"""
生猪可穿戴行为识别装置研发
1. 研究背景及意义
1.1 生猪养殖现状
1.1.1 生猪养殖的规模化与集约化
- 随着我国经济的快速发展，生猪养殖业也经历了从分散养殖到规模化、集约化养殖的转变。
- 规模化养殖不仅提高了养殖效率，但也带来了养殖管理的新挑战。
- 传统的人工巡查和经验判断方法已经无法满足对生猪行为的准确监测和分析的需求。
1.1.2 智能养殖的发展趋势
- 智能养殖成为养殖业发展的必然趋势，利用信息技术提高养殖效率和动物福利。
- 精准化养殖模式需要对生猪行为进行实时监测和分析，为养殖者提供更准确实时的数据支持。
- 推动我国生猪养殖向智能化和现代化方向发展成为目标，研究开发可穿戴行为识别装置成为关键。
1.2 研究意义
1.2.1 提高养殖效率
- 通过监测生猪进食和饮水的频率和量，可以及时调整饲料供给，优化饲养管理。
- 生猪躺卧的持续时间能够反映其舒适度和健康状态，有助于评估养殖环境的适宜性。
- 提高养殖效率，增加养殖者收入，实现可持续发展。
1.2.2 保障动物福利
- 监测生猪行为有助于了解其健康状况，为养殖者提供科学依据，保障动物福利。
- 精准化的养殖管理可以减少生猪的应激反应，提高其生活品质。
- 促进人与动物和谐共处，符合社会对动物福利的关注和期待。
1.3 研究目标
1.3.1 研发可穿戴行为识别装置
- 设计一款基于加速度传感器的固定于猪颈部的行为识别装置，实现对生猪日常行为的数据采集。
- 采用模块化设计理念，选用了以MPU6050为核心的六轴姿态传感器，满足低功耗且响应速度快的需求。
- 实现复杂环境下的稳定数据采集，并且可以通过蓝牙接收和传输数据。
1.3.2 建立行为识别算法
- 对采集到的数据处理后采用机器学习算法对生猪行为进行分类。
- 设计基于机器学习的行为识别算法，包括K-means聚类和SVM算法，实现高准确性的生猪行为识别。
- 实验结果表明，该算法能够在实际应用中实现高准确性的生猪行为识别。
2. 国内外研究现状
2.1 行为识别研究方法
2.1.1 计算机视觉技术
- 利用目标检测等技术开展基于计算机视觉的奶牛采食行为识别，实现对生猪进食、饮水行为的识别。
- 通过使用CCD相机结合图像识别技术，能够准确地识别生猪的饮水行为，准确率可达92%。
2.1.2 传感器识别技术
- 利用三轴加速度传感器和无线传感网络的实时监测系统，结合K值聚类算法识别母猪躺卧、饮食、筑窝等行为。
- 设计包括RFID的基于多传感器的放舱猪舍，通过RFID电子标签建立猪档案，称重、温湿度传感器对猪生长情况进行监控。
2.2 可穿戴技术研究进展
2.2.1 基于传感器的行为识别系统
- 使用可穿戴惯性传感器的行为识别系统来改进养殖过程，通过加速度计和速度传感器识别蛋鸡特定行为。
- 将加速度传感器与蓝牙模块固定在猪颈部，采集行为特征，对生猪行为进行识别。
2.2.2 智能穿戴设备在其他领域的应用
- 传感器、蓝牙、移动通信的手表实现智能健康监测。
- 将六轴加速度传感器布置在山羊羊角，对其六轴加速度数据进行采集，对山羊的行为进行识别。
3. 研究内容
3.1 行为信息获取装置研发
3.1.1 传感器选型
- 选择精度合适的六轴加速度姿态传感器MPU6050和蓝牙模块HC-05。
- 采用模块化设计理念，满足低功耗且响应速度快的需求。
3.1.2 硬件电路布局
- 根据所需记录的生猪个体行为指标进行设计行为信息获取装置的尺寸大小、佩戴方式、硬件电路布局。
- 采用C 编程语言编写代码实现各模块功能，设计出外形、大小、重量合适的行为信息获取装置。
3.1.3 数据采集与传输
- 通过设计PCB将各个硬件模块整合，实现能够长时间、低功耗感知生猪日常活动行为的加速度。
- 通过蓝牙无线接收和传输，获取并分析一系列反映其行为变化的数据。
3.2 基于机器学习的生猪行为识别算法
3.2.1 数据预处理
- 对采集到的行为数据集进行数据预处理，包括数据清洗、归一化处理、数据划分和特征提取。
- 采用MATLAB和Python编写代码，得到可视化结果，通过对比分析二者的优越性和不足之处。
3.2.2 算法设计
- 基于K-means聚类算法和SVM分类器进行算法设计，建立行为识别模型。
- 通过综合考虑生猪多行为变化规律，确定生猪行为识别算法。
4. 技术路线
4. 技术路线
####4.1 生猪日常行为分析
- 对生猪日常行为特征作了详细描述和分析，主要分析生猪站立、行走、躺卧、进食四种日常行为。
- 阐述了生猪不同行为对应姿态角，包括俯仰角、偏航角、横滚角的变化及其变化对应的生猪健康状态等。
4.2 行为信息获取装置研发
- 根据养殖场管理者的现实需求，确定基于传感器技术的设计方案。
- 进行硬件电路布局和硬件开发，通过设计PCB将各个硬件模块整合，采用C 编程语言编写代码实现各模块功能。
4.3 基于机器学习的生猪行为识别算法
- 对采集到的行为数据集进行数据预处理，包括数据清洗、归一化处理、数据划分和特征提取。
- 分别基于K-means聚类算法和SVM分类器进行算法设计，建立行为识别模型。
5. 结论与展望
5. 结论与展望
####5.1 研究成果总结
- 成功研发了基于传感器的可穿戴行为识别装置，实现了对生猪行为的实时监测和分析。
- 建立了基于机器学习的行为识别算法，包括K-means聚类和SVM分类器，实现了高准确性的生猪行为识别。
5.2 未来展望
- 进一步提高装置的稳定性和耐用性，满足长时间、高精度的监测需求。
- 优化算法设计，提高识别准确率，适应更多生猪行为类型的识别。
- 拓展应用范围，将装置应用于其他家畜的行为监测，为养殖业提供更多科学依据和技术支持。
