奶山羊行为识别是实现奶山羊智能化、精细化养殖的关键技术之一,通过对奶山羊行为的识别,可以帮助养殖者适时的了解奶山羊的行为变化,从而改善管理方式,降低养殖成本,为提高奶山羊的产奶数量和产奶质量提供基础性数据支持。针对当前利用传感器进行行为识别的过程中存在研究对象个体差异大、传感器技术缺陷、行为识别类别少的问题,本文利用多传感器技术、数据融合技术和基于多传感器的行为识别算法,完成了奶山羊行为分类。本文的主要研究内容如下:(1)奶山羊行为和环境数据的多传感器采集。通过对奶山羊日常生活环境和行为特征的分析,设计了环境监测模块和行为监测模块,并结合Wi-Fi传输数据至上位机和云服务器,实现了奶山羊行为数据和环境数据的采集。同时,通过实验对比分析了设备在6个不同安装位置下奶山羊的应激反应和数据稳定性,确定了背部靠前为最佳采集位置。在数据采集的过程中,利用多传感器和相机同时记录奶山羊行为状况,并通过时间戳对照完成奶山羊行为标记,最终获得36万条被标记数据记录。(2)奶山羊行为数据预处理。通过四元数结合互补滤波的方法实现了奶山羊行为数据融合,获得了去除重力分量的加速度值和姿态角;然后,利用小波滤波对融合后的数据集进行去噪,增强了数据集质量;最后,结合奶山羊行为变化的周期性规律,采用傅里叶级数拟合周期函数的方法完成了奶山羊行为定义。共获得12000组行为数据样本,构成了奶山羊行为数据集,为奶山羊行为分类提供了良好的数据基础。(3)奶山羊行为识别。鉴于奶山羊运动速度快,行为种类多的特点,本文选择研究了基于梯度提升树(GBDT)和基于注意力机制的双向长短期记忆网络(Bi-LSTM)两种不同的行为识别方案。研究了梯度决策树中回归树特征和集成学习策略,建立了行为分类模型,实验表明算法的平均识别准确率为92.4%。该模型对简单行为(卧息、站立)的平均识别率约为93.3%,对复杂行为(圆圈运动、跛行、跳跃)的识别率较差。为了获得更高的奶山羊行为识别率,研究了Bi-LSTM网络,并结合注意力机制建立了行为分类模型,实验表明算法的平均识别准确率为94.8%。该模型在对复杂行为的识别准确率较GBDT模型提高了约6个百分点,由于简单行为的时间依赖性较弱,该模型对简单行为的识别率并没有提高。综合分析可知,深度学习算法在对复杂行为的识别方面较传统的机器学习有着明显的优势,基于注意力机制的Bi-LSTM算法的识别效果基本满足奶山羊行为分类要求,对于时间依赖性弱的行为,识别率有待提高。