羊咳嗽声的特征参数提取与识别方法

为在设施圈养羊只产生呼吸道疾病的初期,通过监测其咳嗽声进行疾病预警和健康状况诊断,以内蒙古地区广泛推广的杜泊羊为例,对杜泊羊的咳嗽声信号进行自动采集和计算机识别,在不增加羊咳嗽声特征参数维数的前提下,提出一种改进的梅尔频率倒谱系数(MFCC),试验结果表明,该参数和短时能量、过零率组合的14维特征参数,经过羊咳嗽声隐马尔可夫模型(HMM)识别系统,其识别率、误识别率和总识别率分别达到了86.23%、7.17%和88.43%,该组合特征参数经主成分分析可降到9维,而通过BP神经网络改善的HMM咳嗽声识别系统,对咳嗽声的识别率、误识别率和总识别率分别达到了92.54%、5.37%和95.04%,满足了杜泊羊咳嗽声识别的要求。     

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。     

待产梅山母猪咳嗽声识别算法的研究

[目的]目前对于母猪是否患有呼吸系统疾病的诊断主要依靠饲养员观察,存在由于疏忽未能及时发现并处理患病母猪而造成大量母猪死亡的情况。为解决这一问题,笔者以待产梅山母猪咳嗽声为对象,对其识别方法进行了研究,旨在将母猪咳嗽情况作为诊断早期呼吸系统疾病的依据,以达到自动监控的目的。[方法]基于无线多媒体传感器网络进行母猪声音数据的采集与传输,对采集到的声音信号进行滤波、分帧等预处理操作后,由于不同声音的功率谱密度曲线的波动性不同,依托曲线目标优化的思想提取声音功率谱密度特征,并以此特征作为聚类中心,运用改进的模糊C均值聚类算法对咳嗽声和尖叫声进行识别分类。[结果]训练出了母猪咳嗽声和尖叫声的功率谱密度特征,差异明显;忽略个体差异,咳嗽声和尖叫声的总体识别准确率分别约为83.4%和83.1%,识别算法是有效的。[结论]针对待产梅山母猪咳嗽声,创新性提出了一种声音识别算法,该方法简单,高效,识别率高,为母猪呼吸系统疾病的早期自动诊断提供了技术支持。     

猪传染性胸膜肺炎的诊治

正(一)发病情况如皋市搬经镇一养猪户任某到镇兽医站求诊,经询问得知:半月前,该养猪户从外县不同的农户家中购买了一批苗猪,共计158头。买回后的第三天就发现有的猪不食,有的猪喘气,第五天死亡了两头。先后使用了庆大霉菌、卡那霉菌等治疗,效果不明显,至接诊日累计死亡猪27头。(二)临床症状病猪体温在40℃～41℃,精神沉郁,不食,气喘咳嗽,呼吸困难。耳朵发绀,严重者卧地不起。猪群中不时听到咳嗽声。(三)剖检变化剖检病猪可见胸腔有黄色积液,肺脏表面有黄色纤维素渗出物,肺有部分和胸腔粘连。肺颜色为红色,切面呈大理石样。心包有积液,心包膜和心脏外壁粘连,心脏外壁呈绒毛状,心肌松驰柔软。肝脏表面覆有纤维素渗出物。会厌软骨潮红,气管和支气管内有白色泡沫样液体。(四)防治措施     

基于深度神经网络的猪咳嗽声识别方法

猪只呼吸道疾病易传染，影响猪的养殖生产效率，咳嗽是呼吸道疾病的显著症状之一，为识别猪只咳嗽声，提出了一种基于深度神经网络的识别方法。对声音信号进行谱减法去噪和双门限端点检测后分别提取梅山猪咳嗽及喷嚏、鸣叫、呼噜声的滤波器组(Log＿filter bank, logFBank)和梅尔频率倒谱系数(Mel frequency cepstral coefficents, MFCC)特征，每种特征与其一阶及二阶差分组合作为卷积神经网络(Convolutional neural networks, CNNs)和深层前馈序列记忆神经网络(Deep feed forward sequential memory networks, DFSMN)咳嗽声识别模型的输入，进行多分类训练。对比不同特征提取方法及不同迭代次数对模型效果的影响，实验结果表明，以MFCC作为特征输入的CNNs模型效果较优，测试集上咳嗽声识别精确率为97%,召回率为96%,F1值为98%,总体识别准确率为96.71%。表明该模型有效可行，可为生猪福利养殖中猪咳嗽声识别提供技术支持。