基于耳标加速度计的放牧牛轻量化行为分类与发情检测方法研究

《Smart Agricultural Technology》：Lightweight On-animal Behavior Classification and Estrus Detection in Grazing Cattle via Ear-tag Accelerometers

本研究针对放牧牛群发情期检测效率低下的问题，开发了一种基于耳标三轴加速度计的轻量化、可部署管道。该研究通过深度学习模型精准分类核心牛只行为，并利用个体化行为基线偏差特征，结合正则化逻辑回归模型实现发情概率预测。在四个月实地试验中，该方法展现出高精度（平均精确度0.967，召回率0.917），为粗放式放牧系统提供了可扩展、低基础设施需求的自主繁殖监测解决方案。

　　

在现代化的畜牧业管理中，精准掌握牲畜的生理状态是提升繁殖效率和优化群体管理的关键。其中，牛只的发情（estrus）检测尤为重要，及时识别发情期可以显著提高人工授精的成功率，缩短空怀期，从而提升整体繁殖效率。然而，在粗放式放牧系统中，牛群空间分布广泛，传统的直接观察方法不仅劳动强度大，而且容易出错，难以实现持续、精准的监测。随着微机电系统（MEMS）技术的发展，特别是集成惯性测量单元（IMU）的低功耗三轴加速度计，为远程、自动化的牲畜行为识别提供了新的可能。这些传感器通常嵌入耳标、颈圈或腿部设备中，在成本、鲁棒性和电池寿命之间取得了良好平衡。尽管已有研究利用此类设备进行行为分类，并进一步推断发情等生理事件，但在广阔的放牧环境中，实现高效、准确且低功耗的发情检测仍面临挑战。例如，现代高产奶牛的发情外部征兆往往更少、更短暂，尤其在热应激等条件下，检测难度进一步增加。此外，现有系统多针对圈养奶牛开发，在放牧肉牛系统中的验证和应用相对有限。

为了应对这些挑战，由Reza Arablouei、Brendan Do、Neil Bagnall、Jody Mcnally、Greg Bishop-Hurley和Aaron Ingham组成的研究团队，在CSIRO Data61的领导下，开展了一项创新性研究，旨在开发一种轻量级的、可直接在耳标上或边缘设备部署的管道，用于放牧牛的行为分类和发情检测。这项研究发表在《Smart Agricultural Technology》期刊上。

研究人员为开展此项研究，主要采用了以下几项关键技术方法：首先，在澳大利亚新南威尔士州阿米代尔的CSIRO Chiswick研究站进行了为期约四个月的实地试验，对象为33头安格斯（Angus）肉牛。所有牛只均佩戴了集成三轴加速度计的智能耳标（CERES RANCHER耳标），以50 Hz的采样率持续收集原始加速度数据。同时，通过日间录像并结合定制应用程序，对牛只的“采食（grazing）”、“反刍（ruminating）”、“休息（resting）”、“行走（walking）”和“其他（other）”这五类核心行为进行了人工标注，为模型训练提供了17,210个有效的数据实例（每个实例为256个连续采样点，约5.12秒数据）。发情事件的真实值（ground truth）则通过尾根部的Kamar Heatmount Detector（热敏探测器）结合次日早晨采集的血液样本进行孕酮（progesterone, P₄）测定来确认，将P₄≤ 1 ng/mL的牛只当日判定为发情日。此外，为了增加发情事件样本，研究还通过注射前列腺素F_2α（PGF_2α）类似物（氯前列醇）进行了激素同步发情处理。

3. 行为分类

研究人员设计了一种新颖的轻量级深度学习模型用于牛只行为分类。该模型架构结合了深度wise时间卷积、残差连接和绝对均值池化（mean-absolute pooling）等技术，能够高效处理原始三轴加速度计数据。其核心创新点包括使用约束卷积层（cconv）来抑制重力（DC）分量，以及模块化的残差块（BN-tanh-conv blocks）来逐步提取特征。模型最终输出一个87维的特征向量，再通过一个浅层多层感知机（MLP）进行分类。该模型非常紧凑，仅包含5,422个参数（约21.7 KB内存占用），计算量为486,566 FLOPs（每秒浮点运算次数）。在nRF52840（ARM Cortex-M4F微控制器）上的实际部署表明，单次推理（处理256个样本点）延迟仅约29.6毫秒，非常适合在资源受限的耳标上运行。通过五折分层交叉验证（CV）评估，该模型在整体行为分类上达到了88.47%的马修斯相关系数（MCC），尤其在“采食”（MCC 95.60%）和“反刍”（MCC 87.78%）行为上表现出色，证明了其高效性和准确性。

4. 发情检测

在行为分类的基础上，研究构建了发情检测管道。首先，将行为分类模型的预测结果按天（00:00至24:00）聚合成每头牛每日在“采食”、“反刍”、“休息”、“行走”四种行为上所花费的时间（小时）。为了消除个体差异和缓慢的时间趋势，为每头牛、每种行为建立了一个动态基线。该基线采用因果滑动窗口计算，即对于某一天，取其前14个有效日历日的行为持续时间，剔除最大值和最小值后计算修剪均值（trimmed mean）作为该日的基线。随后，将当日观察到的行为持续时间与基线值的偏差作为发情检测的特征。最终，使用L2正则化逻辑回归（LogReg）模型将这些特征映射到每日的发情概率。模型评估采用了1,000次重复的五折分层交叉验证。结果显示，该方法在发情检测上表现优异：在最优决策阈值（τ=0.6232）下，平均精确度（precision）达到96.70%，召回率（recall）为91.72%，F1分数（F1 score）为94.14%，特异性（specificity）为99.81%，马修斯相关系数（MCC）为93.84%。接收者操作特征曲线下面积（ROC-AUC）和精确度-召回率曲线下面积（PR-AUC）分别高达0.9985和0.9812，表明模型具有极强的区分能力和良好的校准度。

5. 讨论与结论

研究讨论部分深入分析了该方法的优势与局限性。与基于固定阈值的启发式规则相比，所提出的数据驱动逻辑回归模型能更好地捕捉个体差异和行为的复杂变化，性能更稳定。选择逻辑回归模型是因为其系数具有可解释性，能清晰展示每种行为偏差对发情概率的影响（例如，发情日通常表现为行走增加、反刍减少），同时模型计算效率高，适合嵌入式部署。然而，研究也指出了若干局限性：数据偶尔中断或耳标脱落导致部分发情事件数据不可用；当前系统基于每日汇总特征，无法提供日内发情 onset 时间；激素同步发情事件可能影响自然发情周期模式；以及模型在其它牛群品种、管理方式和硬件上的泛化能力有待进一步验证。

尽管存在这些局限，这项研究的意义重大。它成功地证明，利用低成本耳标加速度计捕捉的细微但系统性的行为变化，可以可靠地预测放牧牛的发情状态。所提出的端到端管道轻量、高效，兼容在耳标上或边缘设备直接部署，为粗放式放牧系统实现规模化、低基础设施依赖的自主繁殖监测提供了切实可行的技术方案。这不仅有助于降低劳动力成本，实现精准干预，提升牛群繁殖效率，也对提高畜牧业整体生产效率和可持续性具有积极的推动作用。未来研究方向包括融合其他传感器数据（如GNSS定位、温度）、探索半监督学习以减少对标注数据的依赖、开发自适应阈值技术以及将该框架扩展到妊娠诊断、分娩 timing 监测等其他繁殖健康端点。