.]
王秀生，冯增玉，王庆新，刘建文. 2016. 蛋鸡疾病的诊断与預防研究[J]. 当代畜牧，（14）：101. [Wang X S， Feng Z Y，Wang Q X，Liu J W. 2016. Study on the diagnosis and prevention of laying hens disease[J]. Contemporary Animal Husbandry，（14）： 101.]
杨威雄. 2011. 影响蛋鸡产蛋的主要疾病及预防措施[J]. 畜禽业，（2）：10-12. [Yang W X. 2011. The main diseases affecting laying hens and preventive measures[J]. Livestock and Poultry Industry，（2）： 10-12.]
尹令， 洪添胜， 刘迎湖， 刘财兴. 2011. 基于无线传感器网络支持向量机奶牛行为特征识别[J]. 传感技术学报， 24（3）：458-462. [Yin L，Hong T S，Liu Y H，Liu C X. 2011. Cow behavioral features recognition using binary decision tree support vector machines based on wireless sensor network[J]. Chinese Journal of Sensors and Actua-tors，24（3）：458-462.]
Leroy T，Vranken E，Brecht A V，Struelens E，Sonck B，Berckmans D. 2006. A computer vision method for on-line behavioral quantification of individually caged poultry[J]. Transactions of the American Society of Agricultural and Biological Engineers， 49（3）： 795-802.
Nadimi E S， S?gaard H T， Bak T. 2008. ZigBee-based wireless sensor networks for classifying the behaviour of a herd of animals using classification trees[J]. Biosystems Engineering， 100（2）： 167-176.
Nogami H，Arai S，Okada H，Zhan L，Itoh T. 2017. Minimized bolus-type wireless sensor node with a built-in three-axis acceleration meter for monitoring a cow’s rumen conditions[J]. Sensors（Basel），17（4）： 687.
Wang H，Fapojuwo A O，Davies R J. 2016. A wireless sensor network for feedlot animal health monitoring[J]. IEEE Sensors Journal， 16（16）： 6433-6446.
（责任编辑 邓慧灵）