CN111199187A - 一种基于算法的动物行为识别方法及相应存储介质与电子装置 - Google Patents
一种基于算法的动物行为识别方法及相应存储介质与电子装置 Download PDFInfo
- Publication number
- CN111199187A CN111199187A CN201911266408.2A CN201911266408A CN111199187A CN 111199187 A CN111199187 A CN 111199187A CN 201911266408 A CN201911266408 A CN 201911266408A CN 111199187 A CN111199187 A CN 111199187A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- animal
- behavior
- time domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 14
- 230000006399 behavior Effects 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 16
- 239000000523 sample Substances 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000036544 posture Effects 0.000 claims description 5
- 239000012805 animal sample Substances 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000009395 breeding Methods 0.000 abstract description 5
- 230000001488 breeding effect Effects 0.000 abstract description 5
- 208000031295 Animal disease Diseases 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 241000282887 Suidae Species 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 108010070551 Meat Proteins Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 235000021075 protein intake Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于算法的动物行为识别方法及相应存储介质与电子装置,包括在动物身上安装带有三轴加速度传感器的标识,通过三轴加速度传感器记录的三轴加速度数据分析动物的姿态识别,数据包含时间、x轴、y轴及z轴方向的加速度。通过统计时域特征进行特征重要性分析,统计时域特征进行特征选择,优选后的特征集更能表征各种行为的突出特性。训练子集根据所选特征对SVM进行训练,得到相应的参考模型,测试子集依据参考模型采用SVM进行分类评估。本发明通过识别动物的睡觉和进食等行为,以提高动物行为的研究,为动物福利及动物疾病预测模型的建立奠定了基础,更有助于精细化养殖管理,提高生产力。
Description
技术领域
本发明涉及行为识别领域,尤其涉及一种基于算法的动物行为识别方法及相应存储介质与电子装置。
背景技术
在我国,猪肉是我国居民肉食蛋白摄入的主要来源。随着信息技术的发展,养殖行业逐渐向精细化、智能化转型,提升养殖效率,以满足我国对各种肉类的迫切需求。
中国专利申请CN101543400A公开了一种动物行为学检测与自动分析系统和动物行为学分析方法,通过计算动物单位时间内加速度平均值,如果计算所得的加速度平均值高于设定阈值,则视为动物开始活动,进行运动参数计算并记录;在动物开始活动后,如果连续较长时间内计算所得的加速度平均值低于设定阈值,则视为动物本次活动结束,从而计算和统计结果做出动物行为分析,但此方法使用加速度平均值与设定阈值的关系以决定动物行为,在准确性上不够高。
因此,目前需要一种能够精确地识别动物行为的方法,以提高动物行为的研究,为动物福利及动物疾病预测模型的建立奠定了基础,更有助于精细化养殖管理,提高生产力。
发明内容
本发明提供了一种基于算法的动物行为识别方法及相应存储介质与电子装置,通过三轴加速度传感器记录的三轴加速度数据分析动物的姿态,建立行为识别模型,从而能够有效地识别动物的行为。
本发明的技术方案如下:
一种基于算法的动物行为识别方法,其步骤包括:
1)采集动物行为数据并时序化,计算三轴合量的矢量和标量;
2)提取所述矢量和所述标量的时域特征,并送入行为识别模型,以识别动物行为;
其中,所述行为识别模型通过以下步骤建立:
1)采集动物样本行为数据并时序化,计算三轴合量样本矢量和样本标量;
2)提取所述样本矢量和所述样本标量的n个时域特征,对所述时域特征按评估得分由高至低进行排队,分别选取排名前m个时域特征组成优选特征集,其中m从1到n,得到n个优先特征集;
3)将所述n个优选特征集分别进行机器学习训练,并根据对应测窗内的姿态,选取一最佳模型作为行为识别模型。
进一步地,通过三轴加速度传感器采集所述行为数据。
进一步地,所述行为数据包括时间、x轴、y轴及z轴方向的加速度。
进一步地,所述行为数据时序化是指将所述行为数据按照一设定时间分为若干子行为数据,其过程包括:
1)设定时间内的数据量超过1条,取对应数据量的字段数据均值作为此时间段的子行为数据;
2)设定时间内的数据量为1条,取对应数据量的字段数据作为此时间段的子行为数据;
3)设定时间内没有数据量,将字段数据设置为0作为此时间段的子行为数据;
4)每两条子行为数据之间具有固定时间间隔。
进一步地,所述时域特征包括平均值、最大值、最小值、中值、方差、标准差、中位数绝对偏差、偏度系数、峰度系数、曲线长度、均方根、10th百分位、25th百分位、50th百分位、75th百分位、90th百分位和信息熵。
进一步地,使用特征选择算法Fisher score评估所述时域特征。
进一步地,采用支持向量机进行所述机器学习训练。
进一步地,对采集所述样本行为数据的监控视频使用滑动窗口,得到所述测窗。
一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序执行上述方法的各步骤。
一种电子装置,包括存储器和处理器,所述存储器中存储有所述计算机程序。
与现有技术相比,本发明具有如下优点:
本发明利用动物耳标采集的三轴加速度分析数据,够精确地识别动物行为的方法,比如,吃饭睡觉。以提高动物行为的研究,为动物福利及动物疾病预测模型的建立奠定了基础,更有助于精细化养殖管理,提高生产力。
本发明对时域特征按评估得分由高至低进行排队,将得到的若干优选特征集进行训练,结合监控视频获取高准确性的行为识别模型,从而提高了对动物行为的识别精度。
附图说明
图1为本发明特征选择的流程示意图。
图2为本发明的猪进食时Time-VSM-SAA曲线示意图。
图3为本发明的猪睡觉时Time-VSM-SAA曲线示意图。
图4为本发明的特征选择曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,下面通过具体实施例和附图对本发明进行进一步详细阐述。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种基于算法的猪行为识别方法,步骤如下:
步骤1:通过带有三轴加速度传感器的猪耳标采集数据,将数据时序化为0.1s频率的运动数据。若0.1s内数据量超过1条,则取对应字段数据的均值作为当前这0.1s的运动数据;若0.1s内中数据量只有1条,则不做处理;若0.1s内无数据,每隔0.1s对x轴、y轴及z轴方向的加速度设置为0。
步骤2:使用不同时间长度的滑动窗检测窗内的猪姿态,确定滑动窗的最佳时间长度。
步骤3:采用特征选择算法Fisher score对上述的特征进行评估,将特征按照得分由高到低排列,逐个增加特征,作为支持向量机的测试集进行结果预测,结合对应时间的监控视频计算分类精度,最终找出一组特征数最少精度高的最佳特征组合。
图1为本发明基于算法的猪行为识别方法的流程示意图。首先进行数据采集,在单只圈养在较小的铁围栏中的猪耳上安装带有三轴加速度传感器的耳标,通过三轴加速度传感器记录的三轴加速度数据分析猪的姿态识别,数据包含时间、x轴、y轴及z轴方向的加速度;由于猪的活动范围有限,因此猪的主要活动为进食和睡觉,其他活动相对较少,所以本方法主要识别猪的进食与睡觉行为。
其次,通过统计时域特征进行特征重要性分析,统计时域特征进行特征选择,优选后的特征集更能表征各种行为的突出特性;训练子集根据所选特征对SVM进行训练,得到相应的参考模型;测试子集依据参考模型采用SVM进行分类评估。
如图2所示,猪在进食时,VSM(Vector sum,矢量)和SAA(scalar addition,标量)的数据曲线会出现剧烈的波动;如图3所示,猪在睡觉时,VSM和SAA的数据曲线与图2相比,波动程度相对稳定。因此对Time-VSM和Time-SAA数据提取特征集,使用SVM(支持向量机)进行分类。
一种基于算法的猪行为识别方法,步骤如下:
步骤1:通过带有三轴加速度传感器的猪耳标采集数据,将数据时序化为0.1s频率的运动数据。若0.1s内数据量超过1条,则取对应字段数据的均值作为当前这0.1s的运动数据;若0.1s内中数据量只有1条,则不做处理;若0.1s内无数据,则对此时间段内的字段值置0作为该字段的运动数据。每两条时序化数据之间的间隔为0.1s,即每隔0.1s对x轴、y轴及z轴方向的加速度设置为0。
表1:时域特征标号
步骤2:使用不同时间长度的滑动窗检测窗内的猪姿态,确定滑动窗的最佳时间长度。根据表2可知,选定时间窗长度为10s,递增时间窗长度为5s。
表2:滑动窗时间长度的选取
步骤3:采用特征选择算法Fisher score对上述的特征进行评估,将特征按照得分由高到低排列,逐个特征增加作为支持向量机的输入训练集以计算分类精度,最终找出一组特征数最少精度高的最佳特征组合,分别是Mean_VSM,Mean_SAA,Var_VSM,Var_SAA,Mad_VSM,Mad_SAA。
如图4所示,横坐标为支持向量机所使用特征的数量,纵坐标为支持向量机分类准确度。当特征曲线的横坐标为2时趋于稳定,6时准确度最高,本文使用得分最高的前6个特征。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书所述为准。
Claims (10)
1.一种基于算法的动物行为识别方法,其步骤包括:
1)采集动物行为数据并时序化,计算三轴合量的矢量和标量;
2)提取所述矢量和所述标量的时域特征,并送入行为识别模型,以识别动物行为;
其中,所述行为识别模型通过以下步骤建立:
1)采集动物样本行为数据并时序化,计算三轴合量样本矢量和样本标量;
2)提取所述样本矢量和所述样本标量的n个时域特征,对所述时域特征按评估得分由高至低进行排队,分别选取排名前m个时域特征组成优选特征集,其中m从1到n,得到n个优先特征集;
3)将所述n个优选特征集分别进行机器学习训练,并根据对应测窗内的姿态,选取一最佳模型作为行为识别模型。
2.如权利要求1所述的方法,其特征在于,通过三轴加速度传感器采集所述行为数据。
3.如权利要求2所述的方法,其特征在于,所述行为数据包括时间、x轴、y轴及z轴方向的加速度。
4.如权利要求1所述的方法,其特征在于,所述行为数据时序化是指将所述行为数据按照一设定时间分为若干子行为数据,其过程包括:
1)设定时间内的数据量超过1条,取对应数据量的字段数据均值作为此时间段的子行为数据;
2)设定时间内的数据量为1条,取对应数据量的字段数据作为此时间段的子行为数据;
3)设定时间内没有数据量,将字段数据设置为0作为此时间段的子行为数据;
4)每两条子行为数据之间具有固定时间间隔。
5.如权利要求1所述的方法,其特征在于,所述时域特征包括平均值、最大值、最小值、中值、方差、标准差、中位数绝对偏差、偏度系数、峰度系数、曲线长度、均方根、10th百分位、25th百分位、50th百分位、75th百分位、90th百分位和信息熵。
6.如权利要求1所述的方法,其特征在于,使用特征选择算法Fisher score评估所述时域特征。
7.如权利要求1所述的方法,其特征在于,采用支持向量机进行所述机器学习训练。
8.如权利要求1所述的方法,其特征在于,对采集所述样本行为数据的监控视频使用滑动窗口,得到所述测窗。
9.一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序执行上述权利要求1-8任一项所述的方法。
10.一种电子装置,包括存储器和处理器,所述存储器中存储有权利要求9所述计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266408.2A CN111199187A (zh) | 2019-12-11 | 2019-12-11 | 一种基于算法的动物行为识别方法及相应存储介质与电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266408.2A CN111199187A (zh) | 2019-12-11 | 2019-12-11 | 一种基于算法的动物行为识别方法及相应存储介质与电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111199187A true CN111199187A (zh) | 2020-05-26 |
Family
ID=70746939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911266408.2A Pending CN111199187A (zh) | 2019-12-11 | 2019-12-11 | 一种基于算法的动物行为识别方法及相应存储介质与电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199187A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657918A (zh) * | 2020-06-12 | 2020-09-15 | 电子科技大学 | 一种结合心电和惯性传感数据的跌倒检测方法及系统 |
CN113179969A (zh) * | 2021-03-26 | 2021-07-30 | 上海源涛信息科技有限公司 | 动物吃食动作检测方法、系统、存储介质及装置 |
CN113671892A (zh) * | 2021-08-18 | 2021-11-19 | 迟明海 | 一种基于云平台的动物管理方法和动物管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106643722A (zh) * | 2016-10-28 | 2017-05-10 | 华南理工大学 | 一种基于三轴加速度计的宠物运动识别方法 |
CN109446931A (zh) * | 2018-10-11 | 2019-03-08 | 河南科技大学 | 基于时序关联分析的动物运动行为判别方法及装置 |
CN109934179A (zh) * | 2019-03-18 | 2019-06-25 | 中南大学 | 基于自动特征选择和集成学习算法的人体动作识别方法 |
CN110245718A (zh) * | 2019-06-21 | 2019-09-17 | 南京信息工程大学 | 一种基于联合时域频域特征的人体行为识别方法 |
-
2019
- 2019-12-11 CN CN201911266408.2A patent/CN111199187A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106643722A (zh) * | 2016-10-28 | 2017-05-10 | 华南理工大学 | 一种基于三轴加速度计的宠物运动识别方法 |
CN109446931A (zh) * | 2018-10-11 | 2019-03-08 | 河南科技大学 | 基于时序关联分析的动物运动行为判别方法及装置 |
CN109934179A (zh) * | 2019-03-18 | 2019-06-25 | 中南大学 | 基于自动特征选择和集成学习算法的人体动作识别方法 |
CN110245718A (zh) * | 2019-06-21 | 2019-09-17 | 南京信息工程大学 | 一种基于联合时域频域特征的人体行为识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657918A (zh) * | 2020-06-12 | 2020-09-15 | 电子科技大学 | 一种结合心电和惯性传感数据的跌倒检测方法及系统 |
CN113179969A (zh) * | 2021-03-26 | 2021-07-30 | 上海源涛信息科技有限公司 | 动物吃食动作检测方法、系统、存储介质及装置 |
CN113179969B (zh) * | 2021-03-26 | 2022-10-04 | 上海源涛信息科技有限公司 | 动物吃食动作检测方法、系统、存储介质及装置 |
CN113671892A (zh) * | 2021-08-18 | 2021-11-19 | 迟明海 | 一种基于云平台的动物管理方法和动物管理系统 |
CN113671892B (zh) * | 2021-08-18 | 2024-03-12 | 迟明海 | 一种基于云平台的动物管理方法和动物管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bao et al. | Artificial intelligence in animal farming: A systematic literature review | |
CN111199187A (zh) | 一种基于算法的动物行为识别方法及相应存储介质与电子装置 | |
CN110458061B (zh) | 一种识别老年人跌倒的方法及陪伴机器人 | |
González et al. | Behavioral classification of data from collars containing motion sensors in grazing cattle | |
JP5359414B2 (ja) | 行動認識方法、装置及びプログラム | |
CN112580552B (zh) | 一种鼠类行为分析方法及装置 | |
JP2010207488A (ja) | 行動解析装置及びプログラム | |
CN112560723B (zh) | 一种基于形态识别与速度估计的跌倒检测方法及系统 | |
CN107092861B (zh) | 基于压力与加速度传感器的下肢动作识别方法 | |
WO2009090584A2 (en) | Method and system for activity recognition and its application in fall detection | |
CN111199202B (zh) | 基于循环注意力网络的人体动作识别方法及识别装置 | |
CN111288986B (zh) | 一种运动识别方法及运动识别装置 | |
CN107609590B (zh) | 一种多尺度鼠标轨迹特征提取方法、装置和系统 | |
Sideridis et al. | Gesturekeeper: Gesture recognition for controlling devices in iot environments | |
CN115035686A (zh) | 基于信道状态信息的实时化跌倒检测方法、系统及介质 | |
CN111860117A (zh) | 一种基于深度学习的人体行为识别方法 | |
CN109446931B (zh) | 基于时序关联分析的动物运动行为判别方法及装置 | |
CN110720928A (zh) | 一种基于三轴加速度的奶牛进食和反刍识别方法 | |
CN114038011A (zh) | 一种室内场景下人体异常行为的检测方法 | |
CN108990833A (zh) | 一种基于位置信息的动物运动行为判别方法及装置 | |
CN108664919A (zh) | 一种基于单样本的行为识别与检测方法 | |
CN111178134B (zh) | 一种基于深度学习与网络压缩的摔倒检测方法 | |
CN111126294B (zh) | 一种基于移动终端数据识别终端用户步态的方法和服务器 | |
CN108696722B (zh) | 一种目标监测方法、系统及设备和存储介质 | |
KR20130089980A (ko) | 축사 보안 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200526 |
|
RJ01 | Rejection of invention patent application after publication |