基于RSSI 的籠內雞只定位方法研究

趙學謙，薛 皓，于 堯，賈雁琳，李麗華

（河北農業大學 機電工程學院，河北 保定 071001）

精確地籠內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）技術根據RSSI 值的衰減對雞只進行定位能夠實現遠距離、無接觸的多目標行為監測，及時準確地發現行為異常、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，降低雞只的應激反應，提高福利化養殖和經濟性［1］。RFID 技術投入成本少、性能優良、信息交互快，廣泛應用于目標定位、智能物流等領域［2］。超高頻RFID 技術比起低頻和高頻RFID 技術有更大的讀取范圍、更高的讀取速率，最大的優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 技術設計了多天線系統，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 技術設計了1 個蛋雞定位追蹤系統，該系統通過對蛋雞的定位來監測蛋雞穿過環境偏好室間通道的時間和次數，監測結果顯示蛋雞群在通道停留時間和進入次數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 技術的跟蹤解決方案，系統的軟件部分能夠處理來自硬件系統的原始數據，該解決方案能夠正確對籠內小鼠進行定位追蹤［6］。2017 年Li L 等采用UHF RFID 技術構建富集式雞籠內的母雞個體追蹤系統，該系統通過對籠內母雞的位置分析，實現準確監測籠內母雞個體的采食和筑巢行為［7］。2017 年Taylor 等采用RFID 技術在商業農場中4 個不同性別的雞群中定位1 200 只肉雞的個體位置，研究肉雞在農場中活動范圍和頻率與外部環境變化的關系［8-9］。為了解蛋雞個體內部和個體之間在放養行為上的差異，2017 年Larsen H等采用RFID 技術追蹤2 個商業雞群中自由放養蛋雞在不同室外區域的位置信息［10］。2018 年尹姝等提出的室內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定位精度有一定程度的提高［11］。2018 年Yan L 等設計了1 種提高室內機器人定位精度方法，該方法采用無源RFID 技術將信標設置為蜂窩模型，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 種將目標搜索結合RFID 技術的定位算法，定位結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技術和IMU 技術相融的室內跟蹤方法，試驗結果表明融合算法在室內跟蹤中具有良好的性能［15］。對于籠內環境復雜，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，本文設計了1 種基于UHF RFID 技術的雞只個體定位信息自動采集系統，合理地布置天線，搭建信號衰減測距模型，結合混合濾波算法和極大似然估計法以及牛頓迭代法實現雞只個體位置確定。

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（1 200 mm× 1 200 mm×680 mm）內進行。根據1∶9 公母比例飼養3只公雞，27 只母雞。母雞是280 d 左右海蘭灰蛋雞，質量在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。實驗場地是河北農業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

本實驗中采集系統每天工作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定工作時間、較高的標簽識別率和網絡接口速率。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，能充分發揮防碰撞算法的優勢，被用來讀取和寫入數據。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 種天線設為間歇工作方式同時置于RSSI 值采集系統中。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。

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，并將數據進行存貯。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。在雞只適應籠內環境后，讀取2020 年8 月14 日到2020 年8 月16 日在自然光照環境下上午9 時至下午6 時之間的數據列表進行分析處理。

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），讀寫器以網口連接方式連接到電腦，RSSI 值采集系統接口如圖2 所示。

圖2 RSSI 值采集系統接口Fig. 2 Interfacing of the RSSI system components

1.3 天線布置

根據文獻［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。調整5 個天線的位置和角度以及讀寫器的頻率，保證籠內移動的標簽都在天線輻射范圍內，在天線平面平行籠底和發射功率28.5 dBm 時標簽反射回的接收信號強度較為穩定，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境下路徑損耗系數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入雞只后系統定位準確性，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，將電子標簽設計成腳環佩戴在監測雞只的腳踝處，如圖4。

圖4 佩戴腳環的雞只Fig. 4 Chickens wearing ankle rings

1.5 視頻驗證系統

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，對籠內的雞只進行監測，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，根據圖像位置在圖片上標出位置坐標與系統定位坐標相對比，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據，攝像頭持續進行錄像，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 數據處理

2.1 RSSI 值與距離模型構建

根據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)表示天線發射的信號經過距離d衰減之后的RSSI 值，p(d0)表示天線發射的信號傳播距離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，n是該環境下的路徑損耗系數。對式（1）進行分析，可以得到計算信號發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，發射端發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。

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，大量已有的實驗數據表明，實際環境中噪聲、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，結果顯示在這段時間內該標簽采集到的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境干擾后發生跳變異常的數據，接著用高斯濾波算法進一步優化。在高斯濾波篩選出置信區間的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 值進行加權平均后的數據代替原有數據。

2.3 參數優化

在信號衰減測距模型中，籠子內的環境對籠頂天線發出信號強度的影響主要體現在發射端發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n上，路徑損耗系數與當前籠內環境有關［23-24］。本節主要討論路徑損耗系數n的選取對發射節點與接收節點之間距離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n取2、3、4 時RSSI 值與距離的關系。路徑損耗系數如果取經驗值，會對發射節點與接收節點之間距離d有很大影響。為了使它們最大限度地滿足天線發出的無線信號在籠內的傳播特性，減小基于RSSI值測距的誤差，需要對其進行優化以得到最適合當前環境中的參數值。

參數優化具體步驟為：

（1）距離1 號發射天線64 cm 的1 號標簽，距離2 號發射天線64 cm 的2 號標簽，距離3 號發射天線64 cm 的3 號標簽和距離4 號發射天線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，再用高斯模型繼續優化，對優化后的數據分別取中間值和均值。對優化后的RSSI 值進行中間值得到RSSI(a)，同樣的對優化后的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)做算數平均處理，即：

（3）使用公式(2)計算得到該環境下路徑損耗系數n的值。

2.4 極大似然法與牛頓迭代法求得最優解

在RSSI 定位系統中極大似然估計法是1 種常用的定位方法［25-27］。設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（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的問題。采用極大似然估計法獲得目標節點的初始坐標，將初始坐標作為牛頓法的初值代入牛頓迭代法中，設定迭代4 次，取其最接近初值的解作為最優解。求得最優解：fi(i=1，2，..n)表示（4）式等號左邊未知數的函數表達式，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'）即為定位最優解。

3 結果與分析

3.1 濾波和參數優化的結果與分析

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 值進一步優化，距離真實RSSI 值較遠的數據被濾掉，使得數據更加平滑，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，將原始數據采用狄克遜和高斯混合濾波剔除異常數據后，RSSI 值在［-67，-54.6］(dBm)之間上下波動，穩定性提高了很多。

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

經過混合濾波處理和高斯模型優化后的數據如圖11。

圖11 高斯模型優化后RSSIFig. 11 RSSI after Gaussian model optimization

原始數據波動大大減小，穩定性大大增強，很大程度上解決了信號穩定性差的問題。5 個天線空間位置不同，受到環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境下的路徑損耗系數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A 和nTable A and n of parameters at each antenna

結果表明參數A、n的值都是正常值，屬于文獻［29］和文獻［30］提供的常用環境下路徑損耗系數n的區間。

3.2 定位結果與分析

對RSSI 值數據進行濾波并優化參數后，根據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，即定位誤差在5 cm以內的概率接近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，對定位精度產生影響，但誤差都控制在5 cm 以內。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，根據圖像位置在圖片上標出位置坐標存入Excel 表格并將系統采集到RSSI 值進行定位的坐標存入Excel表格，將兩者進行對比，實際定位和節點-節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 內定位對比Fig. 13 Location comparison in 10 minutes

圖13 顯示了3 只雞在這10 min 內應用本研究的算法定位與實際定位和節點-節點定位的對比，發現應用算法的定位結果更接近真實位置，證明算法可較為準確地對雞只個體進行定位。

4 結論

（1）設計了1 種基于UHF RFID 技術的籠養環境下雞只位置信息采集系統，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。

（2）采用狄克遜和高斯濾波混合濾波算法將原始數據預處理，通過高斯模型，中值和均值濾波對處理后的數據進行優化，很大程度上解決了信號穩定差的問題。對路徑損耗系數進行優化，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。對籠內雞只進行實時定位，如圖13 所示實驗結果表明，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。