基于分类模型和迁移学习的白羽肉鸡健康监测方法及系统技术方案

基于分类模型和迁移学习的白羽肉鸡健康监测方法及系统，涉及白羽肉鸡健康监测方法及系统。为了解决直接采用现有技术对白羽肉鸡健康监测时存在的鲁棒性较差的问题。本发明专利技术的方法首先针对某生长周期的白羽肉鸡音频进行滤波处理，并进行端点检测和分帧处理，并针对每个声音片段中的每个帧信号提取帧信号对应的声音特征数据；然后根据白羽肉的生长周期选择对应的分类模型，并应用分类模型对声音特征数据集合中每个帧信号对应的声音特征数据进行预测，所述的分类模型为采用迁移学习得到的分类模型；然后对声音特征数据集的预测标签进行多数表决处理得到预测的声音类别；根据预测声音类别确定咳嗽率，通过咳嗽率实现对白羽肉鸡健康监测。健康监测。健康监测。

【技术实现步骤摘要】
基于分类模型和迁移学习的白羽肉鸡健康监测方法及系统


[0001]本专利技术属于养殖监测
，具体涉及一种白羽肉鸡健康监测方法及系统。

技术介绍

[0002]在白羽肉鸡的生长过程中，有环境、天敌、疫病三方面的因素可能对它们的健康产生威胁，并导致白羽肉鸡产量的下降。其中疫病是一个非常重要的影响因素，尤其是传染性喉气管炎(Infectious Laryngotracheitis，ILT)。因此及时察觉白羽肉鸡感染疫病，尤其是感染ILT，并对患病白羽肉鸡进行隔离和医治，能够有效缩小感染范围，降低死亡率。这也是目前白羽肉鸡养殖产业，甚至畜禽养殖产业中，最受重视的一个环节。
[0003]目前，养殖人员普遍采用传统的生理生化参数指标检测方法来判断白羽肉鸡是否感染疫病。本专利技术可以将这种借助某种手段来判断白羽肉鸡是否感染疫病的过程称为白羽肉鸡健康监测。具体的，养殖人员聘用兽医在每月固定的时间前往养殖场，通过随机抽样的方式在每个养殖大棚的养殖区域内选择白羽肉鸡样本，并对它们进行抽血化验。在专业机构的检测设备的帮助下，得到每个白羽肉鸡样本的化验报告。通过评估每份化验报告上多个生理生化参数指标的数值来判定白羽肉鸡样本的健康状况，由此粗略推断出它们所在养殖区域内，乃至所在养殖大棚内白羽肉鸡的健康状况。可以看出，这种白羽肉鸡健康监测方法具有较强的随机性和不确定性，对白羽肉鸡样本的选择数量、范围和方式具有极高的要求，并且该方法给出的监测结果具有较强的专业性，只有兽医或具有知识基础的养殖人员能够看懂，普通养殖人员很难完成。更重要的，传统的生理生化参数指标检测方法是损害畜禽福利的，因为它是一种直接接触式、侵入式的检测方法。
[0004]随着计算机技术和信号处理方法的发展，越来越多的学者开始研究新的畜禽健康检测或监测方法，这些方法为白羽肉鸡健康监测研究提供新思路。近年来，借助于传感器网络和物联网技术，Sukmasetya等人、Campbell等人、Astill等人、韩乐、秦宏宇、马芳等学者相继提出设计一套畜禽疫病诊断专家系统。然而，由于这些专家系统均是在养殖人员发现畜禽感染疫病之后进行医治的后处理系统。它们无法实时监测畜禽是否感染疫病，以及难以在畜禽感染疫病的第一时间给出提示信息或采取有效措施。
[0005]畜禽行为模式的变化是它们对环境变化第一容易发觉的反应。因此，行为监测经常用来评价畜禽的生存质量和生活状态。发声作为畜禽行为的一种方式，是畜禽间有效交流的方式之一，同时也是畜禽对环境适应性以及自身机体状态的一种反映。通常，本专利技术将其作为评估畜禽福利水平的辅助方法。畜禽的不同类型的发声，即不同声音类别，是不同语义、情感的表达，它能够体现畜禽自身机体健康状况和情感需求的信息。因此，利用信号处理方法，从时域、频域等多域中提取那些能够量化畜禽发声的声学特征，称为声音特征，以人类熟悉的语义信息将其体现，可作为分析畜禽活动状态的一种辅助工具。同时，本专利技术也可以利用其来评估畜禽的生活环境和自身机体的活跃程度，也即自身机体的健康状况。可以看出，相较于传统的生理生化参数指标检测方法，畜禽发声监测方法具有无接触、非侵入的优点，是一种具有广阔前景的方案。
[0006]因此通过白羽肉鸡的发声状态来判断它们的健康状况成为一种可行的手段。白羽肉鸡发声主要由其特殊的发声器官——鸣管完成。白羽肉鸡的气管在进入其胸腔后分叉为两条支气管，鸣管就是由两条支气管在分叉处形成的特殊发声器官。而且经过研究发现，当白羽肉鸡出现疾病时，会产生咳嗽等方面声音变化特征，因此可以通过检测白羽肉鸡的声音对白羽肉鸡的健康状况进行监测。随着机器学习等相关技术的发展，可以通过现有的机器学习等技术对白羽肉鸡的健康状况进行监测，经过研究和试验发现这种方式也是相对有效的，但是随着进一步研究发现如果直接采用现有的机器学习对白羽肉鸡的健康状况进行监测发现机器学习的鲁棒性较差，导致了监测的平均准确率较低。

技术实现思路

[0007]本专利技术为了解决直接采用现有技术对白羽肉鸡健康监测时存在的鲁棒性较差、平均准确率较低的问题。
[0008]基于分类模型和迁移学习的白羽肉鸡健康监测方法，包括以下步骤：
[0009]S1、针对从养殖区域采集的某生长周期的白羽肉鸡音频进行滤波处理；
[0010]S2、针对每段音频，进行端点检测和分帧处理，得到多个声音片段；
[0011]S3、针对每个声音片段中的每个帧信号提取帧信号对应的声音特征数据；将一个声音片段得到的多个帧信号对应的声音特征数据作为一个声音特征数据集合；
[0012]S4、根据白羽肉的生长周期选择对应的分类模型，并应用分类模型对声音特征数据集合中每个帧信号对应的声音特征数据进行预测；对声音特征数据集的预测标签进行多数表决处理，得到声音特征数据集的共同标签，也就是预测的声音类别；
[0013]S5、统计所有的预测的声音类别，得到预测的每个声音类别的数量，计算咳嗽声的数量占所有声音类别总数量的比例，得到当前计算的咳嗽率；通过与标准的咳嗽率进行对比判断白羽肉鸡的健康，实现对白羽肉鸡健康监测；
[0014]S4中所述的分类模型为采用迁移学习得到的分类模型，具体过程包括以下步骤：
[0015]步骤一：针对生长周期为某一个日龄或某几个日龄的白羽肉鸡采集白羽肉鸡音频，并对白羽肉鸡音频进行滤波处理；
[0016]步骤二：针对每段音频，进行端点检测和分帧处理，得到多个声音片段；其中，每个起始帧信号至对应的终止帧信号的集合属于一个声音类别，为每个声音类别打上声音类别标签；
[0017]步骤三：针对每个声音片段中的每个帧信号提取帧信号对应的声音特征数据；将一个声音片段得到的多个帧信号对应的声音特征数据作为一个声音特征数据集合；
[0018]进而构建带标签数据的数据集，称为源域数据，记为数据集T
a
；
[0019]步骤四：针对源域数据中每个声音类别，训练多个分类模型并基于分类性能确定最优分类模型；
[0020]步骤五：再次采集步骤一日龄以外的其他日龄的白羽肉鸡采集白羽肉鸡音频，此处采集的白羽肉鸡音频数量小于步骤一中采集的白羽肉鸡音频数量；针对再次采集的白羽肉鸡音频进行滤波处理；
[0021]步骤六：针对每段音频，进行端点检测和分帧处理，得到多个声音片段，为部分声音类别打上声音类别标签，记为已标记数据集，未标记的记为测试集；
[0022]步骤七：针对每段音频的每个帧信号，利用与步骤三相同的方式得到声音特征数据，
[0023]针对每个声音片段中的每个帧信号提取帧信号对应的声音特征数据；将一个声音片段得到的多个帧信号对应的声音特征数据作为一个声音特征数据集合；
[0024]已标记数据集中的每一个声音类别对应的声音特征数据集合称为一个目标域数据，记为数据集T
b
；未标记的测试集对应的声音特征数据集合称为测试集S；
[0025]步骤八：将联合训练集确定为T＝T
a
∪T
b
，利用TrAda本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于分类模型和迁移学习的白羽肉鸡健康监测方法，其特征在于，包括以下步骤：S1、针对从养殖区域采集的某生长周期的白羽肉鸡音频进行滤波处理；S2、针对每段音频，进行端点检测和分帧处理，得到多个声音片段；S3、针对每个声音片段中的每个帧信号提取帧信号对应的声音特征数据；将一个声音片段得到的多个帧信号对应的声音特征数据作为一个声音特征数据集合；S4、根据白羽肉的生长周期选择对应的分类模型，并应用分类模型对声音特征数据集合中每个帧信号对应的声音特征数据进行预测；对声音特征数据集的预测标签进行多数表决处理，得到声音特征数据集的共同标签，也就是预测的声音类别；S5、统计所有的预测的声音类别，得到预测的每个声音类别的数量，计算咳嗽声的数量占所有声音类别总数量的比例，得到当前计算的咳嗽率；通过与标准的咳嗽率进行对比判断白羽肉鸡的健康，实现对白羽肉鸡健康监测；S4中所述的分类模型为采用迁移学习得到的分类模型，具体过程包括以下步骤：步骤一：针对生长周期为某一个日龄或某几个日龄的白羽肉鸡采集白羽肉鸡音频，并对白羽肉鸡音频进行滤波处理；步骤二：针对每段音频，进行端点检测和分帧处理，得到多个声音片段；其中，每个起始帧信号至对应的终止帧信号的集合属于一个声音类别，为每个声音类别打上声音类别标签；步骤三：针对每个声音片段中的每个帧信号提取帧信号对应的声音特征数据；将一个声音片段得到的多个帧信号对应的声音特征数据作为一个声音特征数据集合；进而构建带标签数据的数据集，称为源域数据，记为数据集T
a
；步骤四：针对源域数据中每个声音类别，训练多个分类模型并基于分类性能确定最优分类模型；步骤五：再次采集步骤一日龄以外的其他日龄的白羽肉鸡采集白羽肉鸡音频，此处采集的白羽肉鸡音频数量小于步骤一中采集的白羽肉鸡音频数量；针对再次采集的白羽肉鸡音频进行滤波处理；步骤六：针对每段音频，进行端点检测和分帧处理，得到多个声音片段，为部分声音类别打上声音类别标签，记为已标记数据集，未标记的记为测试集；步骤七：针对每段音频的每个帧信号，利用与步骤三相同的方式得到声音特征数据，针对每个声音片段中的每个帧信号提取帧信号对应的声音特征数据；将一个声音片段得到的多个帧信号对应的声音特征数据作为一个声音特征数据集合；已标记数据集中的每一个声音类别对应的声音特征数据集合称为一个目标域数据，记为数据集T
b
；未标记的测试集对应的声音特征数据集合称为测试集S；步骤八：将联合训练集确定为T＝T
a
∪T
b
，利用TrAdaBoost算法在一个目标域数据中学习知识并进行数据迁移，构建包含带标签数据的迁移数据集；进而采用迁移学习得到多个分类模型。2.根据权利要求1所述的基于分类模型和迁移学习的白羽肉鸡健康监测方法，其特征在于，利用TrAdaBoost算法在一个目标域数据中学习知识并进行数据迁移的过程包括以下步骤：针对联合训练集T＝T
a
∪T
b
，首先进行初始化，初始化过程中初始化权重变量W
t
和初始
化权重变量β：化权重变量β：化权重变量β：其中，表示权重变量W
t
中的样本权重值，i表示样本序号，n和m分别为数据集T
a
和T
b
的样本数量；t表示第t次迭代，t＝1,2,
…
,N，迭代次数N；初始化后进行TrAdaBoost算法的迭代，迭代过程包括以下步骤：a.根据W
t
计算抽样概率根据抽样概率P
t
对联合训练集T进行随机抽样，得到数据子集L；b.利用TrAdaBoost的异分布权重调节机制得到新权重W
it+1
；c.将新权重W
iT+1
赋予数据子集L，根据新权重随机抽样得到新的数据子集d.重复迭代过程直至迭代结束；迭代结束后得到一个优化权重W
iN
下的数据子集，即所述的迁移数据集，表示为设p
i
为P
t
中实例x
i
的抽样概率，则当p
i
小于第一概率阈值时，实例x
i
在迁移数据集中占有比例近似为零，该实例将被p
i
大于第二概率阈值的实例替换，减小T中数据的差异性；TrAdaBoost的内部分类模型Learner在每次迭代中均会产生一个分类模型h
t
，设置TrAdaBoost内部分类模型为多分类模型，将第N次迭代后得到的多分类模型h
N
作为TrAdaBoost的最终输出。3.根据权利要求2所述的基于分类模型和迁移学习的白羽肉鸡健康监测方法，其特征在于，TrAdaBoost的内部分类模型为随机森林。4.根据权利要求1、2或3所述的基于分类模型和迁移学习的白羽肉鸡健康监测方法，其特征在于，所述对白羽肉鸡音频进行信号滤波处理的过程中采用维纳滤波进行滤波。5.基于分类模型和迁移学习的白羽肉鸡健康监测系统，其特征在于，包括：音频滤波单元：针对从养殖区域采集的某生长周期的白羽肉鸡音频进行滤波处理；端点检测及分帧处理单元：针对每段音频，进行端点检测和分帧处理，得到多个声音片段；声音特征提取单元：针对每个声音片...

【专利技术属性】
技术研发人员：王国涛，孙志刚，吴倩玉，吕美萱，张敏，宋守来，
申请(专利权)人：黑龙江大学，
类型：发明
国别省市：