CN106847293A - 设施养殖羊应激行为的声信号监测方法 - Google Patents
设施养殖羊应激行为的声信号监测方法 Download PDFInfo
- Publication number
- CN106847293A CN106847293A CN201710044272.5A CN201710044272A CN106847293A CN 106847293 A CN106847293 A CN 106847293A CN 201710044272 A CN201710044272 A CN 201710044272A CN 106847293 A CN106847293 A CN 106847293A
- Authority
- CN
- China
- Prior art keywords
- sheep
- cry
- facility
- signals
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001494479 Pecora Species 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 230000005236 sound signal Effects 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 4
- 235000019687 Lamb Nutrition 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000009395 breeding Methods 0.000 description 7
- 230000001488 breeding effect Effects 0.000 description 7
- 206010011224 Cough Diseases 0.000 description 6
- 235000003642 hunger Nutrition 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 244000144972 livestock Species 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000035929 gnawing Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 241000283707 Capra Species 0.000 description 1
- 241000218378 Magnolia Species 0.000 description 1
- 241000007404 Magnolia ernestii Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000035922 thirst Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种设施养殖羊应激行为的声信号监测方法，包括：将声音传感器安装在设施羊舍的中间位置，采集羊在不同应激行为下的叫声信号；对羊叫声信号进行预处理；提取羊叫声信号特征参数，并对提取的特征参数进行加权；建立羊叫声信号的识别模型，将羊叫声信号中的一部分用于模型训练，得到模型参数；对羊叫声信号进行分类识别，统计设施羊舍内叫声信号的类别和数量，用于设施羊舍的福利化状况评价。本发明的优点是：利用声信号数字化处理技术，对设施养殖羊叫声信号进行采集、特征参数提取和分类识别，建立羊叫声信号特征参数与羊只不同应激行为之间的相关性，对于构建设施福利化养羊系统及羊只健康状况监测等具有明显的现实意义。
Description
技术领域
本发明的涉及一种设施养殖羊应激行为的监测方法，通过分析羊叫声信号特征来识别羊只相应的应激行为，属于农业工程测试技术领域。
背景技术
声信号是家畜进行交流的重要途径，设施养殖舍内羊叫声信号包含了对其内部机体状况和需求的信息反馈，如羊只在打斗、饥饿、咳嗽、啃咬和寻伴时，都会发出不同的叫声信号。虽然不同种类畜禽的叫声各异，但共性是其声信号的变化与受到的外部刺激、内分泌以及饮食、饥渴等条件影响有一定的相关性。目前，畜禽叫声信息作为动物福利评价指标有一定的应用，且畜禽发声监测方法与传统生理生化参数指标检测方法相比，它具有无接触、非侵入的优点。因此，利用声信号数字化处理技术，对设施养殖羊叫声信号进行采集、特征参数提取和分类识别，建立羊叫声信号特征参数与羊只不同应激行为之间的相关性，进行设施羊舍内羊只应激行为的统计分析并与环境调控相结合，对于构建设施福利化养羊系统及羊只的健康状况监测等具有明显的现实意义。
发明内容
本发明的目的在于，提供一种羊只在不同应激行为下的叫声信号监测方法，主要监测羊只的打斗、饥饿、咳嗽、啃咬和寻伴叫声信号，实现对羊叫声信号的特征参数提取并进行分类识别，达到设施养殖羊只应激行为的无接触自动化监测。
本发明的技术方案是：一种设施养殖羊应激行为的声信号监测方法，其特征在于，包括以下步骤：
第一步、声音信号采集：将声音传感器安装在设施羊舍的中间位置，采集羊在不同应激行为下的叫声信号；
第二步、预处理：对羊叫声信号进行预处理；
第三步：特征参数提取：提取羊叫声信号特征参数，并对提取的特征参数进行加权；
第四步：建立识别模型：建立羊叫声信号的识别模型，将羊叫声信号中的一部分用于模型训练，得到模型参数；
第五步：统计识别结果：对羊叫声信号进行分类识别，统计设施羊舍内叫声信号的类别和数量，用于设施羊舍的福利化状况评价。
所述的第二步“预处理”包括：羊叫声信号的预加重、分帧、加窗、小波去噪以及端点检测，其中小波去噪的阈值函数采用了一种调整因子的平滑函数，适合于设施羊舍的风机去噪。
所述的第三步“提取特征参数”包括以下流程：
(1)对所述羊叫声信号x(n)进行离散傅里叶变换，得到能量谱x(k)，再进行Mel频率滤波、Log对数处理，得到羊叫声信号的对数能量S(m)；
(2)对所述对数能量S(m)进行离散余弦变换求倒谱，得到12维羊叫声信号梅尔频率倒谱系数(MFCC)，即声信号特征参数C(n)；求MFCC特征参数C(n)的一阶差分，得到24维的羊叫声信号的混合MFCC；
(3)对所述混合MFCC特征参数进行CF比特征加权，得到12维的羊叫声信号特征参数。
所述的第三步“提取特征参数”中的特征加权方法是：
(1)计算羊不同类别叫声信号的特征参数均值方差与同一类别叫声信号特征参数均值的方差之和的比值F；
(2)计算羊叫声信号的MFCC每维特征分量与其它维特征分量之间距离D；
(3)羊叫声信号的MFCC各维特征分量的加权值CF＝F/D。
所述的第四步的具体方法是：建立羊叫声信号识别的隐马尔科夫链/神经网络模型(HMM/ANN)，利用HMM模型中的Viterbi解码算法产生羊叫声信号的最佳状态转移序列输出概率，将其作为BP神经网络的输入，BP神经网络为三层网络，其输出为羊叫声信号的类别。
所述的第五步的具体方法是：对设施养殖场的羊叫声进行识别，并自动统计每天羊叫声的类别与其对应数量，当某天羊叫声类别的对应数量发生较大变化时，进行人工预警。
所述的声音传感器安装在设施羊舍的2m高的中间位置，声音传感器由测量传声器及其前置放大器组成，测量的声信号频率范围为10～20000Hz，声音传感器通过BNC接口与声音采集卡相连接，单声道采集，采样频率为32kHz，采样精度为16bit；声音数据采集为4通道同步采集、51.2kS/s的采样频率、24bit分辨率，采集卡以无线WiFi方式发送声音数据至路由器，路由器与服务器通过以太网连接，采集的羊叫声信号以6min为一个存储单元，存储格式为wav的声音文件。
本发明的优点是：与传统生理生化参数指标检测方法相比，具有无接触、非侵入的优点。因此，利用声信号数字化处理技术，对设施养殖羊叫声信号进行采集、特征参数提取和分类识别，建立羊叫声信号特征参数与羊只不同应激行为之间的相关性，进行设施羊舍内羊只应激行为的统计分析并与环境调控相结合，对于构建设施福利化养羊系统及羊只健康状况监测等具有明显的现实意义。
采用一种加权的梅尔频率倒谱系数(MFCC)进行羊叫声信号特征参数提取，由于羊叫声信号的MFCC特征参数各个分量对叫声的表征能力是不相同的，MFCC特征分量中贡献率小的不仅不能提高识别性能反而会使识别率降低，因此，为了提高羊叫声信号的识别率，设计新的MFCC参数，依据MFCC及其差分的混合参数各分量贡献率的大小，对MFCC混合参数进行特征分量加权，得到的特征参数用于羊叫声信号系统的识别。
由于HMM的动态时序建模能力较强，可以很好地描述不同类别的羊叫声信号，提高了羊叫信号的识别率，但也有着分类决策能力弱的缺点，HMM在识别时通过计算样本的最大累积状态概率来判断属于哪个类别，仅用到状态累积概率最大值而忽略其它的状态累积概率值。人工神经网络(ANN)通过模拟人脑的功能和组织结构，是由对历史信息有着记忆功能的权值互相连接组成，有着较强的分类决策能力，但动态建模能力较差。将HMM的动态建模能力和ANN模型的分类决策能力进行互补，采用HMM/ANN混合识别模型对羊叫声信号进行识别，可提高羊叫声信号的识别率。附图说明：
图1是本发明设施养殖羊应激行为的声信号监测方法的基本流程图；
图2是本发明羊叫声信号的特征参数提取和分类识别流程图；
图3是羊叫声信号的HMM模型；
图4是羊叫声信号的HMM/ANN混合模型图；
图5(a)是羊打斗叫声信号的MFCC一阶差分特征参数三维曲线图；
图5(b)是羊饥饿叫声信号的MFCC一阶差分特征参数三维曲线图；
图5(c)是羊咳嗽声信号的MFCC一阶差分特征参数三维曲线图；
图5(d)是羊啃咬叫声信号的MFCC一阶差分特征参数三维曲线图；
图5(e)是羊寻伴叫声信号的MFCC一阶差分特征参数三维曲线图。
具体实施方式
参见图1，本发明一种设施养殖羊应激行为的声信号监测方法，基本流程是：
第一步、声音信号采集：将声音传感器安装在设施羊舍的2m高的中间位置，声音传感器由测量传声器及其前置放大器组成，测量的声信号频率范围为10～20000Hz，声音传感器通过BNC接口与NI声音数据采集平台的声音采集卡相连接，单声道采集，采样频率为32kHz，采样精度为16bit。声音数据采集为4通道同步采集、51.2kS/s的采样频率、24bit分辨率，NI声音数据采集平台以无线WiFi方式发送声音数据至路由器，路由器与服务器通过以太网连接，采集的羊叫声信号以6min为一个存储单元储存在服务器内，存储格式为wav的声音文件。对服务器上存储的羊叫声信号再进行特征参数提取和分类识别，识别出羊叫声信号所对应的羊只行为，服务器进行统计设施羊舍发生的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为的数量，羊场管理人员可通过管理人员终端上网登陆服务器查询到养殖舍内羊只行为统计状况，对设施羊舍的福利化养殖水平进行评估。
参见图2，本发明设施养殖羊叫声信号的特征参数提取和分类识别方法是:
1、对羊叫声信号进行预加重、分帧、加窗、去噪以及端点检测等常规预处理方法，但对声信号去噪方法使用了小波去噪，其阈值函数采用了一种调整因子的平滑函数，适合于设施羊舍的风机去噪。本发明使用的小波去噪方法为：
(1)含噪羊舍声信号的小波分解。选择小波基函数和分解层数，对羊舍含噪声信号进行小波变换，得到一组小波分解系数Wjk。
(2)小波系数的阈值处理。选择一合适阈值，对小波分解的高频系数Wjk进行阈值处理，得到估计的系数使尽可能的小。噪声分量是随着小波系数增大而减小的，所以当|Wjk|增大时，希望和Wjk之间的偏差也能减小，不能是恒定偏差λ或简单的置为零，设计一种调整因子的平滑函数作为阈值函数，表达式如下：
式中α代表调整因子，0≤α≤1，当|Wjk|<λ时，可以调节α的值来调整其幅值，实现对Wjk的压缩处理。
(3)声信号的重构。根据小波分解的高频估计小波系数和低频小波系数进行羊叫声信号的小波重构，得出去噪后的羊叫声的信号。
2、对羊叫声信号进行离散傅里叶变换，得到声信号的对数能量，本发明使用的方法为：
(1)计算离散功率谱。通过离散傅里叶变换将声信号从时域转换到频域上，再求声信号频谱幅度的平方，得到声信号的能量谱，其在频域上的能量分布代表了不同声信号的特性，计算公式为：
式中：N—FFT的点数；x(n)—羊叫声信号；x(k)—声信号的能量谱。
(2)Mel滤波器组滤波。人耳听觉对声信号低频与高频部分的敏感度不同，由于人耳的遮蔽效应，响度较高的频率成分(一般为低频部分)会影响响度较低的频率成分(一般为高频部分)，因此，声信号转换成梅尔频率后，模拟人耳听觉特性就需要让梅尔频率平均分布，这可使用M个三角带通滤波器来实现，滤波器的公式为：
其中式中：f[m]—第m个三角滤波器的中心点；Hm[k]—k频率在第m个三角滤波器的权重。另外f[m]也可进一步表示为公式(4)所示。
式中：Fs—采样频率；M—滤波器组的个数，取M＝24；fL—滤波器组的最低频率；fH—滤波器组的最高频率；中心频率为f[m],m＝1,2,...,M。f[m]之间的距离是随m值的增大而增宽，随m值的减小而缩小。
(3)对数转换。声信号经过Mel滤波后得到其能量系数，需要对其进行对数转换使Mel频谱与傅里叶频率成对数关系，所以每个滤波器组输出的对数能量为：
式中：S(m)—对数能量；Hm[k]—三角滤波器组；x(k)—声音信号的能量谱。
3、对羊叫声信号的对数能量进行变换得到24维的MFCC及其一阶差分的混合特征参数,本发明使用的方法为：
(1)离散余弦变换(DCT)。由于同频带的能量变换成对数后已不再是当初时域的值，将其称作倒频谱系数，再经DCT变换，减少特征参数维度间的相关性，将信息集中到低频12维的系数，以增加声信号的识别效率，所得的MFCC表达式为：
式中：L—梅尔频率倒谱系数的阶数；C(n)—梅尔频率倒谱系数。
(2)MFCC差分特征参数。MFCC反映了声音信号的静态特性，而人耳对声信号的动态特性较敏感，因此，需要一种表示羊叫声信号动态特性的参数。在动物声信号识别中，一般采用一阶差分MFCC参数来表示声信号的动态特性，把动态和静态特征参数结合起来，可以提高系统的识别率。MFCC差分参数可通过公式(7)得到。
其中，K是一阶导数的时间差，其值取1，dt为第t个一阶差分倒谱系数，1≤k≤K，Ct为第t个倒谱系数，L为倒谱系数的阶数。图5为羊只5种行为(打斗、饥饿、咳嗽、啃咬和寻伴)的叫声信号一阶差分MFCC特征参数图，X、Y和Z轴分别代表声信号的帧数、维数和MFCC的倒谱值，不同羊叫声信号的MFCC系数的变化主要体现在两个方面：一是幅度，二是变化的趋势。MFCC参数反映了羊只的声道特性，一阶差分MFCC反映出声信号的动态变化特性，从图中可以看出，一阶差分MFCC在幅度和范围的变化较大，动态特性有了明显的提高。
4、对羊叫声信号MFCC混合特征参数进行CF比特征加权，得到12维的特征参数,本发明使用的方法为：
(1)羊叫声信号特征参数CF比的计算方法。CF比的计算方法如下，令Fb(i)表示不同羊叫声信号的特征参数均值方差，则：
其中，M是羊叫声信号的类别数量(M＝5)，ui和u分别表示第i种羊叫声信号参数和所有羊叫声信号参数的均值估计，计算公式为：
其中，是第i种羊叫声信号第j个声信号样本的特征参数，j＝1,2,…,N，i＝1,2,…,M。N代表第i种羊叫声信号的样本个数。
令Fw(i)表示同一类羊叫声信号特征参数均值的方差之和：
因此，重新定义Fisher比为：
MFCC的特征分量的距离定义为：
其中，和分别表示第i种羊叫声信号的第j维和第k维的特征分量。MFCC的每维特征分量与其它维特征分量之间距离的测度值越大，则说明该维特征分量与其维特征分量的相关性越差。
对于L维中每一维特征分量的距离则定义为：
因此，所有种类羊叫声信号的第j维特征分量的相关距离为：
基于特征相关性的Fisher准则不但考虑了MFCC每维特征分量的区分度，而且考虑了该维特征分量与其它维特征分量的相关性，CF比定义为：
CF＝F/dis(j) (15)
(2)羊叫声信号MFCC混合特征参数的CF比特征加权。对羊叫声信号的MFCC混合特征参数的每一维特征分量计算CF比，作为MFCC混合参数各维特征分量的贡献度。根据羊叫声信号MFCC混合参数的每一维特征分量的贡献度，计算每一维特征分量的加权系数ηi，ηi的计算公式为：
式中，N为MFCC混合特征参数的维数，CFi为MFCC混合参数的第i维的贡献度，即CF比。对羊叫声信号MFCC混合特征参数进行加权，加权系数ηi与混合参数的各维特征分量相乘，得到经过加权的羊叫声信号MFCC混合特征参数。
采用CF比对羊叫声信号MFCC混合特征参数加权，提升了特征参数中对羊叫声信号表征信息的权重，降低干扰信息的权重，可提高羊叫声信号的识别率。
5、建立羊叫声信号的HMM/ANN识别模型，根据羊叫声信号特征参数进行分类识别。本发明使用的方法为：
(1)羊叫声信号的隐马尔科链模型(HMM)的建立。羊叫声信号的HMM模型如图3所示，在t时刻起，π表示当前状态Si处于随机处于某个状态的概率，用状态转移概率aij＝P(qt+1＝Sj|qt＝Si)表示羊叫声信号从状态Si在t+1时刻转移到Sj的概率，则全部概率aij(i,j＝1,2,...,N)可用状态转移概率矩阵A表示；羊叫声信号的每个状态下有M(M＝3)个不同子区域，O＝{o1,o2,...,oT}为观测序列，T为声信号帧数，与提取的羊叫声信号特征参数相对应，用表示所有区域对应的概率分布函数，整个羊叫声信号识别HMM可以用λ＝(A,B,π)表示。
(2)羊叫声信号识别的HMM/ANN模型的建立。参见图4，对羊只打斗、饥饿、咳嗽、啃咬、寻伴行为的声信号，设计相对应的HMM，共设计5个羊叫声信号HMM，分别对应打斗声λ1、饥饿声λ2、咳嗽声λ3、啃咬声λ4和寻伴声λ5，经过Viterbi算法得到HMM的状态转移序列及其输出概率，每种羊叫声信号的HMM有6个状态转移序列，对应的状态累积输出概率为{V(1),V(2),...,V(6)}，一共可得到30个状态累积输出概率。BP神经网络的输入层有30个神经元，分别对应着HMM的30个状态累积概率，其输出层有5个神经元，分别对应着5种类别的羊叫声信号，将羊叫声信号中的一部分用于HMM/ANN模型训练，可得到HMM模型参数和ANN的权重值，当ANN的隐含层神经元数目为9，该模型的识别率最高。
(3)羊叫声信号的分类识别。参见图4，对于一个待判别的羊叫声信号样本O，即提取的羊叫声信号特征参数，对所有的HMM，分别采用Viterbi算法求出最大输出概率P(O,O*|λm),m＝1,2,3,4,5，其中O*为最佳状态序列，则该样本的羊叫声信号类别归属为匹配概率最大的HMM。利用HMM模型中的Viterbi解码算法产生5种羊叫声信号的最佳状态转移序列输出概率，将其作为BP神经网络的输入，BP神经网络为三层网络，其输出即为羊叫声信号的类别。
Claims (7)
1.一种设施养殖羊应激行为的声信号监测方法，其特征在于，包括以下步骤：
第一步、声音信号采集：将声音传感器安装在设施羊舍的中间位置，采集羊在不同应激行为下的叫声信号；
第二步、预处理：对羊叫声信号进行预处理；
第三步：特征参数提取：提取羊叫声信号特征参数，并对提取的特征参数进行加权；
第四步：建立识别模型：建立羊叫声信号的识别模型，将羊叫声信号中的一部分用于模型训练，得到模型参数；
第五步：统计识别结果：对羊叫声信号进行分类识别，统计设施羊舍内叫声信号的类别和数量，用于设施羊舍的福利化状况评价。
2.根据权利要求1所述的设施养殖羊应激行为的声信号监测方法，其特征在于，所述的第二步“预处理”包括：羊叫声信号的预加重、分帧、加窗、小波去噪以及端点检测，其中小波去噪的阈值函数采用了一种调整因子的平滑函数，适合于设施羊舍的风机去噪。
3.根据权利要求1所述的设施养殖羊应激行为的声信号监测方法，其特征在于，所述的第三步“提取特征参数”包括以下流程：
(1)对所述羊叫声信号x(n)进行离散傅里叶变换，得到能量谱x(k)，再进行Mel频率滤波、Log对数处理，得到羊叫声信号的对数能量S(m)；
(2)对所述对数能量S(m)进行离散余弦变换求倒谱，得到12维羊叫声信号梅尔频率倒谱系数(MFCC)，即声信号特征参数C(n)；求MFCC特征参数C(n)的一阶差分，得到24维的羊叫声信号的混合MFCC；
(3)对所述混合MFCC特征参数进行CF比特征加权，得到12维的羊叫声信号特征参数。
4.根据权利要求1所述的设施养殖羊应激行为的声信号监测方法，其特征在于，所述的第三步“提取特征参数”中的特征加权方法是：
(1)计算羊不同类别叫声信号的特征参数均值方差与同一类别叫声信号特征参数均值的方差之和的比值F；
(2)计算羊叫声信号的MFCC每维特征分量与其它维特征分量之间距离D；
(3)羊叫声信号的MFCC各维特征分量的加权值CF＝F/D。
5.根据权利要求1所述的设施养殖羊应激行为的声信号监测方法，其特征在于，所述的第四步的具体方法是：建立羊叫声信号识别的隐马尔科夫链/神经网络模型(HMM/ANN)，利用HMM模型中的Viterbi解码算法产生羊叫声信号的最佳状态转移序列输出概率，将其作为BP神经网络的输入，BP神经网络为三层网络，其输出为羊叫声信号的类别。
6.根据权利要求1所述的设施养殖羊应激行为的声信号监测方法，其特征在于，所述的第五步的具体方法是：对设施养殖场的羊叫声进行识别，并自动统计每天羊叫声的类别与其对应数量，当某天羊叫声类别的对应数量发生较大变化时，进行人工预警。
7.根据权利要求1所述的设施养殖羊应激行为的声信号监测方法，其特征在于，所述的声音传感器安装在设施羊舍的2m高的中间位置，声音传感器由测量传声器及其前置放大器组成，测量的声信号频率范围为10～20000Hz，声音传感器通过BNC接口与声音采集卡相连接，单声道采集，采样频率为32kHz，采样精度为16bit；声音数据采集为4通道同步采集、51.2kS/s的采样频率、24bit分辨率，采集卡以无线WiFi方式发送声音数据至路由器，路由器与服务器通过以太网连接，采集的羊叫声信号以6min为一个存储单元，存储格式为wav的声音文件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710044272.5A CN106847293A (zh) | 2017-01-19 | 2017-01-19 | 设施养殖羊应激行为的声信号监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710044272.5A CN106847293A (zh) | 2017-01-19 | 2017-01-19 | 设施养殖羊应激行为的声信号监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106847293A true CN106847293A (zh) | 2017-06-13 |
Family
ID=59120874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710044272.5A Pending CN106847293A (zh) | 2017-01-19 | 2017-01-19 | 设施养殖羊应激行为的声信号监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106847293A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108175436A (zh) * | 2017-12-28 | 2018-06-19 | 北京航空航天大学 | 一种肠鸣音智能自动识别方法 |
| CN108198562A (zh) * | 2018-02-05 | 2018-06-22 | 中国农业大学 | 一种用于实时定位辨识动物舍内异常声音的方法及系统 |
| CN108701469A (zh) * | 2017-07-31 | 2018-10-23 | 深圳和而泰智能家居科技有限公司 | 咳嗽声音识别方法、设备和存储介质 |
| CN108847244A (zh) * | 2018-08-22 | 2018-11-20 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 基于mfcc和改进bp神经网络的声纹识别方法及系统 |
| CN109243470A (zh) * | 2018-08-16 | 2019-01-18 | 南京农业大学 | 基于音频技术的肉鸡咳嗽监测方法 |
| WO2019079972A1 (zh) * | 2017-10-24 | 2019-05-02 | 深圳和而泰智能控制股份有限公司 | 特定声音识别方法、设备和存储介质 |
| CN109887526A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技（深圳）有限公司 | 对母羊的生理状态检测方法、装置、设备及存储介质 |
| CN110338092A (zh) * | 2019-07-01 | 2019-10-18 | 河南牧业经济学院 | 一种基于声音的猪行为识别方法及系统 |
| CN110444230A (zh) * | 2019-07-04 | 2019-11-12 | 南京农业大学 | 一种基于音频技术的肉鸡呼吸道疾病自动识别装置 |
| WO2019242155A1 (zh) * | 2018-06-22 | 2019-12-26 | 平安科技（深圳）有限公司 | 基于声音识别的健康管理方法、装置和计算机设备 |
| WO2020006935A1 (zh) * | 2018-07-05 | 2020-01-09 | 平安科技（深圳）有限公司 | 动物声纹特征提取方法、装置及计算机可读存储介质 |
| CN111028862A (zh) * | 2019-12-17 | 2020-04-17 | 北京海益同展信息科技有限公司 | 处理语音数据的方法、装置、计算机设备和存储介质 |
| CN111916096A (zh) * | 2019-05-09 | 2020-11-10 | 南京农业大学 | 一种基于树莓派的藏羊牧食行为监测方法 |
| CN112237157A (zh) * | 2020-11-05 | 2021-01-19 | 佛山科学技术学院 | 一种基于家禽物理信号控制的投料装置 |
| CN113823295A (zh) * | 2021-10-12 | 2021-12-21 | 青岛农业大学 | 一种通过羊的声音智能识别发情状态的方法 |
| CN114662872A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院信息技术研究中心 | 一种畜禽舍舒适度判断方法及系统 |
| NL2029582B1 (en) * | 2021-11-02 | 2023-06-01 | Univ Qingdao Agricultural | Method for intelligently identifying estrus state through sheep sound |
| CN117016430A (zh) * | 2023-09-22 | 2023-11-10 | 江苏省家禽科学研究所 | 一种基于智能监测的肉鸡养殖系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976564A (zh) * | 2010-10-15 | 2011-02-16 | 中国林业科学研究院森林生态环境与保护研究所 | 昆虫声音识别方法 |
| US20130282379A1 (en) * | 2012-04-24 | 2013-10-24 | Tom Stephenson | Method and apparatus for analyzing animal vocalizations, extracting identification characteristics, and using databases of these characteristics for identifying the species of vocalizing animals |
| CN104658538A (zh) * | 2013-11-18 | 2015-05-27 | 中国计量学院 | 一种基于鸟鸣声的移动式鸟类识别方法 |
| CN105513613A (zh) * | 2015-11-30 | 2016-04-20 | 中国农业科学院农业信息研究所 | 一种禽畜咳嗽声监测预警方法及装置 |
-
2017
- 2017-01-19 CN CN201710044272.5A patent/CN106847293A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976564A (zh) * | 2010-10-15 | 2011-02-16 | 中国林业科学研究院森林生态环境与保护研究所 | 昆虫声音识别方法 |
| US20130282379A1 (en) * | 2012-04-24 | 2013-10-24 | Tom Stephenson | Method and apparatus for analyzing animal vocalizations, extracting identification characteristics, and using databases of these characteristics for identifying the species of vocalizing animals |
| CN104658538A (zh) * | 2013-11-18 | 2015-05-27 | 中国计量学院 | 一种基于鸟鸣声的移动式鸟类识别方法 |
| CN105513613A (zh) * | 2015-11-30 | 2016-04-20 | 中国农业科学院农业信息研究所 | 一种禽畜咳嗽声监测预警方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 宣传忠: "《博士学位论文》", 15 January 2017, 内蒙古农业大学 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108701469A (zh) * | 2017-07-31 | 2018-10-23 | 深圳和而泰智能家居科技有限公司 | 咳嗽声音识别方法、设备和存储介质 |
| CN108701469B (zh) * | 2017-07-31 | 2023-06-20 | 深圳和而泰智能控制股份有限公司 | 咳嗽声音识别方法、设备和存储介质 |
| WO2019079972A1 (zh) * | 2017-10-24 | 2019-05-02 | 深圳和而泰智能控制股份有限公司 | 特定声音识别方法、设备和存储介质 |
| CN108175436A (zh) * | 2017-12-28 | 2018-06-19 | 北京航空航天大学 | 一种肠鸣音智能自动识别方法 |
| CN108198562A (zh) * | 2018-02-05 | 2018-06-22 | 中国农业大学 | 一种用于实时定位辨识动物舍内异常声音的方法及系统 |
| WO2019242155A1 (zh) * | 2018-06-22 | 2019-12-26 | 平安科技（深圳）有限公司 | 基于声音识别的健康管理方法、装置和计算机设备 |
| WO2020006935A1 (zh) * | 2018-07-05 | 2020-01-09 | 平安科技（深圳）有限公司 | 动物声纹特征提取方法、装置及计算机可读存储介质 |
| CN109243470A (zh) * | 2018-08-16 | 2019-01-18 | 南京农业大学 | 基于音频技术的肉鸡咳嗽监测方法 |
| CN109243470B (zh) * | 2018-08-16 | 2020-05-05 | 南京农业大学 | 基于音频技术的肉鸡咳嗽监测方法 |
| CN108847244A (zh) * | 2018-08-22 | 2018-11-20 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 基于mfcc和改进bp神经网络的声纹识别方法及系统 |
| CN109887526A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技（深圳）有限公司 | 对母羊的生理状态检测方法、装置、设备及存储介质 |
| CN109887526B (zh) * | 2019-01-04 | 2023-10-17 | 平安科技（深圳）有限公司 | 对母羊的生理状态检测方法、装置、设备及存储介质 |
| CN111916096A (zh) * | 2019-05-09 | 2020-11-10 | 南京农业大学 | 一种基于树莓派的藏羊牧食行为监测方法 |
| CN111916096B (zh) * | 2019-05-09 | 2021-04-27 | 南京农业大学 | 一种基于树莓派的藏羊牧食行为监测方法 |
| CN110338092A (zh) * | 2019-07-01 | 2019-10-18 | 河南牧业经济学院 | 一种基于声音的猪行为识别方法及系统 |
| CN110444230A (zh) * | 2019-07-04 | 2019-11-12 | 南京农业大学 | 一种基于音频技术的肉鸡呼吸道疾病自动识别装置 |
| CN111028862B (zh) * | 2019-12-17 | 2022-09-06 | 京东科技信息技术有限公司 | 处理语音数据的方法、装置、计算机设备和存储介质 |
| CN111028862A (zh) * | 2019-12-17 | 2020-04-17 | 北京海益同展信息科技有限公司 | 处理语音数据的方法、装置、计算机设备和存储介质 |
| CN112237157B (zh) * | 2020-11-05 | 2022-06-03 | 佛山科学技术学院 | 一种基于家禽物理信号控制的投料装置 |
| CN112237157A (zh) * | 2020-11-05 | 2021-01-19 | 佛山科学技术学院 | 一种基于家禽物理信号控制的投料装置 |
| CN113823295A (zh) * | 2021-10-12 | 2021-12-21 | 青岛农业大学 | 一种通过羊的声音智能识别发情状态的方法 |
| NL2029582B1 (en) * | 2021-11-02 | 2023-06-01 | Univ Qingdao Agricultural | Method for intelligently identifying estrus state through sheep sound |
| CN114662872A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院信息技术研究中心 | 一种畜禽舍舒适度判断方法及系统 |
| CN117016430A (zh) * | 2023-09-22 | 2023-11-10 | 江苏省家禽科学研究所 | 一种基于智能监测的肉鸡养殖系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106847293A (zh) | 设施养殖羊应激行为的声信号监测方法 | |
| Cai et al. | Sensor network for the monitoring of ecosystem: Bird species recognition | |
| CN109258509B (zh) | 一种生猪异常声音智能监测系统与方法 | |
| CN111583962B (zh) | 一种基于声学分析的羊反刍行为监测方法 | |
| CN108630209B (zh) | 一种基于特征融合与深度置信网络的海洋生物识别方法 | |
| CN109243470A (zh) | 基于音频技术的肉鸡咳嗽监测方法 | |
| CN112164408A (zh) | 基于深度学习的猪咳嗽声监测与预警系统 | |
| CN110189756A (zh) | 一种用于监测生猪异常声音的方法及系统 | |
| CN111951824A (zh) | 一种基于声音判别抑郁症的检测方法 | |
| CN115410711B (zh) | 基于声音信号特征和随机森林的白羽肉鸡健康监测方法 | |
| CN111489763A (zh) | 一种基于gmm模型的复杂环境下说话人识别自适应方法 | |
| CN111414832A (zh) | 一种基于鲸豚类低频水声信号的实时在线识别分类系统 | |
| CN117727332B (zh) | 基于语谱特征分析的生态种群评估方法 | |
| CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
| CN117727330A (zh) | 基于音频分解的生物多样性预测方法 | |
| Zhang et al. | A novel insect sound recognition algorithm based on MFCC and CNN | |
| CN118173102B (zh) | 一种复杂场景下鸟类声纹识别方法 | |
| Ali et al. | Asphyxiated infant cry classification using Simulink model | |
| Estrebou et al. | Voice recognition based on probabilistic SOM | |
| CN112259107A (zh) | 一种会议场景小样本条件下的声纹识别方法 | |
| CN115331678B (zh) | 利用Mel频率倒谱系数的广义回归神经网络声信号识别方法 | |
| CN110060692A (zh) | 一种声纹识别系统及其识别方法 | |
| CN118522292B (zh) | 基于数字音频技术的生物生态多样性分析方法 | |
| Shi | An Improved Machine Learning Model for Pig Abnormal Voice Recognition | |
| CN118522295B (zh) | 一种野生生态环境生物多样性变化趋势评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |
|
| WD01 | Invention patent application deemed withdrawn after publication |