基于行為學指標數據的豬只行為分類

楊威，俞守華

（華南農業大學數學與信息學院，廣州 510642）

基于行為學指標數據的豬只行為分類

楊威，俞守華

（華南農業大學數學與信息學院，廣州 510642）

將視頻監控技術應用于規?；B豬場能大大減少人力，提高效率。豬只行為分類是通過圖像處理計數從視頻中獲得豬只信息后的圖像信息分析階段，如何從大量數據中挖掘出豬只的行為是完成實現豬只智能監控的關鍵。通過圖像處理將豬只行為信息提取量化后，生豬的行為識別轉化成對行為指標信息的分類問題。首先論述豬只行為識別的關鍵行為學指標，然后引入決策樹分類算法,貝葉斯網絡分類算法，基于規則歸納的分類算法等三種分類方法對數據進行實驗，并對豬只數據進行分類預測后評估三種模型的表現。結果顯示，選取的行為學指標對豬只行為具有較高的區分度，J48決策樹分類算法較樸素貝葉斯和基于規則生成的分類算法的準確率均達到96%以上，提取的規則能作為豬只行為分類的判斷標準。

廣東省科技計劃項目（No.2012A020602043）

0 引言

中國是世界養豬大國，2016年我國生豬出欄頭數為68502萬頭，豬肉產量為5299萬噸，年末生豬存欄達43504萬頭[1]。養殖業的現代化和居民對肉類消費的不斷增長使得規?；B殖場逐漸代替了傳統的家庭圈養方式。然而若繼續在規?；B豬場中采用傳統的人工監控手段，不僅實時性不高，精度低，費時費力，且容易因疲勞造成漏檢。在健康養殖的理念下，找到適應現代化規?；B豬場的監控方案，對規?；B豬場實施有效的監控管理，及時發現存在的問題和采取措施，改善養殖環境，降低病害發生率對保證安全順利生產具有重要的意義。國內外學者在豬只的智能監控方面進行了諸多研究，有對豬只運動特征的快速提取[2]，有單只豬只側面輪廓提取[3]，基于特征提取及特征優選的豬只姿態識別研究[4]也有對豬只攻擊性行為進行監控的研究[5-6]。豬只行為識別是在正確的檢測和跟蹤的基礎上，利用數據挖掘技術進行的指標信息分類。通過正確的行為分類及時找出異常行為，是豬只視頻智能監控系統的主要目標和重要環節。因此，找到恰當的分類指標及合適的分類方法對系統功能的實現具有重要意義。

1 材料與方法

本研究是建立在對豬只的識別和跟蹤的基礎上，結合行為學指標對豬只的行為進行分類研究。數據來源為廣東省科技計劃項目“豬只采食與排泄行為智能識別及異常預警系統”（2012A020602043）從廣州市從化、增城和天河三個不同豬舍規格的規?；B豬場采集的視頻圖像中利用圖像處理技術提取的豬只行為學指標數據。

1.1 生豬的行為識別的行為學指標

對監控視頻中的豬只進行實時地跟蹤時，需要提取出能夠反映豬只行為的指標信息。目前常用的行為學指標包括運動速度、運動距離、運動軌跡、停留區域和停留時間等，多個行為學指標的結合能有效提高識別的準確度。這些指標又可分為兩類：運動參數和體態特征。運動參數在一定程度上反映的是動物的活躍程度，提供判斷動物健康狀態的客觀依據。而體態特征則含有更多心理信息，在行為識別中具有更重要的意義[6-9]。

本文采用的運動參數包括：所停留區域及時間，運動距離，運動速度等；體態特征包括：周長面積比，長短軸之比，hu幾何矩等。

運動距離通過兩幀間豬只質心移動的距離來表示：

運動速度為生豬在單位時間內運動的距離：

其中，V(i+1,i)表示生豬在相鄰兩幀間運動的速度，D(i+1,i)表示生豬在相鄰兩幀間運動距離，ti+1-ti表示相鄰兩幀的時間間隔。

周長面積比描述的是生豬二維形狀的不規則情況。計算方法如式（3）：

當形狀越不規則，F值越?。环粗翟酱?。其中，C和A分別表示生豬二維形狀的周長和面積。

長短軸之比描述生豬二維形狀的細長程度。其計算方法是根據公式：

其中L和S分別表示生豬形狀的外接橢圓的長軸和短軸長度。

Hu幾何矩是一種全局不變量，對噪聲不太敏感，且不論目標是否封閉，均能較好的識別目標。Hu幾何矩特征的定義和計算公式建立在對一個區域內部灰度值或邊界灰度值分析基礎上的，是一個全局量的描述，描述了對象的整體特征[5]。

1.2 決策樹分類算法

在數據挖掘中，決策樹是一個預測模型，它代表對象屬性與對象值之間的一種映射關系。決策樹是一種樹形結構，其中每個內部節點表示一個屬性上的測試，每個分支代表一個測試輸出，每一個葉節點代表一種類別。決策分類樹是一種十分常用的分類算法。C4.5是一系列用在機器學習和數據挖掘的分類問題中的算法。它的目標是監督學習：給定一個數據集，其中的每一個元組都能用一組屬性值來描述，每一個元組屬于一個互斥的類別中的某一類。C4.5的目標是通過學習，找到一個從屬性值到類別的映射關系，并且這個映射能用于對新的類別未知的實體進行分類。

1.3 貝葉斯分類器

貝葉斯分類器的分類原理是通過某對象的先驗概率，利用貝葉斯公式計算出其后驗概率，即該對象屬于某一類的概率，選擇具有最大后驗概率的類作為該對象所屬的類。也就是說，貝葉斯分類器是最小錯誤率意義上的優化。目前研究較多的貝葉斯分類器主要有四種，分別是：Naive Bayes、TAN、BAN 和 GBN。樸素貝葉斯分類器工作必須有一個前提假設，特征屬性之間的關系必須是獨立的，只有在這個假設前提下，樸素貝葉斯分類器才能工作地比較好。但是在現實世界中，這種假設并不成立。所以另一種算法就被提出即貝葉斯網絡。貝葉斯網絡的定義并不復雜，一個貝葉斯網絡就是一個有向無環圖，圖中的每一個節點代表著一個隨機變量(可以理解為樣本的特征屬性)，對應著每一個節點貝葉斯網絡還有一張條件概率表（CPT）。作為一種基于概率的不確定性推理方法，貝葉斯網絡在處理不確定信息的智能化系統中取得了重要的應用。

1.4 基于規則歸納的RIPPER算法

RIPPER算法是William W.Cohen在1995年提出的規則歸納算法，是對IREP算法的改進。RIPPER算法具備可讀性、可解釋性強，易于優化等特點。該算法是基于正負實例集合的規則學習算法，通過重復增量裁減機制生成分類規則，減少過擬合的可能性并提高規則的準確度。在處理多分類問題時，RIPPER算法先按照類標簽出現的頻率對其進行排序，設{C1,C2, Ck}為頻率從小到大排序后的集合。在第一次迭代中，把C1的樣例標記為正，其他標記為反例，使用順序覆蓋算法產生區分正例和反例的規則，重復該過程，直到剩下頻率最高的類別Ck。這種產生規則的特殊性，使得它對于不平衡的數據集分類性能比C4.5決策樹算法要好。RIPPER算法時間復雜度為O（nlog2n），在包含大量噪聲數據的測試集上仍然能保持較高的運行效率。但當數特征集很大的情形下，計算復雜度也隨之增大。在Weka中RIPPER的實現方法時JRip。該算法在RIPPER的基礎上進行了有一定修改，但準確度和規則生成并無太大區別。

2 實驗與分析

2.1 確定問題

本文主要希望對比決策樹分類算法、貝葉斯網絡分類算法和基于規則歸納的分類算法RIPPER在豬只采食、排泄、站立、趴窩、慢走、跑動等行為進行分類的效果。行并從不同算法的對比中找出易混淆的行為類別，分析原因，反饋行為指標的選擇，從而選擇合適的分類算法并對不同行為的分類混淆進行了解以便為后續改進行為分類指標提供參考。

2.2 數據探測

通過前期對豬只視頻的實驗觀察標記，本文得到了4311條豬只行為數據標記數據，其中站立477條，趴窩891條，采食1799條，排泄454條，慢走342條，跑動348條。每條數據包含16個屬性，如表1所示。

表1 豬只行為分類屬性說明

2.3 數據預處理

錄入的4311條數據完整，各屬性數據完整，分布正常，未發現異常數據。ID用于標識每一條數據。px與py是表示豬只當前所在的橫縱坐標，用于確定Speed指標和Distance指標，故將這兩個屬性去除，保留Speed和Distance。最終經過預處理后，保留了dis?tance等12個屬性，一個類屬性behavior。經過選擇后的屬性是數據相對集中對于豬只行為分類關聯最大的屬性，可以提高模型分類的準確率。

2.4 數據挖掘

本文的目的是通過對行為學指標信息數據進行分類實現對豬只行為類別的識別。為了選擇合適的分類算法，選用了C4.5，貝葉斯網絡分類器和RIPPER三種分類算法進行比較分析。

作為對照，先采用ZeroR進行分類，ZeroR的原理是只選擇概率最大的屬性作為分類標準。ZeroR的準確率為41.8%。如果分類器的結果小于ZeroR則說明使用的分類器不適用于本實驗對象，若高于此值則說明采用的方法是有效的。實驗過程中采用十折交叉驗證，為了使取得的結果更具一般性，設置隨機數種子1,3,5,7,10進行五次實驗并求得其平均精度。

2.5 結果分析

實驗結果如表2所示。

表2 三種分類算法對比

從結果來看，三種分類器的準確度均達到96%以上，運行時間來看J48和貝葉斯網絡算法0.15s要小于Jrip 的 0.56s。

進一步，我們來分析各個算法分類后的混淆矩陣。對于混淆矩陣，對角線上的數表明相應類別分類正確的實例個數，其他點表示錯誤分類的實例。對于J48我們選擇最接近平均精度的，隨機種子為7時的混淆矩陣。

圖1 J48決策樹算法混淆矩陣

從混淆矩陣可以看出，分類表現十分優秀，落在斜對角線外的數據遠遠小于斜對角線上的數據，這說明，各種行為的分類都十分準確。從混淆矩陣中，我們還可以看出，站立行為易與采食行為混淆，慢走易與跑動混淆。

運行J48分類器后，可生成分類決策樹，如圖2所示：

圖2 J48決策樹（部分）

根據得到的決策樹我們可以得到決策規則，如在圖2中的決策樹，我們可以的得到如下規則：If zone=1,2 and hu3<=0.001251,then behavior=趴窩；If zone=1,hu3>0.001251 and hu1<=0.383548,then behavior=站立。本文實驗數據生成的決策樹一共有43片葉子，即生成了43個規則。在實際應用中，需要根據獲取的更多實際數據不斷地訓練算法規則，從而提高分類方法的魯棒性和準確率。

貝葉斯網絡分類器取第五次運行結果的混淆矩陣進行分析。

圖3 貝葉斯網絡算法混淆矩陣

可以看到在貝葉斯網絡分類算法中，站立與采食，站立與慢走，慢走與跑動是較容易混淆的組合。

對于JRip的混淆矩陣進行分析可以看得出，該算法中站立與采食、慢走與跑動及慢走與站立均是易混淆的組合。

圖4 JRip算法混淆矩陣

3 結語

從實驗結果分析，對于本實驗的對象，三種方法均滿足下一步應用的要求。其中，J48分類器的效果最好，貝葉斯網絡分類器、JRip算法與J48相差較小，而從運行時間上來看JRip與前面兩者相差較大，這與算法過程中的頻繁剪枝相關。另外，各分類器均達到96%以上的準確度，說明選取的行為學指標作為分類屬性的有效性，具有較高的區分度。從識別的行為類別來看，站立、采食、趴窩等行為識別度較高。而在各個算法中，站立與采食，慢走與跑動都是易混淆的組合，這說明對于現有指標來說，這兩個組合的區分度較其他組合小。因此，在今后的研究中，可以通過提取更復雜的行為特征提高這兩組行為的區分度。本實驗達到了預期目的，找到了合適的分類方法，并為進一步研究的提供了方向。

[1]中華人民共和國國家統計局.2016年國民經濟和社會發展統計公報[EB].http://www.stats.gov.cn/tjsj/zxfb./201702/t20170228_1467424.html

[2]肖德琴,馮愛晶,楊秋妹,劉儉,張哲.基于視頻追蹤的豬只運動快速檢測方法[J].農業機械學報,2016,(10):351-357+331.

[3]黨亞男.基于特征提取及特征優選的豬只姿態識別研究[D].太原理工大學,2015.

[4]馬麗,紀濱,劉宏申,朱偉興,李偉,張濤.單只豬輪廓圖的側視圖識別[J].農業工程學報,2013,(10):168-174.

[5]謝徵.基于決策樹支持向量機的豬只姿態分類與異常行為分析[D].太原理工大學,2015.

[6]Hu M K.Visual Pattern Recognition by Moment Invariant[J].IRE Transactions on Information Theory,1962,8(2):179-187.

[7]陳顯周，俞守華，區晶瑩.異常挖掘在豬只行為數據分析上的應用,農業現代化研究，2011,32（monog）：52－55周勇鈞,

[8]俞守華,區晶瑩.多特征Camshift和Kalman濾波結合的豬只智能跟蹤[J].廣東農業科學,2013,09:174-177+188.

[9]許丹純,俞守華,區晶瑩,周勇鈞.可拓分析法在豬場環境安全預警中的應用[J].廣東農業科學,2011,23:160-163.

[10]Oczak,M.,et al.,Classification of Aggressive Behaviour n Pigs by Activity Index and Multilayer Feed Forward Neural Network.Biosystems Engineering,2014.119：89-97.

Pig Behavior Classification Based on Behavior Indexes Data

YANG Wei,YU Shou-hua
(College of Mathematic and Informatic,South China Agricultural University,Guangzhou 510642)

The application of visual recognition on large scale pig farm can greatly save manpower and increase efficiency.Pig behavior classification is one of the key problems to be solved for building an effective video surveillance system.Pig behavior recognition can be regarded as the classification of behavior index information via proper classification algorithm.Introduces the key indexes of pig behavior,introduces three kinds of classification methods including C4.5,Bayes Net and RIPPER,and uses the three algorithms to analyze pig behavior data.The re?sults analysis indicates that these three algorithm all have an accuracy above 96%,and the J48 which is Weka platform's version of C4.5 al?gorithm,has better performance than the other two methods considering accuracy and time-consuming.

楊威（1990-），男，湖南株洲人，碩士研究生，研究方向為農業信息化

俞守華（1964-），男，福建福州人，博士，教授，研究方向為農業信息化、系統工程，E-mail:segrad@scau.edu.cn

2017-03-22

2017-06-06

1007-1423（2017）17-0035-05

10.3969/j.issn.1007-1423.2017.17.007

行為學指標；豬只行為分類；數據挖掘；決策樹分類算法；基于規則生成的分類算法

Behavior Indexes;Pig Behavior Classification;Data Mining;Decision Tree;RIPPER