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。     

基于层内和层间相关性的小波图像去噪

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,传统的小波去噪方法大致有小波阈值收缩去噪算法、小波模极大值去噪算法。由于小波系数间存在很大的相关性,本文提出了一种基于层内和层间相关性的小波去噪方法,利用图像细节信息在不同尺度及同一尺度上的相关性进行滤波,达到对低信噪比的图像去噪的目的。在实验中,将本文去噪的结果与Donoho的硬阈值作了比较,结果显示本文方法能获得较好的去噪效果。     

Contourlet变换为农产品图像去噪的有效方法

农产品图像去噪是农业图像处理中最基本、最重要的工作之一。现有小波去噪方法存在各向同性的缺陷,从而限制了其去噪的效果。针对这一问题,提出了一种基于Contourlet变换的农产品图像去噪算法,该方法充分利用了Contourlet变换具有的多分辨率、各向异性和稀疏性的优点。算法首先对含噪农产品图像进行塔形方向滤波器组(pyramidal directional filter bank,PDFB)分解,然后通过多尺度萎缩阈值进行高频子带去噪,保留信号系数并抑制噪声系数,最后通过Contourlet反变换得到去噪后的图像,实现农产品图像的去噪。为了验证Contourlet变换的去噪效果,分别采用小波去噪、中值滤波、均值滤波、高斯滤波和维纳滤波对常见农产品图像进行了对比试验。试验结果表明,基于Contourlet变换的图像去噪方法应用于农产品图像去噪具有信噪比高、视觉效果好等优点,将Contourlet变换用于农产品图像去噪是有效的、可行的。     

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。     

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。     

基于形态小波的烟草尼古丁含量近红外光谱检测

为了提高烟草尼古丁含量的测定精度,该文将基于形态小波的近红外光谱去噪方法应用于烟草的一阶导数近红外光谱数据处理中,给出了方法的原理和步骤,评估了该方法的去噪效果;用处理后的光谱计算了烟草中的尼古丁含量,并与小波变换方法的处理结果进行了对比分析。结果表明:形态小波作为一种非线性小波,兼顾数学形态学的形态特征和小波的多分辨率特性,在去噪的同时具有良好的光谱细节保留能力,能有效地保留光谱的有用信息。与小波软阈值方法相比,检测结果中预测集的决定系数r2由0.9877提高到了0.9931,其均方根误差RMSEP由0.0539降到了0.0492。研究结果为提高利用近红外光谱测定烟草尼古丁含量的分析精度和模型的稳健性提供了参考。     

基于自适应小波偏微分方程的蝗虫切片图像去噪

蝗虫显微切片图像在获取的过程中不可避免地会受到噪声污染,其纹理、边缘与噪声又都属于高频分量,单独使用小波变换或偏微分方程(partial differential equation,PDE)扩散的方法都不能在有效去噪的同时保持边缘、纹理等。针对这一问题,提出了基于自适应小波PDE的去噪算法。首先对蝗虫切片含噪图像进行sym5小波软阈值去噪,分解层数根据去噪后图像的PSNR(peak signal to noise ratio)值自适应地选择,阈值门限使用Birge-Massart处罚算法获取。然后在此去噪的基础上进行Perona-Malik(PM)模型去噪,迭代次数根据去噪后图像的PSNR值自适应地选择,梯度阈值根据图像自身的2范数获取。为了验证所提出算法的去噪性能,进行了与常用去噪算法的对比试验。试验结果表明:视觉上,采用本文算法去噪后的图像噪声点较少且边缘、纹理清晰;客观上,采用该文算法去噪后的图像PSNR值比使用维纳滤波高出2 d B左右,比使用中值滤波高出3 d B左右,比使用小波阈值去噪高出2 d B左右,比使用PM模型去噪高出1 d B左右,并且在结构相似性(structural similarity image measurement,SSIM)上采用该文算法去噪后的图像与原始图像的相似度最高。因此,将自适应小波PDE的算法应用于蝗虫切片去噪是可行的、有效的,为其后续处理提供了技术支持。     

基于杂交小波变换的农产品图像去噪算法

针对现有图像去噪方法去噪效果不明显、易丢失细节特征等缺陷,提出了一种基于杂交小波变换的农产品图像去噪算法。该方法综合了小波去噪能较好保留图像细节特征和Wiener滤波器可得到最优解的优势,分别以经小波变换、Wiener滤波处理后的图像作为杂交小波变换初始种群的父本和母本,并以最大类间方差作为适应度函数来评价个体的优劣,通过杂交和变异操作实现基因重组,提取出小波变换与Wiener滤波在图像去噪中的优势基因;经过有限次的杂交代数最终得到兼有父本和母本优势的子代图像。试验中用红枣和小麦图像对算法进行测试,去噪后红枣和小麦的图像峰值信噪比（PSNR）分别为178.44和183.24,好于邻域平均法（176.76和175.16）、中值滤波法（174.79和173.13）、维纳滤波（172.75和173.48）和高斯滤波（167.50和165.60）等常规去噪方法,并且在视觉效果上同时兼有噪声低和边缘清晰等优点,表明该方法用于农产品图像去噪是有效的、可行的。     

小波包-局部最相关算法提高土壤有机碳含量高光谱预测精度

高光谱遥感可以实现水稻土排水期有机碳含量的快速预测,但土壤反射率受多种噪声的影响,有机碳光谱信号探测受阻,预测模型性能低下,如何在去除噪声的同时最大限度地保持有机碳光谱信号十分重要。以原状新鲜水稻土为研究对象,采用Bior1.3小波系对反射光谱进行1~7层小波包变换,通过相关分析确定最大分解层;将原始反射率至最大分解层以内的各层光谱相关系数组成相关系数集,采用局部最相关算法(local correlation maximization,LCM)构造土壤有机碳最优光谱;最后基于最优光谱建立有机碳含量偏最小二乘预测模型并进行分析。结果显示:1)随着小波包分解层数的增加,土壤反射率与有机碳含量的相关性不断增强,到第6层达到最高,确定为小波包最大分解层;2)基于LCM构造的最优光谱比未去噪光谱平滑,比小波包去噪光谱保留了更多光谱细节;3)未去噪光谱、小波包去噪光谱和LCM最优光谱有机碳预测模型的验证决定系数分别为0.693、0.727和0.781,均方根误差为1.952、1.840和1.679 g/kg,残留预测偏差为1.85、1.97和2.17。小波包-局部最相关算法在去噪同时有效保持了土壤有机碳光谱信号,可提高水稻土有机碳含量高光谱预测精度。     

基于小波变换的Wiener滤波方法在农产品图像去噪中的应用

农产品图像的去噪是农产品图像处理中最基本、最重要的工作之一。为了更有效地去除农产品图像中的噪声。受二维离散Wiener滤波器计算方法的启发,提出了一种基于小波变换的Wiener滤波方法。该方法采用小波变换和Wiener滤波相结合的方法,具有稀疏性、多分辨率、去相关性、选基灵活性和在MSE意义上对图像进行最优估计的优点。该方法首先对含噪农产品图像ano做第一次小波变换得到低频图像a1和水平、垂直和对角三方向的高频图像 hd1、vd1及dd1;其次对低频图像a1做Wiener滤波得到a1w,再对3个高频图像分别做Wiener滤波并合成得到g1w ;接着对低频的a1w和高频g1w做小波逆变换,得到滤波图像“a1w+g1w”。同时,考虑到噪声主要在高频部分,所以直接把低频的a1和高频g1w做小波逆变换,得到滤波图像“a1+g1w”。这是对含噪图像ano做第1次小波变换的情况,其第2次、第3次及第4次变换的情况与此类似。这样可以得到许多滤波图像,然后根据图像信噪比PSNR和视觉效果,最终确定去噪效果最好的农产品图像。该方法应用于红枣、小麦杂草等农产品图像的去噪中,结果PSNR为158.23(视觉效果清晰),好于邻域平均法(PSNR 为154.14)、中值滤波法(PSNR 为155.82)、数学形态学(PSNR为154.07,视觉效果偏黑)、高斯滤波法(PSNR为153.79,视觉效果太黑)、直接维纳去噪(PSNR为154.14)和小波去噪(PSNR为158.18)等多种方法。试验结果表明,基于小波变换的Wiener滤波方法应用于农产品图像去噪具有信噪比高、视觉效果好等优点;基于小波变换的Wiener滤波方法用于农产品图像去噪是有效的、可行的。     

蛋鸡福利化养殖模式及技术装备研究进展

自1999年欧洲福利法提出全面禁止传统笼养以来,世界各国开展了很多蛋鸡福利化养殖系统的研究,以保障蛋鸡福利,取得了很多方面的改进。然而,在世界上的主要蛋品生产国家中,福利化养殖设施所占蛋鸡养殖模式的比例仍然较低。随着人们对动物福利的重视和行业的可持续发展要求的提高,开发新型养殖设施的呼声日益高涨。根据国内养殖业建筑现状以及现代高产品种抗病力差的特点,发展福利化养殖装备提高蛋鸡鸡体本身的健康和福利,减少因药物使用带来的负面影响,中国开发福利化蛋鸡养殖设施以提高鸡体健康和福利以抵抗疾病,减少用药;同时促进舍内环境良好,创造适应现代鸡群的生存条件显得至关重要。该文通过概述世界现存的几种替代传统笼养的福利化养殖模式及装备,比较它们各自的特点以及它们在蛋鸡福利、生产性能及蛋品质、社会经济环境对它们产生的不同影响等方面的差异。提出并分析了不同养殖系统存在的主要问题。通过总结国外蛋鸡福利化养殖设施的优缺点,为国内蛋鸡福利化系统的开发提供参考。在改善行为福利的同时,还需要结合传统笼养鸡体与粪便分离、动物健康状况好、投资较低的优点,改变现有的福利化养殖装备系统设计。另外,该文展望了福利化养殖设施的发展方向,并提出了发展福利化养殖设施的新思路。     

蛋鸡生产参数自动监测系统设计与实现

为了在蛋鸡自然状态下,实现对其采食量、饮水量、排泄量、产蛋时间、蛋质量等生产参数的长期自动采集,克服人工采集工作量大,鸡应激反应造成误差大等问题,设计并实现了基于传感器网络的蛋鸡生产参数自动监测系统。该装置运用人机工程学的设计方法,将传统鸡笼与传感器有机结合,实现了对蛋鸡生产参数无干扰远程监测。该文重点分析了鸡笼的机械结构设计、传感器通信原理、数据采集与分析利用问题。试验结果表明,系统运行稳定,采食量、饮水量、排泄量、蛋质量平均相对误差均小于0.2%。该研究提高了监测数据的精确性,为蛋鸡养殖中科研数据收集、分析和利用提供了新方法和手段,为进一步研究蛋鸡生长过程中生产参数的无干扰自动采集技术提供了参考。     

基于规模与区域差异的蛋鸡养殖机械化对劳动力替代关系

在畜禽养殖规模化的大背景下，机械化成为蛋鸡产业提质增效、转型升级的关键，研究蛋鸡养殖机械化对劳动力的替代关系对于产业规模化发展及政策制定具有重要意义。该研究利用超越对数生产函数测算不同规模（存栏量300～1 000、1 001～10 000和10 000只以上3种规模）及不同区域（东部、中部、西部和东北4个区域）蛋鸡养殖机械化对劳动力的替代弹性，并从规模及区域差异的角度对蛋鸡养殖机械化对劳动力的替代弹性进行分析。结果表明：1）国内蛋鸡养殖呈现机械化替代劳动力的发展趋势，且存在规模及区域差异；2）小、中、大3种养殖规模机械化对劳动力替代弹性平均值分别为0.988 4、0.303 3和0.343 5，不同蛋鸡养殖规模机械化对劳动力替代弹性差异较大；3）蛋鸡养殖机械化对劳动力的替代存在区域差异：各区域机械化对劳动力均存在不同程度的替代，蛋鸡产业布局较为稳定，蛋鸡产业区域布局要在现有基础上继续发挥东部地区优势，并推动产业"南下西进"，优化产业区域布局。研究表明，蛋鸡养殖机械化与劳动力替代关系存在明显的规模与区域差异，要根据蛋鸡养殖机械化对劳动力替代的特点，因地制宜，强化政策聚焦。     

基于组合滤波的鱼油二十碳五烯酸含量近红外光谱检测

为了提高鱼油二十碳五烯酸(eicosapentaenoic acid,EPA)含量的测定精度,该研究将经验模态分解(empirical mode decomposition,EMD)和数学形态学滤波相结合的近红外光谱去噪方法应用于鱼油的一阶导数光谱预处理中,给出了方法的原理和步骤,评估了该方法的去噪效果。运用偏最小二乘回归(partial least squares regression,PLSR)建立了鱼油EPA近红外光谱的预测模型,用处理后的光谱计算了鱼油中EPA的含量,并与九点平滑和小波变换方法的处理结果进行了对比分析。结果表明:与传统的九点平滑处理结果相比,信噪比(signal to noise ratio,SNR)从14 d B左右提高到35 d B左右,原始信号与消噪信号之间的标准差由0.005 71降到0.002 26;预测集的决定系数由0.959 3提高到0.987 9,预测均方根误差(root mean square error,RMSE)由0.060 1降为0.031 2。证明了组合的EMD和数学形态学滤波方法在光谱处理过程中的可靠性,提高了鱼油EPA含量近红外光谱的定量分析精度。     

基于数字滤波器的回声研究

数字滤波器在声音信号方面应用广泛,回声信号作为一种常见声音信号完全可以由滤波器产生。文章分析了产生回声信号的基本原理,采用FIR滤波器实现了一重回声,在此基础上加以改进,利用IIR滤波器实现了多重回声,最后在分析各自不足的基础上,提出了实际解决思路。     

基于自适应有限冲激响应-卡尔曼滤波算法的GPS/INS导航

导航定位系统一般采用卡尔曼滤波算法提高定位精度。传统卡尔曼滤波算法的性能很大程度上依赖观测噪声的先验统计信息,不精确的统计特性将会降低定位精度。针对此问题,该文提出一种基于FIR(finite impulse response)预测模型的卡尔曼滤波算法。将FIR预测模型与卡尔曼滤波结合,FIR预测模型的系数可以通过求解一个凸二次规划问题得到。该凸二次规划以目标的多项式运动规律为约束条件,以最小白噪声增益为目标函数,具有闭式解。仿真试验和实测结果均表明,在相同的参数设置条件下,基于FIR预测模型的卡尔曼滤波算法比传统的卡尔曼滤波算法具有更高的估计精度,仿真结果表明定位精度提高29.54%,实测结果表明X方向定位精度提高21.71%,Y方向定位精度提高22.62%。该算法可应用于GPS接收信号的降噪处理,提高目标状态的定位精度。     

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。     

Study of wavelet denoising in apple's charge-coupled device near-infrared spectroscopy

Discrete wavelet transform was used to eliminate the noise in the charge-coupled device near-infrared (CCD-NIR) spectra of apple. The influence of three parameters (wavelet function, decomposition level, and threshold) on the predictive ability of the calibration model was investigated. The result showed that the db, sym, and bior wavelet families performed well, while the coif, dmey, and haar wavelets were not able to denoise effectively. The best decomposition level was 2. The threshold selection rules of the default, Birge-Massart, and Penalty had good denoising results, while SURE, Sqtwolog, Heuristic SURE, and Minimax set all detailed coefficients to zero due to their high threshold values. The best denoising result was obtained with the combination of the bior3.3 wavelet function, two levels of decomposition, default threshold selection rule, and the soft thresholding method. The optimal model of soluble solids content was constructed. The relative standard deviation of prediction decreased from 7.79 to 5.82% after wavelet denoising.