基于深度神经网络及隐马尔科夫模型的生猪状态音频识别

针对传统音频识别方法在生猪音频信号识别中识别率较低的问题,将深度神经网络及隐马尔可夫模型理论作为生猪音频信号识别依据,以长白猪的吃饭声、发情声、嚎叫声、哼叫声和生病长白猪的喘气声为识别对象,利用卡尔曼滤波和改进的EMD-TEO倒谱距离端点检测算法对生猪音频信号进行预处理,把提取的39维的梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)作为网络学习和识别的数据集,构建基于深度神经网络及隐马尔科夫模型的生猪状态音频识别模型。试验结果表明:1)隐马尔可夫隐状态数设置为5,深度神经网络隐藏层设置为3层,每层128个节点的深度神经网络-隐马尔可夫模型(Deep neural network-hidden Markov model,DNN-HMM),对5种生猪状态音频,即吃饭声、嚎叫声、哼叫声、发情声和病猪喘气声的识别率为70%、95%、75%、80%和95%,总体识别率83%;2)相较于传统的高斯混合模型-隐马尔可夫模型(Gaussian mixture model-hidden Markov model,GMM-HMM),DNN-HMM对相应音频的识别率分别提高了5%、5%、15%、30%、30%,总体识别率提高了17%;3)DNN-HMM模型对于5种不同类型的生猪音频信号均呈现出较好的识别效果。基于DNN-HMM生猪音频识别模型,对生猪不同状态下音频的识别具有较高正确率,且更为可靠。     

高噪声环境下基于倒谱距离的语音端点检测算法的实现

为了在高噪声环境下得到较清晰的语音信息,对倒谱距离算法进行了改进,利用语音信号的倒谱向量判断语音端点信息。MATLAB仿真实验结果表明,在白噪声和汽车噪声环境下,信噪比分别为10 dB和15 dB时,得到的语音单字清晰度分别达到93%和95%,实现了90~100 dB高噪声环境下可靠的语音通信。     

基于改进特征HMM的尖叫音频检测算法

提出了一种基于改进特征隐马尔科夫模型(HMM)的尖叫音频检测算法。它可以对视频中的尖叫片段进行检测,具有实时性和准确性的特点。对音频中的短时能量、过零率和梅尔频率倒谱系数等特征进行了分析,利用其统计学特性对这些特征进行了改进,提出了尖叫检测中新的音频特征。将新的音频特征融合进HMM中,提出了基于改进特征HMM的尖叫音频检测算法。通过实验验证了该算法的准确性和可行性。结果显示该算法的平均准确率高于97%且平均查全率高于94%,性能高于其他同类算法。     

一种新的对数能量谱熵语音端点检测方法

将一种新的对数能量(LE)特征和谱熵(SE)特征相结合,提出一种新的对数能量谱熵(LESE)特征,采用模糊C均值聚类算法和贝叶斯信息准则算法进行LESE特征门限估计,并使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验结果表明,相比于能量谱熵(EE)法和对数能量(LE)法,在噪声环境下LESE法具有更好的检测性能,表现出更好的稳健性.当信噪比为-5 dB时,LESE法的检测错误率仅为18.02%,在信噪比为0~10 dB时,其检测错误率要明显低于EE法和LE法.     

基于分形理论的语音端点检测

为提高语音端点检测(VAD)在较低信噪比(<10 dB)下的准确率,提出一种基于短时分形维数的改进算法。结合语音信号的特点,对2种常用的语音信号分形维数计算方法进行了比较和选择,同时采用动态跟随门限值实现语音端点的自适应检测。试验结果表明:对于信噪比6~10 dB的带噪语音,此方法可以实现整段语音的检测,而且具有一定的噪声鲁棒性,系统运行期间能够自适应调整门限值以适应环境噪声的变化,提高了VAD算法的准确率。     

基于矢量量化的猪咳嗽声识别

针对猪的规模化养殖中频发的呼吸道疾病问题,提出通过监测咳嗽状况对猪的健康状况进行预警,以谱减法去噪和端点检测为猪咳嗽信号主要预处理方法,以矢量量化(vector quantization,VQ)匹配算法为核心算法,分别构建基于标准梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)和改进的MFCC 2种猪咳嗽声识别模型。测试结果显示,以标准MFCC为特征矢量构建的识别系统的识别率、误判率和综合识别率分别达到88%、14%和87.3%,基于改进的MFCC特征矢量构建的识别系统与之相比有很大提高,其识别率、误判率和综合识别率分别达到91%、12%和90.0%。试验表明,采用改进的MFCC与矢量量化相结合构建猪咳嗽识别系统是可行的,能够应用于猪的呼吸道疾病预警。     

基于EMD自适应阈值的铡草机振动信号去噪

针对铡草机振动信号噪声污染的问题,采用EMD(Empirical mode decomposition)与基于SURE(Stein’s unbiased risk estimate)的自适应阈值算法,并利用自相关函数性质与二阶可导阈值函数,对铡草机振动信号进行研究。结果表明:1)模拟信号经EMD自适应阈值去噪后,信噪比SNR(Signal to-noise ratio)提高了15～19dB;经小波阈值去噪后,SNR提高了9～13dB;经EMD低通去噪后,SNR提高了5～11dB;经EMD阈值去噪后,SNR提高了12～15dB。2)铡草机振动信号经EMD自适应阈值算法去噪后,200 Hz的高频信号均消除,并且保留了≤200Hz低频信号的幅值;经小波阈值去噪后,振动信号200Hz的高频信号未能消除;经EMD低通与EMD阈值去噪后,振动信号≤200Hz低频信号幅值降低,导致部分信号失真。本研究提出的EMD自适应阈值算法可一定程度上降低铡草机振动信号噪声。     

基于改进压缩感知的生猪音频信号处理

为了快速准确地获取生猪的音频信息,消除无线信道的拥塞问题,提出基于普减法的压缩感知。在信息采集端采用微处理器NanoPCT4控制的麦克风采集音频信号,通过基于普减法的稀疏基矩阵和测量矩阵,减小声音传输量,接收端运用OMP算法,将压缩信号进行恢复重构,实现对生猪音频信号的快速准确传输。结果表明,通过运用这套压缩-重构系统,重构率提高20.75%,重构时间缩短近0.20 s,去噪后的峰值信噪比较未去噪的峰值信噪比增大了近1.50 dB,降低了信息传输量,节省了信号处理、存储和传输的时间,同时也降低信号失真。     

基于轻量化YOLOv4的生猪目标检测算法

针对目前生猪目标检测算法模型较大,实时性差导致其难以在移动终端中应用等问题,将一种改进的轻量化YOLOv4算法用于生猪目标检测.在群养猪环境下以不同视角和不同遮挡程度拍摄生猪图像,建立生猪目标检测数据集.基于轻量化思想,在YOLOv4基础上缩减模型大小.结果表明,本研究算法的准确率和召回率分别为96.85％和91.75...     

音频信号采集装置在西瓜成熟度检测中的应用

利用音频功率谱峰值频率分析可以检测西瓜成熟度,使用短时能量和过零率提取出振动信号,对信号进行分析能够准确的判断振动信号的起止点,完整地提取出每次敲打西瓜的声音信号,用于下一步处理,并滤除微小的干扰信号。通过划分不同成熟度下功率谱峰值频率区间范围,并用划分的区间检测西瓜的成熟度。     

农产品市场信息采集的语音识别鲁棒性方法

当前便携式农产品市场信息采集设备缺少语音接口,且通用领域的识别算法又过于复杂,为此提出一种适用于该设备作业环境的语音识别鲁棒性方法。首先利用MMSE估计器对带噪信号进行增强,以提高输入信号的信噪比;对增强后产生的语音失真和残留噪声,再利用倒谱均值方差归一化（CMVN）方法进行补偿。实验结果表明,该联合后的算法能有效的提高系统的识别率,特别是在低信噪比（0~10 dB）环境下更为有效。     

基于白化滤波的天然气集输管道微泄漏定位方法

油气田集输管道因腐蚀导致的微泄漏信号提取和识别是泄漏监测技术领域的一大难题.针对淹没在管道噪声中的微弱泄漏信号,提出了一种基于白化滤波的天然气集输管道微泄漏定位方法.以某油田天然气集输管道为例,采用自适应白化滤波算法消采集信号中的除低频分量,进而对泄漏定位公式进行优化,通过互相关方法计算管道上、下游信号的延迟时间,得到...     

基于移动互联的农产品二维码溯源系统设计

【目的】提出一种基于移动互联的农产品二维码(QR码)溯源系统。【方法】研究该系统的逻辑和物理结构,分析里德-索洛蒙(RS码)纠错编码原理及二维码编码算法。采用压缩感知(Compressed sensing,CS)算法预处理受污图像,对比传统的Gaussian、Disk和Log去噪方法,研究二维码数据容量与纠错的关系,研究扫描像素、受污位置和可识别图像的联系,确定手机摄像头参数。【结果】手机扫描最低像素为200万。RS编码信噪比为10.7 d Bm时,CS误码率为0.040 1,低于Log法的0.042 5;RS编码信噪比为11.7 d Bm时,CS误码率为0.011 3,低于Gaussian法的0.014 7。CS在多种噪声处理中的最大编码信噪比均大于10 d Bm。噪声掩盖区域对位置区影响最大,噪声在位置区和编码区的解码平均正确率分别为87.68%和91.24%。【结论】该系统实现了对象信息的完整性、可追溯性,解决了农产品种植、加工、流通、销售各个环节信息的滞后问题。     

木材无损检测技术中的应力波传播时延估计算法

为了准确测量应力波在木材内部的传播时间,提高木材内部缺陷识别的精度,提出了一种基于小波变换和高阶统计量的广义相关时延估计算法。该方法利用滤波算法,将采集到的应力波信号进行滤波去噪,然后输入到广义互相关时延模型,求出传播时延估计值。仿真和实际的木材检测实验结果表明:提出的算法比传统的定时器计时法时延估计精度提高81.5%,并具有较强的抗干扰能力。     

极化敏感均匀圆阵中PARAFAC信号检测算法

分析了极化敏感均匀圆阵接收到的信号，该信号具有三线性模型特征。提出了极化敏感均匀圆阵中平行因子信号检测算法。该算法利用三线性交替最小二乘（TALS）算法估计出信源矩阵，然后对其进行判决。仿真结果表明；该算法误码率性能接近于非盲解相关方法;与非盲解相关方法相比，在较高的SNR情况下误码率相差不到2dB；且在阵列扰动情况下仍具有较好的误码率性能。该算法无需空域信息和极化信息，是一种盲鲁棒方法。