基于功率谱和共振峰的母羊发声信号识别

内蒙古及周边西部地区正在发展规模化种草设施圈养,这种养殖模式要求较高的福利化饲养水平。母羊在不同的应激行为下会发出不同的声信号,可以通过识别母羊发声信号去评价其健康状况和福利化养殖水平。该研究以成年小尾寒羊为例,通过无线语音数据采集卡,平均采集80只母羊在寻羔、饥饿和惊吓3种应激行为下的发声,用Audacity软件共分割成1 200句叫声信号,并用带通滤波和小波消噪进行预处理。每种应激行为下再随机选取200句发声信号,共计600句进行AR(auto-regressive)功率谱估计和共振峰分析,提取第1、2和3共振峰频率和6个代表性的功率谱估计频域参数:功率谱密度的平均值、几何平均值、中值、切尾平均值、平均绝对偏差值和四位分极差,同时也提取叫声信号的最大值、持续时间和间隔时间时域参数,这些特征参数用于训练BP(back propagation)神经网络母羊发声信号识别模型,剩余的600句发声信号用于测试模型的识别效果。结果表明:母羊在不同应激行为下的发声信号具有明显差异的特征参数,采用共振峰参数训练的BP网络,其对母羊发声信号的正确识别率为85.3%,高于利用AR功率谱估计参数的81.0%,当2种参数进行组合训练BP网络后,其正确识别率可达93.8%,表明这种方法的识别效果更好,由于在同一种应激行为下,不同年龄和体质量的母羊发声信号具有一定的差异性,使得系统的误识别率达到6.2%。     

基于连续语音识别技术的猪连续咳嗽声识别

针对现有基于孤立词识别技术的猪咳嗽声识别存在识别声音种类有限,无法反映实际患病猪连续咳嗽的问题,该文提出了基于双向长短时记忆网络-连接时序分类模型(birectional long short-termmemory-connectionist temporal classification,BLSTM-CTC)构建猪声音声学模型,进行猪场环境猪连续咳嗽声识别的方法,以此进行猪早期呼吸道疾病的预警和判断。研究了体质量为75 kg左右长白猪单个咳嗽声样本的持续时间长度和能量大小的时域特征,构建了声音样本持续时间在0.24～0.74 s和能量大于40.15 V~2·s的阈值范围。在此阈值范围内,利用单参数双门限端点检测算法对基于多窗谱的心理声学语音增强算法处理后的30 h猪场声音进行检测,得到222段试验语料。将猪场环境下的声音分为猪咳嗽声和非猪咳嗽声,并以此作为声学模型建模单元,进行语料的标注。提取26维梅尔频率倒谱系数(Mel frequency cepstral coefficients,MFCC)作为试验语段特征参数。通过BLSTM网络学习猪连续声音的变化规律,并利用CTC实现了端到端的猪连续声音识别系统。5折交叉验证试验平均猪咳嗽声识别率达到92.40%,误识别率为3.55%,总识别率达到93.77%。同时,以数据集外1 h语料进行了算法应用测试,得到猪咳嗽声识别率为94.23%,误识别率为9.09%,总识别率为93.24%。表明基于连续语音识别技术的BLSTM-CTC猪咳嗽声识别模型是稳定可靠的。该研究可为生猪健康养殖过程中猪连续咳嗽声的识别和疾病判断提参考。     

基于改进MFCC的家禽发声特征提取方法

动物的发声包含丰富的信息,能够在一定程度上反馈其自身机体状况及对环境的应激情况,因此发声已成为评价动物福利的一个重要参考指标。为了实现对动物发声信息的自动采集与分析,该研究针对蛋鸡,探索采用不同特征提取算法用于识别蛋鸡叫声。在分析线性预测倒谱参数(LPCC)与梅尔频标倒谱系数法(MFCC)的基础上,结合识别的目标,提出了改进的平均梅尔频标倒谱系数法(AMFCC),并针对三种不同的特征提取算法采用支持向量机分类模型进行了正确识别效率验证,结果表明改进的AMFCC方法比前两种算法正识效率有显著提高。     

内蒙古地区自然通风羊舍的冬季环境研究

选择内蒙古赤峰市东郊的羊场对自然通风羊舍进行了冬季环境测试和分析。结果表明,夜间舍内平均温度为-2.8～1.2℃,平均相对湿度64.5%～73.5%;舍内的温湿度随舍外温湿度的变化而变化,但舍内温度比舍外高9～12℃,舍温平稳,舍内温差显著小于舍外;同时舍内风速、CO2、NH3浓度的测试表明,舍内空气质量在羊的适宜范围之内。不同朝向的羊舍舍内温、湿度有显著差异,南向羊舍舍温一般较东向羊舍高2～3℃;羊舍夜间全封闭时舍温一般比北窗敞开时高2～4℃。内蒙古地区采用自然通风羊舍,可在一定程度上改善羊只的饲养环境条件,减轻冬季严寒对养羊业造成的危害,但无任何供暖设备的羊舍尚不能完全满足冬季产羔的需求。     

循环水养殖大口黑鲈摄食颗粒饲料的声学特征

为突破智能投饲系统的技术瓶颈,近年来采用被动声学技术开展鱼虾摄食行为研究成为热点之一。该研究主要采用被动声学技术获取单体大口黑鲈（Micropterus salmoides）摄食声信号,从混合信号中提取完善的摄食信号,筛选可作为衡量大口黑鲈摄食活跃度的声学特征参数,以期对摄食活跃度进行量化。根据大口黑鲈喂食期间的同步音频与视频记录,确定信号类别并进行标记,主要提取每次吞食饲料的时域与频域特征,对比各参数与吞食次序之间的相关度。研究结果表明,摄食声信号能量主要集中于4～7 kHz,且大口黑鲈吞食间隔与吞食次序呈正相关,稳定性较强;而时域特征中的波形振幅极差与频域特征的功率积分值均与吞食次序呈负相关。吞食间隔、振幅极差及功率积分值均可以作为衡量摄食活跃度的量化指标,而共振峰与平均梅尔倒谱系数可作为摄食声识别参数,研究结果可为今后养殖鱼类被动声学智能投饲系统研发提供理论基础。     

蛋鸡发声与机械噪声特征提取及分类识别

规模化蛋鸡舍中不同机械设备运行所产生的噪声会干扰蛋鸡声音提取。为了分析分类识别蛋鸡发声与机械噪声的可行性,该研究以蛋鸡产蛋发声、鸣唱声和规模化蛋鸡舍中通风系统、饲喂系统、清粪系统、集蛋系统单独运行时的噪声为研究对象,运用LabVIEW软件提取了蛋鸡发声和机械噪声的功率谱密度,以子带功率比为特征向量,在数据挖掘平台Weka上应用J48决策树算法构建声音分类识别器。结果表明,蛋鸡产蛋发声和鸣唱声的最大功率比位于频率范围689~1 378 Hz内,通风系统噪声和饲喂系统噪声的最大功率比位于频率范围0~689 Hz内,清粪系统噪声和集蛋系统噪声的最大功率比位于频率范围1 378~2 756 Hz内;该声音分类识别模型的平均识别率为93.4%,其中蛋鸡鸣唱声和产蛋发声的识别率分别为85.9%和92.5%,机械噪声的分类识别率更高,说明基于子带功率比的声音识别方法具有较好的识别效果,该结果为规模化蛋鸡养殖舍复杂声音环境中检测蛋鸡声音提供了参考。     

基于补偿模糊神经网络的脐橙不同病虫害图像识别

为了开发脐橙不同病虫害的通用机器识别技术,对病虫害危害后的脐橙图像进行蓝色分量去背景,改进型分水岭算法提取病虫害为害状边界,据此边界对原彩色图像中的为害状进行标记,以标记区红色、绿色、蓝色分量表征病虫害为害状的颜色特征,为害状边界分形维数表征病虫害为害状的形状特征,将这4个特征值作为补偿模糊神经网络输入,建立补偿模糊神经网络脐橙病虫害识别模型,识别脐橙病虫害。4种病虫害及机械损伤果的平均正确识别率为85.51%,该方法可用于脐橙病虫害识别。     

车削刀具磨损声发射信号的云特征分析

针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,该文提出了基于云理论的信号特征提取方法。首先,采用小波包分析对声发射信号进行信号分解和重构,滤除噪声对提取特征参数的影响;其次根据重构信号的统计分布特性,利用逆向云算法提取信号敏感频带的期望值、熵及超熵云特征参数,定量分析刀具在不同切削条件下3种云特征参数随磨损量增大所呈现的变化规律;最后,通过散点图分析3种特征参数表征刀具磨损声发射信号的有效性。结果表明:刀具磨损声发射信号具有明显的云特性,3种云特征参数与刀具磨损状态具有明显的对应关系,可作为刀具磨损状态监测、磨损量预测的特征参数;云理论在刀具磨损监测领域的应用,扩大了知识的表示范围。     

离散小波变换和BP神经网络识别玉米种子纯度

摘要：为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对其图像处理方法和分类算法进行研究,提出一种基于离散小波变换和BP神经网络玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB颜色模型特征参数,然后对三个色彩分量分别进行二层离散小波变换,提取各频带区域均值作为BP神经网络的输入样本,玉米种子的纯度分类作为神经网络的输出样本。实验结果表明该方法可准确识别玉米纯度并分类,正确识别率达94.5%。     

利用敲击声音信号进行禽蛋破损检测和模糊识别

为了在蛋品加工中能够快速检测并剔除异常蛋(钢壳蛋、尖嘴蛋)和破损蛋，利用一个微型话筒和声卡采集蛋在敲击时的声脉冲信号，将采集到的声脉冲信号送计算机处理和分析。研究结果表明：正常蛋、破损蛋、钢壳蛋、尖嘴蛋的敲击声音信号在衰竭时间、最小共振峰频率和四点最大频率差等参数上存在差异，且差异的边界是模糊的。利用最大隶属度原则进行模糊识别，破损蛋的识别准确率达95%。     

基于深层神经网络的猪声音分类

猪的声音能够反映生猪的应激状态以及健康状况,同时声音信号也是最容易通过非接触方式采集到的生物特征之一。深层神经网络在图像分类研究中显示了巨大优势。谱图作为一种可视化声音时频特征显示方式,结合深层神经网络分类模型,可以提高声音信号分类的精度。现场采集不同状态的猪只声音,研究适用于深层神经网络结构的最优谱图生成方法,构建了猪只声音谱图的数据集,利用Mobile Net V2网络对3种状态猪只声音进行分类识别。通过分析对比不同谱图参数以及网络宽度因子和分辨率因子,得出适用于猪只声音分类的最优模型。识别精度方面,通过与支持向量机,随机森林,梯度提升决策树、极端随机树4种模型进行对比,验证了算法的有效性,异常声音分类识别精度达到97.3%。该研究表明,猪只的异常发声与其异常行为相关,因此,对猪只的声音进行识别有助于对其进行行为监测,对建设现代化猪场具有重要意思。     

畜禽行为及生理信息的无损监测技术研究进展

畜禽信息主要包括动物健康信息、行为信息、情绪信息。禽畜养殖中,准确高效监测畜禽信息有助于分析动物的生理、健康和福利状况,及时发现生病或异常个体,以减少经济损失和保障动物福利。目前畜禽养殖中主要依靠人工观察方式获取畜禽信息,主观性强且精度低;或者在饲养过程中采用一些将装置植入动物体内或对动物进行手术的监测手段,造成动物应激反应,有损动物福利。无损监测技术可以有效减少人力,降低观察者对动物的影响,减少监测过程中对动物造成的损伤与应激反应,提高动物福利。随着信息技术的进步,畜禽信息无损监测技术也在不断发展。该文阐述了畜禽养殖中传感器监测、图像监测及声音监测3种无损监测技术在获取畜禽信息方面的研究与应用现状,并分析3种无损监测技术的优劣。传感器监测技术发展较其他2种技术相对更加成熟,应用也更加广泛,可用来监测动物饮食、行为姿态等,但适合动物穿戴、可长期高效工作的传感器节点技术有待突破;图像监测技术利用前景提取、模式识别等方法对动物图像进行分析,可进行动物行为识别、质量估计等,对动物影响最小。但目前算法还不成熟,装置受环境干扰较大,因此应用有限;声音监测技术起步较晚,受限于环境噪声的影响,识别正确率较低,但在动物行为监测、疾病预警、情绪识别、饮食监测等方面均有较好的应用前景。该文还展望了畜禽信息无损监测技术未来精准、高效、智能、经济的发展趋势。     

笼养和栖架养殖模式下蛋鸡的发声特征

为了分析不同饲养模式和阶段对蛋鸡发声的影响,并为构建基于蛋鸡声音信息的健康养殖评价系统提供参考,该研究对蛋鸡的发声进行了监测,通过声音预处理、特征提取、数据挖掘和统计分析等方法,研究笼养和栖架饲养模式下、育成期和产蛋期蛋鸡的声学特征。结果表明,典型蛋鸡声音可分为产蛋叫声、鸣唱声、鸣叫声和争斗尖叫声等四类。产蛋期蛋鸡发声的峰值频率和声音能量水平均低于育成期蛋鸡。同时发现蛋鸡发声的峰值频率与蛋鸡周龄大小呈现负相关关系,由14周龄的(2 192±320)Hz降至41周龄的(1 550±345)Hz。比较笼养和栖架养殖模式下蛋鸡的声音特征发现:栖架养殖模式下蛋鸡发出的声音信号次数、持续时间和声音能量均高于笼养模式,栖架养殖下的蛋鸡发声数量是笼养模式下蛋鸡的3倍以上,栖架系统内蛋鸡白天的声音能量比笼养蛋鸡高接近1倍,这些结果表明在以福利化为目标的栖架养殖模式中蛋鸡表达更多的自然行为,蛋鸡发声的丰富程度可用于后续开发评价蛋鸡的福利状况的方法。     

采用改进CNN对生猪异常状态声音识别

猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络（Convolutional Neural Network,CNN）的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G通讯技术将声音信息上传至云服务器,基于专业人员指导制作猪只异常声音（生病、打架、饥饿等）数据集,提取猪只异常声音的梅尔谱图特征信息;其次引入多种注意力机制对CNN进行改进,并对CBAM（Convolutional Block Attention Module）注意力机制进行优化,提出_CBAM-CNN网络模型;最后将_CBAM-CNN网络模型分别与引入SE_NET（Squeeze and Excitation Network）、ECA_NET（Efficient Channel Attention Networks）和CBAM注意力机制的CNN神经网络进行对比,试验结果表明该文提出的_CBAM-CNN网络模型在最优参数为128维梅尔频率、2 048点FFT（Fast Fourier Transform）点数、512点窗移下的梅尔谱图特征下相较于其他模型对猪只异常声音识别效果最佳,识别率达到94.46%,验证了算法的有效性。该研究有助于生猪养殖过程中对猪只异常行为的监测,并对智能化、现代化猪场的建设具有重要意义。     

含风机噪声的蛋鸡声音信号去噪方法比较

蛋鸡声音可用来评价蛋鸡本身的福利状况,然而蛋鸡舍中往往存在着低频风机噪声干扰蛋鸡声音信号的时频特征。为了优化含风机噪声的蛋鸡声音信号,以海兰褐蛋鸡为例,利用数字化声音采集平台,采集了不同的蛋鸡叫声和风机噪声。采用LabVIEW软件,分析了蛋鸡声音和风机噪声的时频特征,同时比较了滤波器和小波去噪方法在去除风机噪声方面的应用效果。结果表明,蛋鸡产蛋期间的声音频率范围为400~2 500 Hz,而风机噪声的频率在600 Hz以内。在信噪比为-20~10 dB蛋鸡声音环境中,无限脉冲响应滤波器滤波后的均方根误差要比有限脉冲响应滤波器滤波后的均方根误差小,说明无限脉冲响应滤波器具有更好的滤波效果,与其他小波阈值去噪方法相比,以史坦无偏似然估计为阈值的小波去噪方法在去噪后的均方根误差最小,表明这种方法的去噪效果更好。该研究可为蛋鸡舍中风机噪声环境下的蛋鸡声音识别提供参考。     

规模化羊场羊舍夏季环境与小尾寒羊的行为观察

如何建立与完善舍饲养羊工艺模式，以满足羊只生物学特点和行为学特性的要求，正受到越来越多的关注。该文在对规模化舍饲养羊场的羊舍环境进行测试分析的基础上，对小尾寒羊的行为表现进行了连续2周的观察。结果表明，舍饲环境下小尾寒羊的行为谱主要由采食、反刍、休息和运动4个行为变量构成，处于不同生育阶段的小尾寒羊之间行为存在着一定的差异。躺卧是小尾寒羊的一种基本行为，环境温度对羊只的躺卧区域选择及躺卧姿势有很大影响。在集约化舍饲环境下，虽然可以为羊只提供较为理想的羊舍小气候环境，但因饲养环境单调，空间狭小，羊只的某些固有行为得不到正常表达。     

改进AVSlowFast音视频融合模型对哺乳期母猪关键行为的识别

哺乳期母猪的自动行为监测对于保障母猪健康并及时发现异常状态具有重要意义。为了在识别母猪行为中整合视觉和听觉信号蕴含的信息,该研究提出了一种基于音视频特征多模态融合的哺乳期母猪关键行为识别方法。首先,引入三分支结构的AVSlowFast模型作为基础网络,通过视频慢通道、视频快通道、音频通道有效挖掘在视觉和听觉2种模态下的相关行为特征,并基于多层次侧向连接深入融合视听觉模态信息。在此基础上,该研究在特征融合后期引入高斯上下文变换器通道注意力模块,在不新增模型参数的条件下进一步优化高维多模态三维特征的融合效果,提高行为识别的准确率。该研究以哺乳期母猪为对象,采集实际养殖环境中的音频与视频数据进行试验,试验结果表明基于改进AVSlowFast音视频融合模型识别进食、哺乳、睡眠、拱栏、饮水、日常活动6种关键行为的平均精确率与召回率分别为94.3%和94.6%。与基于SlowFast的单模态行为识别方法相比,该研究提出的方法对6种行为识别的平均F1分数上显著提升了12.7%,为实现畜禽多模态行为监测提供了一种有效思路。     

噪音污染影响种鸡生产性能试验

该文测定了宣州龙威公司两栋鸡舍噪音强度和产蛋率、受精率等指标。A栋鸡舍靠近公路15 m，与饲料车间只隔一墙，白天声压级在85 dB以上，噪声污染十分严重；B栋鸡舍环境良好，白天声压级在63 dB左右。试验结果表明：B栋鸡舍产蛋率比A栋鸡舍提高13.6%，破蛋率降低3.73%，受精率提高1.3%，差异显著(P＜0.05)。