猪动物行为识别

猪动物行为识别绝大多数猪都现出8种行为:1)采食行为;2)排泄行为;3)性行为;4)母性行为;5)争斗行为;6)群居行为;7)探究行为;8)热调节行为。除一般行为以外,所处环境中的有害刺激和不健康的生活状态容易引起猪的异常行为。异常行为可通过许形式表现,如釆食、排泄、性、母性、好斗、啃咬栏杆、转圈、咬蹄、食仔等。1)猪采食、饮水监测对猪的采食及饮水进行监测。以每头猪为单位记录猪每次采食的采食量、采食时间、饮水的饮水食、饮水时间。2)猪活动监测对猪的活动进行监测,包括对其在猪舍内的位置进行定位跟踪(只限于圈养猪)和运动行为监测。运动行为主要监测猪的运动时间、强度、频次、类别。对猪在猪舍内的位置进行定位跟踪,掌握猪的活动范围及活动轨迹,掌握猪的运动及活动习性。01射频RFID--采食，饮水，排泄02无线传感器--走，跳，跑，静止03图像识别射频RFID--采食，饮水，排泄目前,国内外现代化的猪场中,射频识别技术(RFID)已应用于生猪飼养,一定程度上提高了生猪养殖的管理水平(王保恒等2013;王凌2012;陆昌华等2006;魏志胜2013)。射频识别技术主要是通过在猪的耳朵上安装一个射频电子标签(RFID标签)(Bonnet,etal.2006;GuoqiangandZhaojie2011;周仲芳等2008;胡圣杰2008;郭忠利2012;陈林锋等2013)。用专门的射频标签读取设备来识别射频电子标签中存储的ID号及相关信息。通过猪在生长、运输、屠宰的全程中采用射频电子标签的来监控管理的方式,提高生猪的管理的准确性和效率,并形成了一个完整的养殖到食品的管理纽带(史海霞和杨毅2009;莫灵江等2012;谢菊芳等2006)。射频RFID--采食，饮水，排泄以某生猪培育基地的一栏10头重约80kg的生猪为实验对象，24h监测其进食行为。正常生猪自由采食频率为白天,6-8次，夜间4-5次，猪的采食量随体重增长而增加，生长期的猪的采食量一般为体重的3.5%-4.5%。设定每天每只猪进食量报警阈值为2.0kg，实验期为15天。基于RFID技术的生猪行为自动监测系统的设计_王军射频RFID--采食，饮水，排泄本文设计了基于RFID技术的生猪行为自动监测系统，采用嵌入式系统技术和RFID射频识别技术，说明了系统的硬件组成和软件设计。提出的方法和相关关键技术具有良好的应用前景，可针对猪的进食行为进行有效的监测。这套系统的通用性很强，后续研究中对该系统稍加改进即可用于对生猪饲养的排泄,饮水等行为进行有效监测。采用RFID技术为猪只的身份识别提供了强大的技术保障，无线通信技术简便实现了恶劣的环境条件中实现远程数据传输。经过测试，该方案合理"有效，且系统易于实现，价格低廉，适用于大型或中型生猪饲养基地使用。无线传感器--走，跳，跑，静止神经网络识别算法短时能量和短时过零率分类算法快速傅里叶变换分类算法基于无线传感器网络的猪运动行为监测系统研究_高云无线传感器--走，跳，跑，静止4)研究了圈养猪运动行为的监测方法。设计了无线传感器节点的三轴加速度传感器硬件,以Z-stack协议栈为基础幵发了加速度数据采集软件,并确定了与PC机通讯的通讯方法和通讯协议,实现了三轴加速度数据采集和通讯。5)建立了神经网络模式识别分类算法。在神经网络模式识别算法的理论基础上构建了二层运动行为识别神经网络分类器,并设计了Matlab软件实现对四种运动行为分别为走、跑、跳、静止)的识别。模拟试验证明,在85组训练样本试验时识率达到100%,在439组大样本时,神经网络方法对走和静止两种状态的识别率达到100%,而跑和跳两种运动行为由于实际数据特征比较接近,其识别率分别达到99.1%和96.1%,整体识别率达98.9%。6)圈养猪综合运动行为监测的研究。首次采用短时能量和短时过零率计算方法分析计算三轴加速度运动数据,设计了短时能量和短时过零率运动行为分类算法、FFT快速傅立叶运动行为分类算法和标准差运动行为分类算法。并基于VS2010平台幵发了实时综合猪运动行为监测软件,通过实时模拟试验证明,采用短时能量分类法优于FFT快速傅立叶分类算法和标准差算法,对走、静止、跳和跑三大类运动行为进行识别分类时,识别率约为100%左右,区分跳、跑两种运动行为时,识别率约80%左右。无线传感器--走，跳，跑，静止神经网络识别算法的建立本研究中的采用三轴加速度传感器釆集猪在运动时的震动强度变化。用三轴方向的震动强度来分辨猪只当前的运动行为。由于不同猪的差异性大,运动时运作和习惯都不一样,造成实际猪只的运动行为识别情况非常复杂。简弟的阈值分割方法难以做到广泛的适用性。为了解决这一复杂问本研究采用人工神经网络建立神经网络状态识别器,对猪的运动行为进行识别和分辨。本研究中为了建立多层神经网络识别器对猪的运动行为的进行分类识别。需对三轴加速度传感器的输出数据进行预处理提取特征向量,然后再采用Matlab软件中神经网络模式识别工具(nprtool)自动生成的神经网络。识别器的建立过程分为三个步骤:加窗分帧处理,特征值计算,训练生成神经网络分类器。其中前两项,加窗分帧处理、特征值计算为数据的预处理过程。短时能量和短时过零率分类算法的建立本研究中第一次采用短时能量及过零率分类的方法来对三轴加速度传感器采集到的猪的运动信息进行分类及自动识别。短时能量及过零率分类法原本是语音信号时域分析是最基本的方法,通过语音信号的能量大小和过零特征来对语音中的清音和池音进行辨别(Erdoletal.1993)。研究中发现三轴加速度传感器采集的运动数据随运动的剧烈程序上下波动,运动剧烈程度时,信号所具有的能量明显较静止时大。考虑去除掉信号中的加速度成份后,三轴信号应均呈现以0均值为中轴上下波动的现像。在较短的时间内,三轴加速度信号可以看做是一个准稳态过程,即信号具有短时性,该特征与声音信号的特征较为相似。因此,釆用短时能量和短时过零率来检测物体是否在运动,是一个可行的研究方法。短时能量和短时过零率分类算法具体可分为三个步骤:加窗分顿处理,短时能量谱计算和过零率计算,欧氏距离判别。加窗分倾处理与神经网络识别算法中所釆用的处理方法相同,这里不再赞述。图像识别小鼠自发活动的图像识别研究_胡晓燕基于视频流的运动人体行为识别技术研究_熊静小鼠自发活动的图像识别研究_胡晓燕小鼠自发活动的图像识别研究_胡晓燕本文在充分查阅国内外有关计算机图像处理和识别技术,动物自动检测系统开发。特别是小鼠自发活动检测的相关文献基础上,设计了顶部拍摄的图像跟踪检测方法;编制了相应的软件,实现对小鼠活动的定位和跟踪;通过计算机自动处理,获得运动轨迹,计算运动速度,距离,活动度等定量参数;并通过实验采集图像资料进行处理,从而对算法进行检验。本文的研究表明,顶部拍摄法在对小鼠活动的定位和跟踪等方面效果良好,但不便于对小鼠体态的识别，为此,本文还设计了侧面拍摄法,运用时空分割的图像分割方法,分别利用运动检测，分水岭分割等算法对图像进行时域和空域分割,将时域分割得到的运动区域投影到空域分割的图像中,区域生长后得到完整的目标;对于分割后的目标,本文提出根据小鼠水平活动和竖起时长宽比不同来判断小鼠竖起的算法,并编制了相应的软件。此外,根据透视投影原理,本文推导出坐标转换公式,将小鼠底边中点的屏幕坐标转换为它在底面的真实坐标,从而得到小鼠在底面的活动轨迹。实验测试和分析结果表明,本文设计的方法及相应的软件不仅可用于检测小鼠在底面的平面活动,而且在对小鼠的竖起等体态识别上非常有效。原图为24位bmP格式的图像,首先对其进行灰度化和二值化,然后对白色目标进行中心定位,下图中白色区域中的灰色十字即为求得中心,将十字中心点坐标保存。由二维法得到的实验资料发现当摄像头至于装置顶部时,即便是人眼也很难从所拍摄的照片中准确区别出小鼠的蹲坐和竖起体态,但是如果从侧面拍摄,这两种体态的差别就很明显了(如图3.1,图3.2所示),而且通过图形学透射投影的原理,经过坐标变换,小鼠在底面的水平活动也可以得到。所以基于上述考虑,我们又设计了侧面拍摄法(三维法)并进行了实验。基于视频流的运动人体行为识别技术研究_熊静基于视频流的运动人体行为识别技术研究_熊静如上图所示，在运动目标识别上通常用的方法有背景减除法和时间差分法，背景减除法是指利用当前图像与背景图像的差分来检测出运动区域。背景减除法适用于摄像机静止的情况，它能够完整分割出运动对象，却容易受光线、天气等光照条件的变化，前景目标短暂或长久的闯入和移出，背景自身的运动（如树叶摇动）等因素的影响。尽管如此，在实时监控系统中背景减除法仍是运动目标检测的最常用方法。时间差分是指在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域。在运动目标跟踪上比较常用的有基于特征点和基于区域的跟踪方法，基于特征点的方法中，特征点通常选择质心、关节点，运动目标轮廓的角点进行跟踪。基于区域的方法是指将人体看作由头、躯干、四肢等身体部件所对应的小区域所组成，通过跟踪各个小区域块来完成整个人的跟踪。而匹配法和状态空间法主要用于运动人体行为判断，模板匹配法是首先将图像序列转换为一组静态形状模式，然后在识别过程中和预先存储的行为标本相比较。在状态空间法中，定义每个静态姿势作为一个状态，这些状态之间通过某种概率联系起来。任何运动序列可以看作为这些静态姿势的不同状态之间的一次遍历过程。基于视频流的运动人体行为识别技术研究_熊静运动人体检测的方法Part1其思想是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域。时间差分法能有效的克服复杂背景以及噪声的干扰，是目前比较热门的一种提取运动区域的方法本系统中采用一种组合算法可以达到较好的效果，就是运用背景减除法和区域融合算法相结合的方法来提取运动人体的轮廓。所谓区域融合：是指当用背景减除法得到若干小的区域以后，利用循环查找的办法，判断两个小区域的距离，当距离小于一定的域值，则将两个小区域合成一个区域，最终得到分离的个体。基于视频流的运动人体行为识别技术研究_熊静运动人体跟踪的方法Part2基于特征点的运动人体跟踪人体运动的跟踪和标定是在连续的图像帧之间创建基于位置(position)，速度(velocity)、形状(shape)、纹理(texture)和色彩(color)等有关特征的对应匹配问题，它是人体运动跟踪与分析过程的关键，是进一步识别和理解人体运动行为的基础。虽然人的视觉可以很容易地识别和跟踪现实场景中刚体或变形物体的运动。但计算机却不能很好地完成这部分功能，所以目前对人体运动跟踪的研究仍处于不断探索阶段。围绕人体运动所展开的工作最早可追溯到1973年心理学家Johansson对于人类的运动感知所做的研究工作。在他的实验中，在人的关节点附着亮点，使人处于黑暗的环境中，因此只有关节点可见。实验结果表明：对于静态的光点集合，人的视觉感知系统无法得出任何有意义的信息，而对于运动中产生的光点集合序列，人们可以辨别出运动的形态如走路、跑步等，甚至判断出运动者的性别，故由此提出了对于运动的识别问题。正是在Johansson的理论基础上，目前有采用了跟踪人体节点的方法来实现对人体运动的跟踪，按照如下图的方式建立了人体的棍状模型。基于区域的运动人体跟踪将人体看作由头、躯干、四肢等身体部件所对应的小区域所组成，通过跟踪各个小区域块来完成整个人的跟踪。下面是一种比较通用的运动人体划分法，将人体按照比例来简单划分，先求出人体的高度，就是所占用的像素值H，将其七等分，头占一份，上身和下肢各占三等分基于视频流的运动人体行为识别技术研究_熊静运动人体行为识别Part3运动人体行为识别隐马尔可夫模型（HMM）图像匹配技术隐马尔可夫模型（HMM）HMM模型可以看作一种特定的BayesNet，并且等价于概率正规语法或概率有限状态自动机。HMM模型可以用一种特定的神经网络模型来模拟。一个隐士也许不能够直接获取到天气的观察情况，但是他有一些水藻。民间传说告诉我们水藻的状态与天气状态有一定的概率关系——天气和水藻的状态是紧密相关的。在这个例子中我们有两组状态，观察的状态（水藻的状态）和隐藏的状态（天气的状态）。一旦一个系统可以作为HMM被描述，就可以用来解决三个基本问题。其中前两个是模式识别的问题：给定HMM求一个观察序列的概率（评估）；搜索最有可能生成一个观察序列的隐藏状态序列（解码）。第三个问题是给定观察序列生成一个HMM（学习）。实现的细节1、人体运动的分解人体在运动过程中动作都可以分解成以时间为线索的图像序列，例如走路，跑，跳都可以作分解，我们将一些常见行为的一个周期用一组连续的图像帧来表示，并且对每一帧作图像的预处理，提取出灰度轮廓，将这一组图片建库，也就是本文所提到的标准行为库。实现的细节在某些特定的场合，必然有些行为是正常的而有些是异常的。在本安防系统中，我们认为正常的行走和慢跑都是正常行为，也就是我们系统中认为的规则行为。其它行为，比如跳跃、爬行、蹲走、偷窥和打斗等都认为是非规则行为。我们将规则行为的灰度图像序列建库，如下图所示：实现的细节2.运动人体行为的自然语言理解自然语言处理就是研究如何能让计算机理解并生成人们日常所使用的语言，使得计算机懂得自然语言的含义，并做出相应的反应。自然语言理解技术大致可分为机器翻译、语义理解及人机会话技术几个方面。其中语义理解通过将语言学的研究成果和计算机技术结合在一起，实现了对词语在语义层次上的理解。在本文所述系统中，通过相似度对比，计算机能简单的理解运动目标的状态，并以自然语言来描述，比如“在行走的人”，“拿着箱子走的人”等等。实现的细节3.隐马尔可夫模型的建立实现的细节图像匹配技术谢谢观赏WPSOfficeMakePresentationmuchmorefun@WPS官方微博@kingsoftwps