基于模块化神经网络的猪步态异常训练方法
来源:用户上传
作者:
摘要：近年来，如何在大规模智能化猪饲养中，针对猪口蹄疫这类会造成猪步态异常的猪疾病，实现及时有效的非接触式早期预警机制已经成为了迫切的需要。本文提出了基于模块化神经网络的猪步态异常检测方法，包括图像采集及预处理、猪体轮廓的特征提取、PCA特征优化处理，并通过统计数据的预测性神经网络训练模型创建及训练，最终实现步态异常识别测试。
关键词：神经网络;猪;步态检测
中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2019）12-0040-02
0 引言
近年来，养猪的规模化水平已经得到了极大的提高。但是，某些猪疾病依旧得不到及时有效的检测和治疗。对于猪口蹄疫这类会造成猪步态异常的猪疾病来说，若不能在该病发生初期扑灭，疫情会迅速扩大蔓延，造成不可收拾的局面。所以在饲养规模日益庞大，精细化程度要求日益提高的今天，如何实现及时有效智能化的步态异常检测已经成为了迫切的需要。
1 材料与方法
1.1 图像采集及预处理
通过使用合适的阀值的边缘检测算法的应用来找到一个合适的猪体轮廓，在轮廓图上应用形态学算法，将不相关的像素使用形态学的操作连接起来;其次，清理图像，移除图像中不相关的物体，填充所有的内部的缺陷，使用滤波器对图像除噪声;最后，将图像转换成二进制的图像，对所获得的輪廓进行形态学的处理，进而获得骨架图。目标轮廓的提取过程如图1所示。
1.2 猪体轮廓的椭圆拟合
本文利用椭圆拟合对猪体和四肢进行定位拟合，利用关节分类的办法将猪的身体以及四肢的每一小节进行切割分块，并用椭圆对每一部分建模，猪体轮廓椭圆拟合结果如图2所示。根据椭圆拟合结果，得到头部、躯体、前肢以及后肢四个椭圆;根据切割分块得到的四个椭圆分别提取出头部倾斜角度是θ1，前后肢倾斜角度是θ2和θ3，躯体的倾斜角度是θT。步幅是L，重心的表示是C。
根据切割分块得到的四个椭圆分别提取出头部倾斜角度是θ1，前后肢倾斜角度是θ2和θ3，躯体的倾斜角度是θT，猪体切割成四个椭圆的倾斜角度示意图见图3。步幅是L，重心的表示是C，所以二维的猪体模型的表示形式是：
F={θ1，θ2，θ3，θT，L，C}。
1.3 PCA特征优化处理
PCA的目标是寻找（） 个新变量，这几个新的变量技能够发映出事物的主要特征，又能够尽可能的压缩原始数据的数据量。通过PCA运算之后的每一个新变量都是原有变量的线性组合，能够体现原有变量的综合效果，具有一定的实际含义。这个新变量就称为“主成分”，它们可以在很大程度上反映原来n个变量的影响，并且这些新变量是互不相关且正交的。通过PCA特征优化处理，压缩原始数据空间，将多元数据的特征在低维空间里直观地表示出来。
利用PCA的降维运算，将数据的维数从R N降到R 3，具体的PCA分析步骤如下：（1）样本的协方差矩阵S;（2）计算出S的本征向量e1，e2，…，eN的本征值，并且将其按照从大到小的顺序排列;（3）经过投影运算，使得数据可以在三维空间中展示为云状的点集。
2 数据与分析
2.1 统计数据的预测性神经网络训练模型创建及训练
分别随机选取经过PCA处理的30组正常行走和30组步态异常行走步态序列，作为输入层数据，采用多组正常行走和异常步态分别进行神经网络的训练，使得建立好的模型能够有效的识别出输入数据的相关性。
以步态序列作为网络输入，对应的步态序列属于正常或者异常作为输出，采用多组正常行走和异常步态的训练集分别进行神经网络的训练，再对训练过后的神经网络输入测试数据集，判别该测试集步态是否属于异常行走。以建模点样点值进行网络训练，确定神经网络的各项参数。为了防止人工神经网络的过拟合问题，本文对周期性的统计数据进行预测性神经网络的训练模型建立，使用动量进行反向传播。这些神经元都配备TAN-SIGMOID激活功能。性能的表示就是均方误差，倾斜率是0.65，动量常数是0.6，每个神经元的隐藏层是30，通过编程搜索确定扩展常数和隐层节点的最优组合。
2.2 通过训练模型检测输入的步态序列是否属于异常行走
将正常行走和异常行走的数据分作训练数据和测试数据，其中80%作为训练数据源，输入该测试平台用于训练模型;剩下的20%作为测试数据，优化调整模型，通过交叉验证得到最终检测平台。
3 结语
本文提出了一种基于模块化神经网络的猪步态异常检测方法，包括采集实验所需要的视频样本;截取视频样本获得连续目标帧，并对目标帧进行预处理;通过计算步长和行走相关角度来分析肢体的行为，建立猪的行走的步态特征参数序列;通过主成份分析对提取出来的特征进行优化处理，提取特征序列;利用模块化神经网络建立关于正常行走和异常步态特征序列的训练模型，通过该训练模型检测输入的步态序列是否属于异常行走。本发明可以有效的识别出猪的异常行走，例如猪的跛脚行走，前肢疾病，外伤引起的前肢不稳行走等异常行走，为实现大规模智能化的养猪业提供良好的基础。
参考文献
[1] 蒋伟.基于步态识别的移动设备身份认证模型[J].电子科技大学学报，2019（02）：114-119.
[2] 张加加.基于CNN与SVM融合的步态识别方法[J].中国计量大学学报，2019（01）：71-77.
[3] 何灿隆.基于加速度传感器的肉鸡步态检测方法研究与实现[J].南京农业大学学报，2019（02）：181-188.
[4] 盖良良.表面肌电信号单通道盲源分离的研究[D].太原科技大学，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
转载注明来源:https://www.xzbu.com/8/view-15141141.htm
