共查询到16条相似文献,搜索用时 15 毫秒
2.
3.
4.
5.
6.
8.
9.
10.
11.
基于深层神经网络的猪声音分类 总被引:5,自引:4,他引:1
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。 相似文献
12.
利用Flash 8.0的脚本语句制作了一个声音播放器,用按钮实现了声音文件的播放和停止,通过脚本实现了对声音文件的声道和音量的控制。制作中主要使用了"动作"中Sound类对象的一些基本属性和方法。 相似文献
13.
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。 相似文献
14.
15.
含风机噪声的蛋鸡声音信号去噪方法比较 总被引:6,自引:3,他引:3
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。 相似文献
16.
在工厂化循环水养殖中,准确识别鱼类摄食强度是实现精准投喂的前提和关键。水质、视觉、声音等单模态数据均可用于评估摄食强度,但单一模态往往具有片面性,难以完全反映全局特征,存在识别精度低、可移植性差等问题。多模态方法通过融合不同模态的特征,可为摄食强度量化提供新的手段。基于此,为融合鱼类摄食中的“水质-声音-视觉”信息,实现高精度的鱼类摄食强度量化,该研究在多模态Transformer(multimodal transformer,MulT)的基础上,提出一种多模态融合的鱼类摄食强度识别算法Fish-MulT。首先,从输入的水质、声音和视觉数据中提取特征向量;其次,利用多模态转移模块(multimodal transfer module,MMTM)对输入的特征向量进行融合,得到3种融合向量;然后对融合向量添加自适应权重并相加,得到融合模态;最后,利用融合模态将MulT算法中各模态分支的跨模态Transformer(cross-modal transformer)从2个优化为1个。试验结果表明,与MulT算法相比,本文算法的鱼类摄食强度识别准确率由93.30%提高到95.36%,参数量减少38%。与水质、声音和视觉单模态相比,准确率分别提高68.56%、21.65%和3.61%。可用于制定精准投喂策略,并为开发智能投喂系统提供技术支持。 相似文献