基于声谱图纹理特征的蛋鸡发声分类识别

为有效地辨别蛋鸡不同类型声音,了解蛋鸡的健康状况以及个体需求,提高生产效率的同时改善蛋鸡福利化养殖,提出一种基于声谱图纹理特征的蛋鸡发声分类识别方法。以海兰褐蛋鸡的声音为研究对象,将图像处理和声音处理技术相结合,由一维声音信号转换为二维图像信号,二维声谱图中的纹理特征呈现了蛋鸡声音的更多细节信息。最后,利用2D-Gabor滤波器提取蛋鸡发声声谱图中的声纹信息,并采用人工神经网络模型进行训练和分类识别。试验结果表明,本文方法平均灵敏度和平均精确度不低于92. 0%,风机噪声识别灵敏度达99. 3%,鸣叫声识别灵敏度最低,为76. 0%。     

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。     

基于SVM的多方位声散射数据协作融合鱼分类与识别

为解决基于声散射数据的鱼分类与识别问题,提出了一种基于SVM的多方位声散射数据协作融合鱼分类方法。首先,提取多方位声散射数据的小波包系数奇异值、时域质心及离散余弦变换系数特征,并进行特征融合;然后,采用支持向量机(SVM)分类器对每个方位提取的特征做出决策,并将决策结果表示成后验概率的形式,同时利用每个方位的决策概率对其他方位的决策进行加权;最后输出分类结果。采用3类鱼作为研究对象,得到不同方位数量条件下基于协作融合方法的分类正确率最终达到92%以上。试验数据处理结果表明,随着方位数量的增加,总体分类正确率呈升高的趋势,基于SVM的协作融合方法可以有效提高分类正确率。     

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%.     

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。     

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SVM-DS多特征融合的杂草识别

为解决单一特征识别杂草的低准确率和低稳定性,提出一种支持向量机(SVM)和DS(Shafer-Dempster)证据理论相结合的多特征融合杂草识别方法.在对田间植物图像处理的基础上,提取植物叶片形状、纹理及分形维数3类特征,分别以3类单特征的SVM分类结果作为独立证据构造基本概率指派(BPA),引入基于矩阵分析的DS融合算法简化决策级融合算法复杂度,根据融合结果及分类判决门限给出最终的识别结果.实验结果表明,多特征决策融合识别方法正确识别率达到96.11％,与单特征识别相比有更好的稳定性和更高的识别率.     

基于轮廓特征的单只蛋鸡行为识别方法

育成期蛋鸡的行为能够反映其健康状况和对环境的适应情况,为快速地识别蛋鸡的行为,提出一种基于蛋鸡轮廓特征的行为识别方法.首先获取蛋鸡俯视图图像,并对蛋鸡图像进行预处理,通过自动阈值分割法得到蛋鸡轮廓并进行拟合,提取出拟合轮廓的几何特征,然后对特征进行排列组合,得到四种特征组合并结合极限学习机(ELM)进行训练,得到最佳的...     

基于知识蒸馏的叠层笼养蛋鸡行为识别模型研究

为了实现叠层笼养环境下蛋鸡行为的识别检测,构建了一种基于多教师模型融合的知识蒸馏蛋鸡行为识别模型,用多个教师模型融合指导学生网络训练。对基于Faster R-CNN框架的蛋鸡行为识别模型的特征提取网络进行知识蒸馏,以结构较复杂的ResNeXt、Res2Net和HRNet网络为教师网络,以结构较简单的ResNet 34网络为学生网络,通过知识蒸馏训练蛋鸡行为识别模型。试验结果表明,特征提取网络经过知识蒸馏后,蛋鸡行为识别模型性能得到显著提升,与特征提取网络未经过知识蒸馏的识别模型相比,模型准确率、平均精确度、召回率分别从93.6%、78.7%、86.2%提升至96.6%、89.9%、94.6%;学生模型经过知识蒸馏后基本达到了教师模型的性能水平,而模型参数量和模型计算量比教师模型降低了32%和33%,模型推理时间降低了66%。本研究提出的知识蒸馏模型通过较简单的网络结构获得了高精度的识别模型,为蛋鸡行为识别模型在小型嵌入式设备的部署提供了可能。     

复杂环境下蛋鸡个体识别与自动计数系统研究

鸡群计数是鸡场资产评估中一项非常重要的工作。目前鸡场采用的人工计数方法,存在效率低下且计数准确度不稳定的问题。针对此问题,本文提出了一种基于改进YOLO v5s的蛋鸡个体识别与计数的方法。该方法为了消除真实复杂环境下产蛋箱、食槽等设施对蛋鸡个体识别带来的干扰,在YOLO v5s模型的Neck部分引入了SimAM注意力机制;为了扩大模型感受野,解决蛋鸡个体较小、识别困难的问题,将YOLO v5s模型的SPPF(空间金字塔池化模块)改为了SPPCSPC模块;为了尽可能多地提取蛋鸡有效特征,通过在YOLO v5s的Neck结构添加自适应特征融合模块ASFF,将不同尺度的蛋鸡成像特征信息进行融合的方法,进一步提升了模型的检测精度。在此基础上,通过调用模型检测接口,在接口内部添加计数函数、统计目标数量的方法,实现了蛋鸡个体的计数和鸡舍饲养密度的计算。将改进后的模型通过PyQt工具包进行封装、打包,开发了蛋鸡个体识别与自动计数系统。实验结果表明,改进的YOLO v5s模型的精准率、召回率、平均精度均值分别为89.91%、79.24%、87.53%,较YOLO v5s模型分别提高2.37、2.55、...     

基于偏度聚类的哺乳期母猪声音特征提取与分类识别

哺乳期是母猪繁育仔猪的关键时期,哺乳母猪特有的发声是其生理、情绪健康及其对仔猪看护的母性能力的最直接表达。哺乳期间母猪所发声音种类众多,增加了快速定位及准确识别特定声音类型的复杂度,以小梅山母猪的哺乳声、饮水声、采食声及无食咀嚼声等常见声音为研究对象,以功率比作为特征向量,对频域进行更精细的能量计算,提出基于偏度的子带聚类法合并特征不显著的子带,减少特征向量数量,构建支持向量机(SVM)的声音分类识别器,统计各类声音的发声时长;进一步以单个哺乳周期为对象,建立成功哺乳的声音模式。试验结果表明,哺乳声、无食咀嚼声、采食声和饮水声的最大功率比分别位于[0 Hz,1 000 Hz]、[1 000 Hz,1 500 Hz]、[1 500 Hz,2 500 Hz]和[2 500 Hz,8 000 Hz]子带内,以4个子带的功率比为特征的声音判别模型的识别率分别为100%、100%、95.17%、96.61%,与等间隔子带划分及主成分分析法比较,减少了特征向量的数量,且显著提高了识别算法的精度,进一步应用在母猪分娩舍内,实现了对哺乳母猪的母性能力及其健康状况的无应激、实时监测。     

基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统

针对鸡只个体较小、个体间存在遮挡，对蛋鸡日常行为识别造成干扰的问题，提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野，提高了模型对小个体遮挡情况下的目标识别能力，提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法，并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包，设计了蛋鸡日常行为智能识别与统计系统。试验结果表明，SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点，对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型，平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持，为智慧养殖提供了借鉴。     

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。     

基于多特征融合的田间杂草分类识别

提出了一种基于模糊BP综合神经网络的田间杂草分类识别方法。对分类特征进行模糊化处理,充分考虑了杂草的分类特征本身存在的不确定性。使用遗传算法对网络结构进行优化处理,提高了该综合神经网络的收敛性和稳定性。并基于特征级数据融合方法进行杂草识别。对田间7种杂草进行识别的实验结果表明,7种杂草的混合识别率达到94.2%;另外,对玉米及其伴生杂草进行分类测试,混合识别率达到96.7%,具有较好的识别精度。     

高密度叠层笼养蛋鸡舍内混合噪声试验

针对高密度叠层笼养模式下蛋鸡舍内混合噪声,利用声级计采集噪声数据,采用音频分析软件Praat 5.3获取蛋鸡养殖舍内各生产系统机械噪声频谱特征,分析蛋鸡养殖舍内混合噪声声学特征参数及空间分布特点。试验结果表明,舍内生产系统机械噪声按对蛋鸡声环境质量影响的大小依次为通风系统、清粪系统、上料系统、饲喂系统和集蛋系统。生产系统机械噪声的声学特征参数间存在显著性差异（P<0.05）;笼养蛋鸡舍内混合噪声的频率计权声压A值大小为69.0～75.0 dB,蛋鸡舍纵向与横向2个方向上的声压变化规律不一致,声学特征参数的空间分布差异显著（P<0.05）。高密度叠层笼养蛋鸡舍内混合噪声的测量分析,可在保证蛋鸡正常生长所需环境条件的前提下,对于蛋鸡舍内生产设备噪声管理与声质量评价具有重要的现实意义。      

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

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。     

基于改进YOLO v6-tiny的蛋鸡啄羽行为识别与个体分类

针对目前蛋鸡啄羽异常行为（包括啄和被啄）识别精度比较低的问题，提出了一种基于改进YOLO v6-tiny模型进行啄羽异常行为识别的方法。该方法通过在YOLO v6-tiny模型中引入DenseBlock结构并融入CSP结构的SPP模块（SPPCSPC）的方式，增强了YOLO v6-tiny模型的特征提取能力，扩大了模型的感受野，提升了模型的检测精度。在识别出啄羽异常行为的基础上，对如何基于异常行为发生次数，进行蛋鸡个体分类进行了研究。提出了基于YOLO v6-tiny模型进行蛋鸡个体识别，并将啄羽异常行为识别结果输入个体识别网络，进行蛋鸡个体分类的方法。同时，本文还分别对2种不同的养殖密度、一天当中3个不同的时间段，异常行为发生次数的变化规律进行了分析。实验结果表明，优化后的模型对啄和被啄异常行为的识别平均精度（AP）分别为92.86%和92.93%，分别比YOLO v6-tiny模型高1.61、1.08个百分点，比Faster R-CNN模型高3.28、4.00个百分点，比YOLO v4-tiny模型高6.15、6.63个百分点，比YOLO v5s模型高2.04、4.27个百分点，比YOLO v7-tiny模型高5.39、3.92个百分点。本文方法可以识别出啄和被啄羽异常行为，为蛋鸡异常行为的智能检测提供了技术支撑。     

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。     

基于卷积神经网络的害虫分类

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量。由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战。针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类。首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别。试验表明：所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2%,损失函数Loss为0.031,模型训练时间为197 min。