基于動(dòng)態(tài)多特征變量的黃羽肉雞跛行狀態(tài)定量評(píng)價(jià)方法

沈明霞 李嘉位 陸明洲 劉龍申 孫玉文 李 泊

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院， 南京 210031； 2.江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室， 南京 210031)

0 引言

跛行程度是對(duì)肉雞腿部健康狀態(tài)和損傷判斷的標(biāo)準(zhǔn)化描述[1]。隨著肉雞集約化與規(guī)模化養(yǎng)殖的推廣，培育期大幅縮短，但肉雞腿部疾病發(fā)生率較為常見(jiàn)，肉雞有明顯跛行的占總量的20.66%[2-3]。跛行肉雞的存在比例與現(xiàn)代化養(yǎng)殖要求相悖，既降低了動(dòng)物福利水平，又影響了肉雞生產(chǎn)的品質(zhì)與產(chǎn)量。

對(duì)跛行進(jìn)行早期識(shí)別，是對(duì)肉雞疾病進(jìn)行預(yù)防的有效途徑。肉雞跛行經(jīng)典評(píng)價(jià)方法是KESTIN等[4]提出的鳥(niǎo)類步態(tài)六級(jí)評(píng)分標(biāo)準(zhǔn)(Gait score, GS)，其中GS0～GS5 6個(gè)級(jí)別分別表示從腿部健康到嚴(yán)重病態(tài)的情況,如表1所示。

表1 鳥(niǎo)類步態(tài)評(píng)分標(biāo)準(zhǔn)說(shuō)明Tab.1 Gait score introduction of six-class definition

AYDIN等[5]的研究證明肉雞步態(tài)得分可以作為跛足衡量指標(biāo)。對(duì)肉雞進(jìn)行GS人工分類時(shí)，主觀性強(qiáng)，準(zhǔn)確度差，易受到環(huán)境影響，而基于視頻的跛行評(píng)價(jià)算法為肉雞步態(tài)的自動(dòng)判別提供了支持。NAAS等[6]開(kāi)發(fā)了一套協(xié)同算法，通過(guò)圖像分析單只肉雞的行走速度與加速度，實(shí)現(xiàn)對(duì)肉雞進(jìn)行GS0～GS5的自動(dòng)分類，在GS3、GS4等極端分?jǐn)?shù)上取得了接近100%的準(zhǔn)確率，但針對(duì)GS1和GS2的判斷準(zhǔn)確率僅為50%。 DAWKINS等[7]通過(guò)使用光流算法來(lái)調(diào)查雞群的行為，揭示了光流與肉雞步態(tài)評(píng)分水平之間的關(guān)系。AYDIN[8]通過(guò)3D相機(jī)研究肉雞的躺臥時(shí)間，提出了一種自動(dòng)評(píng)估肉雞跛足的方法,以評(píng)估肉雞跛足的嚴(yán)重程度，得出肉雞躺臥時(shí)間與傳統(tǒng)肉雞的步態(tài)評(píng)分之間存在著明顯負(fù)相關(guān)的結(jié)論。在相近領(lǐng)域，勞鳳丹等[9]通過(guò)貝葉斯模型基于10個(gè)特征量實(shí)現(xiàn)了對(duì)蛋雞日常行為的分類。趙凱旋[10]通過(guò)奶牛行走視頻中對(duì)四肢進(jìn)行定位和跟蹤，得出了奶牛運(yùn)動(dòng)曲線，并通過(guò)交叉驗(yàn)證的決策樹(shù)建立了奶牛3分制步態(tài)評(píng)分模型，識(shí)別奶牛跛行總體精度達(dá)到90.18%。肉雞腿部健康與步態(tài)評(píng)價(jià)相關(guān)的研究，國(guó)內(nèi)尚未見(jiàn)文獻(xiàn)報(bào)道。

本文基于C4.5決策樹(shù)模型，從肉雞步態(tài)視頻中提取速度、步頻、步幅、步幅差等動(dòng)態(tài)指標(biāo)，并將其作為訓(xùn)練特征，以提高對(duì)GS1、GS2等輕微病態(tài)步態(tài)識(shí)別的準(zhǔn)確率。最終以GS為依據(jù)，提出一種新的肉雞步態(tài)評(píng)分鑒別與分類方法，為肉雞健康預(yù)警提供技術(shù)支持。

1 材料和裝置

1.1 實(shí)驗(yàn)對(duì)象

實(shí)驗(yàn)于2017年12月—2018年1月在滁州市溫氏集團(tuán)牧業(yè)的全椒肉雞養(yǎng)殖中心進(jìn)行，共選取黃羽肉雞267只，日齡在40～45 d之間，質(zhì)量在0.6～1.2 kg之間，雞舍溫度(21±5)℃。實(shí)驗(yàn)前將木質(zhì)步行道放入雞舍7 d，以使肉雞適應(yīng)實(shí)驗(yàn)環(huán)境，消除實(shí)驗(yàn)時(shí)的環(huán)境應(yīng)激性。以KESTIN步態(tài)評(píng)分標(biāo)準(zhǔn)[4]為依據(jù)，經(jīng)過(guò)動(dòng)物科學(xué)相關(guān)專家人工鑒定，選取肉雞的步態(tài)分布結(jié)果如表2所示。其中GS5步態(tài)因?yàn)槠渥邉?dòng)能力極差，難以采集步態(tài)視頻，且強(qiáng)迫其走動(dòng)有違動(dòng)物福利要求，故未被作為實(shí)驗(yàn)對(duì)象，實(shí)際參與實(shí)驗(yàn)研究肉雞260只，每只雞記錄2次行走視頻，共記錄步態(tài)數(shù)據(jù)520條。

表2 實(shí)驗(yàn)雞基本情況Tab.2 Basic condition of experimental broilers

1.2 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)裝置是由木質(zhì)步行道、白色背景墻和攝像頭組成的特制平臺(tái)，步行道長(zhǎng)130 cm，寬50 cm，高20 cm，白色背景墻與步行道等長(zhǎng)，高65 cm，與木質(zhì)步行道垂直放置。背景墻左右兩側(cè)各有一個(gè)標(biāo)記為入口、出口的計(jì)時(shí)標(biāo)記點(diǎn)。正對(duì)背景墻100 cm處放置一臺(tái)攝像機(jī)進(jìn)行全程視頻采集。正對(duì)步行道地面高120 cm處放置攝像頭，在肉雞到達(dá)入口計(jì)時(shí)點(diǎn)時(shí)觸發(fā)，進(jìn)行連續(xù)3幀的圖像數(shù)據(jù)采集。步態(tài)采集裝置示意圖如圖1所示。

圖1 步態(tài)采集裝置示意圖Fig.1 Schematic of broiler gait collection device

1.3 視頻采集

將單只肉雞人為放置在步行道最左端起點(diǎn)，使其自由行走。因僅有步行道終點(diǎn)一個(gè)方向可以通向雞群和日常生活環(huán)境，由于肉雞趨同行為，大多數(shù)時(shí)候肉雞可以沿這個(gè)方向通過(guò)直線路徑走向步行道盡頭。特別地，對(duì)于個(gè)別行走意愿不強(qiáng)烈的肉雞個(gè)體，進(jìn)行輕微驅(qū)趕后采集，但在步行過(guò)程中不予干預(yù)。采集時(shí)間為09：00—14：00。

每只雞在步行道上完成5次視頻采集，從中選取2次步態(tài)相對(duì)自然的步態(tài)數(shù)據(jù)記錄，以消除偶發(fā)應(yīng)激性導(dǎo)致的異常數(shù)據(jù)影響。攝像機(jī)分辨率為1 024像素×768像素，采集頻幀為60 f/s。本實(shí)驗(yàn)采用自然光源以避免外加光源導(dǎo)致的肉雞應(yīng)激反應(yīng)。垂直攝像頭采集的圖像用來(lái)計(jì)算肉雞投影面積；水平攝像機(jī)采集的視頻用來(lái)獲取肉雞的行走速度、步幅、步幅差等動(dòng)態(tài)特征參數(shù)。

1.4 距離標(biāo)定實(shí)驗(yàn)

在本實(shí)驗(yàn)裝置設(shè)定完畢后，分別在攝像頭視野內(nèi)不同的10個(gè)位置(水平位置5個(gè)，豎直位置5個(gè))放置邊長(zhǎng)為100 mm的正四邊形標(biāo)定塊。通過(guò)K值法進(jìn)行距離標(biāo)定實(shí)驗(yàn)。K是物理長(zhǎng)度與像素長(zhǎng)度的比值。在已采集圖像中，求出正四邊形標(biāo)定塊邊長(zhǎng)對(duì)應(yīng)的像素長(zhǎng)度A，標(biāo)定塊實(shí)際邊長(zhǎng)B為100 mm，計(jì)算得出K=B/A，標(biāo)定結(jié)果如表3所示。

表3 標(biāo)定實(shí)驗(yàn)結(jié)果Tab.3 Calibration test results

圖像處理過(guò)程中，像素為最小處理單位，根據(jù)實(shí)驗(yàn)結(jié)果，水平圖像中設(shè)置距離換算標(biāo)準(zhǔn)為1像素對(duì)應(yīng)1.68 mm；豎直圖像中設(shè)置換算標(biāo)準(zhǔn)為1像素對(duì)應(yīng)1.81 mm。

2 動(dòng)態(tài)特征提取

將肉雞步態(tài)視頻按時(shí)間順序轉(zhuǎn)換成圖像序列，將每幀儲(chǔ)存為JPG文件，每幀圖像尺寸為1 920像素×1 080像素。

2.1 圖像預(yù)處理

針對(duì)黃羽肉雞，其雞體各部分毛色差異較大，在RGB圖像中將完整雞體進(jìn)行提取有一定困難。本實(shí)驗(yàn)中，HSV空間下雞體各部分均更易于與背景分離。

本文采用HSV空間對(duì)圖像進(jìn)行處理[11]，實(shí)驗(yàn)中發(fā)現(xiàn)S分量能較好地將肉雞身體與背景分離，但肉雞部分暗色羽毛(如尾部、翅膀等)特征不明顯。而在V分量中能較好地提取暗色羽毛部分，則以S通道為基礎(chǔ)，疊加V通道部分特征，可以取得理想的效果，如圖2所示。

圖2 肉雞步態(tài)序列圖像處理過(guò)程Fig.2 Process of broiler sequence gait image

肉雞場(chǎng)環(huán)境復(fù)雜，無(wú)法通過(guò)背景減差法[12-13]進(jìn)行目標(biāo)提取。本文通過(guò)OTSU算法[14]進(jìn)行自適應(yīng)二值化處理后得到二值圖，如圖2d、2e，并可消除大部分無(wú)關(guān)背景。將二值化后的S、V分量圖重新組合。最后通過(guò)連通域面積閾值過(guò)濾與開(kāi)閉運(yùn)算[15]，填補(bǔ)圖像空隙，消除非必要連通域，得到完整的肉雞圖像，如圖2g所示。

2.2 圖像分割

通過(guò)團(tuán)序列檢測(cè)算法[16]快速將肉雞腿部與身體進(jìn)行分割。逐行遍歷最大的連通域圖像，把每行中不間斷像素組成的序列標(biāo)記為一個(gè)“團(tuán)”，標(biāo)記第i行團(tuán)的起點(diǎn)為Tsi、終點(diǎn)為Tei，每幀圖像團(tuán)序列總長(zhǎng)度計(jì)算公式為

(1)

團(tuán)序列分布圖是以圖像列數(shù)為自變量的離散函數(shù),通過(guò)樣條函數(shù)分段擬合[17]得到樣條曲線,在擬合樣條曲線中通過(guò)極值點(diǎn)識(shí)別到團(tuán)序列變化過(guò)程中的轉(zhuǎn)折點(diǎn)，在該列處以10像素為寬度進(jìn)行圖像分割，從而分離肉雞的身體部分與腿部部分，團(tuán)序列分布如圖3所示，分割結(jié)果如圖4所示。之后對(duì)腿部圖像進(jìn)行轉(zhuǎn)置團(tuán)序列處理，從而實(shí)現(xiàn)將肉雞的兩條腿進(jìn)行分割，方法相同不再贅述。

圖3 肉雞身體團(tuán)序列分割示意圖Fig.3 Schematic diagrams of broiler body segmentation

圖3為針對(duì)圖2g的團(tuán)序列識(shí)別結(jié)果，并識(shí)別出圖像團(tuán)序列函數(shù)的極小值點(diǎn)，即圖3中第418行的團(tuán)序列數(shù)，將此行作為分割點(diǎn)，將413行到423行的數(shù)據(jù)清除，并將0～412行與424～469行的像素?cái)?shù)據(jù)分別進(jìn)行提取，從而實(shí)現(xiàn)肉雞身體與腿部的分離，分割結(jié)果如圖4所示。

圖4 肉雞身體與腿部分離示意圖Fig.4 Diagram of broiler body and leg separation

2.3 質(zhì)心提取

從分離的肉雞身體、前腿、后腿圖像塊中獲得肉雞身體和腿部的質(zhì)心點(diǎn)，作為肉雞步態(tài)關(guān)鍵特征提取基礎(chǔ)。

本文選擇一階矩[18]和零階矩的方法計(jì)算圖像的質(zhì)心，針對(duì)二值圖像，其零階矩M00以及一階矩M01、M10分別為

(2)

(3)

式中V(i,j)——坐標(biāo)點(diǎn)(i,j)的像素值

根據(jù)式(2)、(3)，分別從分離出的雞身、左側(cè)腿、右側(cè)腿圖像中提取其雞身質(zhì)心W、左腳質(zhì)心P和右腳質(zhì)心Q，并將分割圖像重新組合，在原圖中得到W、P、Q3點(diǎn)的坐標(biāo)，如圖5所示。

圖5 肉雞各部分質(zhì)心位置示意圖Fig.5 Schematic diagram of broilers centroid

2.4 肉雞步態(tài)關(guān)鍵特征定義

本文把視頻轉(zhuǎn)換成連續(xù)單幀圖像進(jìn)行處理[19]，以GS[4]為標(biāo)準(zhǔn)，從中提取肉雞行進(jìn)速度、步幅均值、步幅差均值、步頻等典型動(dòng)態(tài)特征，特征定義及描述如表4所示。

表4 關(guān)鍵特征定義及描述Tab.4 Key feature definition and description

其中行走步幅S與步幅差D的計(jì)算公式為

(4)

(5)

式中a——肉雞的腳落地次數(shù)

xa——第a次落地的腳質(zhì)心橫坐標(biāo)

本文中雙腳同時(shí)落地狀態(tài)，指兩腳質(zhì)心y坐標(biāo)相同時(shí)的幀。若相鄰兩次雙腳同時(shí)落地，每只腳質(zhì)心的x坐標(biāo)變化之和不超過(guò)10像素，認(rèn)為是同一步，不進(jìn)行重復(fù)記錄。

3 討論與分析

行進(jìn)速度、步幅均值、步幅差均值是描述肉雞步態(tài)的主要特征量，實(shí)驗(yàn)中發(fā)現(xiàn)GS評(píng)分同一級(jí)別的肉雞，其特征量仍有較大差異，導(dǎo)致GS各級(jí)分類時(shí)容易發(fā)生混淆。AYDIN等[20]的研究發(fā)現(xiàn)特征量差異是由于肉雞之間體積、體重、體型等客觀差異導(dǎo)致的。為消除肉雞個(gè)體之間形態(tài)差異造成的數(shù)據(jù)異常波動(dòng)，需預(yù)先對(duì)動(dòng)態(tài)數(shù)據(jù)進(jìn)行投影處理。

3.1 投影依據(jù)選擇

在二維圖像特征中，隨著肉雞生長(zhǎng)，肉雞身體長(zhǎng)度、寬度會(huì)同步增加，二者均可以作為肉雞體重的關(guān)聯(lián)特征。由于肉雞行走時(shí)，頭、尾部會(huì)產(chǎn)生伸縮狀移動(dòng)，MORTENSEN等[21]基于對(duì)白羽肉雞的研究，認(rèn)為在預(yù)測(cè)肉雞體重時(shí)，肉雞的寬度特征比長(zhǎng)度更加穩(wěn)定。同時(shí)觀察發(fā)現(xiàn)，肉雞羽毛分布情況對(duì)水平投影圖像影響較大；俯視投影圖像中，受羽毛影響較小。

為驗(yàn)證本實(shí)驗(yàn)中反映黃羽肉雞體重情況的最佳變量，選取相同質(zhì)量((1.16±0.02) kg)的健康肉雞59只，測(cè)量其長(zhǎng)度、寬度、俯視投影面積、水平投影面積，實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 肉雞形態(tài)參數(shù)分布Fig.6 Broiler shape parameter distribution

實(shí)驗(yàn)結(jié)果表明，對(duì)于相同質(zhì)量的肉雞，其肉雞體長(zhǎng)、肉雞體寬、水平投影面積、俯視投影面積分布的標(biāo)準(zhǔn)差分別為：35.09 mm、9.63 mm、124.28像素、27.21像素。由此可得出，在衡量肉雞體重的參數(shù)中，肉雞體寬比肉雞體長(zhǎng)更穩(wěn)定，俯視投影比水平投影更穩(wěn)定，與MORTENSEN等的研究一致。

基于上述結(jié)論，本文以肉雞俯視投影面積為依據(jù)對(duì)主要特征量進(jìn)行投影處理，使GS評(píng)分中同級(jí)肉雞的動(dòng)態(tài)特征量更加集中。

3.2 俯視投影面積提取

本文將肉雞俯視投影面積作為動(dòng)態(tài)特征數(shù)據(jù)進(jìn)行投影處理的核心依據(jù)，俯視投影面積提取過(guò)程如下。

3.2.1垂直俯視圖像預(yù)處理

垂直圖像由豎直攝像頭采集。圖像預(yù)處理方法與水平攝像頭相同，采用HSV分量組合的方法，不再贅述。

3.2.2投影圖像橢圓擬合

肉雞俯視投影圖近似紡錘狀，肉雞行走過(guò)程中頭部與尾部有前伸或后縮的動(dòng)作，會(huì)產(chǎn)生圖像的不規(guī)則形狀誤差。為進(jìn)一步提升精確度，需要對(duì)俯視投影圖像進(jìn)行擬合處理。MORTENSEN等[21]在通過(guò)肉雞俯視圖像預(yù)測(cè)肉雞體重時(shí)，使用了“最大內(nèi)切圓”的擬合方法。根據(jù)實(shí)驗(yàn)觀察，年輕肉雞一般體型較長(zhǎng)，年老肉雞體型較圓，此時(shí)“最大內(nèi)切圓”方法對(duì)年輕肉雞預(yù)測(cè)誤差較大。

本文將“最大內(nèi)切圓”優(yōu)化為基于最小二乘法的橢圓擬合方法對(duì)肉雞的俯視投影圖像進(jìn)行處理，橢圓擬合方法考慮了肉雞整體的形態(tài)特征，更好地降低了體型差異導(dǎo)致的誤差，并可以消除肉雞行進(jìn)中頭部尾部晃動(dòng)對(duì)面積計(jì)算的影響。設(shè)平面內(nèi)任意圓錐曲線為

αx2+βxy+ζy2+ηx+φy+λ=0

(6)

式中α、β、ζ、η、φ、λ——橢圓方程參數(shù)

設(shè)Pi(xi,yi)(i=1,2,…,N)為肉雞俯視圖像輪廓上的N(N≥6)個(gè)測(cè)量點(diǎn),依據(jù)最小二乘法原理，目標(biāo)函數(shù)為

(7)

為使f最小，令

解得橢圓系數(shù)α、β、ζ、η、φ、λ，即可得到擬合曲線。特別地，為避免零解，同時(shí)把多倍的解看作同一個(gè)橢圓，設(shè)定制約條件為α+ζ=1。本實(shí)驗(yàn)中使用橢圓擬合改進(jìn)算法[22-23]，結(jié)合本實(shí)驗(yàn)情況，采用如下方案：

(1)在所有樣本點(diǎn)中隨機(jī)選取6個(gè)，用最小二乘法得到橢圓參數(shù)α、β、ζ、η、φ、λ。

(2)遍歷所有樣本點(diǎn)，判斷每個(gè)樣本點(diǎn)和已知橢圓的距離，如果小于15像素，標(biāo)記該點(diǎn)為匹配點(diǎn)。

(3)循環(huán)執(zhí)行步驟(1)、(2)400次，找到匹配點(diǎn)最多的橢圓，其橢圓參數(shù)即為所求參數(shù)，擬合結(jié)果如圖7所示。

圖7 橢圓擬合示意圖Fig.7 Ellipse fitting diagrams

3.2.3橢圓面積計(jì)算

將圓錐曲線一般方程轉(zhuǎn)換為幾何參數(shù)表示，即由橢圓中心(x0、y0)、長(zhǎng)軸長(zhǎng)度δ、短軸長(zhǎng)度ε、長(zhǎng)軸轉(zhuǎn)角θ5個(gè)變量表示。其中δ可近似視為肉雞的身長(zhǎng)，ε可近似視為肉雞胸部寬度，計(jì)算方法為

(8)

由積分公式得出，投影橢圓面積為

H=πεδ

(9)

3.3 數(shù)據(jù)處理

本實(shí)驗(yàn)中，選取健康狀態(tài)(GS0)肉雞61只，采集其步態(tài)信息與擬合橢圓面積共122次(每只2次),以得到肉雞理想動(dòng)態(tài)參數(shù)。數(shù)據(jù)分析結(jié)果如圖8所示。

圖8 肉雞投影面積-動(dòng)態(tài)特征散點(diǎn)圖Fig.8 Scatter plot of broiler projection area and dynamic characteristic

從圖中可以看出，肉雞步幅、速度與擬合橢圓的面積近似呈正相關(guān)關(guān)系。基于本實(shí)驗(yàn)數(shù)據(jù)，擬合得出理想步幅S0、理想速度V0與投影面積H的近似關(guān)系，決定系數(shù)為0.793 5與0.805 1，具有較好的統(tǒng)計(jì)學(xué)意義。為方便統(tǒng)計(jì)，更好地反映動(dòng)態(tài)數(shù)據(jù)偏離正常值的程度，引入步幅異常指數(shù)Su、速度異常指數(shù)Vu、步幅差異常指數(shù)Du，定義為

(10)

(11)

(12)

步幅異常指數(shù)和速度異常指數(shù)等于100表示實(shí)際值與理想值相等的最佳狀態(tài)，速度異常指數(shù)為零表示沒(méi)有步幅差的理想狀態(tài)。異常指數(shù)能反映肉雞動(dòng)態(tài)參數(shù)實(shí)際情況，同時(shí)最大程度消除肉雞個(gè)體形態(tài)學(xué)差異對(duì)數(shù)據(jù)的影響，一定程度上提高判斷算法適應(yīng)性。

3.4 數(shù)據(jù)差異性驗(yàn)證

將不同GS級(jí)別的肉雞平均行進(jìn)速度、步幅均值、步幅差均值與每只肉雞的速度異常指數(shù)、步幅異常指數(shù)、步幅差異常指數(shù)的均值進(jìn)行統(tǒng)計(jì)，得到數(shù)據(jù)如表5所示。

表5 原始特征與異常指數(shù)對(duì)比Tab.5 Comparison between original features and abnormal index

從表5對(duì)比可以看出，通過(guò)異常指數(shù)評(píng)價(jià)肉雞步態(tài)時(shí)，可消除肉雞個(gè)體形態(tài)對(duì)數(shù)據(jù)的影響，并保留原始數(shù)據(jù)中各級(jí)別動(dòng)態(tài)參數(shù)的差異，同時(shí)將差異進(jìn)行更為合理的縮放，使各級(jí)之間區(qū)分更加明顯，特征獨(dú)立性更強(qiáng)。全數(shù)據(jù)異常指數(shù)分布箱線圖如圖9所示。

圖9 異常指數(shù)分布箱線圖Fig.9 Box plot of abnormal index distribution

從以上數(shù)據(jù)可看出，隨著腿部疾病級(jí)別加重，速度、步幅、步頻等數(shù)值總體呈下降趨勢(shì)。特征數(shù)據(jù)中，除GS3與GS4之間速度異常指數(shù)差異較大外，其他各級(jí)別各特征之間數(shù)據(jù)有很大部分的重疊，難以對(duì)個(gè)體數(shù)據(jù)通過(guò)簡(jiǎn)單統(tǒng)計(jì)學(xué)方法進(jìn)行分類。

4 步態(tài)評(píng)分模型

各級(jí)步態(tài)之間數(shù)據(jù)存在一定的統(tǒng)計(jì)學(xué)差異，而這些差異不足以直接作為評(píng)判各個(gè)GS級(jí)別的標(biāo)準(zhǔn)。DAWKINS等[7]的研究表明，速度和加速度等動(dòng)態(tài)參數(shù)與步態(tài)評(píng)分之間沒(méi)有簡(jiǎn)單的聯(lián)系，本文使用C4.5決策樹(shù)模型對(duì)肉雞動(dòng)態(tài)特征異常指數(shù)進(jìn)行訓(xùn)練，并進(jìn)行步態(tài)級(jí)別分類。

4.1 訓(xùn)練參數(shù)

選取速度異常指數(shù)Vu、步幅異常指數(shù)Su、步幅差異常指數(shù)Du作為關(guān)鍵屬性，針對(duì)每只肉雞，把每只肉雞的GS評(píng)分作為評(píng)價(jià)結(jié)果，形成最優(yōu)決策樹(shù)。

訓(xùn)練集組成方式如下：訓(xùn)練集由4列組成，每列依次為X1、X2、X3、Ylable4個(gè)變量,前3列為特征屬性，對(duì)應(yīng)速度異常指數(shù)Vu、步幅異常指數(shù)Su、步幅差異常指數(shù)Du，第4列為標(biāo)簽變量，為肉雞的GS人工評(píng)分結(jié)果，由GS0～GS4表示。數(shù)據(jù)集的每行對(duì)應(yīng)一條訓(xùn)練數(shù)據(jù)。

4.2 算法模型

C4.5決策樹(shù)作為傳統(tǒng)ID3決策樹(shù)的優(yōu)化算法，是使用信息增益率作為分裂屬性指標(biāo)進(jìn)行決斷的[24-25]。

信息熵是度量樣本純度的常用指標(biāo)與計(jì)算信息增益的基礎(chǔ)[26]。若肉雞步態(tài)樣本集合T中，第k類步態(tài)樣本所占比例為pk(k=1,2,3,4,5)，則T的信息熵定義為

(13)

針對(duì)肉雞速度屬性V而言，有M個(gè)不同的取值{V1,V2,…,VM},若使用V屬性對(duì)樣本T進(jìn)行劃分，則會(huì)產(chǎn)生M個(gè)分支點(diǎn)，其中第m個(gè)分支點(diǎn)包括了T中所有在屬性V上取值為Vm的樣本，記為Tm。則信息增益定義為

(14)

(15)

此時(shí)，針對(duì)數(shù)據(jù)集純度提升最高劃分點(diǎn)，信息增益定義為

(16)

信息增益越大，表示按照屬性V進(jìn)行劃分所獲得的“純度增益”越大。當(dāng)分支點(diǎn)過(guò)多時(shí)，取值數(shù)目更多的屬性信息增益將變大，影響分類結(jié)果。使用增益率可以解決這一問(wèn)題[27]，信息增益率定義為

(17)

(18)

屬性V的取值數(shù)目M越多，P(V)的值也會(huì)越大[28]，從而消除取值數(shù)目對(duì)結(jié)果的影響。

4.3 訓(xùn)練過(guò)程

針對(duì)肉雞步態(tài)評(píng)價(jià)方法，以速度、步幅、步幅差等連續(xù)動(dòng)態(tài)屬性為基礎(chǔ)，進(jìn)行決策樹(shù)生成。特別地，步頻是步幅和速度的派生變量，非獨(dú)立變量，不單獨(dú)作為決策樹(shù)生長(zhǎng)的屬性。決策樹(shù)生長(zhǎng)流程如下：

(1)創(chuàng)建根節(jié)點(diǎn)，基于速度、步幅差、步幅等屬性增益率，選擇節(jié)點(diǎn)分裂屬性。

(2)建立新節(jié)點(diǎn)，進(jìn)行數(shù)據(jù)集的劃分。

(3)判斷節(jié)點(diǎn)是否達(dá)到生長(zhǎng)停止條件，如果達(dá)到，決策樹(shù)建立終止；否則重復(fù)步驟(1)、(2)。為防止過(guò)擬合，在本實(shí)驗(yàn)中設(shè)定樣本數(shù)低于5時(shí)，終止遞歸。

(4)用REP后剪枝處理[29]，自下而上處理每個(gè)節(jié)點(diǎn)，直到進(jìn)一步修剪有害為止。修剪過(guò)程如下：①刪除以此節(jié)點(diǎn)為根的子樹(shù)，讓節(jié)點(diǎn)變?yōu)槿~子節(jié)點(diǎn)。②賦予這個(gè)節(jié)點(diǎn)最常見(jiàn)分類，若修剪后驗(yàn)證集的性能未出現(xiàn)降低，正式刪除此節(jié)點(diǎn)，即以葉節(jié)點(diǎn)代替子樹(shù)。

決策樹(shù)生長(zhǎng)流程圖如圖10所示。

圖10 決策樹(shù)生長(zhǎng)流程圖Fig.10 Flow chart of decision tree growth

4.4 訓(xùn)練方法

HENG[30]通過(guò)大量數(shù)據(jù)集、使用不同學(xué)習(xí)技術(shù)進(jìn)行的研究表明，10折交叉驗(yàn)證是可以獲得較好誤差估計(jì)的恰當(dāng)選擇,相比其他驗(yàn)證方式有簡(jiǎn)便高效的優(yōu)勢(shì)。本文采取“十折交叉驗(yàn)證”法將肉雞步態(tài)數(shù)據(jù)集T隨機(jī)分為10個(gè)包，輪流選取其中9個(gè)作為訓(xùn)練數(shù)據(jù)集U，另外1個(gè)包作為測(cè)試數(shù)據(jù)集I。訓(xùn)練結(jié)果如表6所示。

表6 十折交叉法驗(yàn)證結(jié)果Tab.6 10-fold cross validation results

肉雞的步幅差作為新的統(tǒng)計(jì)量首次加入到步態(tài)評(píng)分模型中，對(duì)易混淆級(jí)別的分類準(zhǔn)確度做出了較高貢獻(xiàn)。使用決策樹(shù)C4.5模型識(shí)別的結(jié)果中，GS0～GS2等級(jí)別中分類準(zhǔn)確率分別達(dá)到了66%、71%與74%，彌補(bǔ)了以往GS0～GS2級(jí)別區(qū)分準(zhǔn)確率低的問(wèn)題。

4.5 結(jié)果與分析

4.5.1分類誤差

本研究中在1、7、8、10訓(xùn)練輪次中出現(xiàn)了GS3與GS4中1或2例明顯的錯(cuò)分結(jié)果，經(jīng)調(diào)取原始數(shù)據(jù)研究發(fā)現(xiàn)，在對(duì)肉雞雞體進(jìn)行分割時(shí)，若肉雞步行中因腿部疾病導(dǎo)致身體匍匐在地面行走，某些情況下會(huì)導(dǎo)致團(tuán)序列檢測(cè)錯(cuò)誤，從而發(fā)生錯(cuò)誤分割致使提取到了錯(cuò)誤的動(dòng)態(tài)信息。

從整體測(cè)試結(jié)果來(lái)看，GS3和GS4等極端分值的區(qū)分準(zhǔn)確率仍顯著高于GS0～GS2等級(jí)別。通過(guò)訓(xùn)練結(jié)果的混淆矩陣看出，GS0級(jí)別被誤判為GS1級(jí)別的樣本占到誤判為其他級(jí)別的90.4%，GS1級(jí)別被誤判為GS0級(jí)別的樣本占到誤判為其他級(jí)別的72.6%，說(shuō)明GS0和GS1之間的相互誤判比較高,這是因?yàn)槠洳綉B(tài)特征相近，即使綜合新引入的步幅差變量來(lái)看，GS0和GS1中的樣本也存在很大的重合度。經(jīng)調(diào)查得知，在實(shí)際人工操作中區(qū)分GS0與GS1的依據(jù)是 “輕微缺陷引起的肉雞不均衡步態(tài)”，而這種不均衡不僅體現(xiàn)在本文關(guān)注的肉雞前進(jìn)步態(tài)的水平方向(步幅、步幅差等)，還會(huì)存在于垂直方向[31](左右搖擺等)，針對(duì)垂直方向特征本文暫未做研究。

4.5.2基于分類結(jié)果的肉雞步態(tài)健康預(yù)警

根據(jù)肉雞步態(tài)評(píng)分標(biāo)準(zhǔn)，被評(píng)判為GS0、GS1的狀態(tài)均不會(huì)影響肉雞的生活與其對(duì)資源的爭(zhēng)奪，而GS2～GS5分別表示已經(jīng)對(duì)肉雞健康產(chǎn)生了從輕微到嚴(yán)重的影響[4]。大多數(shù)腿部出現(xiàn)疾病的病雞都會(huì)出現(xiàn)從GS1～GS4逐級(jí)惡化的現(xiàn)象[32]。一般被發(fā)現(xiàn)時(shí)肉雞已經(jīng)達(dá)到GS3及以上的嚴(yán)重病態(tài)，此時(shí)給予治療已經(jīng)效果不佳。

結(jié)合本文方法，對(duì)識(shí)別為GS1與GS2級(jí)別的肉雞分別發(fā)出低級(jí)和高級(jí)疾病預(yù)警；GS3、GS4級(jí)別肉雞發(fā)出一級(jí)、二級(jí)疾病報(bào)告，從而實(shí)現(xiàn)提前發(fā)現(xiàn)肉雞的腿部疾病，并爭(zhēng)取最優(yōu)時(shí)間對(duì)有發(fā)病可能的肉雞實(shí)施預(yù)防和干預(yù)。

5 結(jié)束語(yǔ)

以決策樹(shù)C4.5模型為基礎(chǔ)提出了一種肉雞步態(tài)自動(dòng)定量評(píng)價(jià)方法，基于肉雞步行的理想?yún)?shù)與異常指數(shù)，實(shí)現(xiàn)了對(duì)步態(tài)得分(GS)的預(yù)測(cè)。本文方法對(duì)GS0～GS4評(píng)分的準(zhǔn)確率依次為：66%、71%、74%、98%、95%，整體準(zhǔn)確率為78%。將GS0、GS1、GS2級(jí)別的鑒別準(zhǔn)確率從50%提升到70%左右，為肉雞早期腿部疾病的識(shí)別奠定基礎(chǔ)。