基于运动学三维坐标预测奶牛的运动能力

《Smart Agricultural Technology》：Predicting dairy cow locomotion ability based on kinematic 3D coordinates

基于动力学数据和LSTM模型预测奶牛跛行评分的研究。通过数据增强和不同归一化策略，模型在测试集上达到96%准确率，但需扩大评分范围以提升早期异常检测能力。

　　本研究旨在解决奶牛早期跛行检测的难题。传统上，奶牛的跛行评估依赖于视觉评分法，这种方法虽然无创且成本较低，但需要经过专业培训的人员进行操作，且难以实现对动物的持续监测。因此，本研究提出了一种基于运动学数据和机器学习技术的自动化检测方法，以提高检测效率和准确性。通过收集12头荷斯坦奶牛在四周内的运动学数据，并采用数据增强策略，研究团队构建了一个长短期记忆神经网络（LSTM）模型，该模型在测试集上实现了高达0.96的准确率、精确率、召回率和F1分数，显示出良好的预测能力。

研究采用了一种系统的数据采集方法。在实验过程中，研究人员使用了反射性球形标记物，这些标记物被安装在奶牛身体的20个解剖位置上，以捕捉完整的运动数据。通过这些标记物，可以获取奶牛在行走过程中的三维坐标数据，从而更全面地分析其运动模式。实验设备包括六台高性能摄像头，这些摄像头被布置在7米长的通道两侧，确保在记录过程中至少有两台摄像头能够覆盖奶牛的运动轨迹。每天开始录像前，研究团队都会对整个系统进行校准，以确保数据的准确性。

为了保证评分的客观性和一致性，研究人员使用了一个经过训练的观察员，依据五分制的数值评分系统（NRS）对每段视频进行评分。该系统从1（健康牛）到5（严重跛行牛）进行评分，每个分数之间间隔0.5。观察员在评分前经过严格的培训，确保其评分的可靠性和一致性。在评分过程中，视频被随机排列，评分人员无法得知奶牛的身份或视频录制的日期，以避免主观偏见。

数据处理阶段，研究团队对原始数据进行了清洗，以去除无效或缺失的数据。由于某些情况下，标记物可能会被遮挡、重叠或因视频模糊而无法准确追踪，这些缺失值被替换为零，以保持数据的一致性。为了统一数据格式，研究团队还对不同长度的运动轨迹进行了零填充处理，使其与最长的轨迹长度保持一致。此外，为了确保数据的平衡性，研究团队还移除了少数样本数量不足的类别，例如NRS评分为1.5和4的记录，以避免因样本数量过少而影响模型的训练效果。

在数据增强方面，研究团队采用了添加高斯噪声和随机位移的方法，以增加训练数据的多样性。这些增强策略被应用于不同比例的数据集，包括1%、2.5%、5%、7.5%和10%的噪声和位移变化。通过这种方式，研究团队生成了更多的训练样本，从而提高了模型的泛化能力。数据增强后，所有数据被划分为训练集（75%）和测试集（25%），并采用两种不同的数据标准化方法：标准化（均值为0，标准差为1）和最小-最大标准化（范围为0到1）。结果显示，采用标准化方法的模型在所有评估指标上均优于最小-最大标准化方法，尤其是在测试集上的表现更为突出。

在模型构建方面，研究团队使用了LSTM神经网络，这是一种适用于处理序列数据的模型，能够捕捉奶牛行走过程中时间相关的运动特征。模型结构包括四个LSTM层，每层使用tanh激活函数，并分别配置了8、16、32和16个单元。在每个LSTM层之后，研究团队添加了Dropout层和批量归一化层，以防止过拟合并提高模型的稳定性。最终的LSTM层后接一个密集层（使用ReLU激活函数）和一个预测层（使用softmax激活函数），共有四个输出单元，分别对应NRS的四个评分等级。模型在不同的数据增强比例下进行了训练，研究团队还采用了早停机制，以防止模型在训练过程中陷入局部最优。

实验结果显示，随着数据增强比例的增加，模型的训练损失逐渐上升，而训练准确率则相应下降。然而，对于测试集而言，标准化方法下的模型在1%的随机变化时表现最佳，测试准确率达到0.96（标准差为0.03），精确率、召回率和F1分数均接近这一水平。相反，使用最小-最大标准化方法的模型在所有指标上均表现较差，尤其是在测试集上的准确率显著下降。这表明，标准化方法在处理运动学数据时更为有效，能够更好地保留数据的原始特征，从而提高模型的预测性能。

本研究的成果为奶牛跛行检测提供了一种新的技术手段。通过结合运动学数据和机器学习模型，研究团队成功开发了一个能够预测奶牛不同跛行程度的系统。这一方法不仅提高了检测的效率，还减少了对人工评分的依赖，从而降低了成本和误差。此外，模型的高准确率表明，运动学数据能够有效反映奶牛的行走状态，为农场管理者提供了更为可靠的数据支持。

然而，研究团队也指出了当前方法的一些局限性。首先，数据量相对较小，可能限制了模型对不同奶牛个体之间运动模式变化的适应能力。其次，数据增强过程中引入的噪声和位移变化虽然有助于提高模型的泛化能力，但也可能带来一些不真实的运动特征，影响模型的准确性。因此，未来的研究需要进一步扩大数据集的规模，包括更多奶牛个体和更广泛的跛行评分范围，以提高模型的适用性和鲁棒性。

本研究的成果具有重要的实际应用价值。在奶牛养殖过程中，早期发现跛行不仅可以提高奶牛的福利水平，还能减少因跛行导致的经济损失。通过自动化检测系统，农场可以更高效地监测奶牛的健康状况，及时采取干预措施，防止跛行问题的恶化。此外，这一技术手段还可以为奶牛养殖管理提供数据支持，帮助管理者优化饲养环境和健康监测方案。

总的来说，本研究展示了基于运动学数据和机器学习技术在奶牛跛行检测中的潜力。通过构建一个高效的LSTM模型，研究团队成功实现了对奶牛不同跛行程度的预测，并验证了标准化数据处理方法在提升模型性能方面的有效性。未来的研究需要进一步优化数据采集和处理流程，扩大数据集的规模，并探索更多机器学习技术的应用，以提高检测的准确性和实用性。此外，研究团队还建议在实际农场环境中进行更多的验证测试，以确保模型的泛化能力和稳定性。通过这些努力，自动化检测系统有望成为奶牛健康监测的重要工具，为提高奶牛福利和农场经济效益提供有力支持。