基于声音特征的水力发电机组试验分析

针对工业设备声音数据的易得性，对两河口2号水轮机组开机试验过程中的升/甩负荷等实验进行声音数据采集，对采集的声音数据进行RMS、频谱、声谱图分析。基于波形、频谱以及声谱图的细微差别，选择神经网络作为辅助手段，将声谱图作为训练样本进入神经网络输入层，得到声纹特征，将声纹特征接入聚类模型实现分类，并实现测试样本的分类打分。结果表明，试验中的不同负荷工况和尾水门泄露事故均能够正确识别，本试验训练的模型对工况分类的正确率达到了100%。该研究将有助于建立针对水电站机电设备整体和重要关键部件的机器声纹特征图谱库。     

基于多特征融合的蛋鸡发声识别方法研究

为更好地利用音频进行畜禽发声分类,进一步提高识别准确率,提出了一种基于多特征融合的蛋鸡发声识别方法.以栖架式养殖模式下蛋鸡的产蛋声、鸣唱声、饲喂声、尖叫声典型音频为研究对象,提取梅尔频谱系数、短时过零率、共振峰及其一阶差分作为融合特征参量,构建基于遗传算法优化BP神经网络的蛋鸡发声分类识别模型.结果表明,本文方法对蛋鸡...     

蛋鸡声音信号去噪方法对比分析

声音分析技术已成为研究动物行为、动物福利的一种重要工具,蛋鸡声音可用来评价其健康或福利状况,然而规模化蛋鸡舍中存在较多风机噪声等声源干扰,这对准确识别蛋鸡发声有很大影响。本文以海兰褐蛋鸡为例,预处理获取的声音信号,以减少风机噪声的干扰。利用数字化声音采集平台采集不同类型的蛋鸡发声和风机噪声音频,采用Lab VIEW软件进行声音信号处理并分析蛋鸡声音和风机噪声的时频特征。同时,对比分析不同去噪方法(IIR滤波器去噪、小波阈值去噪和改进谱减法去噪)在去除风机噪声方面的效果。结果表明,在信噪比为-8~20 d B声音环境下,改进谱减法均方根误差最小(0.03~0.38),算法运行耗时最短(6~7 ms),在实际应用中去噪效果较好,可为规模化蛋鸡舍中风机噪声环境下的蛋鸡声音信号处理和分析提供参考。     

栖架养殖模式下蛋鸡发声分类识别

针对栖架养殖模式下蛋鸡的发声,采用频谱分析技术,运用音频分析软件Sound Analysis Pro提取不同行为状态下的发声图谱,采集其声学参数作为特征向量,应用J48决策树算法、朴素贝叶斯理论和支持向量机模型分别构建蛋鸡发声分类识别器,利用开源的数据挖掘平台Weka 3.6进行实验。结果表明,栖架养殖模式下,7:00~8:00的蛋鸡发声中,产蛋叫声、愉悦叫声分别占全部发声的42.2%、21.6%,相比于传统的笼养模式,有效地表达了蛋鸡生长过程中的自然行为和生理活动;基于J48决策树算法的蛋鸡发声分类模型识别率最高,达到88.3%,具有较好的识别效果,可运用于蛋鸡发声的实时监测和不同情感的分类识别。     

一种改进蛋鸡声音信号去噪方法

声音分析技术已成为研究动物行为、动物福利的一种重要工具,蛋鸡声音可用来评价其健康或福利状况,然而规模化蛋鸡舍中存在较多风机噪声等声源干扰,这对准确地识别蛋鸡发声有很大影响。本文以海兰褐蛋鸡为例,预处理获取的声音信号,减少风机噪声的干扰。利用数字化声音采集平台采集不同类型的蛋鸡发声和风机噪声音频,采用LabVIEW软件进行声音信号处理并分析蛋鸡声音和风机噪声的时频特征。同时,对比分析不同去噪方法(IIR滤波器去噪、小波阈值去噪和改进谱减法去噪)在去除风机噪声方面的效果。结果表明,在信噪比为-8~20 dB声音环境情况下,改进谱减法均方根误差最小(0.03~0.38),算法运行耗时最短(6~7 ms),在实际应用中去噪效果较好。该研究可为规模化蛋鸡舍中风机噪声环境下的蛋鸡声音信号处理和分析提供参考。     

基于轻量级卷积神经网络的种鸡发声识别方法

在种鸡养殖和管理过程中,借助非接触式、连续的声音检测手段和智能化设备,饲养员可以全面了解蛋鸡的健康状况以及个体需求,为提高生产效率并同时改善种鸡福利化养殖,提出了一种基于轻量级卷积神经网络的种鸡发声分类识别方法,以海兰褐种鸡为研究对象,收集种鸡舍内常见的5类声音,再将其声音一维信号转换为二维图像信号,利用卷积神经网络建立轻量级的深度学习模型,80%数据进行训练,20%数据进行测试,该模型实现了动物声音信号从输入端到识别结果输出端的高效检测。对比已有研究,本文方法对种鸡舍内常见的5类声音识别整体准确率提高3.7个百分点。试验结果表明,该方法平均准确率为95.7%,模型对饮水声、风机噪声、产蛋叫声识别召回率均达到100%,其中风机噪声和产蛋叫声精确率和F1值也均达到100%,而应激叫声召回率最低,为88.3%。本研究可为规模化无人值守鸡舍的智能装备研发提供一定理论参考。     

子带特征参数在家禽应激发声识别中的应

基于子带梅尔频谱质心的优化特征参数(SMSC),研究了35日龄海兰褐蛋鸡在正常状态、光照与人为干扰等应激下发声信息的变化特征,并通过建立支持向量机模型(SVM),比较了采用优化特征参数与梅尔频标倒谱系数及其一阶、二阶导数组成的特征参数(MFCC-39)在识别不同应激中的应用效果.试验结果表明,采用加入梅尔频谱质心修正的特征参数,在分类正确识别率方面平均提高了24%.     

基于功率谱密度的蛋鸡声音检测方法

利用声音连续监测动物生长过程的缺点是无效声音数据量大。为了获得便于研究人员使用的小数据量并同时反映动物行为信息的声音,引入分类识别方法对原始声音进行处理。以栖架饲养环境中的含有海兰褐蛋鸡鸣叫声的声音片段和风机噪声片段为研究对象,基于不同类型声音在1 000~1 500 Hz频率范围内的功率谱密度存在差异,对2种声音片段进行了分类识别。试验结果表明,该方法的全面正确识别率为95%,其中蛋鸡声音片段正确识别率为93.3%。该方法将有助于实现风机噪声环境中动物声音实时检测与提取,从而减少无用声音数据的储存与传输。     

基于特征选择的小麦籽粒品种识别研究

为有效地对小麦籽粒品种进行分类，判别影响小麦籽粒品种识别的特征，进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张，对采集的图像进行预处理，提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值，并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析，基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%，其中基于纹理+形态+颜色特征模型的洛麦28识别率最高，达97.0%；经过线性判别分析，降维处理的小麦特征数据识别准确率达86.19%，模型训练时间仅0.87 s；基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的，有助于育种工作者对小麦籽粒识别做出更准确判断，具有一定的实际意义。     

GEE环境下融合主被动遥感数据的冬小麦识别技术

遥感技术已成为大宗作物种植面积提取的有效手段。为避免冬小麦提取中受光学数据缺乏的影响,基于随机森林算法（RF）和Google Earth Engine（GEE）云平台,探索时间序列Sentinel-1合成孔径雷达（SAR）数据后向散射系数对冬小麦提取效果,并融合Sentinel-1、2主被动遥感数据,研究后向散射系数、光谱特征、植被指数特征与纹理特征的不同组合对冬小麦识别精度的改善情况。结果表明：仅融合多时相Sentinel-1 SAR数据时,分类总体精度为85.93%,Kappa系数为0.75,冬小麦识别精度达到95%以上。融合多时相SAR数据与单时相光学数据,在充分利用极化信息和光谱信息进行分类后,分类总体精度为95.78%,Kappa系数为0.92,比多时相SAR分类结果分别提高9.85个百分点和约22.67%,对冬小麦的识别精度提高约2个百分点。通过分析不同特征组合情况下纹理特征对分类的影响,发现纹理特征对冬小麦的识别精度影响程度较小。     

基于小波纹理和随机森林的猕猴桃果园遥感提取

为快速、准确地从高分影像中获取猕猴桃种植分布信息,提出了一种结合小波变换纹理分析和随机森林分类的QuickBird影像猕猴桃果园自动提取方法。首先,采用coif5小波对QuickBird全色影像进行多尺度小波分解,计算各子频带小波系数的能量特征作为纹理特征;然后,将小波纹理与光谱特征组合构建分类特征;最后,利用随机森林分类实现土地利用分类和猕猴桃果园空间分布提取。结果表明,小波纹理识别猕猴桃果园的效果明显优于光谱特征和其他2种纹理特征;光谱+小波纹理特征的分类精度最高,猕猴桃果园提取精度(Fk)和总体分类精度(OA)分别为95.30%和94.46%,比光谱+灰度共生矩阵纹理分类分别提高6.70%和2.88%,比光谱+分形纹理分类显著提高13.43%和6.98%;随机森林分类结果优于相同特征下的支持向量机、最大似然分类。本文提取的猕猴桃果园面积与目视解译结果的相对误差小于7%。此外,利用本文方法对同期QuickBird影像另一研究区的苹果园分布进行提取,结果表明,该方法对苹果园提取有较好的适用性。     

畜禽声音监测技术研究进展

发声是动物沟通的重要方式之一,可以反映动物在各种状态下所表现出的行为信息。对畜禽声音信号进行采集与分析能够准确地反映出畜禽个体的状态与行为特点,是实现畜禽行为信息监测与研究的一种重要方法。目前畜禽声音监测技术主要着重于对采集畜禽声音信号的预处理、特征提取以及分类识别等方面。文章分析归纳了畜禽声音监测技术的主要流程,分析了不同畜禽在患病、进食、情绪变化的状态下的声音监测,并对畜禽声音监测的发展进行总结与展望。     

基于Sentinel-2与时序Sentinel-1 SAR特征的赣南柑橘种植区识别方法

为准确获取柑橘果园空间分布信息,实现柑橘种植结构调整、产量估算和资源管理,以赣南3个柑橘种植主产区(信丰县、安远县及寻乌县)为研究区域,针对南方地区多云多雨导致传统光学影像较为缺乏的问题,使用Sentinel系列数据和PIE-Engine平台,构建和优选了光谱特征、植被水体指数特征、红边波段特征和纹理特征,并引入时间序列Sentinel-1合成孔径雷达(SAR)数据的后向散射系数,共同探讨不同特征组合对柑橘种植园的识别提取效果,基于随机森林算法并融合Sentinel-2与时序Sentinel-1 SAR特征识别提取了赣南柑橘种植区。结果表明：5、9、11月柑橘种植园与其他地物的平均后向散射系数分离性最佳,是识别提取柑橘的关键时期;指数特征及纹理特征参与分类改善了分类效果且提高了分类精度;相较于单一SAR特征及指数、纹理特征,加入时序SAR特征的分类结果中总体精度达90.084%,Kappa系数达0.863,错分、漏分误差较小,符合实际地物分布情况,说明了时序SAR特征的可用性和实用性。本研究可为多云多雨的南方柑橘果园的识别提取提供参考。     

基于特征融合技术的发动机故障诊断

为了提高发动机的故障识别率,设计了一种将B&B算法与广义辨别分析（GDA）相结合的多类特征融合方法。从发动机转子的振动信号中提取出频谱特征集和纹理特征集,用B&B算法删去2类特征集中信息量少的特征,并用GDA和支持向量机（SVM）分类器进行特征融合和分类识别。发动机的转子故障试验结果表明,该方法获得的融合特征包含有更多的类别信息,用于转子故障获得的识别率为98.21%,且不受分类器核参数的影响;而频谱特征、纹理特征输入SVM分类器后获得的故障识别率仅为92.86%和89.29%。该研究为发动机的故障诊断提     

农作物病害危害程度自动测定与分级的研究

准确、快速地处理与识别植物病害图像,并自动可靠地对其进行危害程度测定是进行农作物病害防治的关键.为此,研究了利用分形理论对农作物病变叶片自然纹理图像进行了处理,利用BP网络来实现自然纹理图像的分类问题.同时,分析了各种不同的特征在分类器中的性能,提出了一种纹理特征性能的比较方法.结果表明:适当选取分形维数的不同计算方法互相组合,可以提高分类器的性能.     

基于随机森林算法的自然光照条件下绿色苹果识别

果实识别是自动化采摘系统中的重要环节，能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别，本文采集了果实生长期苹果树图像，并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性，尤其是绿色果实和叶片在很多特征上的相似性，论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理，去除枝干等背景，得到仅剩果实和叶片的图像。然后，分别提取叶片和苹果的灰度及纹理特征构成训练集合，建立了绿色苹果随机森林识别模型，并使用像素模板验证数据集，对模型进行预测试验，正确率为90%。最后，选择10幅自然光照条件下不同的果树图像作为检测对象，使用该模型进行果实识别并使用霍夫变换绘制果实轮廓，平均识别正确率为88%。结果表明，该方法具有较高的鲁棒性、稳定性、准确性，能够用于自然光照条件下绿色果实的快速识别。     

基于残差网络的自然环境中刺梨果实的识别

针对传统的目标检测方法依赖人工提取特征,存在检测效率低、鲁棒性差和实时性差等缺陷。本文根据刺梨果实在自然环境中的生长特点,采用带有残差模块的YOLO v3神经网络进行刺梨果实识别模型的训练,该网络通过提取不同卷积层的特征图,将深层特征图进行上采样后与浅层特征图进行多次融合,以提取图像的更深层次的特征信息。通过对该网络的相关参数进行优化和改进,并对未参与模型训练的70幅刺梨图像进行检测,实验表明,本文算法能够有效地对自然环境下的11类刺梨果实进行识别,各类识别平均准确率为88.5%,平均召回率为91.5%,F_1平均值为89.9%,识别速率约为20 f/s。本文算法在刺梨果实的识别上取得了理想的识别效果。     

基于融合的DWT-LTP-IGLCM的野生食用菌纹理特征分类方法研究

为更好解决野生食用菌纹理特征提取方法的识别效率和准确性问题,针对相似野生食用菌褶,提出DWT-LTP-IGLCM的纹理特征提取融合方法,利用DWT有效保留图像的主要特征,通过LTP中心像素与相邻像素间的关系设定固定的阈值,不仅消除了噪声的干扰且具有更好的光照鲁棒性,结合旋转不变的灰度共生矩阵IGLCM的特征参数,得到了12个食用菌纹理特征值进行分析,基于支持向量机SVM方法对其特征进行有效的分类。试验结果表明:DWT-LTP-IGLCM的纹理特征提取,可以有效将相似食用菌进行分类识别,分类的正确率达到了100%,并且减少了食用菌外部特征分类的错分率,提高了食用菌分类识别效果。     

基于纹理特征和SVM的QuickBird影像苹果园提取

为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。     

基于Google Earth Engine的黄土高原覆膜农田遥感识别

为了建立覆膜农田遥感识别技术体系,本研究选取甘肃省定西市安定区团结镇作为黄土高原地膜覆盖旱作农业代表性区域,基于Google Earth Engine云平台和Landsat-8反射率数据,采用特征重要性分析优选纹理特征,利用参数优化后的随机森林算法提取覆膜农田区域并选出最佳特征组合方案,最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果来评价不同分类算法的性能。结果表明:优化关键参数后的随机森林算法能够显著提高遥感影像的分类精度;单一特征方案中,基于光谱特征的分类精度最高,且加入指数和纹理特征可提高总体识别精度;利用随机森林特征重要性分析选取的优选纹理特征分类性能优于全部纹理特征,基于"光谱+指数+优选纹理"特征方案的识别结果最佳,总体精度和Kappa系数达95.05%和0.94;与支持向量机、决策树和最小距离分类相比,随机森林优势明显,总体精度分别高3.10、7.74、50.78个百分点。本研究实现了对地形复杂地区覆膜农田空间分布较为精准的识别。