Hệ thống theo dõi động vật địa điểm tự động chống ồn

Animal Biotelemetry - Tập 9 Số 1 - 2021
Liang Wang1, Foivos I. Diakogiannis2, Scott Mills3, Nigel Bajema3, Ian Atkinson3, Greg Bishop-Hurley4, E. Charmley1
1Agriculture and Food, CSIRO, 4814, Townsville, Australia
2ICRAR, The University of Western Australia, 6009, Perth, Australia
3eResearch Centre, James Cook University, 4814, Townsville, Australia
4Agriculture and Food, CSIRO, 4067, Brisbane, Australia

Tóm tắt

Tóm tắtNông nghiệp ngày càng phụ thuộc vào dữ liệu chính xác từ các mạng cảm biến, trong đó định vị là một ứng dụng nổi bật trong ngành chăn nuôi. Các phương pháp định vị bằng radio sử dụng độ chênh lệch thời gian đến (TDoA) dựa trên mặt đất có ưu điểm là nhẹ và tiết kiệm năng lượng hơn so với các phương pháp phụ thuộc vào Hệ thống Định vị Toàn cầu (GNSS). Các phương pháp này có thể sử dụng các cell pin sơ cấp nhỏ, thay vì các cell pin sạc, và vẫn có thể thực hiện việc triển khai kéo dài nhiều năm. Trong bài báo này, chúng tôi trình bày một thuật toán học sâu mới được điều chỉnh từ một mô hình mạng nơ-ron tích chập (CNN) một chiều, ban đầu được phát triển cho nhiệm vụ phân đoạn ngữ nghĩa. Mô hình được trình bày () không chỉ chuyển đổi các chuỗi TDoA thành các vị trí mà còn giảm thiểu các sai số vị trí do các nguồn như hiện tượng đa đường gây ra. Chúng tôi đã đánh giá mô hình bằng cách sử dụng các chuyển động của động vật được mô phỏng dưới dạng các chuỗi vị trí TDoA kết hợp với phân phối thực tế của sai số TDoA. Các vết tích động vật này đã được mô phỏng với các khoảng cách bước khác nhau để bắt chước các khoảng thời gian truyền TDoA tiềm năng. Chúng tôi so sánh với bộ lọc Kalman để đánh giá hiệu suất của thuật toán của chúng tôi so với một phương pháp giảm tiếng ồn truyền thống hơn. Trung bình, đối với các vết tích mô phỏng có tiếng ồn bổ sung với độ lệch chuẩn 50 m, phương pháp được mô tả đã có thể giảm sai số định vị từ 66.3% đến 73.6%. Bộ lọc Kalman chỉ đạt được mức giảm từ 8.0% đến 22.5%. Đối với một kịch bản với tiếng ồn bổ sung lớn hơn có độ lệch chuẩn 100 m, phương pháp được mô tả đã có thể giảm sai số định vị trung bình từ 76.2% đến 81.9%. Bộ lọc Kalman chỉ đạt được mức giảm từ 31.0% đến 39.1%. Kết quả cho thấy rằng mã hóa/giải mã CNN 1D mới này cho việc sửa lỗi vị trí TDoA vượt trội hơn so với bộ lọc Kalman. Nó có thể giảm sai số định vị trung bình xuống từ 16 đến 34 m trong tất cả các thí nghiệm mô phỏng trong khi sai số TDoA trung bình chưa được sửa chữa dao động từ 55 đến 188 m.

Từ khóa


Tài liệu tham khảo

Alonso-González I, Sánchez-Rodríguez D, Ley-Bosch C, Quintana-Suárez MA. Discrete indoor three-dimensional localization system based on neural networks using visible light communication. Sensors. 2018;18(4):1040. https://doi.org/10.3390/s18041040.

Bengio Y, Delalleau O. Justifying and generalizing contrastive divergence. Neural Computat. 2009;21(6):1601–21. https://doi.org/10.1162/neco.2008.11-07-647.

Chan YT, Ho K. Joint time-scale and tdoa estimation: analysis and fast approximation. IEEE Trans Signal Process. 2005;53(8):2625–34. https://doi.org/10.1109/TSP.2005.850336.

Chen T, Li M, Li Y, Lin M, Wang N, Wang M, Xiao T, Xu B, Zhang C, Zhang Z. Mxnet: a flexible and efficient machine learning library for heterogeneous distributed systems. 2015. arXiv preprint arXiv:151201274https://arxiv.org/abs/1512.01274v1

Clark DD. Overview of the argos system. Proc Oceans. 1989;3:934–9. https://doi.org/10.1109/OCEANS.1989.586711.

Craighead Jr FC, Craighead JJ, Cote CE, Buechner HK. Satellite and ground radiotracking of elk. NASA, Washington Animal Orientation and Navigation. 1972. https://ntrs.nasa.gov/citations/19720017418.

de Sousa MN, Thomä RS. Enhanced localization systems with multipath fingerprints and machine learning. In: 2019 IEEE 30th Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), IEEE, 2019; pp 1–6, https://doi.org/10.1109/PIMRC.2019.8904120.

Diakogiannis F, Waldner F, Caccetta P, Wu C. Resunet-a: a deep learning framework for semantic segmentation of remotely sensed data. ISPRS J Photogram Remote Sens. 2020;162:94–114. https://doi.org/10.1016/j.isprsjprs.2020.01.013.

He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition, 2016; pp 770–778, https://doi.org/10.1109/CVPR.2016.90.

Heinrich MP, Stille M, Buzug TM. Residual u-net convolutional neural network architecture for low-dose ct denoising. Curr Direct Biomed Eng. 2018;4(1):297–300. https://doi.org/10.1515/cdbme-2018-0072.

Jouventin P, Weimerskirch H. Satellite tracking of wandering albatrosses. Nature. 1990;343(6260):746–8. https://doi.org/10.1038/343746a0.

Kingma DP, Ba J. Adam: a method for stochastic optimization. 2014. arXiv preprint arXiv:14126980https://arxiv.org/abs/1412.6980v9.

Komatsu R, Gonsalves T. Effectiveness of u-net in denoising rgb images. Comput Sci Inf Techn. 2019; pp 1–10, https://doi.org/10.5121/csit.2019.90201.

Liu D, Wen B, Liu X, Wang Z, Huang TS. When image denoising meets high-level vision tasks: a deep learning approach. 2017. arXiv preprint arXiv:170604284https://doi.org/10.24963/ijcai.2018/117.

Marselli C, Daudet D, Amann HP, Pellandini F. Application of kalman filtering to noisereduction on microsensor signals. In: Proceedings du Colloque interdisciplinaire en instrumentation, C2I, 18-19 novembre 98, pp. 443-450, Ecole Normale Supérieure de Cachan, France, pp 443–450. 1998.

Marshall WH, Gullion GW, Schwab RG. Early summer activities of porcupines as determined by radio-positioning techniques. J Wildlife Manage. 1962;26(1):75–9. https://doi.org/10.2307/3798169.

Menzies D, Patison KP, Fox DR, Swain DL. A scoping study to assess the precision of an automated radiolocation animal tracking system. Comput Electron Agricult. 2016;124:175–83. https://doi.org/10.1016/j.compag.2016.04.001.

Mo J, Deng Z, Jia B, Bian X. A pseudorange measurement scheme based on snapshot for base station positioning receivers. Sensors. 2017;17(12):2783. https://doi.org/10.3390/s17122783.

Morales JM, Haydon DT, Frair J, Holsinger KE, Fryxell JM. Extracting more out of relocation data: building movement models as mixtures of random walks. Ecology. 2004;85(9):2436–45. https://doi.org/10.1890/03-0269.

O’Driscoll K, Schutz MM, Lossie A, Eicher S. The effect of floor surface on dairy cow immune function and locomotion score. J Dairy Sci. 2009;92(9):4249–61. https://doi.org/10.3168/jds.2008-1906.

Priede I. A basking shark (cetorhinus maximus) tracked by satellite together with simultaneous remote sensing. Fish Res. 1984;2:201–16. https://doi.org/10.1016/0165-7836(84)90003-1.

Quaglietta L, Porto M. Simriv: an r package for mechanistic simulation of individual, spatially-explicit multistate movements in rivers, heterogeneous and homogeneous spaces incorporating landscape bias. Movement Ecology. 2019;7. https://doi.org/10.1186/s40462-019-0154-8.

Reynolds AM. Mussels realize weierstrassian lévy walks as composite correlated random walks. Sci Rep. 2014;4:4409. https://doi.org/10.1038/srep04409.

Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical image computing and computer-assisted intervention, Springer, 2015; p 234–241, https://doi.org/10.1007/978-3-319-24574-4_28.

Swain D, Wark T, Bishop-Hurley G. Using high fix rate gps data to determine the relationships between fix rate, prediction errors and patch selection. Ecol Model. 2008;212(3):273–9. https://doi.org/10.1016/j.ecolmodel.2007.10.027.

Turchin P. Quantitative analysis of movement: measuring and modeling population redistribution in animals and plants. Sinauer Associates. 1998. https://doi.org/10.1086/393125.

Vincent P, Larochelle H, Bengio Y, Manzagol PA. Extracting and composing robust features with denoising autoencoders. In: Proceedings of the 25th international conference on Machine learning, 2008;p 1096–1103, https://doi.org/10.1145/1390156.1390294.

Wu L, Li F, Chen S. A improved wireless location algorithm in nlos environment. Inform Technol J. 2013;12(24):8563. https://doi.org/10.3923/itj.2013.8563.8569.

Zhang YF, Thorburn PJ, Xiang W, Fitch P. Ssim—a deep learning approach for recovering missing time series sensor data. IEEE Internet Things J. 2019;6(4):6618–28. https://doi.org/10.1109/JIOT.2019.2909038.

Zhang Z, Jiang F, Li B, Zhang B. A novel time difference of arrival localization algorithm using a neural network ensemble model. Int J Distrib Sensor Netw. 2018;14(11):1550147718815798. https://doi.org/10.1177/1550147718815798.

Thông tin
Thông tin xuất bản

Animal Biotelemetry

Tập 9 Số 1

Thông tin tác giả