论文部分内容阅读
摘要 提出了应用一种基于三轴加速度与人工神经网络结合的快速鉴别奶牛采食行为的方法，采集了5头牛3个位置共9 000组数据样本，在30 min内采集了1头牛3个位置的1 800组三轴加速度数采食行为数据，经过savitzky-golay平滑和小波降噪处理后，对数据进行分析。以奶牛采食行为的三轴X、Y、Z轴上的加速度和三轴加速度和Vector sum自以为网络输入，行为类别作为输出，建立3层LMBP神经网络模型。每头奶牛的每个位置的3个行为各取100组样本数据，共300组样本数据用于建模，20个样本数据共60组样本数据用于预测。该研究所建立的LMBP神经网络模型的迭代次数为5 000次。在3个位置中，其中在奶牛鼻子部位的识别率最好且最稳定，对奶牛的3种行为的识别率平均达到了91.04%、92.89%、98.00%。结果显示，基于三轴加速度和人工神经网络的奶牛采食行为鉴别模型可以有效地监测奶牛的采食行为，且经过预处理后的三轴加速度可以提高奶牛采食行为的鉴别效率，为其他动物的采食行为鉴别提供了一种新的思路方法。
关键词 三轴加速度;人工神经网络;采食行为鉴别;小波降噪
中图分类号 TP183 文献标识码 A 文章编号 0517-6611（2020）18-0231-04
Abstract A fast method based on the combination of triaxial acceleration and artificial neural network was proposed to identify feeding behavior of cows. A total of 9 000 data samples were collected from 5 cows at 3 locations.1 800 sets of triaxial acceleration degree feeding behavior data were collected from 3 positions of 1 cow within 30 min. After savitzkygolay smoothing and wavelet noise reduction， the data were analyzed. The threelayer LMBP neural network model was established by taking the acceleration on the triaxis X， Y and Z of cow feeding behavior， triaxis acceleration and Vector sum as network input and behavior category as output. For the three behaviors of each position of each cow， 100 sets of sample data were taken， a total of 300 sets of sample data were used for modeling， and 20 sets of sample data were used for prediction. The iteration times of the LMBP neural network model established was 5 000. Among the three positions， the recognition rate of the cow nose was the best and most stable， and the recognition rate of the three behaviors of the cow reaches 91.04%， 92.89% and 98.00% on average. Experimental results show that based on the triaxial acceleration of dairy cattle feeding behavior and artificial neural network identification model could be effective to test the cow feeding behavior monitoring， and after pretreatment of triaxial acceleration could improve the identification efficiency of cow feeding behavior， for other animal feeding behavior identification method provided a new train of thought.
Key words Triaxial acceleration;Artificial neural network;Identification of feeding behavior;Wavelet denoising
食草动物在进食的过程中，通过颌部运动将牧草收集到嘴里咀嚼。颌骨活动的时间线可以推断出动物行为方面的持续时间和日变化规律，是观察放牧过程的重要手段。有节奏的下颌活动是放牧的标志。此外，如果能够精确地对放牧过程中下颌运动的顺序进行分类，就有可能估算出咀嚼率和摄食量。因此在过去几十年里人们开发出了各种传感器来监测动物的颚部活动[1-9]。
Penning[10]構建了一个充当传感器的鼻带。在颌部活动期间，鼻带的周期性拉伸和收缩导致传感器的电阻比例变化，由此产生的模拟信号被连续记录在动物携带的盒式录音机上。随后，计算机程序对这些信息进行分析，生成空闲、放牧和反刍活动的时间轴，并计算总的下颌运动。进一步发展的后处理算法[11]利用波形特征识别咀嚼和卷食的特征，这被证明是一个严重的问题，正如作者指出的那样“不可能连续地计算下颌运动，也不可能足够准确地计时事件，以便短时间内的行为能够与自动记录精确匹配。基于间接的验证方法，自动记录方法在放牧期间的卷食速率明显高于手动记录。Penning的系统进一步发展，将模拟卡式录音机替换为基于微机的下巴运动数字记录系统[12]。和以前一样，颚带通过颚的开合而被拉伸和放松，导致其电特性的变化与动物颚运动的振幅相对应。数据记录仪在20 Hz将信号转换为8位整数并存储数据。在从动物身上取回设备后，数据通过Graze分析程序[13]传输到个人电脑上进行后期处理。根据振幅和频率标准，将单个下颌运动识别为咀嚼或咬。 奶业是一个资本、劳动、技术密集型行业，经过近10年的快速发展，已经成为我国畜牧业的核心产业，截止2010年，我国已经成为世界第三大牛奶生产国[14-15]。2000 年以后，牛奶产量大幅度提升，但这主要是由于牧场奶牛存栏总数的上升，而不是奶牛单产的提高，因此如何规模化、信息化管理牧场，使得奶牛产量提升、牧场效益提高、牧场管理更高效显得尤为重要[16-17]。总体来说，我国奶牛场规模小而分散，70%左右饲养规模在5头左右，全国近50%奶牛数量饲养规模小于20头，由于牧场规模并不庞大，养牛的农户们还可以进行实时看管，而伴随着生活质量的提高，人们对奶制品的消费量逐年上升，奶牛饲养数量和规模迅速扩大，小牧场的比例迅速下降，因此保证牛奶的质量、安全以及科学化饲养奶牛显得格外重要。由于历史原因，我国奶牛生产水平较低，多数牧场以传统人工方式饲养奶牛[18]。不合理的饲喂方式以及未能对奶牛实时看管等使得我国奶牛的生长受到了影响[19]。因此，我国急需研制出一种可以不间断监测奶牛采食情况的智能化设备，从而提升牧场奶牛饲喂质量。鉴于此，笔者提出了应用一种基于三轴加速度与人工神经网络结合的快速鉴别奶牛采食行为的方法，采集了5头牛3个位置共9 000组数据样本，在30 min内采集了1头牛3个位置的1 800组三轴加速度數采食行为数据，经过savitzky-golay平滑和小波降噪处理后，对数据进行分析。
1 材料与方法
1 试验材料与设备
试验在北京市延庆区延照富民奶牛养殖场进行。试验所选奶牛是身体无异常状况且采食正常。试验采用可穿戴三轴加速度监控设备。传感器选用HOBO公司的UA-004-64加速度记录仪，整体采用防水设计。HOBO UA-004-64使用1个内置的测量范围是±3G的三轴加速计，该加速计基于有加速度时会产生倾斜的横条硅传感器。为了保证后续数据的科学性、精确性，还进行了视频标定，将试验中奶牛的采食过程全程录像以便后续分析。视频标定采用了佳能HS285相机，从60°和120°分别进行拍摄录制。试验共对5头奶牛进行了3个位置的三轴加速度监测，采集频率为1 Hz，每头牛采集30 min采食数据，分3次进行，每次10 min。5头牛3个位置共获取9 000组数据，1头牛1个位置600组数据。随机将每头牛的400组数据作为建模级，200组作为预测集。以此类推，将每头牛的3个位置进行卷、咀嚼、其他3种采食行为进行识别并进一步分析，从而最终确定基于三轴加速度监测设备的最佳安装位置。
1.2 三轴加速度数据采集
在试验进行之前，首先将传感器时间和相机时间校准成为北京时间。时间校准完毕以后将传感器固定到牛嚼子上，在牛较温顺的时候套在牛头上，如图1所示。三脚架和相机作为视频标定，每头牛2台相机，分别从60°和120°进行拍摄。由于1次试验分阶段进行，试验开始时间和结束时间需记录在试验记录表，以便后续查看。
1.3 LMBP网络模型
人工神经网络在各方面都已经得到广泛的应用，但标准的BP算法存在收敛速度慢、易陷入局部最小等问题，该研究采用Leven-Marquardt（LM）算法来优化标准BP神经网络。LM算法是一种利用标准的数值优化技术的快速算法，它在高斯牛顿法和梯度下降法之间进行平滑调和，在远离最小值时逐渐切换到高斯牛顿法。它既有高斯牛顿法的局部收敛性，又具有梯度下降法的全局特性，可以加快网络的收敛速度[20]。
该研究中，由于拟合非线性函数有4个输入、3个输出，所以设置的BP神经网络结构为4-10-3，即输入层有7个节点，隐含层有10个节点，输入层3个节点，共有4×10+10×3=70个权值，10+3=13个阈值。
2 结果与分析
2.1 奶牛采食三轴加速度数据预处理
16079号奶牛采食三轴加速度曲线如图2、3、4所示，横坐标为时间，纵坐标为加速度（g=9.8 m/s2）。从图中可以看出奶牛不同采食行为的加速度变化。
奶牛采食过程中，三轴加速计会记录奶牛在某段时间所有的三轴加速度数据，因为受环境中多种因素（奶牛的适应程度、人员的惊吓等）的干扰，原始采食曲线会产生一些背景噪声。因此在用数学方法建立模型之前，三轴加速度预处理方法对建立预测能力强、稳健性好的分析模型至关重要。采用Savitky-Golay（卷积平滑法），选用平滑窗口为9，滤除高频噪声;再进行去小波算法进行进一步降噪。结果如图5、6、7所示。
该研究将奶牛采食行为分为3类，分别为卷食、咀嚼、其他。奶牛1次采食行为包括卷食和咀嚼。根据奶牛原始数据集进行了采食行为标定。将奶牛采食过程中的卷食、咀嚼和其他3种行为进行了数据集标定。
试验采集的加速度数据中，5头牛共计9 000组数据，每头牛每个部位600组。经过S-G滤波和小波降噪后，奶牛的采食行为三轴加速度数据明显得到改善，为下一步神经网络建模奠定了良好的基础。
2.2 建立LMBP奶牛采食行为鉴别模型
以X、Y、Z轴和三轴加速度和作为BP网络的输入。输出节点数为3即代表了奶牛行为的种类值。通过多次试验隐含层节点数为10的时候，模型的预测效果最好。这样就建立了1个4（输入节点）-10（隐含层节点）-3（输出节点）3层的LMBP网络模型，设定迭代次数为5 000次。该研究采用了LM算法优化标准BP网络，加快收敛速度。表1为基于可穿戴的奶牛三轴加速度采食行为监控系统对5头奶牛3个位置的识别率，在牛鼻子、右颌和左嘴3个位置中，牛鼻子是平均鉴别率最高且比较稳定的位置。
3 结论与讨论
测定了5头牛3个位置的采食行为的三轴加速度数据，经过savitzky-golay平滑和小波降噪后，得到进一步优化的数据。试验证明，经过优化的数据对神经网络奶牛采食行为的鉴别模型有积极的作用。基于牛鼻子、右颌、左嘴的三轴加速度数据鉴别模型的识别率全部保持在75%以上，大多数处在85%以上，克服了传统经验法和声音监测法的不准确和难以应用的缺点。在基于可穿戴三轴加速度奶牛采食行为监测的大背景下，该研究对5头牛3个位置分别进行了研究。在牛鼻子部位对卷食、咀嚼、其他行为的平均识别率达到了91.04%、92.89%、98.00%，是3个部位中表现较稳定且识别率较高的位置，为将来反刍动物采食行为与采食量监测奠定了良好的基础。同时，结果表明该方法可以作为奶牛采食行为鉴别的新方法加以推广应用，并为其他动物的采食行为鉴别提供了借鉴和新思路。 参考文献
[1] ROMBACH M，MNGER A，NIEDERHAUSER J，et al.Evaluation and validation of an automatic jaw movement recorder（RumiWatch）for ingestive and rumination behaviors of dairy cows during grazing and supplementation[J].Journal of dairy science，2018，101（3）：2463-2475.
[2] ZEHNER N，UMSTTTER C，NIEDERHAUSER J J，et al.System specification and validation of a noseband pressure sensor for measurement of ruminating and eating behavior in stablefed cows[J].Computers and electronics in agriculture，2017，136：31-41.
[3] ANDRIAMANDROSO A L H，LEBEAU F，BECKERS Y，et al.Development of an opensource algorithm based on inertial measurement units （IMU）of a smartphone to detect cattle grass intake and ruminating behaviors [J].Computers & electronics in agriculture，2017，139：126-137.
[4] ARCIDIACONO C，PORTO S M C，MANCINO M，et al.Development of a thresholdbased classifier for realtime recognition of cow feeding and standing behavioural activities from accelerometer data[J].Computers and electronics in agriculture，2017，134：124-134.
[5] LEIBER F，HOLINGER M，ZEHNER N，et al.Intake estimation in dairy cows fed roughagebased diets：An approach based on chewing behaviour measurements[J].Applied animal behaviour science，2016，185：9-14.
[6] CHELOTTI J O，VANRELL S R，MILONE D H，et al.A realtime algorithm for acoustic monitoring of ingestive behavior of grazing cattle[J].Computers and electronics in agriculture，2016，127：64-75.
[7] HELLWING A L F，LUND P，WEISBJERG M R，et al.Comparison of methods for estimating herbage intake in grazing dairy cows[J].Livestock science，2015，176：61-74.
[8] STOCKDALE C R，KING K R.A comparison of two techniques used to estimate the herbage intake of lactating dairy cows in a grazing experiment[J].The journal of agricultural science，1983，100：227-230.
[9] OUDSHOORN F W，CORNOU C，HELLWING A L F，et al.Estimation of grass intake on pasture for dairy cows using tightly and loosely mounted di and triaxial accelerometers combined with bite count[J].Computers and electronics in agriculture，2013，99：227-235.
[10] PENNING P D.A technique to record automatically some aspects of grazing and ruminating behaviour in sheep[J].Grass & forage science，1983，38（2）：89-96.
[11] PENNING P D，STEEL G L，JOHNSON R H.Further development and use of an automatic recording system in sheep grazing studies[J].Grass & forage science，1984，39（4）：345-351.
[12] RUTTER S M，CHAMPION R A，PENNING P D.An automatic system to record foraging behaviour in freeranging ruminants[J].Applied animal behaviour science，1997，54（2/3）：185-195.
[13] RUTTER S M.Graze：A program to analyze recordings of the jaw movements of ruminants[J].Behavior research methods instruments & computers，2000，32（1）：86-92.
[14] 黃功俊，侯引绪.奶牛繁殖新编[M].北京：中国农业科学技术出版社，2015：383.
[15] 申军士.日粮能氮释放同步性对奶牛瘤胃代谢、生产效率与性能的影响研究[D].杭州：浙江大学，2013.
[16] 杨开红.奶牛围产期血液生理生化指标动态变化的研究[D].扬州：扬州大学，2014.
[17] 曲永利，陈勇.养牛学[M].北京：化学工业出版社，2014：32-34.
[18] 学生饮用奶计划部际协调小组办公室.中国学生饮用奶奶源基地建设探索与实践[M].北京：中国农业大学出版社，2011：127-136.
[19] 韩青.八五八农场托牛所奶牛养殖模式经济效益研究[D].哈尔滨：东北农业大学，2013.
[20] 伏燕军，杨坤涛，邹文栋，等.基于Levenberg-Marquardt算法的图像拼接[J].激光杂志，2007，28（5）：46-48.
关键词 三轴加速度;人工神经网络;采食行为鉴别;小波降噪
中图分类号 TP183 文献标识码 A 文章编号 0517-6611（2020）18-0231-04
Abstract A fast method based on the combination of triaxial acceleration and artificial neural network was proposed to identify feeding behavior of cows. A total of 9 000 data samples were collected from 5 cows at 3 locations.1 800 sets of triaxial acceleration degree feeding behavior data were collected from 3 positions of 1 cow within 30 min. After savitzkygolay smoothing and wavelet noise reduction， the data were analyzed. The threelayer LMBP neural network model was established by taking the acceleration on the triaxis X， Y and Z of cow feeding behavior， triaxis acceleration and Vector sum as network input and behavior category as output. For the three behaviors of each position of each cow， 100 sets of sample data were taken， a total of 300 sets of sample data were used for modeling， and 20 sets of sample data were used for prediction. The iteration times of the LMBP neural network model established was 5 000. Among the three positions， the recognition rate of the cow nose was the best and most stable， and the recognition rate of the three behaviors of the cow reaches 91.04%， 92.89% and 98.00% on average. Experimental results show that based on the triaxial acceleration of dairy cattle feeding behavior and artificial neural network identification model could be effective to test the cow feeding behavior monitoring， and after pretreatment of triaxial acceleration could improve the identification efficiency of cow feeding behavior， for other animal feeding behavior identification method provided a new train of thought.
Key words Triaxial acceleration;Artificial neural network;Identification of feeding behavior;Wavelet denoising
食草动物在进食的过程中，通过颌部运动将牧草收集到嘴里咀嚼。颌骨活动的时间线可以推断出动物行为方面的持续时间和日变化规律，是观察放牧过程的重要手段。有节奏的下颌活动是放牧的标志。此外，如果能够精确地对放牧过程中下颌运动的顺序进行分类，就有可能估算出咀嚼率和摄食量。因此在过去几十年里人们开发出了各种传感器来监测动物的颚部活动[1-9]。
Penning[10]構建了一个充当传感器的鼻带。在颌部活动期间，鼻带的周期性拉伸和收缩导致传感器的电阻比例变化，由此产生的模拟信号被连续记录在动物携带的盒式录音机上。随后，计算机程序对这些信息进行分析，生成空闲、放牧和反刍活动的时间轴，并计算总的下颌运动。进一步发展的后处理算法[11]利用波形特征识别咀嚼和卷食的特征，这被证明是一个严重的问题，正如作者指出的那样“不可能连续地计算下颌运动，也不可能足够准确地计时事件，以便短时间内的行为能够与自动记录精确匹配。基于间接的验证方法，自动记录方法在放牧期间的卷食速率明显高于手动记录。Penning的系统进一步发展，将模拟卡式录音机替换为基于微机的下巴运动数字记录系统[12]。和以前一样，颚带通过颚的开合而被拉伸和放松，导致其电特性的变化与动物颚运动的振幅相对应。数据记录仪在20 Hz将信号转换为8位整数并存储数据。在从动物身上取回设备后，数据通过Graze分析程序[13]传输到个人电脑上进行后期处理。根据振幅和频率标准，将单个下颌运动识别为咀嚼或咬。 奶业是一个资本、劳动、技术密集型行业，经过近10年的快速发展，已经成为我国畜牧业的核心产业，截止2010年，我国已经成为世界第三大牛奶生产国[14-15]。2000 年以后，牛奶产量大幅度提升，但这主要是由于牧场奶牛存栏总数的上升，而不是奶牛单产的提高，因此如何规模化、信息化管理牧场，使得奶牛产量提升、牧场效益提高、牧场管理更高效显得尤为重要[16-17]。总体来说，我国奶牛场规模小而分散，70%左右饲养规模在5头左右，全国近50%奶牛数量饲养规模小于20头，由于牧场规模并不庞大，养牛的农户们还可以进行实时看管，而伴随着生活质量的提高，人们对奶制品的消费量逐年上升，奶牛饲养数量和规模迅速扩大，小牧场的比例迅速下降，因此保证牛奶的质量、安全以及科学化饲养奶牛显得格外重要。由于历史原因，我国奶牛生产水平较低，多数牧场以传统人工方式饲养奶牛[18]。不合理的饲喂方式以及未能对奶牛实时看管等使得我国奶牛的生长受到了影响[19]。因此，我国急需研制出一种可以不间断监测奶牛采食情况的智能化设备，从而提升牧场奶牛饲喂质量。鉴于此，笔者提出了应用一种基于三轴加速度与人工神经网络结合的快速鉴别奶牛采食行为的方法，采集了5头牛3个位置共9 000组数据样本，在30 min内采集了1头牛3个位置的1 800组三轴加速度數采食行为数据，经过savitzky-golay平滑和小波降噪处理后，对数据进行分析。
1 材料与方法
1 试验材料与设备
试验在北京市延庆区延照富民奶牛养殖场进行。试验所选奶牛是身体无异常状况且采食正常。试验采用可穿戴三轴加速度监控设备。传感器选用HOBO公司的UA-004-64加速度记录仪，整体采用防水设计。HOBO UA-004-64使用1个内置的测量范围是±3G的三轴加速计，该加速计基于有加速度时会产生倾斜的横条硅传感器。为了保证后续数据的科学性、精确性，还进行了视频标定，将试验中奶牛的采食过程全程录像以便后续分析。视频标定采用了佳能HS285相机，从60°和120°分别进行拍摄录制。试验共对5头奶牛进行了3个位置的三轴加速度监测，采集频率为1 Hz，每头牛采集30 min采食数据，分3次进行，每次10 min。5头牛3个位置共获取9 000组数据，1头牛1个位置600组数据。随机将每头牛的400组数据作为建模级，200组作为预测集。以此类推，将每头牛的3个位置进行卷、咀嚼、其他3种采食行为进行识别并进一步分析，从而最终确定基于三轴加速度监测设备的最佳安装位置。
1.2 三轴加速度数据采集
在试验进行之前，首先将传感器时间和相机时间校准成为北京时间。时间校准完毕以后将传感器固定到牛嚼子上，在牛较温顺的时候套在牛头上，如图1所示。三脚架和相机作为视频标定，每头牛2台相机，分别从60°和120°进行拍摄。由于1次试验分阶段进行，试验开始时间和结束时间需记录在试验记录表，以便后续查看。
1.3 LMBP网络模型
人工神经网络在各方面都已经得到广泛的应用，但标准的BP算法存在收敛速度慢、易陷入局部最小等问题，该研究采用Leven-Marquardt（LM）算法来优化标准BP神经网络。LM算法是一种利用标准的数值优化技术的快速算法，它在高斯牛顿法和梯度下降法之间进行平滑调和，在远离最小值时逐渐切换到高斯牛顿法。它既有高斯牛顿法的局部收敛性，又具有梯度下降法的全局特性，可以加快网络的收敛速度[20]。
该研究中，由于拟合非线性函数有4个输入、3个输出，所以设置的BP神经网络结构为4-10-3，即输入层有7个节点，隐含层有10个节点，输入层3个节点，共有4×10+10×3=70个权值，10+3=13个阈值。
2 结果与分析
2.1 奶牛采食三轴加速度数据预处理
16079号奶牛采食三轴加速度曲线如图2、3、4所示，横坐标为时间，纵坐标为加速度（g=9.8 m/s2）。从图中可以看出奶牛不同采食行为的加速度变化。
奶牛采食过程中，三轴加速计会记录奶牛在某段时间所有的三轴加速度数据，因为受环境中多种因素（奶牛的适应程度、人员的惊吓等）的干扰，原始采食曲线会产生一些背景噪声。因此在用数学方法建立模型之前，三轴加速度预处理方法对建立预测能力强、稳健性好的分析模型至关重要。采用Savitky-Golay（卷积平滑法），选用平滑窗口为9，滤除高频噪声;再进行去小波算法进行进一步降噪。结果如图5、6、7所示。
该研究将奶牛采食行为分为3类，分别为卷食、咀嚼、其他。奶牛1次采食行为包括卷食和咀嚼。根据奶牛原始数据集进行了采食行为标定。将奶牛采食过程中的卷食、咀嚼和其他3种行为进行了数据集标定。
试验采集的加速度数据中，5头牛共计9 000组数据，每头牛每个部位600组。经过S-G滤波和小波降噪后，奶牛的采食行为三轴加速度数据明显得到改善，为下一步神经网络建模奠定了良好的基础。
2.2 建立LMBP奶牛采食行为鉴别模型
以X、Y、Z轴和三轴加速度和作为BP网络的输入。输出节点数为3即代表了奶牛行为的种类值。通过多次试验隐含层节点数为10的时候，模型的预测效果最好。这样就建立了1个4（输入节点）-10（隐含层节点）-3（输出节点）3层的LMBP网络模型，设定迭代次数为5 000次。该研究采用了LM算法优化标准BP网络，加快收敛速度。表1为基于可穿戴的奶牛三轴加速度采食行为监控系统对5头奶牛3个位置的识别率，在牛鼻子、右颌和左嘴3个位置中，牛鼻子是平均鉴别率最高且比较稳定的位置。
3 结论与讨论
测定了5头牛3个位置的采食行为的三轴加速度数据，经过savitzky-golay平滑和小波降噪后，得到进一步优化的数据。试验证明，经过优化的数据对神经网络奶牛采食行为的鉴别模型有积极的作用。基于牛鼻子、右颌、左嘴的三轴加速度数据鉴别模型的识别率全部保持在75%以上，大多数处在85%以上，克服了传统经验法和声音监测法的不准确和难以应用的缺点。在基于可穿戴三轴加速度奶牛采食行为监测的大背景下，该研究对5头牛3个位置分别进行了研究。在牛鼻子部位对卷食、咀嚼、其他行为的平均识别率达到了91.04%、92.89%、98.00%，是3个部位中表现较稳定且识别率较高的位置，为将来反刍动物采食行为与采食量监测奠定了良好的基础。同时，结果表明该方法可以作为奶牛采食行为鉴别的新方法加以推广应用，并为其他动物的采食行为鉴别提供了借鉴和新思路。 参考文献
[1] ROMBACH M，MNGER A，NIEDERHAUSER J，et al.Evaluation and validation of an automatic jaw movement recorder（RumiWatch）for ingestive and rumination behaviors of dairy cows during grazing and supplementation[J].Journal of dairy science，2018，101（3）：2463-2475.
[2] ZEHNER N，UMSTTTER C，NIEDERHAUSER J J，et al.System specification and validation of a noseband pressure sensor for measurement of ruminating and eating behavior in stablefed cows[J].Computers and electronics in agriculture，2017，136：31-41.
[3] ANDRIAMANDROSO A L H，LEBEAU F，BECKERS Y，et al.Development of an opensource algorithm based on inertial measurement units （IMU）of a smartphone to detect cattle grass intake and ruminating behaviors [J].Computers & electronics in agriculture，2017，139：126-137.
[4] ARCIDIACONO C，PORTO S M C，MANCINO M，et al.Development of a thresholdbased classifier for realtime recognition of cow feeding and standing behavioural activities from accelerometer data[J].Computers and electronics in agriculture，2017，134：124-134.
[5] LEIBER F，HOLINGER M，ZEHNER N，et al.Intake estimation in dairy cows fed roughagebased diets：An approach based on chewing behaviour measurements[J].Applied animal behaviour science，2016，185：9-14.
[6] CHELOTTI J O，VANRELL S R，MILONE D H，et al.A realtime algorithm for acoustic monitoring of ingestive behavior of grazing cattle[J].Computers and electronics in agriculture，2016，127：64-75.
[7] HELLWING A L F，LUND P，WEISBJERG M R，et al.Comparison of methods for estimating herbage intake in grazing dairy cows[J].Livestock science，2015，176：61-74.
[8] STOCKDALE C R，KING K R.A comparison of two techniques used to estimate the herbage intake of lactating dairy cows in a grazing experiment[J].The journal of agricultural science，1983，100：227-230.
[9] OUDSHOORN F W，CORNOU C，HELLWING A L F，et al.Estimation of grass intake on pasture for dairy cows using tightly and loosely mounted di and triaxial accelerometers combined with bite count[J].Computers and electronics in agriculture，2013，99：227-235.
[10] PENNING P D.A technique to record automatically some aspects of grazing and ruminating behaviour in sheep[J].Grass & forage science，1983，38（2）：89-96.
[11] PENNING P D，STEEL G L，JOHNSON R H.Further development and use of an automatic recording system in sheep grazing studies[J].Grass & forage science，1984，39（4）：345-351.
[12] RUTTER S M，CHAMPION R A，PENNING P D.An automatic system to record foraging behaviour in freeranging ruminants[J].Applied animal behaviour science，1997，54（2/3）：185-195.
[13] RUTTER S M.Graze：A program to analyze recordings of the jaw movements of ruminants[J].Behavior research methods instruments & computers，2000，32（1）：86-92.
[14] 黃功俊，侯引绪.奶牛繁殖新编[M].北京：中国农业科学技术出版社，2015：383.
[15] 申军士.日粮能氮释放同步性对奶牛瘤胃代谢、生产效率与性能的影响研究[D].杭州：浙江大学，2013.
[16] 杨开红.奶牛围产期血液生理生化指标动态变化的研究[D].扬州：扬州大学，2014.
[17] 曲永利，陈勇.养牛学[M].北京：化学工业出版社，2014：32-34.
[18] 学生饮用奶计划部际协调小组办公室.中国学生饮用奶奶源基地建设探索与实践[M].北京：中国农业大学出版社，2011：127-136.
[19] 韩青.八五八农场托牛所奶牛养殖模式经济效益研究[D].哈尔滨：东北农业大学，2013.
[20] 伏燕军，杨坤涛，邹文栋，等.基于Levenberg-Marquardt算法的图像拼接[J].激光杂志，2007，28（5）：46-48.