基于模塊化神經網絡的豬步態異常訓練方法

吳燕 劉文藝

摘要：近年來，如何在大規模智能化豬飼養中，針對豬口蹄疫這類會造成豬步態異常的豬疾病，實現及時有效的非接觸式早期預警機制已經成為了迫切的需要。本文提出了基于模塊化神經網絡的豬步態異常檢測方法，包括圖像采集及預處理、豬體輪廓的特征提取、PCA特征優化處理，并通過統計數據的預測性神經網絡訓練模型創建及訓練，最終實現步態異常識別測試。

關鍵詞：神經網絡;豬;步態檢測

中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2019）12-0040-02

0 引言

近年來，養豬的規模化水平已經得到了極大的提高。但是，某些豬疾病依舊得不到及時有效的檢測和治療。對于豬口蹄疫這類會造成豬步態異常的豬疾病來說，若不能在該病發生初期撲滅，疫情會迅速擴大蔓延，造成不可收拾的局面。所以在飼養規模日益龐大，精細化程度要求日益提高的今天，如何實現及時有效智能化的步態異常檢測已經成為了迫切的需要。

1 材料與方法

1.1 圖像采集及預處理

通過使用合適的閥值的邊緣檢測算法的應用來找到一個合適的豬體輪廓，在輪廓圖上應用形態學算法，將不相關的像素使用形態學的操作連接起來;其次，清理圖像，移除圖像中不相關的物體，填充所有的內部的缺陷，使用濾波器對圖像除噪聲;最后，將圖像轉換成二進制的圖像，對所獲得的輪廓進行形態學的處理，進而獲得骨架圖。目標輪廓的提取過程如圖1所示。

1.2 豬體輪廓的橢圓擬合

本文利用橢圓擬合對豬體和四肢進行定位擬合，利用關節分類的辦法將豬的身體以及四肢的每一小節進行切割分塊，并用橢圓對每一部分建模，豬體輪廓橢圓擬合結果如圖2所示。根據橢圓擬合結果，得到頭部、軀體、前肢以及后肢四個橢圓;根據切割分塊得到的四個橢圓分別提取出頭部傾斜角度是θ1，前后肢傾斜角度是θ2和θ3，軀體的傾斜角度是θT。步幅是L，重心的表示是C。

根據切割分塊得到的四個橢圓分別提取出頭部傾斜角度是θ1，前后肢傾斜角度是θ2和θ3，軀體的傾斜角度是θT，豬體切割成四個橢圓的傾斜角度示意圖見圖3。步幅是L，重心的表示是C，所以二維的豬體模型的表示形式是：

F={θ1，θ2，θ3，θT，L，C}。

1.3 PCA特征優化處理

PCA的目標是尋找（） 個新變量，這幾個新的變量技能夠發映出事物的主要特征，又能夠盡可能的壓縮原始數據的數據量。通過PCA運算之后的每一個新變量都是原有變量的線性組合，能夠體現原有變量的綜合效果，具有一定的實際含義。這個新變量就稱為“主成分”，它們可以在很大程度上反映原來n個變量的影響，并且這些新變量是互不相關且正交的。通過PCA特征優化處理，壓縮原始數據空間，將多元數據的特征在低維空間里直觀地表示出來。

利用PCA的降維運算，將數據的維數從R N降到R 3，具體的PCA分析步驟如下：（1）樣本的協方差矩陣S;（2）計算出S的本征向量e1，e2，…，eN的本征值，并且將其按照從大到小的順序排列;（3）經過投影運算，使得數據可以在三維空間中展示為云狀的點集。

2 數據與分析

2.1 統計數據的預測性神經網絡訓練模型創建及訓練

分別隨機選取經過PCA處理的30組正常行走和30組步態異常行走步態序列，作為輸入層數據，采用多組正常行走和異常步態分別進行神經網絡的訓練，使得建立好的模型能夠有效的識別出輸入數據的相關性。

以步態序列作為網絡輸入，對應的步態序列屬于正常或者異常作為輸出，采用多組正常行走和異常步態的訓練集分別進行神經網絡的訓練，再對訓練過后的神經網絡輸入測試數據集，判別該測試集步態是否屬于異常行走。以建模點樣點值進行網絡訓練，確定神經網絡的各項參數。為了防止人工神經網絡的過擬合問題，本文對周期性的統計數據進行預測性神經網絡的訓練模型建立，使用動量進行反向傳播。這些神經元都配備TAN-SIGMOID激活功能。性能的表示就是均方誤差，傾斜率是0.65，動量常數是0.6，每個神經元的隱藏層是30，通過編程搜索確定擴展常數和隱層節點的最優組合。

2.2 通過訓練模型檢測輸入的步態序列是否屬于異常行走

將正常行走和異常行走的數據分作訓練數據和測試數據，其中80%作為訓練數據源，輸入該測試平臺用于訓練模型;剩下的20%作為測試數據，優化調整模型，通過交叉驗證得到最終檢測平臺。

3 結語

本文提出了一種基于模塊化神經網絡的豬步態異常檢測方法，包括采集實驗所需要的視頻樣本;截取視頻樣本獲得連續目標幀，并對目標幀進行預處理;通過計算步長和行走相關角度來分析肢體的行為，建立豬的行走的步態特征參數序列;通過主成份分析對提取出來的特征進行優化處理，提取特征序列;利用模塊化神經網絡建立關于正常行走和異常步態特征序列的訓練模型，通過該訓練模型檢測輸入的步態序列是否屬于異常行走。本發明可以有效的識別出豬的異常行走，例如豬的跛腳行走，前肢疾病，外傷引起的前肢不穩行走等異常行走，為實現大規模智能化的養豬業提供良好的基礎。

參考文獻

[1] 蔣偉.基于步態識別的移動設備身份認證模型[J].電子科技大學學報，2019（02）：114-119.

[2] 張加加.基于CNN與SVM融合的步態識別方法[J].中國計量大學學報，2019（01）：71-77.

[3] 何燦隆.基于加速度傳感器的肉雞步態檢測方法研究與實現[J].南京農業大學學報，2019（02）：181-188.

[4] 蓋良良.表面肌電信號單通道盲源分離的研究[D].太原科技大學，2012.

Training Method of? Pig Gait Abnormality Based on Modular Neural Network

WU Yan，LIU Wen-yi

（Jiangsu Vocational College Agricul Ture and Forestry，Zhenjiang? Jiangsu? 212400）

Abstract：In recent years， it has become an urgent need to implement a timely and effective non-contact early warning mechanism for foot-and-mouth disease， which can cause abnormal gait in large-scale intelligent pig feeding. In this paper， a method of pig gait anomaly detection based on modular neural network is proposed， which includes image acquisition and preprocessing， feature extraction of pig body contour， PCA feature optimization. Finally， the gait anomaly recognition test is realized through the establishment and training of predictive neural network training model of statistical data.

Key words：neural network;pig;gait detection