论文部分内容阅读
随着智能化、集约化养殖业的快速发展,以信息技术和人工智能为支撑的精准养猪是现代养猪业可持续发展的必然要求。其中,猪只个体行为感知与分析是精准养猪的关键,行为变化是猪对其生长环境变化做出的最直接反应。目前,多数养猪场中,智能化、自动化饲喂和环控设备已得到基本普及,但在判断猪对环境需求的变化以及猪只行为是否异常方面,主要还是依靠饲养员的直觉和经验,这种方法不仅耗费大量的时间和精力,还常常因人为因素造成猪只疾病加重甚至死亡的现象。因此,探索高效地、准确地采集和识别猪只行为的方法,研究猪舍环境温度对猪的影响,不仅具有较高的学术研究价值,对于提高猪的福利化水平、指导养猪场的环控策略、提高养猪场的经济效益以及促进中国精准养猪业的快速发展均具有重要作用。综合考虑精准养猪领域的研究现状和实际应用的迫切需求,本研究将智能传感器检测技术、信号降噪方法、数据预处理方法、数值模拟方法以及机器学习算法相结合,以不同育肥阶段的猪为研究对象。通过理论分析结合实地试验对试验猪在低温、中温和高温环境下的躺卧、站立、行走和探究行为进行数据采集、数据预处理以及分类识别,并研究环境温度对试验猪生长性能、生理指标和行为的影响。主要内容如下:(1)根据试验猪只体积大小,设计了一款集三轴加速度传感器和UWB定位模块于一体的可调节穿戴式猪只行为信息采集装置。在保证试验猪舒适度的前提下对比分析了三轴加速度传感器分别固定在试验猪身体不同部位时的数据采集效果,确定了传感器的最佳部署位置。同时,对比分析了UWB定位模块分别固定在试验猪腿部和背部时的定位精度以及试验猪行走速度对定位精度的影响,试验结果表明该系统的定位误差在合理范围内,能够满足本研究的定位需求。所采集到的试验猪只行为数据经无线传输传入上位机进行显示与存储。(2)根据猪只行为信号特点,选择适用于这类非线性、非平稳信号的小波降噪方法处理猪只行为信号。针对现有软、硬阈值函数的不足,引入指数函数对阈值函数进行改进。以信噪比和均方误差为评价指标,将几种常用小波基、阈值规则、分解层数和阈值函数一一组合,找到最适用于本研究的小波参数组合,并与传统EMD方法相比较。对试验猪只行为数据的分类识别结果表明:采用小波降噪后的数据训练模型,各类行为的分类识别效果均得到了显著提高。具体表现为:猪A的总体平均准确率从88.7%提高到92.5%;猪B的总体平均准确率从91.8%提高到93.6%;猪C的总体平均准确率从91.7%提高到95.4%;三头试验猪在三种环境温度下的总体平均准确率也从83.7%提高到了90.1%。(3)为了解决不平衡数据集分类识别结果具有偏倚性的问题,本文从特征提取、数据平衡化处理和分类算法改进三个层面着手研究。首先,从所采集到猪只行为数据的X、Y和Z三个方向上的加速度数据中分别提取它们的均值、中位数、峰值以及第一和第三四分位数,共同构成一个21维的数据集。考虑到该数据集的维数较高,易引发“维数灾难”问题,进而导致分类识别效果不佳。本研究选择适用于处理多分类问题的Relief F算法和随机森林算法分别分析了各个特征对分类识别结果的影响与所有特征的重要性排序,删除对分类结果影响甚微的特征,实现了对21维数据集的特征降维。结果表明:将采用随机森林算法降维后的数据集用于分类识别的效果更好。此外,为了进一步提高分类识别效果,参照试验猪各类行为持续时间的长短,对降维后的数据集进行基于三种时间滑动窗口长度(3s,4s和5s)的加窗处理。结果显示:当滑动窗口长度为5s时分类识别效果最好,相对于3s和4s的窗口长度,平均准确率有了显著的提升,最高提升了8.3%。(4)针对试验猪行为数据集的不平衡程度和现有数据过采样方法的不足,本文提出了自适应边界数据过采样(AD-BL-SMOTE)算法。该算法实现了对少数类中边界样本的区分,加大了对较难分类的、处于边界的少数类样本的数据增强力度,使得这类样本的数量增多,而对于易分类的、处于边界的少数类,其新合成样本的数量相对减少。该算法既能在合成新少数类样本的同时有效避免样本重叠的情况,又不会对多数类的数据分布造成任何影响,满足本研究中只希望扩充少数类数据而不改变多数类数量和分布的目的,并通过试验验证了该算法的优越性。(5)在小波降噪的基础上分别采用机器学习算法中的BP神经网络和基于灰狼优化算法的支持向量机方法(GWO-SVM)对平衡化后的试验猪只行为数据进行分类识别,并通过交叉验证找到每种算法的最优参数组合。其中,采用BP神经网络的识别效果相对更好。猪A、猪B和猪C分类识别的总体平均准确率分别可达到92.5%、93.6%和95.4%;对于三头试验猪在不同温度下分类识别的总体平均准确率也达到90.1%。另一方面,本文引入加权损失函数(Weighted Loss Function)和惩罚因子分别对神经网络中的Soft Max函数以及GWO-SVM算法进行改进。使用上述两种改进算法对试验猪只行为数据进行分类识别时,原始不平衡数据集无需经过平衡化处理,可直接用于模型训练和验证。结果显示:猪A、猪B和猪C分类识别的总体平均准确率依次为91.1%、92.3%和94.1%;三头试验猪在不同环境温度下分类识别的总体平均准确率为87.6%。总体来看,先进行平衡化处理再采用BP神经网络进行分类识别得到的准确率更高,效果更好,更能满足本研究对猪躺卧、站立、行走及探究这四类行为的识别需求。(6)研究了环境温度对试验猪生长性能、生理指标和行为方面的影响。首先分析了低温、中温和高温环境下各试验猪平均日采食量、日增重和饲料转化率的变化;各试验猪体核温度、体表温度和呼吸速率的变化,以及环境温度与试验猪加权体表温度的相关性。此外,采用CFD数值模拟方法模拟了低温、中温和高温三种环境温度下,试验猪栏内温度场的时空分布。结合UWB定位系统采集试验猪在猪栏内的实时位置,得到猪A、猪B和猪C在不同环境温度下的活动范围、轨迹以及一天内试验猪的运动速度变化和因运动所消耗的能量,以此分析了环境温度对试验猪运动量、躺卧位置和行为时间分配的影响。