共查询到17条相似文献,搜索用时 234 毫秒
1.
基于深度信念网络的猪咳嗽声识别 总被引:4,自引:0,他引:4
为了在生猪养殖产生呼吸道疾病的初期,通过监测猪咳嗽声进行疾病预警,提出了基于深度信念网络(DBN)对猪咳嗽声进行识别的方法。以长白猪咳嗽、打喷嚏、吃食、尖叫、哼哼、甩耳朵等声音为研究对象,利用基于多窗谱的心理声学语音增强算法和单参数双门限端点检测对猪声音进行预处理,实现猪声音信号的去噪和有效信号检测。基于时间规整算法提取300维短时能量和720维梅尔频率倒谱系数(MFCC)组合成1020维特征参数,将该组合特征参数作为DBN学习和识别数据集,选定3隐层神经元个数分别为42、17和7,构建网络结构为1020-42-17-7-2的5层深度信念网络猪咳嗽声识别模型。通过5折交叉实验验证,基于DBN的猪咳嗽声识别率和总识别率均达到90%以上,误识别率不超过8.07%,最优组猪咳嗽声识别率达到94.12%,误识别率为7.45%,总识别率达到93.21%。进一步基于主成分分析法(PCA)提取1020维特征参数98.01%主成分得到479维特征参数,通过5折交叉实验验证,猪咳嗽声识别率和总识别率相对降维前均有所提高,误识别率有所降低,最优组猪咳嗽声识别率达到95.80%,误识别率为6.83%,总识别率达到94.29%,实验结果表明所建模型是有效可行的。 相似文献
2.
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。 相似文献
3.
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。 相似文献
4.
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。 相似文献
5.
6.
7.
基于Kinect相机的猪体理想姿态检测与体尺测量 总被引:1,自引:0,他引:1
为提高基于机器视觉的猪体体尺测量研究中的图像利用率和体尺测量效率,以长白猪和大白猪为研究对象,基于Kinect相机获取的猪体视频数据,提出了一种猪体理想姿态检测算法。该算法利用最小外接矩形法调整猪体为水平方向;利用投影法和差分法识别头部和尾部位置,通过头部边界标记法判断是否耳部缺失;利用骨骼化算法结合霍夫变换算法检测猪体头部是否歪斜。在此基础上,设计了猪体体尺测量算法。针对养殖场获取的103组视频数据、俯视和侧视各52 016帧图像,进行了理想姿态检测及体尺测量。结果表明,检测出理想姿态2 592帧、漏报432帧、误报0帧,误报率较低;每帧图像的体长偏差与本组体长均值小于2. 3%,组内理想姿态帧之间差异较小,一致性较好;体宽测量的平均精确度为95. 5%,体高测量的平均精确度为96. 3%,体长测量的平均精确度为97. 3%,测量的平均准确度较高。本研究成果应用于基于机器视觉的猪体体尺测量,可提高图像利用率和体尺测量效率。 相似文献
8.
9.
基于点云数据的猪体曲面三维重建与应用 总被引:5,自引:0,他引:5
针对动物体型参数人工测量工作量大、精度低、应激大等问题,以120日龄长白猪标本为研究对象,利用逆向工程技术,通过激光三维扫描仪,采用三角测距原理,计算了目标点三维坐标数据,获取了猪体点云数据。通过Polygon Editing Tool Vel.2.40软件,进行点云数据预处理,基于不规则三角网,重构了猪体的三维曲面模型。进而提取了猪体的体长、体宽、臀宽、体高、臀高、胸围、体表面积、体积等体型参数。结果表明:通过激光三维扫描仪,获取了272 021个点数据,重构了猪体三维曲面模型,包含544 042个多边形;对比分析三维模型的体型参数检测值与实测值,其体长、体宽、臀宽、体高、臀高、胸围等体型参数检测最大相对误差仅为0.42%,平均相对误差为0.17%。该方法测算精度高,工作量少,且对猪体无应激,可为猪体质量估测模型提供高精度体尺数据支持,也可为动物体型其他参数获取提供技术参考。 相似文献
10.
11.
为提高机组异常运行识别效率与精度,提出基于主成分分析法和遗传算法优化反向传播神经网络(BP neural network)的机组异常状态检测模型.以机组实时记录传感器数据为样本,利用主成分分析法对多维数据进行降维操作,处理后得到综合变量.随后在此基础上搭建BP神经网络并利用遗传算法优化神经网络随机初始权值与阈值,完成对机组不同运行状态检测模型仿真训练.最后以某电站连续时间段内机组正常与异常运行状态下各部件传感器实时监测数据为样本分析,并将所提PCA-GA-BP算法与其他优化算法、传统算法进行对比,通过不同样本比例下的仿真训练试验验证该方法可行性.仿真试验结果表明:模型相较于传统BP神经网络,平均状态检测时间相对缩短84%,平均检测正确率相对提高2.5%,能在均正确率接近99%的基础上实现0.7~1.0 s内对机组异常运行的有效辨别,做到机组异常运行的精确辨别与早期预警. 相似文献
12.
13.
为了适应蔬菜等农产品对大肠杆菌快速检测的需求,提出采用形态特征参数及染色后菌体区域的颜色特征参数统计值对大肠杆菌进行快速识别,同时提出采用主成分神经网络作为预测模型来提高识别能力。提取了Hu’s不变矩、形状因子、密集度、饱和度等14个具有尺度、平移、旋转不变性的特征参数,提取主成分建立了基于主成分的3层BP神经网络模型。将其与普通神经网络模型比较的结果表明,主成分神经网络简化了网络结构、减少了训练时间和计算量、提高了识别的正确率,对大肠杆菌的识别正确率达到91.33%。 相似文献
14.
为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。 相似文献
15.
16.
农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有:公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望:如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。 相似文献
17.
番茄病害的及时检测可有效提升番茄的质量和产量.为实现番茄病害的实时无损伤检测,本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法.首先选择轻量级卷积神经网络Mobile?NetV3,在Image Net数据集上进行预训练,将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理.采用相同... 相似文献