CN109258509A - 一种生猪异常声音智能监测系统与方法 - Google Patents
一种生猪异常声音智能监测系统与方法 Download PDFInfo
- Publication number
- CN109258509A CN109258509A CN201811365642.6A CN201811365642A CN109258509A CN 109258509 A CN109258509 A CN 109258509A CN 201811365642 A CN201811365642 A CN 201811365642A CN 109258509 A CN109258509 A CN 109258509A
- Authority
- CN
- China
- Prior art keywords
- sound
- live pig
- formula
- energy
- mfcc
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 238000009510 drug design Methods 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 49
- 235000015277 pork Nutrition 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 208000023504 respiratory system disease Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 1
- 208000001649 Pica Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 206010041232 sneezing Diseases 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Physics & Mathematics (AREA)
- Emergency Alarm Devices (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种生猪异常声音智能监测系统与方法,包括数据采集层、数据传输层与智能监测层。数据采集层包括拾音器和音频采集编码处理器,用于实时采集猪舍中的声音,并将采集的信号进行编码;数据传输层将采集到的声音信号通过无线收发设备传输到智能监测层;智能监测层包括监控计算机和报警设备,用于对采集到的声音进行处理、识别、报警。本发明设计合理,人机交互友好,稳定性高,提升了生猪异常监测的智能化水平,降低了人工依赖程度。
Description
技术领域
本发明涉及生猪异常监测领域,特别是涉及一种生猪异常声音智能监测系统与方法,为生猪异常状态的分析与判断提供了有力依据。
背景技术
我国是一个猪肉产量大国,同时我国也是一个猪肉消费大国,以2016年为例,我国猪肉产量为5185万吨,占全球产量47.92%;猪肉消费量为5407万吨,占全球消费量50.06%。虽然我国是世界上猪肉生产和消费的第一大国,但在生产方式及管理模式上与世界先进国家还有相当大的一段差距。目前我国养猪模式正由中小户散养模式向规模化集约化养殖模式发展,集中养殖方式在为猪群提供良好的生存环境的同时,还要关注生猪是否出现异常,从而及时采取措施进行诊断治疗,将经济损失降到最小,实现生猪福利养殖。
在集约化养殖方式下,生猪异常行为主要包括攻击、空嚼、异食癖以及长时间趴卧等异常行为,这些行为易引起生猪感染疾病,从而造成不必要的损失。因此,对生猪的异常行为进行监控对提高养殖效益具有重要意义。由于饲养员水平参差不齐,对生猪异常行为的判断容易出现误判现象,同时不能够达到实时监控的目的,而且容易对生猪的饮食习惯产生干扰。因此在集约化养殖情况下,利用一种智能化监测系统来代替人工监测显得尤为重要。
生猪声音是一种复杂的非平稳信号,有经验的饲养员可以根据生猪的发声来判断其健康状况,例如:打斗声一般是生猪在争夺地盘或者猪群中地位时产生的,打斗行为主要包括咬耳、咬尾,若不及时制止会引起生猪咬耳等恶癖行为;咳嗽声是生猪呼吸系统疾病的主要症状之一,特别是在早期阶段,根据咳嗽声可以判断其是否患有呼吸系统疾病(如:猪气喘病、猪支气管炎等);喷嚏声可能是由生猪感染病毒引起,也可能是由于猪舍内灰尘和氨气的浓度,因此当生猪出现打喷嚏症状时应及时判断其产生原因并进行解决;饥饿声是生猪因饥饿而发出的叫声,育肥前期生猪每日增重约200~400g,育肥后期每日增重可达800~1000g,因此及时饲喂对育肥期生猪增重尤为重要;呛水声是生猪因进食湿料或饮水时将其吸入气管而引起的抽搐声,若不及时发现诊断极易引发其它呼吸系统疾病。音频技术作为一种非接触检测方法,不受光照、温度等条件的影响,可以代替饲养员,通过识别生猪异常声音,为异常状态的判断提供参考。
发明内容
本发明的目的在于提供了一种生猪异常声音智能监测系统与方法,为生猪异常状态的分析与判断提供了有力依据。
本发明采用以下技术方案来实现:
一种生猪异常声音智能监测系统,包括数据采集层、数据传输层与智能监测层;其中,数据采集层包括拾音器和音频采集编码处理器,用于实时采集猪舍中的声音并进行编码;数据传输层将采集到的声音通过无线收发设备传输到智能监测层;智能监测层包括监控计算机和报警设备,用于对采集的声音进行处理、识别、报警。
所述的系统,所述拾音器直接安装在猪舍中,采集生猪声音信号,然后将声音信号实时传输到音频采集编码处理器,进行音频信号的编码;数据传输层的无线收发设备将编码好的声音数据通过Wi-Fi传输到智能监测层。
生猪异常声音智能监测方法,智能监测层用于对采集的声音进行处理、识别、报警,所述处理、识别、报警包括:声音能量检测、降噪处理、盲源分离、声音特征提取、生猪声音检测、基于模糊推理的神经网络(FR-NN)生猪异常声音识别、自适应在线学习、异常声音报警机制。
所述的方法,通过声音能量检测筛选出有效的生猪声音信号,排除安静状况下的声音;实时捕获的声音信号能量为所有帧的短时能量之和,通过声音信号能量与设定阈值比较,选择出有效信号进行下一步处理;短时能量计算公式如下:
式中,n=0,T,2T…,T为帧移长度;s(m)为声音信号;N为一帧长度;w(n)为窗函数;
因此,声音信号的能量计算公式为:
式中,K为声音信号包含的帧数。
所述的方法,通过改进的谱减法对采集的生猪声音进行降噪处理;首先,从猪舍中提取一些“噪声帧”作为噪声库的初始数据;然后,通过实时检测采集声音的能量对噪声库进行扩充和更新;当执行谱减法的过程中提取不到噪声段时,将噪声库中最新的数据作为噪声段进行降噪操作。
所述的方法,通过基于Fast-ICA和改进经验模态分解(Empirical ModeDecomposition,EMD)的盲源分离技术对生猪混杂声音进行盲源分离;基本步骤如下:
(1)利用改进EMD对实时采集的单通道声音信号进行分解,通过固有模态函数(Intrinsic Mode Function,IMF)将单通道信号扩展为多通道信号s=[s1(t),s2(t),…,sn(t)];其中,s1(t),s2(t),…,sn(t)是固有模态函数成分;
(2)通过下式计算多通道信号s的相关矩阵Rs,利用Rs的特征值估计源信号数目;
Rs=[s·sH]
(3)通过多通道信号s的峭度值来优选IMF,使IMF的数目与源信号数目相同;
(4)将优选出的信号作为Fast-ICA的输入进行混杂声音分离;
选择满足下面公式的转折点作为极值点的一部分,采用多项式插值来拟合包络线,提高运算速度;
式中,dk=|x(k)-x(k-1)|;dk+1=|x(k+1)-x(k)|;x为声音信号s(t)的信号序列;m为阈值。
所述的方法,声音特征提取采用改进的复合特征作为生猪声音特征参数,包括生猪声音的梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients,MFCC)、一阶差分梅尔频率倒谱系数(△MFCC)、二阶差分梅尔频率倒谱系数(△2MFCC)和子带频谱质心(Spectral Subband Centroids,SSC);将上述特征参数分作两类分别进行组合、级联,最后得到复合特征;
梅尔倒谱系数(MFCC)以及子带频谱质心(SSC)特征参数提取过程如下所示:
(1)梅尔频率倒谱系数提取
MFCC是在Mel标度频率域中提取出来的倒谱参数,Mel标度描述了人耳频率感知的非线性特性,它与频率的关系公式如下所示:
MFCC的计算过程如下:
1)快速傅里叶变换(FFT)
由于频域特征能更好地表征信号的特性,所以一般需要将时域参数转换成频域上的能量进行分析。声音信号加上汉明窗后,对每一帧求取快速傅里叶变换,公式如下所示:
X(i,k)=FFT[xi(m)]
式中,xi(m)为第i帧声音信号,i=1,2,…,N,N为声音信号帧数;k=1,2,…,K,K为频域中的谱线条数;
2)计算谱线能量
对1)中频谱取模之后做平方运算,计算频谱的能量,公式如下所示:
E(i,k)=|X(i,k)|2
式中,E(i,k)为谱线能量;
3)计算通过Mel滤波器的能量
每个Mel滤波器组输出的能量相当于频域中所有E(i,k)与Mel滤波器频域响应Hm(k)乘积之和,公式如下式所示:
式中,m=1,2,…,M,M为Mel滤波器个数;
4)计算余弦离散(DCT)倒谱
对Mel滤波器能量去对数后计算DCT,得到MFCC参数,如下式所示:
式中,n表示DCT后的谱线;
5)计算差分MFCC参数
式中,I为常数,取2;
(2)子带频谱质心(SSC)特征参数提取
SSC的计算公式为:
式中,fc为子带频谱;Δf为子带宽度的一半;w(f)为一组带通滤波器;A(f)为短时功率谱;
复合特征参数由MFCC与SCC级联得到,公式如下所示:
式中,ɑ、β、γ分别为MFCC,△MFCC,△2MFCC的权重,且ɑ+β+γ=1;为级联操作。
所述的方法,生猪声音检测采用支持向量数据描述(Support Vector DataDescription,SVDD)从声音信号中检测异常声音,排除其它声音对生猪异常声音识别的干扰,提高生猪异常声音的识别的准确率。
所述的方法,基于模糊推理的神经网络(FR-NN)生猪异常声音识别包括异常声音识别模型和模糊推理;异常声音识别模型采用BP神经网络对生猪异常声音进行识别;模糊推理是利用模糊推理技术建立模糊推理规则,应用模糊推理规则得到时间窗口内的最终识别结果;BP神经网络在声音识别过程中,通过单一时刻的特征参数进行识别,容易产生误差,因此选取一段时间作为时间窗口,统计时间窗口内各帧的识别结果,再利用建立的模糊推理规则,将模糊推理的输出作为此段时间窗口的识别结果。
所述的方法,提出一种自适应在线学习方法,在生猪异常声音实时识别过程中,自适应训练FR-NN,提高模型的适应性和鲁棒性;该方法的基本步骤如下:
(1)利用模糊C均值(FCM)对初始训练样本进行聚类,确定每个样本的隶属度,删除聚类错误和隶属度低的离群样本,确定每类异常声音特征的中心O;
(2)利用训练好的FR-NN实时识别生猪声音,并将模型的输入与输出作为候选在线训练样本保存,利用置信度和与训练样本中心O的相关性选择出合适的样本存入样本库中;
(3)当样本库中的样本超过一定数量时,选择出不同类型异常声音分布平衡的样本,计算样本中心,更新步骤(1)中的中心O;
(4)利用选择好的样本对人工神经网络的模型参数进行微调;
(5)返回步骤(2)。
所述的方法,提出一种避免虚警的异常声音报警机制;设置一定长度的内存空间,在该内存空间中循环保存连续声音的识别结果,并实时统计内存空间中被识别出的异常声音次数,如果超过某一阈值λ,则发出报警信号。
本发明设计合理,人机交互友好,稳定性高,提升了生猪异常监测的智能化水平,降低了人工依赖程度,提高了生猪异常监测效率。
附图说明
图1为生猪异常声音智能监测系统组成框图;
图2为生猪异常声音智能监测系统示意图;
图3为智能监测层生猪异常声音识别流程框图;
图4为梅尔倒谱系数提取过程框图;
图5为自适应在线学习流程图;
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
如图1、图2、图3所示,一种生猪异常声音智能监测系统,包括数据采集层、数据传输层与智能监测层。数据采集层由拾音器和音频采集编码处理器构成,用于实时采集猪舍中的声音并进行编码;数据传输层将采集到的声音通过无线收发设备传输到智能监测层;智能监测层由监控计算机和报警设备构成,主要作用是对采集的声音进行处理、识别,包括:声音能量检测、声音降噪、盲源分离、声音特征提取、生猪声音检测、基于模糊推理的神经网络(FR-NN)生猪异常声音识别、异常报警判断与自适应在线学习、上位机显示界面等。
数据采集层中生猪声音采集设备选用的是ELITE公司生产的OS-100定向拾音器。该拾音器具有防水防爆、信噪比最高可达60dB和定向拾音的特性,其拾音距离为10m,信号传输距离最高可达3000m,灵敏度为-30dB,而且其内部有降噪处理电路,可以在一定程度上抑制噪声,得到清晰的声音信号。音频采集编码处理器采用低功耗多通道编码器,利用脉冲代码调制编码(PCM编码),经过采样、量化、编码三个步骤,将连续变化的模拟声音信号进行数字编码。编码器支持8kHz至96kHz的采样率,具备多麦克风输入,可以对声音信号进行录制与回放等。数据传输层的无线收发设备通过Wi-Fi将声音信号传输到智能监测层,最佳传输距离为0~3km。
数据采集层中拾音器的布置对生猪声音采集效果影响较大。本发明利用紧固件将定向拾音器固定在采食槽和饮水器同侧,定向拾音器的传输线(音频传输线、电源线)根据猪舍顶棚钢结构的设计排布走线,与现场音频采集编码处理器和电源相连接。定向拾音器安装位置距离采食槽与饮水器4m左右,距离地面高度为2m,并朝向生猪饮食区、活动、休息区域,既可以覆盖猪圈的大部分区域,又可以防止生猪触碰干扰。由于生猪在排泄区发出感兴趣的异常声音较少,因此拾音器的朝向不覆盖该区域。
在智能监测层对异常声音实时监测时,程序的执行周期要与声音的采集周期相匹配。由于声音信号以“流”的形式传输,因此本发明通过程序设定声音采集的周期为读取声音长度与监测程序执行时间之和。一个声音采集周期开始,程序读取以当前时刻为起点的一定时间长度的声音信号,然后进行处理、识别并输出结果,该声音采集周期结束,开始下一个声音采集周期。在本发明中,每次读取声音长度为2s,监测程序执行时间为0.3s,声音采集周期为2.3s。
智能监测层对生猪声音的处理、识别包括以下步骤:
S1:在智能监测层进行声音能量检测时,通过检测捕获的生猪声音能量筛选出有效的生猪声音信号,排除安静状况下的声音,提高系统的执行效率。实时捕获的声音信号能量为所有帧的短时能量之和,通过声音信号能量与设定阈值比较,选择出有效信号进行下一步处理。短时能量计算公式如下:
式中,n=0,T,2T…,T为帧移长度;s(m)为声音信号;N为一帧长度;w(n)为窗函数。
因此,声音信号的能量计算公式为:
式中,K为声音信号的帧数。
S2:在智能监测层进行声音降噪过程中,通过改进的谱减法对采集的生猪声音进行降噪处理。谱减法是以加性噪声和声音信号相互独立为前提的。
设纯净的生猪声音信号为s(t),噪声信号为n(t),则含噪声音信号y(t)可表示为:
y(t)=s(t)+n(t)
设S(w),N(w),Y(w)分别为s(t),n(t),y(t)的傅里叶变换,则
Y(w)=S(w)+N(w)
由上式可以推导出:
|Y(w)|2=|S(w)|2+|N(w)|2+2Re[S(w)N*(w)]
E(|Y(w)|2)=E(|S(w)|2)+E(|N(w)|2)+2E{Re[S(w)N*(w)]}
由于s(t)与n(t)相互独立,因此S(w),N(w)也相互独立,故E{Re[S(w)N*(w)]}=0。因此,由上式可以推导出:
E(|Y(w)|2)=E(|S(w)|2)+E(|N(w)|2)
|Y(w)|2=|S(w)|2+|N(w)|2
根据上式可知,谱减法的基本思想是用带噪声音信号的功率谱减去噪声功率谱。传统的谱减法通过声音信号中的“静音帧”来估计噪声n(t),由于实时采集的一段声音信号的长度为1s,可能提取到的有效“静音帧”不足。因此,本发明通过建立噪声库来解决这个问题。首先,人为从猪舍中提取一些“噪声帧”作为噪声库的初始数据。然后,通过实时检测采集声音的能量对噪声库进行扩充和更新。当执行谱减法的过程中提取不到足够噪声段时,将噪声库中最新的数据作为“静音帧”估计噪声n(t),完成谱减法降噪。
S3:在智能监测层进行盲源分离是通过Fast-ICA和改进经验模态分解(EmpiricalMode Decomposition,EMD)实现的。生猪混杂声音盲源分离的基本步骤如下:
(1)利用改进EMD对实时采集的单通道声音信号进行分解,通过固有模态函数(Intrinsic Mode Function,IMF)将单通道信号扩展为多通道信号s=[s1(t),s2(t),…,sn(t)]。其中,s1(t),s2(t),…,sn(t)是固有模态函数成分;
(2)通过下式计算多通道信号s的相关矩阵Rs,利用Rs的特征值估计源信号数目;
Rs=[s·sH]
(3)通过多通道信号s的峭度值来优选IMF,使IMF的数目与源信号数目相同;
(4)将优选出的信号作为Fast-ICA的输入进行混杂声音分离。
传统的EMD仅选择极值点来拟合包络线,不能完全包裹源信号,容易造成欠冲和过冲现象。因此,选择满足下面公式的转折点作为极值点的一部分,采用多项式插值来拟合包络线,提高运算速度。
式中,dk=|x(k)-x(k-1)|;dk+1=|x(k+1)-x(k)|;x为声音信号s(t)的信号序列;m为阈值,本发明中m取0.2。
S4:在智能监测层进行声音特征提取,采用改进的复合特征提取法提取生猪声音特征,包括生猪声音的梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients,MFCC)、一阶差分梅尔频率倒谱系数(△MFCC)、二阶差分梅尔频率倒谱系数(△2MFCC)和子带频谱质心(Spectral Subband Centroids,SSC)。将上述特征参数分作两类分别进行组合、级联,最后得到复合特征参数。梅尔倒谱系数(MFCC)以及子带频谱质心(SSC)特征参数提取过程如下所示:
(1)梅尔频率倒谱系数提取
MFCC是在Mel标度频率域中提取出来的倒谱参数,Mel标度描述了人耳频率感知的非线性特性,它与频率的关系公式如下所示:
如图4所示,MFCC的计算过程如下:
1)快速傅里叶变换(FFT)
由于频域特征能更好地表征信号的特性,所以一般需要将时域参数转换成频域上的能量进行分析。声音信号加上汉明窗后,对每一帧求取快速傅里叶变换,公式如下所示:
X(i,k)=FFT[xi(m)]
式中,xi(m)为第i帧声音信号,i=1,2,…,N,N为声音信号帧数;k=1,2,…,K,K为频域中的谱线条数。
2)计算谱线能量
对1)中频谱取模之后做平方运算,计算频谱的能量,公式如下所示:
E(i,k)=X(i,k)2
式中,E(i,k)为谱线能量。
3)计算通过Mel滤波器的能量
每个Mel滤波器组输出的能量相当于频域中所有E(i,k)与Mel滤波器频域响应Hm(k)乘积之和,公式如下式所示:
式中,m=1,2,…,M,M为Mel滤波器个数。
4)计算余弦离散(DCT)倒谱
对Mel滤波器能量去对数后计算DCT,得到MFCC参数,如下式所示:
式中,n表示DCT后的谱线。
5)计算差分MFCC参数
式中,I为常数,一般取2。
(2)子带频谱质心(SSC)特征参数提取
子带频谱质心(SSC)是声音识别领域的一种声音特征。它具有一定的抗噪性。SSC的计算公式为:
式中,fc为子带频谱;Δf为子带宽度的一半;w(f)为一组带通滤波器;A(f)为短时功率谱。
复合特征参数由MFCC与SCC级联得到,公式如下所示:
式中,ɑ、β、γ分别为MFCC,△MFCC,△2MFCC的权重,且ɑ+β+γ=1;为级联操作。
S5:智能监测层的生猪声音检测采用支持向量数据描述(Support Vector DataDescription,SVDD)从声音信号中检测异常声音,可以排除其它声音对异常声音识别的干扰,提高生猪异常声音的识别准确率。SVDD是一种边界方法,可以将特征参数映射到高维空间,在高维特征空间建立一个超球面作为分类边界。SVDD的原理如下:
一组已知的训练数据{xi},xi∈Rd,i=1,2,…,n可以通过非线性映射函数映射到一个高维特征空间Fm。映射过程定义为在高维空间Fm建立一个最小超球面来包含大部分的训练数据。这个优化问题可以定义为:
式中,R为超球面半径;o为超球面中心;ξi为松弛因子;v为离群点的上界和支持向量的下界。
引进拉格朗日乘子a,上述方程可以转化为一个对偶问题:
式中,K(xi,xj)为核函数。本发明选择高斯核函数:
式中,σ为核参数。
超球面的中心o和半径R可以用如下公式计算:
式中,为超球面内的点;为超球面上的点。
当一个新的测试数据xnew产生时,计算xnew与超球面中心的距离D(xnew)。如果D2(xnew)<R2,则新的测试数据在超球面内;否则,新的测试数据在超球面外。
S6:智能监测层基于模糊推理的神经网络(FR-NN)生猪异常声音识别,包括异常声音识别模型和模糊推理。异常声音识别模型采用BP神经网络。模糊推理是利用模糊推理技术建立模糊推理规则,应用模糊推理规则得到时间窗口内的最终识别结果。由于BP神经网络通过单一时刻的特征参数进行声音识别,容易产生误差,因此选取一段时间作为时间窗口,统计时间窗口内各帧的识别结果,再利用建立的模糊推理规则进行推理,将最后的输出作为此段时间窗口的识别结果。BP神经网络训练过程及模糊推理规则建立的具体步骤如下:
(1)BP神经网络训练过程:
1)网络初始化;根据系统输入输出序列(X,Y)确定网络输入层节点数n、隐含层节点数l,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值wij,wjk,i=1,2,…,n,j=1,2,…l,k=1,2,…,m,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数。
2)隐含层输出计算;根据输入向量X,输入层和隐含层间连接权值wij以及隐含层阈值a,计算隐含层输出H:
式中,l为隐含层节点数;f为隐含层激励函数,公式如下:
3)输出层输出计算;根据隐含层输出H,连接权值wjk和阈值b,计算BP神经网络预测输出O:
4)误差计算;根据网络预测输出O和期望输出Y,计算网络预测误差e:
ek=Yk-Ok
5)权值更新;根据网络预测误差e更新网络连接权值wij,wjk:
wjk=wjk+ηHjek
6)阈值更新;根据网络预测误差e更新网络节点阈值a,b:
bk=bk+ek
7)判断算法迭代是否结束,若未结束,返回(2);
(2)模糊推理规则建立:
通过单一时刻的样本特征识别生猪异常声音,产生误判的可能性较大,因此选取一段时间作为时间窗口,统计时间窗口内所有帧识别结果,每帧样本的识别结果用i表示,i=1,2,...,n,n为异常声音种类。利用统计学理论将时间窗口内各类识别结果所占的比例分为“最高(Highest)”和“低(Low)”两个水平,建立模糊规则,将模糊推理的输出作为此段时间窗口的识别结果。构建如下的模糊规则:
规则1:若声音种类“1”所占比例为“最高(Highest)”,而其他声音种类“2”、...、“n”所占比例为“低(Low)”,则生猪声音最终识别结果为声音种类“1”。
规则2:若声音种类“2”所占比例为“最高(Highest)”,而其他声音种类“1”、“3”、...、“n”所占比例为“低(Low)”,则生猪声音最终识别结果为声音种类“2”。
...
规则i:若声音种类“i”所占比例为“最高(Highest)”,而其他声音种类“1”、“2”、...、“i-1”、“i+1”、...、“n”所占比例为“低(Low)”,则生猪声音最终识别结果为声音种类“i”。
...
规则n:若声音种类“n”所占比例为“最高(Highest)”,而其他声音种类“1”、“2”、...、“n-1”所占比例为“低(Low)”,则生猪声音最终识别结果为声音种类“n”。
S7:在智能监测层进行异常报警判断,通过程序设置长度为L的内存空间,在该内存空间中循环保存生猪连续声音的识别结果。如果识别为异常声音,则在该内存位置保存1;否则,保存0。当内存空间全部存满后,跳转到内存的初始位置,覆盖原有结果,循环保存。实时统计该内存空间中1的个数n,如果n>λ(λ为异常次数阈值),则发出报警信号。该方法可以避免生猪偶然发出异常声音造成的干扰,提高算法的容错率,提高诊断的准确性。
S8:智能监测层的自适应在线学习是在生猪异常声音实时识别过程中,为了提高模型的适应性和鲁棒性,对FR-NN进行自适应在线学习。如图5所示,该方法的基本步骤如下:
(1)利用模糊C均值(FCM)对初始训练样本进行聚类,确定每个样本的隶属度,删除聚类错误和隶属度低的离群样本,并确定每类异常声音特征的中心O;
(2)利用训练好的FR-NN实时识别生猪声音,并将模型的输入与输出作为候选在线训练样本保存,利用候选在线训练样本的置信度和与训练样本特征中心O的相关性选择出合适的样本存入样本库中;
(3)当样本库中的样本数超过一定数量时,选择出各类型异常声音分布平衡的样本作为在线训练样本,计算样本中心,更新步骤(1)中的中心O;
(4)利用选择好的样本训练神经网络,对神经网络的模型参数进行微调;
(5)返回步骤(2)。
S9:智能监测层的上位机显示界面包括四个画面:实时显示画面、趋势显示画面、历史数据显示画面和报警信息画面。实时显示画面显示实时的声音强度、声音识别结果以及异常声音次数,并用柱状图显示声音强度和异常声音次数的变化。左键单击声音强度与异常声音次数,会弹出实时变化趋势图,右键单击会弹出历史记录表。趋势显示画面包括声音强度与异常声音次数的实时趋势与历史趋势。历史数据显示画面显示保存的生猪声音强度、声音识别结果与时间。报警信息画面显示编号、日期、时间、报警类型
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种生猪异常声音智能监测系统,其特征在于:包括数据采集层、数据传输层与智能监测层;其中,数据采集层包括拾音器和音频采集编码处理器,用于实时采集猪舍中的声音并进行编码;数据传输层将采集到的声音通过无线收发设备传输到智能监测层;智能监测层包括监控计算机和报警设备,用于对采集的声音进行处理、识别、报警。
2.根据权利要求1所述的系统,其特征在于:所述拾音器直接安装在猪舍中,采集生猪声音信号,然后将声音信号实时传输到音频采集编码处理器,进行音频信号的编码;数据传输层的无线收发设备将编码好的声音数据通过Wi-Fi传输到智能监测层。
3.根据权利要求1或2所述系统的生猪异常声音智能监测方法,其特征在于:智能监测层用于对采集的声音进行处理、识别、报警,所述处理、识别、报警包括:声音能量检测、降噪处理、盲源分离、声音特征提取、生猪声音检测、基于模糊推理的神经网络(FR-NN)生猪异常声音识别、自适应在线学习、异常声音报警机制。
4.根据权利要求3所述的方法,其特征在于:通过声音能量检测筛选出有效的生猪声音信号,排除安静状况下的声音;实时捕获的声音信号能量为所有帧的短时能量之和,通过声音信号能量与设定阈值比较,选择出有效信号进行下一步处理;短时能量计算公式如下:
式中,n=0,T,2T…,T为帧移长度;s(m)为声音信号;N为一帧长度;w(n)为窗函数;
因此,声音信号的能量计算公式为:
式中,K为声音信号包含的帧数。
5.根据权利要求3所述的方法,其特征在于:通过改进的谱减法对采集的生猪声音进行降噪处理;首先,从猪舍中提取一些“噪声帧”作为噪声库的初始数据;然后,通过实时检测采集声音的能量对噪声库进行扩充和更新;当执行谱减法的过程中提取不到噪声段时,将噪声库中最新的数据作为噪声段进行降噪操作。
6.根据权利要求3所述的方法,其特征在于:通过基于Fast-ICA和改进经验模态分解(Empirical Mode Decomposition,EMD)的盲源分离技术对生猪混杂声音进行盲源分离;基本步骤如下:
(1)利用改进EMD对实时采集的单通道声音信号进行分解,通过固有模态函数(Intrinsic Mode Function,IMF)将单通道信号扩展为多通道信号s=[s1(t),s2(t),…,sn(t)];其中,s1(t),s2(t),…,sn(t)是固有模态函数成分;
(2)通过下式计算多通道信号s的相关矩阵Rs,利用Rs的特征值估计源信号数目;
Rs=[s·sH]
(3)通过多通道信号s的峭度值来优选IMF,使IMF的数目与源信号数目相同;
(4)将优选出的信号作为Fast-ICA的输入进行混杂声音分离;
选择满足下面公式的转折点作为极值点的一部分,采用多项式插值来拟合包络线,提高运算速度;
式中,dk=|x(k)-x(k-1)|;dk+1=|x(k+1)-x(k)|;x为声音信号s(t)的信号序列;m为阈值。
7.根据权利要求3所述的方法,其特征在于:声音特征提取采用改进的复合特征作为生猪声音特征参数,包括生猪声音的梅尔频率倒谱系数(Mel Frequency CepstralCoefficients,MFCC)、一阶差分梅尔频率倒谱系数(△MFCC)、二阶差分梅尔频率倒谱系数(△2MFCC)和子带频谱质心(Spectral Subband Centroids,SSC);将上述特征参数分作两类分别进行组合、级联,最后得到复合特征;
梅尔倒谱系数(MFCC)以及子带频谱质心(SSC)特征参数提取过程如下所示:
(1)梅尔频率倒谱系数提取
MFCC是在Mel标度频率域中提取出来的倒谱参数,Mel标度描述了人耳频率感知的非线性特性,它与频率的关系公式如下所示:
MFCC的计算过程如下:
1)快速傅里叶变换(FFT)
由于频域特征能更好地表征信号的特性,所以一般需要将时域参数转换成频域上的能量进行分析。声音信号加上汉明窗后,对每一帧求取快速傅里叶变换,公式如下所示:
X(i,k)=FFT[xi(m)]
式中,xi(m)为第i帧声音信号,i=1,2,…,N,N为声音信号帧数;k=1,2,…,K,K为频域中的谱线条数;
2)计算谱线能量
对1)中频谱取模之后做平方运算,计算频谱的能量,公式如下所示:
E(i,k)=|X(i,k)|2
式中,E(i,k)为谱线能量;
3)计算通过Mel滤波器的能量
每个Mel滤波器组输出的能量相当于频域中所有E(i,k)与Mel滤波器频域响应Hm(k)乘积之和,公式如下式所示:
式中,m=1,2,…,M,M为Mel滤波器个数;
4)计算余弦离散(DCT)倒谱
对Mel滤波器能量去对数后计算DCT,得到MFCC参数,如下式所示:
式中,n表示DCT后的谱线;
5)计算差分MFCC参数
式中,I为常数,取2;
(2)子带频谱质心(SSC)特征参数提取
SSC的计算公式为:
式中,fc为子带频谱;Δf为子带宽度的一半;w(f)为一组带通滤波器;A(f)为短时功率谱;
复合特征参数由MFCC与SCC级联得到,公式如下所示:
式中,ɑ、β、γ分别为MFCC,△MFCC,△2MFCC的权重,且ɑ+β+γ=1;为级联操作。
8.根据权利要求3所述的方法,其特征在于:生猪声音检测采用支持向量数据描述(Support Vector Data Description,SVDD)从声音信号中检测异常声音,排除其它声音对生猪异常声音识别的干扰,提高生猪异常声音的识别的准确率。
9.根据权利要求3所述的方法,其特征在于:基于模糊推理的神经网络(FR-NN)生猪异常声音识别包括异常声音识别模型和模糊推理;异常声音识别模型采用BP神经网络对生猪异常声音进行识别;模糊推理是利用模糊推理技术建立模糊推理规则,应用模糊推理规则得到时间窗口内的最终识别结果;BP神经网络在声音识别过程中,通过单一时刻的特征参数进行识别,容易产生误差,因此选取一段时间作为时间窗口,统计时间窗口内各帧的识别结果,再利用建立的模糊推理规则,将模糊推理的输出作为此段时间窗口的识别结果。
10.根据权利要求3所述的方法,其特征在于:自适应在线学习方法,在生猪异常声音实时识别过程中,自适应训练FR-NN,提高模型的适应性和鲁棒性;该方法的基本步骤如下:
(1)利用模糊C均值(FCM)对初始训练样本进行聚类,确定每个样本的隶属度,删除聚类错误和隶属度低的离群样本,确定每类异常声音特征的中心O;
(2)利用训练好的FR-NN实时识别生猪声音,并将模型的输入与输出作为候选在线训练样本保存,利用置信度和与训练样本中心O的相关性选择出合适的样本存入样本库中;
(3)当样本库中的样本超过一定数量时,选择出不同类型异常声音分布平衡的样本,计算样本中心,更新步骤(1)中的中心O;
(4)利用选择好的样本对人工神经网络的模型参数进行微调;
(5)返回步骤(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365642.6A CN109258509B (zh) | 2018-11-16 | 2018-11-16 | 一种生猪异常声音智能监测系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365642.6A CN109258509B (zh) | 2018-11-16 | 2018-11-16 | 一种生猪异常声音智能监测系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109258509A true CN109258509A (zh) | 2019-01-25 |
CN109258509B CN109258509B (zh) | 2023-05-02 |
Family
ID=65189097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811365642.6A Active CN109258509B (zh) | 2018-11-16 | 2018-11-16 | 一种生猪异常声音智能监测系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109258509B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189756A (zh) * | 2019-06-28 | 2019-08-30 | 北京派克盛宏电子科技有限公司 | 一种用于监测生猪异常声音的方法及系统 |
CN110335614A (zh) * | 2019-07-01 | 2019-10-15 | 河南牧业经济学院 | 一种基于发声行为反馈的猪舍温度控制方法及系统 |
CN110402840A (zh) * | 2019-07-25 | 2019-11-05 | 深圳市阿龙电子有限公司 | 一种基于图像识别的生猪监测终端及生猪监测系统 |
CN110419461A (zh) * | 2019-09-11 | 2019-11-08 | 秒针信息技术有限公司 | 生猪养殖监控方法及系统 |
CN110580916A (zh) * | 2019-08-13 | 2019-12-17 | 北京农业信息技术研究中心 | 体重声学测量模型的创建方法与体重测量方法、装置 |
CN110689898A (zh) * | 2019-11-18 | 2020-01-14 | 安徽农业大学 | 用于生猪的音频信号的压缩方法及系统 |
CN110824006A (zh) * | 2019-11-08 | 2020-02-21 | 南通大学 | 一种基于智能声信息识别的焊后焊缝冲击质量判别方法 |
CN111179527A (zh) * | 2019-12-26 | 2020-05-19 | 数海信息技术有限公司 | 基于动态音频信息的报警方法、装置、系统及存储介质 |
CN111341334A (zh) * | 2020-03-06 | 2020-06-26 | 东莞理工学院 | 一种应用于轨道交通的降噪和异常声音检测系统及方法 |
CN111523394A (zh) * | 2020-03-27 | 2020-08-11 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
CN112085927A (zh) * | 2019-06-15 | 2020-12-15 | 高雪亚 | 可靠式目标监控系统 |
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 |
CN112420074A (zh) * | 2020-11-18 | 2021-02-26 | 麦格纳(太仓)汽车科技有限公司 | 一种汽车后视镜电机异响声音的诊断方法 |
CN115349459A (zh) * | 2022-09-02 | 2022-11-18 | 重庆市畜牧技术推广总站 | 一种智能猪舍监控系统 |
CN116259145A (zh) * | 2022-09-26 | 2023-06-13 | 广州当康自然资源科技有限公司 | 一种基于ai智能识别的野猪预警与处置系统 |
CN117330816A (zh) * | 2023-12-01 | 2024-01-02 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
EP4321018A1 (en) * | 2022-08-09 | 2024-02-14 | Cealvet Slu | Method and system for assessing livestock welfare based on the analysis of animals vocalization audio signals |
CN117746904A (zh) * | 2024-02-18 | 2024-03-22 | 百鸟数据科技(北京)有限责任公司 | 基于机器学习的森林盗猎监测方法及系统 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020065649A1 (en) * | 2000-08-25 | 2002-05-30 | Yoon Kim | Mel-frequency linear prediction speech recognition apparatus and method |
KR20030061157A (ko) * | 2002-01-11 | 2003-07-18 | 삼성전자주식회사 | 생리신호획득 및 해석을 이용한 동물의 상태 파악 방법 및장치 |
JP2003295887A (ja) * | 2002-03-29 | 2003-10-15 | Japan Science & Technology Corp | 音声認識方法および装置 |
JP2003317368A (ja) * | 2002-04-25 | 2003-11-07 | Digion Inc | パルス性ノイズのデジタル信号処理による検出および除去方法 |
US20060279661A1 (en) * | 2005-06-09 | 2006-12-14 | Fujitsu General Ltd. | Noise detection method, noise reduction method, noise detection device, and noise reduction device |
CN101507658A (zh) * | 2009-03-10 | 2009-08-19 | 江苏大学 | 一种基于行为监测的病猪识别方法及系统 |
WO2010076460A1 (fr) * | 2008-12-15 | 2010-07-08 | France Telecom | Codage perfectionne de signaux audionumériques multicanaux |
CN101908148A (zh) * | 2009-06-05 | 2010-12-08 | 北京师范大学 | 一种基于频域稀疏成分分析的盲图像分离法 |
CN102498485A (zh) * | 2009-01-23 | 2012-06-13 | 利纳基金会 | 用于有表现力的语言、发育失调和情绪评估的系统和方法 |
CN203289488U (zh) * | 2012-05-31 | 2013-11-13 | 山东电力集团公司青岛供电公司 | 配电一体化监测平台 |
CN104614069A (zh) * | 2015-02-25 | 2015-05-13 | 山东大学 | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 |
CN105025703A (zh) * | 2013-03-01 | 2015-11-04 | 机灵宠物有限责任公司 | 动物互动装置、系统和方法 |
CN105997015A (zh) * | 2016-06-12 | 2016-10-12 | 浙江大学 | 一种用于动物生命体征多参数监测的可穿戴设备 |
CN106228979A (zh) * | 2016-08-16 | 2016-12-14 | 重庆大学 | 一种公共场所异常声音特征提取及识别方法 |
AR103025A1 (es) * | 2015-12-15 | 2017-04-12 | Univ Nac Del Litoral (Unl) | Un método y un dispositivo para detectar, clasificar y cuantificar en tiempo real la actividad alimenticia de animales rumiantes |
CN106962223A (zh) * | 2017-03-24 | 2017-07-21 | 合肥慧谷农业科技有限公司 | 一种散养猪监控系统 |
CN107094633A (zh) * | 2017-05-25 | 2017-08-29 | 仁怀市泓熙养殖专业合作社 | 具有呼吸道疾病监测功能的猪舍 |
CN107182830A (zh) * | 2017-06-09 | 2017-09-22 | 中国农业科学院农业信息研究所 | 一种母猪产床监测预警装置、方法及系统 |
CN107346113A (zh) * | 2017-06-01 | 2017-11-14 | 安徽福讯信息技术有限公司 | 一种基于物联网的养殖猪场智能监控系统 |
CN107422381A (zh) * | 2017-09-18 | 2017-12-01 | 西南石油大学 | 一种基于eemd‑ica的地震低频信息流体预测方法 |
CN107799114A (zh) * | 2017-04-26 | 2018-03-13 | 珠海智牧互联科技有限公司 | 一种猪只咳嗽声音识别方法及系统 |
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 |
-
2018
- 2018-11-16 CN CN201811365642.6A patent/CN109258509B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020065649A1 (en) * | 2000-08-25 | 2002-05-30 | Yoon Kim | Mel-frequency linear prediction speech recognition apparatus and method |
KR20030061157A (ko) * | 2002-01-11 | 2003-07-18 | 삼성전자주식회사 | 생리신호획득 및 해석을 이용한 동물의 상태 파악 방법 및장치 |
JP2003295887A (ja) * | 2002-03-29 | 2003-10-15 | Japan Science & Technology Corp | 音声認識方法および装置 |
JP2003317368A (ja) * | 2002-04-25 | 2003-11-07 | Digion Inc | パルス性ノイズのデジタル信号処理による検出および除去方法 |
US20060279661A1 (en) * | 2005-06-09 | 2006-12-14 | Fujitsu General Ltd. | Noise detection method, noise reduction method, noise detection device, and noise reduction device |
WO2010076460A1 (fr) * | 2008-12-15 | 2010-07-08 | France Telecom | Codage perfectionne de signaux audionumériques multicanaux |
CN102498485A (zh) * | 2009-01-23 | 2012-06-13 | 利纳基金会 | 用于有表现力的语言、发育失调和情绪评估的系统和方法 |
CN101507658A (zh) * | 2009-03-10 | 2009-08-19 | 江苏大学 | 一种基于行为监测的病猪识别方法及系统 |
CN101908148A (zh) * | 2009-06-05 | 2010-12-08 | 北京师范大学 | 一种基于频域稀疏成分分析的盲图像分离法 |
CN203289488U (zh) * | 2012-05-31 | 2013-11-13 | 山东电力集团公司青岛供电公司 | 配电一体化监测平台 |
CN105025703A (zh) * | 2013-03-01 | 2015-11-04 | 机灵宠物有限责任公司 | 动物互动装置、系统和方法 |
CN104614069A (zh) * | 2015-02-25 | 2015-05-13 | 山东大学 | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 |
AR103025A1 (es) * | 2015-12-15 | 2017-04-12 | Univ Nac Del Litoral (Unl) | Un método y un dispositivo para detectar, clasificar y cuantificar en tiempo real la actividad alimenticia de animales rumiantes |
CN105997015A (zh) * | 2016-06-12 | 2016-10-12 | 浙江大学 | 一种用于动物生命体征多参数监测的可穿戴设备 |
CN106228979A (zh) * | 2016-08-16 | 2016-12-14 | 重庆大学 | 一种公共场所异常声音特征提取及识别方法 |
CN106962223A (zh) * | 2017-03-24 | 2017-07-21 | 合肥慧谷农业科技有限公司 | 一种散养猪监控系统 |
CN107799114A (zh) * | 2017-04-26 | 2018-03-13 | 珠海智牧互联科技有限公司 | 一种猪只咳嗽声音识别方法及系统 |
CN107094633A (zh) * | 2017-05-25 | 2017-08-29 | 仁怀市泓熙养殖专业合作社 | 具有呼吸道疾病监测功能的猪舍 |
CN107346113A (zh) * | 2017-06-01 | 2017-11-14 | 安徽福讯信息技术有限公司 | 一种基于物联网的养殖猪场智能监控系统 |
CN107182830A (zh) * | 2017-06-09 | 2017-09-22 | 中国农业科学院农业信息研究所 | 一种母猪产床监测预警装置、方法及系统 |
CN107422381A (zh) * | 2017-09-18 | 2017-12-01 | 西南石油大学 | 一种基于eemd‑ica的地震低频信息流体预测方法 |
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 |
Non-Patent Citations (11)
Title |
---|
刘付喜等: "《基于改进的神经网络异常声音自动识别系统研究》", 《软件导刊》 * |
庞中华等: "《系统辨识与自适应控制MATLAB仿真》", 31 July 2017, 北京航空航天大学出版社 * |
张振华等: "《猪咳嗽声特征参数提取与识别的研究》" * |
徐亚妮等: "《待产梅山母猪咳嗽声识别算法的研究》", 《南京农业大学学报》 * |
徐健成: "《基于深度学习和模糊理论的语音情感识别方法研究》" * |
李志忠等: "《子带特征参数在家禽应激发声识别中的应用》", 《农业机械学报》 * |
樊鹏: "《一种噪声环境下的复杂声音识别方法》" * |
王文涛等: "《Fast ICA盲分离算法在雷达抗主瓣干扰中的应用研究》" * |
赵志强等: "《基于EMD和ICA的单通道语音盲源分离算法》", 《电子科技》 * |
钟浩等: "《一种改进的语音动态组合特征参数提取方法》", 《电脑与信息技术》 * |
龚永杰等: "《基于矢量量化的猪咳嗽声识别》" * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085927A (zh) * | 2019-06-15 | 2020-12-15 | 高雪亚 | 可靠式目标监控系统 |
CN112085927B (zh) * | 2019-06-15 | 2022-09-27 | 湖北讯泰通信电子有限公司 | 可靠式目标监控系统 |
CN110189756A (zh) * | 2019-06-28 | 2019-08-30 | 北京派克盛宏电子科技有限公司 | 一种用于监测生猪异常声音的方法及系统 |
CN110335614A (zh) * | 2019-07-01 | 2019-10-15 | 河南牧业经济学院 | 一种基于发声行为反馈的猪舍温度控制方法及系统 |
CN110402840A (zh) * | 2019-07-25 | 2019-11-05 | 深圳市阿龙电子有限公司 | 一种基于图像识别的生猪监测终端及生猪监测系统 |
CN110402840B (zh) * | 2019-07-25 | 2021-12-17 | 深圳市阿龙电子有限公司 | 一种基于图像识别的生猪监测终端及生猪监测系统 |
CN110580916A (zh) * | 2019-08-13 | 2019-12-17 | 北京农业信息技术研究中心 | 体重声学测量模型的创建方法与体重测量方法、装置 |
CN110419461A (zh) * | 2019-09-11 | 2019-11-08 | 秒针信息技术有限公司 | 生猪养殖监控方法及系统 |
CN110824006A (zh) * | 2019-11-08 | 2020-02-21 | 南通大学 | 一种基于智能声信息识别的焊后焊缝冲击质量判别方法 |
CN110824006B (zh) * | 2019-11-08 | 2021-12-28 | 南通大学 | 一种基于智能声信息识别的焊后焊缝冲击质量判别方法 |
CN110689898A (zh) * | 2019-11-18 | 2020-01-14 | 安徽农业大学 | 用于生猪的音频信号的压缩方法及系统 |
CN111179527A (zh) * | 2019-12-26 | 2020-05-19 | 数海信息技术有限公司 | 基于动态音频信息的报警方法、装置、系统及存储介质 |
CN111341334A (zh) * | 2020-03-06 | 2020-06-26 | 东莞理工学院 | 一种应用于轨道交通的降噪和异常声音检测系统及方法 |
CN111523394A (zh) * | 2020-03-27 | 2020-08-11 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
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 |
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 |
CN112420074A (zh) * | 2020-11-18 | 2021-02-26 | 麦格纳(太仓)汽车科技有限公司 | 一种汽车后视镜电机异响声音的诊断方法 |
EP4321018A1 (en) * | 2022-08-09 | 2024-02-14 | Cealvet Slu | Method and system for assessing livestock welfare based on the analysis of animals vocalization audio signals |
WO2024033361A1 (en) * | 2022-08-09 | 2024-02-15 | Cealvet S.L.U. | Method and system for assessing livestock welfare based on the analysis of animals vocalization audio signals |
CN115349459A (zh) * | 2022-09-02 | 2022-11-18 | 重庆市畜牧技术推广总站 | 一种智能猪舍监控系统 |
CN116259145A (zh) * | 2022-09-26 | 2023-06-13 | 广州当康自然资源科技有限公司 | 一种基于ai智能识别的野猪预警与处置系统 |
CN117330816A (zh) * | 2023-12-01 | 2024-01-02 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
CN117330816B (zh) * | 2023-12-01 | 2024-01-26 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
CN117746904A (zh) * | 2024-02-18 | 2024-03-22 | 百鸟数据科技(北京)有限责任公司 | 基于机器学习的森林盗猎监测方法及系统 |
CN117746904B (zh) * | 2024-02-18 | 2024-04-26 | 百鸟数据科技(北京)有限责任公司 | 基于机器学习的森林盗猎监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109258509B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109258509A (zh) | 一种生猪异常声音智能监测系统与方法 | |
CN109243470B (zh) | 基于音频技术的肉鸡咳嗽监测方法 | |
CN106340309B (zh) | 一种基于深度学习的狗叫情感识别方法及装置 | |
Cuan et al. | Automatic Newcastle disease detection using sound technology and deep learning method | |
CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
Chelotti et al. | A pattern recognition approach for detecting and classifying jaw movements in grazing cattle | |
CN109145032A (zh) | 一种蜜蜂养殖智能监测方法与系统 | |
CN105091938B (zh) | 畜禽健康状况监测方法及系统 | |
CN110147771A (zh) | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 | |
CN105336331A (zh) | 基于声音的猪异常行为智能监测方法及智能监测系统 | |
Mahdavian et al. | Acoustic features of vocalization signal in poultry health monitoring | |
US11716970B2 (en) | Method for monitoring a livestock facility and/or livestock animals in a livestock facility using improved sound processing techniques | |
CN106781397A (zh) | 一种牛羊监管系统 | |
Chen et al. | PigTalk: An AI-based IoT platform for piglet crushing mitigation | |
Xuan et al. | Behavior classification and recognition for facility breeding sheep based on acoustic signal weighted feature | |
Van der Voort et al. | Invited review: Toward a common language in data-driven mastitis detection research | |
CN113456063A (zh) | 一种基于人工智能的死鸡病鸡检测系统及检测方法 | |
Mohanty et al. | Livestock health monitoring using a smart IoT-enabled neural network recognition system | |
Ntalampiras et al. | Automatic detection of cow/calf vocalizations in free-stall barn | |
Chang et al. | The monkeys are coming─ Design of agricultural damage warning system by IoT-based objects detection and tracking | |
Chen et al. | Sow Estrus Diagnosis from Sound Samples Based on Improved Deep Learning | |
Rahman et al. | Application of machine learning techniques in aquaculture | |
Peng | Identification of queen-less beehives using signal enhancement techniques and neural networks | |
Martinez-Rau et al. | A noise-robust acoustic method for recognition of foraging activities of grazing cattle | |
Jin et al. | Effect of wavelet de-noising on the classification of pig behaviour |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |