基于RSSI 的籠內(nèi)雞只定位方法研究

趙學謙，薛 皓，于 堯，賈雁琳，李麗華

（河北農(nóng)業(yè)大學 機電工程學院，河北 保定 071001）

精確地籠內(nèi)雞只定位對于研究雞只的運動行為具有重要意義。采用無線射頻識別（RFID）技術(shù)根據(jù)RSSI 值的衰減對雞只進行定位能夠?qū)崿F(xiàn)遠距離、無接觸的多目標行為監(jiān)測，及時準確地發(fā)現(xiàn)行為異常、活動狀況有問題的雞只。對雞只位置分布進行自動記錄分析，能夠減少人員進出雞舍次數(shù)，降低雞只的應激反應，提高福利化養(yǎng)殖和經(jīng)濟性［1］。RFID 技術(shù)投入成本少、性能優(yōu)良、信息交互快，廣泛應用于目標定位、智能物流等領(lǐng)域［2］。超高頻RFID 技術(shù)比起低頻和高頻RFID 技術(shù)有更大的讀取范圍、更高的讀取速率，最大的優(yōu)點是還可以同時讀取多個標簽［3］。如何準確高效地使用無線射頻識別技術(shù)對目標進行定位，許多學者都對其進行了探討和分析。2013 年Catarinucci 等基于UHF RFID 技術(shù)設(shè)計了多天線系統(tǒng)，能夠有效定位小型實驗室動物活動位置［4］。2015 年Sales 等基于LF RFID 技術(shù)設(shè)計了1 個蛋雞定位追蹤系統(tǒng)，該系統(tǒng)通過對蛋雞的定位來監(jiān)測蛋雞穿過環(huán)境偏好室間通道的時間和次數(shù)，監(jiān)測結(jié)果顯示蛋雞群在通道停留時間和進入次數(shù)的成功檢測率高于蛋雞個體［5］。2015 年Macri S 提出了1 種基于UHF RFID 技術(shù)的跟蹤解決方案，系統(tǒng)的軟件部分能夠處理來自硬件系統(tǒng)的原始數(shù)據(jù)，該解決方案能夠正確對籠內(nèi)小鼠進行定位追蹤［6］。2017 年Li L 等采用UHF RFID 技術(shù)構(gòu)建富集式雞籠內(nèi)的母雞個體追蹤系統(tǒng)，該系統(tǒng)通過對籠內(nèi)母雞的位置分析，實現(xiàn)準確監(jiān)測籠內(nèi)母雞個體的采食和筑巢行為［7］。2017 年Taylor 等采用RFID 技術(shù)在商業(yè)農(nóng)場中4 個不同性別的雞群中定位1 200 只肉雞的個體位置，研究肉雞在農(nóng)場中活動范圍和頻率與外部環(huán)境變化的關(guān)系［8-9］。為了解蛋雞個體內(nèi)部和個體之間在放養(yǎng)行為上的差異，2017 年Larsen H等采用RFID 技術(shù)追蹤2 個商業(yè)雞群中自由放養(yǎng)蛋雞在不同室外區(qū)域的位置信息［10］。2018 年尹姝等提出的室內(nèi)移動目標定位方法是將RFID 和自卡爾曼濾波算法相融合，實驗證明該算法對移動目標的室內(nèi)定位精度有一定程度的提高［11］。2018 年Yan L 等設(shè)計了1 種提高室內(nèi)機器人定位精度方法，該方法采用無源RFID 技術(shù)將信標設(shè)置為蜂窩模型，提高了讀卡器效率和定位精度［12］。2018 年Li Z M 提出了1 種基于參考標簽的RFID 定位算法，用實驗證明了該算法大大提高了定位精度，使定位更加準確［13］。2019 年李廣順等提出1 種將目標搜索結(jié)合RFID 技術(shù)的定位算法，定位結(jié)果進行不斷地重復校準，最小定位誤差為0.5 m，平均定位精度得到了提高［14］。2019 年Wang FF 提出1 種RFID技術(shù)和IMU 技術(shù)相融的室內(nèi)跟蹤方法，試驗結(jié)果表明融合算法在室內(nèi)跟蹤中具有良好的性能［15］。對于籠內(nèi)環(huán)境復雜，存在信號遮擋和籠子金屬對信號折反射等問題，需要可靠的方法以準確獲得雞只位置坐標。

基于此，本文設(shè)計了1 種基于UHF RFID 技術(shù)的雞只個體定位信息自動采集系統(tǒng)，合理地布置天線，搭建信號衰減測距模型，結(jié)合混合濾波算法和極大似然估計法以及牛頓迭代法實現(xiàn)雞只個體位置確定。

1 材料和方法

1.1 雞籠,雞和雞舍

本實驗 在4 800 mm×1 200 mm×680 mm 單層式雞籠的第一個小籠子內(nèi)（1 200 mm× 1 200 mm×680 mm）內(nèi)進行。根據(jù)1∶9 公母比例飼養(yǎng)3只公雞，27 只母雞。母雞是280 d 左右海蘭灰蛋雞，質(zhì)量在1.6～2.1 kg 之間。公雞是180 d 左右河北保定本地的柴雞，質(zhì)量在2～2.5 kg 之間。清糞時間是每天上午7 時30 分左右，投喂飼料時間分別是上午10 時和下午2 時。實驗時間是2020 年8 月5 日到2020 年8 月18 日。實驗場地是河北農(nóng)業(yè)大學的畜牧教學基地，整個雞舍布置如圖1。

圖1 實驗雞舍整體布置Fig. 1 The overall arrangement of the experimental chicken house

1.2 RSSI 值采集系統(tǒng)

本實驗中采集系統(tǒng)每天工作10 h，并且要同時采集每個雞只腳踝標簽的RSSI 值，需要讀寫器有超長穩(wěn)定工作時間、較高的標簽識別率和網(wǎng)絡(luò)接口速率。固定式讀寫器（FU-M6-A,ThingMagicM6e-A，主動工作方式，深圳銓順宏科技有限公司）支持4路獨立天線，能充分發(fā)揮防碰撞算法的優(yōu)勢，被用來讀取和寫入數(shù)據(jù)。選用4 個3 dBi 天線（QBTX301，7 cm×7 cm×0.1 cm，雙饋點圓極化陶瓷，深圳騏寶科技有限公司）和1 個8 dBi 天線（QBTX801，26 cm×26 cm×3.5 cm，圓極化平板外置，深圳騏寶科技有限公司）。2 種天線設(shè)為間歇工作方式同時置于RSSI 值采集系統(tǒng)中。標簽（Alien-Inlay ALN-9654，10 cm×3 cm，廣州東芯智能科技有限公司）作為腳環(huán)。

程序軟件運行在PC 機（Intel(R) Core(TM)i77700HQ(CPU)，2.80 GHz，Windows10，16 GB RAM 和1T SSD）。在Jupyter Notebook 應用程序上使用Python 語言將讀寫器軟件與本地連接，并將數(shù)據(jù)進行存貯。在本實驗中將3 只公雞作為研究對象，編號為1 號、2 號和3 號。在雞只適應籠內(nèi)環(huán)境后，讀取2020 年8 月14 日到2020 年8 月16 日在自然光照環(huán)境下上午9 時至下午6 時之間的數(shù)據(jù)列表進行分析處理。

5 個天線（1 個8 dBi 和4 個3 dBi）通過長1 m阻抗為10 Ω 的饋線連接到2 個四通道讀寫器（ThingMagicM6e-A，902～928 MHz,Trans Tech Systems），讀寫器以網(wǎng)口連接方式連接到電腦，RSSI 值采集系統(tǒng)接口如圖2 所示。

圖2 RSSI 值采集系統(tǒng)接口Fig. 2 Interfacing of the RSSI system components

1.3 天線布置

根據(jù)文獻［16］籠子對信號有屏蔽作用，為減少信號傳播的多徑效應，將天線采用圓極化方式布置于單個雞籠頂部。調(diào)整5 個天線的位置和角度以及讀寫器的頻率，保證籠內(nèi)移動的標簽都在天線輻射范圍內(nèi)，在天線平面平行籠底和發(fā)射功率28.5 dBm 時標簽反射回的接收信號強度較為穩(wěn)定，然后將天線進行固定。以天線中心為參考點，功率增益為3 dBi 的1 號、2 號、3 號、4 號天線和功率增益為8 dBi 的5 號天線在籠底射頻范圍分別是45 cm 左右和75 cm 左右。由于籠子本身有一定的坡度，按照在籠子底部最低的平面建立平面直角坐標系，以籠子底部左下角作為坐標原點,籠子頂部1 號、2 號、3 號、4 號、5 號天線位置坐標分別為：（30，30，68）cm、（90，30，68）cm、（90，90，68）cm、（30，90，68）cm、（60，60，68）cm。天線籠內(nèi)布點如圖3 所示。

圖3 天線和標簽位置分布Fig. 3 Antenna and tag location distribution

1.4 標簽布置

在1 號、2 號、3 號和4 號天線正下方的籠底分別布置1 個標簽，這4 個標簽作為參考標簽來接收天線信號計算該環(huán)境下路徑損耗系數(shù)n。以籠子底部左下角作為坐標原點，參考標簽1 號、2 號、3 號、4 號的位置坐標分別為：（30，30，4）cm、（90，30，4）cm、（90，90，4）cm、（30，90，4）cm。另外布置4 個標簽作為待測標簽來驗證養(yǎng)入雞只后系統(tǒng)定位準確性，待測標簽5 號、6 號、7 號、8 號的平面位置坐標分別為：（10，10）cm、（110，10）cm、（110，110）cm、（10，110）cm，標簽布置位置如圖3 所示。實驗開始后，將電子標簽設(shè)計成腳環(huán)佩戴在監(jiān)測雞只的腳踝處，如圖4。

圖4 佩戴腳環(huán)的雞只Fig. 4 Chickens wearing ankle rings

1.5 視頻驗證系統(tǒng)

將小米云臺2K 版智能攝像機固定在距離雞籠50 cm、高2.3 m 的墻上，對籠內(nèi)的雞只進行監(jiān)測，如圖5。實驗開始前，應用讀寫器軟件讀到雞只腳踝上的標簽再重新寫入進行編號，使得雞只腳踝的編號與雞冠和雞背的號碼一致，方便在視頻中識別雞只。后期通過cv2 獲取視頻流，每隔3 s 取1 幀圖像，人工觀察視頻，根據(jù)圖像位置在圖片上標出位置坐標與系統(tǒng)定位坐標相對比，視頻圖像上顯示時間與讀寫器軟件界面時間相對應，實驗期間讀寫器不間斷采集數(shù)據(jù)，攝像頭持續(xù)進行錄像，對本文基于RSSI融合混合濾波算法計算的位置坐標進行驗證。

圖5 攝像機位置Fig. 5 Camera position

2 數(shù)據(jù)處理

2.1 RSSI 值與距離模型構(gòu)建

根據(jù)RSSI 信號衰減值計算天線與標簽之間距離的原理是當佩戴腳踝標簽的雞只進入天線射頻范圍內(nèi)時，雞只腳踝標簽獲得能量并將接收到的電磁波信號反射給讀寫器天線［17］，如圖6 所示。

圖6 天線信號傳播Fig. 6 Antenna signal propagation

式（1）中，p(d)表示天線發(fā)射的信號經(jīng)過距離d衰減之后的RSSI 值，p(d0)表示天線發(fā)射的信號傳播距離d0衰減之后的RSSI 值（其中d0通常取1m）［18］，xσ是均值為0，方差為σ2按照高斯分布隨機數(shù)，n是該環(huán)境下的路徑損耗系數(shù)。對式（1）進行分析，可以得到計算信號發(fā)射端和信號接收端之間距離d的公式

式（2）中，A表示以1 m 為參考距離時，發(fā)射端發(fā)出的無線信號在空間傳播1 m 后接收端接收到的RSSI 值強度。RSSI表示接收端接收信號強度的均值。n是路徑損耗系數(shù)。

2.2 RSSI 值進行混合濾波

基于RSSI 定位的精度主要由距離估計值決定，RSSI 值的測量是否準確決定著距離估計值的準確性［19-20］，因此減小RSSI 值誤差能夠提高距離估計值的準確度從而提高定位精度。然而，大量已有的實驗數(shù)據(jù)表明，實際環(huán)境中噪聲、障礙物、電磁波和多路效應等各種干擾因素的存在［21］，使得同一目標節(jié)點在定位空間中同一位置接收到的 RSSI 值是隨機變化的。在本實驗中將某個標簽一段時間內(nèi)采集到的1 000 個RSSI 值按照時間戳導入Jupyter Notebook 應用程序進行仿真得到如圖7，結(jié)果顯示在這段時間內(nèi)該標簽采集到的RSSI 值在［-77，-47］（dBm）之間上下波動，信號波動大，穩(wěn)定性差但整體上服從高斯分布。

因此要提高定位的精度，需要對RSSI 值進行濾波來減小根據(jù)RSSI 值對距離估計的誤差。本文采用狄克遜和高斯混合濾波算法［22］來對信號進行處理。首先用狄克遜檢驗法濾波，剔除一些受到外界環(huán)境干擾后發(fā)生跳變異常的數(shù)據(jù)，接著用高斯濾波算法進一步優(yōu)化。在高斯濾波篩選出置信區(qū)間的RSSI 值后，利用高斯模型將每個時間戳的RSSI 值和其相鄰時間戳的RSSI 值進行加權(quán)平均后的數(shù)據(jù)代替原有數(shù)據(jù)。

2.3 參數(shù)優(yōu)化

在信號衰減測距模型中，籠子內(nèi)的環(huán)境對籠頂天線發(fā)出信號強度的影響主要體現(xiàn)在發(fā)射端發(fā)出的無線信號在空間傳播一段距離后接收端接收到的RSSI 值強度A和路徑損耗系數(shù)n上，路徑損耗系數(shù)與當前籠內(nèi)環(huán)境有關(guān)［23-24］。本節(jié)主要討論路徑損耗系數(shù)n的選取對發(fā)射節(jié)點與接收節(jié)點之間距離d的影響，如圖8 所示。

假定參考功率A=-60 dBm 時，路徑損耗系數(shù)n取2、3、4 時RSSI 值與距離的關(guān)系。路徑損耗系數(shù)如果取經(jīng)驗值，會對發(fā)射節(jié)點與接收節(jié)點之間距離d有很大影響。為了使它們最大限度地滿足天線發(fā)出的無線信號在籠內(nèi)的傳播特性，減小基于RSSI值測距的誤差，需要對其進行優(yōu)化以得到最適合當前環(huán)境中的參數(shù)值。

參數(shù)優(yōu)化具體步驟為：

（1）距離1 號發(fā)射天線64 cm 的1 號標簽，距離2 號發(fā)射天線64 cm 的2 號標簽，距離3 號發(fā)射天線64 cm 的3 號標簽和距離4 號發(fā)射天線64 cm的4 號標簽處各測量1 組RSSI 值，1 號、2 號、3 號、4 號標簽處測1 組5 號天線的RSSI 值，每組1 000 個。

（2）對采集到的RSSI 值使用狄克遜和高斯濾波進行預處理，再用高斯模型繼續(xù)優(yōu)化，對優(yōu)化后的數(shù)據(jù)分別取中間值和均值。對優(yōu)化后的RSSI 值進行中間值得到RSSI(a)，同樣的對優(yōu)化后的RSSI 值取均值得到RSSI(b)。對1 號標簽接收到1 號天線的RSSI(a)和RSSI(b)做算數(shù)平均處理，即：

（3）使用公式(2)計算得到該環(huán)境下路徑損耗系數(shù)n的值。

2.4 極大似然法與牛頓迭代法求得最優(yōu)解

在RSSI 定位系統(tǒng)中極大似然估計法是1 種常用的定位方法［25-27］。設(shè)1 號、2 號、3 號、4 號、5 號天線的坐標為（xi，yi，68），i為1、2、3、4、5。設(shè)（x，y，z）為雞只腳踝攜帶電子標簽D 的坐標，D 到各天線的距離分別為d1、d2、d3、d4、d5且這些距離根據(jù)信號衰減測距模型求得，則由歐幾里得距離公式可以得到方程組：

牛頓迭代法具有局部收斂特性，選擇合適的初值能夠避開牛頓法進入死循環(huán)的問題。采用極大似然估計法獲得目標節(jié)點的初始坐標，將初始坐標作為牛頓法的初值代入牛頓迭代法中，設(shè)定迭代4 次，取其最接近初值的解作為最優(yōu)解。求得最優(yōu)解：fi(i=1，2，..n)表示（4）式等號左邊未知數(shù)的函數(shù)表達式，X(K)表示（x，y，z，d）的當前值的列向量，在X(K)處用泰勒公式展開，得到式（5）。

對其求導得到如（6）式的迭代公式：

對標簽每次定位時，標簽距天線的距離和標簽位置x、y、z、d1、d2、...dn組成初始值列向量X(0)，按上式展開迭代求得標簽的位置坐標（x'，y'，z'）即為定位最優(yōu)解。

3 結(jié)果與分析

3.1 濾波和參數(shù)優(yōu)化的結(jié)果與分析

如圖9，狄克遜濾波只剔除了高端和低端異常值。高斯濾波對RSSI 值進一步優(yōu)化，距離真實RSSI 值較遠的數(shù)據(jù)被濾掉，使得數(shù)據(jù)更加平滑，減小了RSSI 值波動。

圖9 狄克遜檢驗法濾波后RSSI 值Fig. 9 Dixon test RSSI after filter

如圖10，將原始數(shù)據(jù)采用狄克遜和高斯混合濾波剔除異常數(shù)據(jù)后，RSSI 值在［-67，-54.6］(dBm)之間上下波動，穩(wěn)定性提高了很多。

圖10 高斯濾波后RSSIFig. 10 RSSI value after Gaussian filter

經(jīng)過混合濾波處理和高斯模型優(yōu)化后的數(shù)據(jù)如圖11。

圖11 高斯模型優(yōu)化后RSSIFig. 11 RSSI after Gaussian model optimization

原始數(shù)據(jù)波動大大減小，穩(wěn)定性大大增強，很大程度上解決了信號穩(wěn)定性差的問題。5 個天線空間位置不同，受到環(huán)境影響的程度也不同，因此為了提高測距的精確度要在5 個天線處分別建立信號衰減模型［28］，n=。同理，對于2 號、3 號、4 號、5 號天線也是用該方法來計算得到該環(huán)境下的路徑損耗系數(shù)n。實驗測得5 個天線處的A、n值如下表1：

表1 各天線處的參數(shù)A 和nTable A and n of parameters at each antenna

結(jié)果表明參數(shù)A、n的值都是正常值，屬于文獻［29］和文獻［30］提供的常用環(huán)境下路徑損耗系數(shù)n的區(qū)間。

3.2 定位結(jié)果與分析

對RSSI 值數(shù)據(jù)進行濾波并優(yōu)化參數(shù)后，根據(jù)信號衰減測距模型求得待測標簽與天線之間的距離。利用極大似然估計法和牛頓迭代法如式（7）、（8）、（9）計算5～8 號待測標簽的位置坐標。由于同一位置采集到的RSSI 值會存在一定隨機波動，因此在5～8 號每個待測位置采集25 次RSSI值，共100 次取其均值確定最終位置坐標。其中有83 次的坐標誤差在5 cm 以內(nèi)，即定位誤差在5 cm以內(nèi)的概率接近83%。對其每個位置坐標取均值求得5～8 號待測標簽的平面位置坐標分別為：（6.81，12.77）cm、（109.86，12.02）cm、（106.34，108.25）cm、（14.68，104.56）cm。實際位置坐標為：（10，10）cm、（110，10）cm、（110，110）cm、（10，110）cm，如圖12 所示。

圖12 定位結(jié)果比較Fig. 12 Comparison of positioning results

放入雞只后對籠底的標簽存在遮擋，對定位精度產(chǎn)生影響，但誤差都控制在5 cm 以內(nèi)。與雞體積相比，5 cm 的定位誤差對本實驗的研究影響很小，算法的定位精度可以滿足實驗需求，驗證了本研究中定位算法的實用性和可適性。

進一步根據(jù)本研究中的定位方法，隨機截取10 min的視頻和RSSI 值對這3 只雞進行定位。通過cv2 獲取視頻流，每隔3 s 取1 幀圖像，人工觀察視頻，根據(jù)圖像位置在圖片上標出位置坐標存入Excel 表格并將系統(tǒng)采集到RSSI 值進行定位的坐標存入Excel表格，將兩者進行對比，實際定位和節(jié)點-節(jié)點定位以及混合濾波算法的定位對比如圖13 所示。

圖13 10 min 內(nèi)定位對比Fig. 13 Location comparison in 10 minutes

圖13 顯示了3 只雞在這10 min 內(nèi)應用本研究的算法定位與實際定位和節(jié)點-節(jié)點定位的對比，發(fā)現(xiàn)應用算法的定位結(jié)果更接近真實位置，證明算法可較為準確地對雞只個體進行定位。

4 結(jié)論

（1）設(shè)計了1 種基于UHF RFID 技術(shù)的籠養(yǎng)環(huán)境下雞只位置信息采集系統(tǒng)，利用少量天線就能快速獲取滿足定位要求的RSSI 值，為進行定位算法的研究提供了硬件基礎(chǔ)。

（2）采用狄克遜和高斯濾波混合濾波算法將原始數(shù)據(jù)預處理，通過高斯模型，中值和均值濾波對處理后的數(shù)據(jù)進行優(yōu)化，很大程度上解決了信號穩(wěn)定差的問題。對路徑損耗系數(shù)進行優(yōu)化，一定程度上提高了測距的準確性。利用極大似然估計法和牛頓迭代法求解標簽最優(yōu)位置坐標，與不采用定位算法相比提高了定位精度。

（3）通過比較放入雞只前后標簽的坐標誤差，驗證了定位方法的可靠性。對籠內(nèi)雞只進行實時定位，如圖13 所示實驗結(jié)果表明，該定位方法與不采用定位算法相比減小了定位誤差，可靠性較高且有較強的魯棒性,為雞只行為分析提供了1 種方法。