一种基于声音信号分析哺乳仔猪异常的自动监测方法技术

本发明专利技术公开了一种基于声音信号分析哺乳仔猪异常的自动监测方法,包括哺乳仔猪声音信号样本采集、音频数据信号的预处理、音频信号进行信号加噪及调音处理、声音信号样本进行快速傅里叶变换、卷积神经网络的结构设置、模型建立完成且投入使用等六个步骤；本发明专利技术提供的方法基于深度学习算法，不仅是一种对于仔猪异常情况自动监测的新方法，而且对于仔猪异常声音信号识别率可以提高到90％以上，通过本方法训练构建的卷积神经网络模型对哺乳仔猪声音样本的综合识别率、被压识别率及抢食识别率均高于92％，可以很好的实现基于声音信号的哺乳仔猪异常状态自动监测。仔猪异常状态自动监测。仔猪异常状态自动监测。

【技术实现步骤摘要】
一种基于声音信号分析哺乳仔猪异常的自动监测方法


[0001]本专利技术涉及畜牧业声音信号处理及信号的自动监测
，具体涉及哺乳仔猪的声音信号处理及识别，用于分析判断仔猪异常状况的一种自动监测方法。

技术介绍

[0002]动物声音与普通声音在物理层面具有相同的性质，而且动物声音往往蕴藏着更复杂的信息，能够为人类了解动物的各个方面提供有效参考基于声音信号分析的哺乳仔猪异常自动监测研究(Kojima and Doupe 2011)，故将其应用于畜牧业，无疑将具有巨大的经济价值和实际意义。目前，作为畜牧业中产值最高的产业，对猪的声音进行识别利用自然成为研究的热点。
[0003]国外在早期的研究中，Kanitz等人已经证明，来自猪的压力呼叫是一种相当持续的哭声，具有高频带(Kanitz et al 1999)，而且声音与压力的关系已在各种实验中得到验证，其中一般情况下，厌恶行为，压力激素和大脑活动与声学话语有着某种平行关系(Otten et al 2001，Tuchscherer et al2002)。后来，Vandermeulen及Moura等人对猪受到压力后的叫声进行了系统分析，采取多指标构建了识别算法，能够达到91％的猪的尖叫声音识别准确率(Vandermeulen et al 2015,Moura et al 2008)。Berkmans和Van Hirtum对猪的声音信号做了时域分析和频域分析，并借助欧氏距离的平方实现对猪咳嗽声音的检测，实现了患病猪异常识别(Van and Berckmans 2004)。Silva等人对猪的咳嗽声进行了研究，提出了一种识别病猪咳嗽声的实时方法，能够达到85％的总体正确分类比率，82％的病态咳嗽声音被正确识别(Silva et al 2008)。在对猪只非病态叫声的研究中，Iacobucci等人研究了仔猪的发声情况与母猪哺乳之间的关系，以求得到最佳的断奶时间等(Iacobucci et al 2015)。
[0004]国内对于猪只声音的研究中，主要涉及以下方面：李博宇等人提出了仔猪求食声音识别率更高的方法，从而可以控制机器进行自动投喂(李博宇等2016)。徐亚妮等针对待产的梅山母猪，研究出了一种咳嗽声识别算法，以期为待产母猪的早期呼吸系统疾病进行监测(徐亚妮等2016)。龚永杰将其拓展到一般的情况，研究了在实际猪舍中的普通猪只咳嗽声音的识别方法，克服了实际条件中的多种噪声干扰(龚永杰2018)。闫丽等研究了具有更高精度的哺乳期母猪声音判别模型，以监测哺乳期母猪的健康状况等信息(闫丽等2016)。但对于实际猪舍中哺乳期仔猪(由于被压，抢食，打架等造成的)异常声音识别研究较少。
[0005]长期以来，哺乳仔猪的异常状态监测基本靠饲养员人为观察，饲养员先听到猪栏内仔猪有异常声音，然后前去猪栏进行现场查看并实施救援。这种监测方式虽然在一定程度上能够减少仔猪被压伤或者压死的概率，但是由于大型养猪场饲养人员短缺，且养猪场内不仅包含猪只叫声，还有风机声、母猪饲喂仪下料声等机械噪声，以致很多情况下饲养人员并不能及时发现哺乳仔猪异常状态，导致乳猪的死亡。在这种情况下，如果能够实现对哺乳仔猪异常状况的自动监测，将具有非常重要的现实意义和经济价值。声音信号的采集和
识别具有计算效率高，成本低廉，采集设备简单，无接触的特点，因此在该场景下的应用非常适合。但目前已有的对于猪的声音信号识别多集中于对成年猪或者哺乳母猪声音信号的识别分析，而对仔猪的异常情况下声音信号的识别是基本空缺的。而目前采用的声音信号处理分析方法也多集中在滤波，各类特征信号提取等方法，识别率也多在80～90％之间，有进一步提高的空间。

技术实现思路

[0006]本专利技术的目的在于提供一种基于声音信号分析哺乳仔猪异常的自动监测方法，它能有效的解决
技术介绍
中存在的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于声音信号分析哺乳仔猪异常的自动监测方法,包括以下步骤：
[0008]步骤A：哺乳仔猪声音信号样本采集；所述的为了保证样本采集的准确性，选用数码摄像机进行视频采集，通过卷积神经网络方式将图像信息仅用于训练时的标记和最终统计判别效果的正确率，一旦卷积神经网络训练结束，该自动监测方法只需要声音信号，不再需要任何图像信息，同时，将采集到的样本信息通过无线网络上传至服务器电脑，利用GoldWave音频处理软件进行音视频分离，设定声音采样频率为48000Hz，16bit量化，声道配置为双声道，最后以.wav的格式对分离出的音频进行保存；
[0009]步骤B：音频数据信号的预处理；所述的将声音信号预处理过程包括预加重、分帧与加窗、端点检测及降噪，其步骤如下：
[0010]步骤一、预加重：所述的在声音信号传输中，信号频率不同，信号在传输过程中的损失程度也不同，且声音信号频率越高，在接收端的受损也越严重；为了降低接收端信号波损失，从而对受损信号进行补偿，即在传输线的始端加强信号的高频部分，来补偿较高频率分量在传输过程中过大的衰减；但是预加重对噪声信号没有影响，故预加重有效的提高了输出的信噪比，让高频不会被噪声掩盖，降低噪声对声音信号的影响；所述的为了实现高频信号的加重处理，我们使用一阶的FIR数字滤波器，滤波器数字表达式如下：
[0011]H(Z)＝1
‑
αZ
‑1[0012]其中α为预加重因子，取值范围是0.9
‑
1.0，在本文中，α的值均取0.9375；
[0013]若哺乳仔猪的声音信号用x(n)表示，经过预加重处理的声音序列用Y(n)表示，则：
[0014]Y(n)＝x(n)
‑
αx(n
‑
1)
[0015]步骤二、分帧与加窗：所述的声音信号是一种非平稳信号，随时间不断发生改变的，然而在短时间(10ms
‑
30ms)的情况下，声音信号能够相对稳定，即其能保持短时平稳；所以在对声音进行分析的时候，需使用“短时分析技术”，即我们不能对一整段信号进行处理，而是根据声音样本的短时平稳时间，将其二次划分成许多时间相等的声音片段，对这些声音段进行特征参数提取，该步骤即为分帧；我们使用海明窗(Hanning window)进行分帧，预加重后的声音为Y(n)，窗函数为w(n)，用Y(n)乘以w(n)，得到加窗语音信号，记为Y
w
(n)，在上述的表达式中，N表示声音信号的帧长；
[0016][0017]步骤三、声音信号的端点检测；所述的利用双门限端点检测法，实现哺乳仔猪声音
信号中有声段与无声段的分离；短时能量和短时过零率均属于时域特征参数，跟随声音信号的变化而变化，其中短时能量反映的是每帧声音信号的能量大小，其变化趋势与声音信号的幅度一致，很好的表示了声音的时域信息，分辨连续信号的无声段和有声段；当声音信号中信噪比较大时，短时能量有较好的分辨能力；当信噪比较小时，短时过零率有更好的分辨能力；所以将短时能量与短时过零率二者结合起来，以检测哺乳仔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声音信号分析哺乳仔猪异常的自动监测方法,其特征在于，包括以下步骤：步骤A：哺乳仔猪声音信号样本采集；所述为了保证样本采集的准确性，选用数码摄像机进行视频采集，通过卷积神经网络方式将图像信息仅用于训练时的标记和最终统计判别效果的正确率，一旦卷积神经网络训练结束，该自动监测方法只需要声音信号，不再需要任何图像信息，同时，将采集到的样本信息通过无线网络上传至服务器电脑，利用GoldWave音频处理软件进行音视频分离，设定声音采样频率为48000Hz，16bit量化，声道配置为双声道，最后以.wav的格式对分离出的音频进行保存；步骤B：音频数据信号的预处理；所述将声音信号预处理过程包括预加重、分帧与加窗、端点检测及降噪，其步骤如下：步骤一、预加重：所述在声音信号传输中，信号频率不同，信号在传输过程中的损失程度也不同，且声音信号频率越高，在接收端的受损也越严重；为了降低接收端信号波损失，从而对受损信号进行补偿，即在传输线的始端加强信号的高频部分，来补偿较高频率分量在传输过程中过大的衰减；但是预加重对噪声信号没有影响，故预加重有效的提高了输出的信噪比，让高频不会被噪声掩盖，降低噪声对声音信号的影响；所述为了实现高频信号的加重处理，我们使用一阶的FIR数字滤波器，滤波器数字表达式如下：H(Z)＝1
‑
αZ
‑1其中α为预加重因子，取值范围是0.9
‑
1.0，在本文中，α的值均取0.9375；若哺乳仔猪的声音信号用x(n)表示，经过预加重处理的声音序列用Y(n)表示，则：Y(n)＝x(n)
‑
αx(n
‑
1)步骤二、分帧与加窗：所述声音信号是一种非平稳信号，随时间不断发生改变的，然而在短时间(10ms
‑
30ms)的情况下，声音信号能够相对稳定，即其能保持短时平稳；所以在对声音进行分析的时候，需使用“短时分析技术”，即我们不能对一整段信号进行处理，而是根据声音样本的短时平稳时间，将其二次划分成许多时间相等的声音片段，对这些声音段进行特征参数提取，该步骤即为分帧；我们使用海明窗(Hanning window)进行分帧，预加重后的声音为Y(n)，窗函数为w(n)，用Y(n)乘以w(n)，得到加窗语音信号，记为Y
w
(n)，在上述的表达式中，N表示声音信号的帧长；步骤三、声音信号的端点检测；所述利用双门限端点检测法，实现哺乳仔猪声音信号中有声段与无声段的分离；短时能量和短时过零率均属于时域特征参数，跟随声音信号的变化而变化，其中短时能量反映的是每帧声音信号的能量大小，其变化趋势与声音信号的幅度一致，很好的表示了声音的时域信息，分辨连续信号的无声段和有声段；当声音信号中信噪比较大时，短时能量有较好的分辨能力；当信噪比较小时，短时过零率有更好的分辨能力；所以将短时能量与短时过零率二者结合起来，以检测哺乳仔猪声音信号的起始点和终止点，即双门限端点检测法；步骤C：所述对经过步骤B的音频信号进行信号降噪及调音处理；考虑哺乳仔猪的实际生活场景，不可避免的掺杂许多噪声信号，且被压声音样本较难采集，此外因为猪品种及哺乳仔猪的个体差异，其被压后发出的声音也会有一定的频率波动范围；为了对哺乳仔猪声音样...

【专利技术属性】
技术研发人员：张纾，刘金婵，谭佐军，魏薇，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：