针对奶牛行为判别自动化水平不足、准确率低的问题,采用惯性测量单元(IMU)和卷积神经网络(CNN),对细粒度奶牛行为判别进行研究.结果表明:1)在KNN、SVM、BPNN、CNN和LSTM 5个模型中,CNN模型在奶牛行为分类测试集上的准确率最高.2)含有三轴加速度计、陀螺仪和磁力计的IMU更加适用于奶牛行为分类,其分类效果优于含一种传感器的IMU.3)传感器频率与分类模型的性能相关,频率越高,正确率越高,当传感器频率设置为25 Hz时,奶牛行为判别效果最好.4)在1、2和4 s这3种时间窗中,使用4 s时间窗的奶牛行为分类模型性能最好.5)采用最优配置时,卷积神经网络模型能够有效的判别奶牛站立、躺卧2种状态,正确率为99％;可以对奶牛卷食、咀嚼、站立反刍、躺卧反刍、躺卧休息、站立休息6类行为进行判别,正确率为85％.采用IMU和卷积神经网络算法,可以有效的对细粒度奶牛行为进行判别,为奶牛养殖的自动化、智能化管理提供支撑.

奶牛;行为判别;卷积神经网络;IMU

中国农业科学院农业信息研究所/农业农村部农业大数据重点实验室,北京100081

[1]程国栋;吴建寨;邢丽玮;朱孟帅;张建华;韩书庆-.基于IMU的细粒度奶牛行为判别)[J].中国农业大学学报,2022(04):179-186

IMU,细粒度,牛行,行为判别,自动化水平,用惯,惯性测量单元,KNN,BPNN,行为分类,测试集,三轴加速度计,陀螺仪,磁力计,分类效果,分类模型,时间窗,模型性能,最优配置,卷积神经网络模型,站立,躺卧,咀嚼,反刍,休息,神经网络算法,奶牛养殖,智能化管理

0.241944