CN115420356A - 一种成年鸽性别的鉴定方法 - Google Patents

Abstract

本申请提供一种成年鸽性别的鉴定方法，具体包括：通过带有称重传感器的体重模块获得未挣扎时成年鸽的体重与挣扎状态下体重曲线波动率，通过声音模块采集的声音信息进行成年鸽性别概率的初步判断，通过多个贴片式压力传感器获得成年鸽的挣扎数据曲线波动率；最后结合两个波动率与利用声音信息进行初步判断的概率实现对成年鸽性别的鉴定。该方法利用各个模块的协同配合，能够实现对成年鸽性别的鉴定，人为影响因素低、鉴别时间短且准确率高，能够用于大批量的成年肉鸽的性别鉴定。

Description

一种成年鸽性别的鉴定方法

技术领域

本发明涉及家禽性别判断技术领域，具体涉及一种成年鸽性别的鉴定方法。

背景技术

鸽肉蛋白营养丰富，富含多种氨基酸、微量元素和维生素，是目前常见的可食用家禽之一。与传统的鸡、鸭等家禽不同，肉鸽雌性与雄性的外貌形态差异小、不同性别的同龄鸽外形几乎一致，无法直接从外形特征有效、精确分辨肉鸽的性别；同时，肉鸽性别的区分是肉鸽产业极其重要的一环，其直接导致肉鸽的生长周期与产率、影响肉鸽的产量：成年鸽的繁殖方式通常为“一夫一妻”制，一旦配偶成功，除非配偶死亡或长期丢失，配对后的成年鸽不会寻找新的配偶；因此在肉鸽配偶过程中，管理人员通常将数量相同的雄性成年鸽与雌性成年鸽放在同一笼中进行自由配偶，若在成年鸽性别的判断上出现偏差，便会导致配偶期间的笼中出现雄性与雌性的比例失衡，造成笼中部分雄性或雌性鸽无法完成配偶，从而拉长肉鸽的配偶与孵化周期、影响肉鸽产量。

目前，针对成年鸽的性别鉴定、主要包括以下方法：一是外形鉴定，但由于同龄鸽的外观差异小，仅从外观鉴定成年鸽性别准确率低、误差大，且需要管理人员具有丰富的经验、人为影响因素大；二是肛门鉴定，此方法对成年鸽的刺激较大、会造成肉鸽出现一定的应激反应，从而影响肉鸽的品质；三是声音鉴定，声音是一种对于肉鸽性别的有效鉴别方法，但目前通常通过管理人员进行声音鉴定，对于管理人员的经验要求高，且需要管理人员耗费大量时间用于性别鉴定，增减管理人员的劳动强度、鉴别效率低；四是骨盆鉴定，此方法主要是根据雌性成年鸽产蛋后骨盆变宽进行鉴别，而未产蛋的雌性与雄性的骨盆差异不明显，从而无法准确判断，且不适合第一次配偶的成年鸽；五是行为鉴定，此方法需要管理人员长时间的观察，且要有丰富的判断经验，并不适合大规模的成年鸽性别鉴定；六是手捉反应鉴定，即用手捉成年鸽，雄性的挣扎力强烈、雌性挣扎力较弱，但手捉的人为影响因素大、且准确率低；七是基因鉴定，即通过基因序列对成年鸽的性别进行鉴定、其准确率高，但鉴定成本高、鉴别时间长，不适用于大批量生产的肉鸽产业。

综上所述，针对大批量养殖的成年肉鸽产业，肉鸽性别鉴定难度大、准确率低，对于管理人员的经验要求高、人为影响因素大的问题，制约着肉鸽产业的进一步发展。

发明内容

针对以上现有技术存在的问题，本发明的目的在于提供一种成年鸽性别的鉴定方法，该方法利用各个模块的协同配合，能够实现对成年鸽性别的鉴定，人为影响因素低、鉴别时间短且准确率高，能够用于大批量的成年肉鸽的性别鉴定。

本发明的目的通过以下技术方案实现：

一种成年鸽性别的鉴定方法，其特征在于：具体包括以下步骤：

步骤A：通过夹持式的机械爪抓取成年鸽，并采用体重模块的称重传感器判断成年鸽是否处于挣扎状态、同时记录未挣扎时成年鸽的实际体重及挣扎状态下成年鸽的体重曲线波动率；

步骤B：采用声音模块采集成年鸽的声音信息，并将声音信息经过处理后转换为梅尔图，再输入到卷积神经网络模型中根据声音信息进行成年鸽性别概率的初步判断；

步骤C：采用均匀分布在机械爪上的多个贴片式压力传感器获取成年鸽挣扎状态下的挣扎曲线波动率；

步骤D：将步骤A中的体重曲线波动率、步骤B中通过声音初步判断成年鸽性别的概率与步骤C中的挣扎曲线波动率作为变量输入到支持向量机中，实现成年鸽性别的鉴定。

作进一步优化，所述步骤A获取未挣扎时成年鸽实际体重的方法具体为：

首先设置称重传感器的采集间隔时间Δt₁、即每隔Δt₁时间段采集一次数据；当机械爪首先夹持成年鸽、并放置在体重模块上时，采集并记录当前时间向后推移n₁个采样点的称重传感器数据，获得n₁个采样点数据的最大值m_max、最小值m_min与平均值m_p，并计算获得最大值、最小值之差值与平均值之间的比值N，即

当N＜0.5％时，判断成年鸽处于未挣扎的静止状态，此时n₁个采样点数据的平均值m_p即为该成年鸽的实际体重；若N大于或等于0.5％，则初始化体重模块、并重新进行测量，直至获得成年鸽的实际体重；也可以等待夹持的成年鸽处于未挣扎状态时(肉眼观察)，根据上述方法进行成年鸽实际体重的测量。

作进一步优化，所述步骤A中获取挣扎状态下成年鸽的体重曲线波动率的具体方法为：

步骤A01：获得成年鸽的实际体重后，松开成年鸽、并重新初始化体重模块；然后重新设置称重传感器的采集间隔时间Δt₁，同时设置成年鸽挣扎状态下称重传感器的采集时间t₁；之后重新夹持成年鸽；

步骤A02：计算获得n₂个采样点的体重曲线波动率P，具体为：

式中：m₀为成年鸽的实际体重；m_i为称重传感器第i个采样点的实际测试值；

步骤A03：预设体重曲线波动率阈值P₀，通过当前时间向后推移n₂个采样点的体重曲线波动率P与阈值P₀进行比较，从而判断成年鸽是否处于挣扎状态；

若P＞P₀，则判断放置在称重传感器上的成年鸽处于挣扎状态，此时记录整个采集时间t₁内体重曲线波动率；若P≤P₀，则判断放置在称重传感器上的成年鸽未处于挣扎状态；

步骤A04：保存上述采集数据，然后对体重模块的测量数据进行初始化以便于下一次测量。

作进一步优化，所述步骤B具体为：

步骤B01：预设声音模块中的分帧时间长度与帧移时间长度，同时设置声音信息样本时间长度t₂；

步骤B02：根据步骤A中体重模块反馈的数据，判断成年鸽是否位于体重模块的装置上；若是，则启动声音模块进行声音信息采集；

步骤B03：声音信息采集后，首先对声音信息进行加重、去噪的预处理，然后使用短时能量的单参数双门限声音端点检测法识别成年鸽的声音信息区间；最后去除所采集声音信息中的无声部分，并根据声音信息的能量曲线判断所采集的整段声音信息中是否存在成年鸽声音；

步骤B04：将步骤B03中处理后的声音信息根据设定的样本时间长度t₂、使用梅尔滤波器转换为梅尔谱图；然后将梅尔谱图放入卷积神经网络模型中，获得成年鸽性别为雄性或雌性的概率。

作进一步优化，所述步骤B03对声音信息进行加重、去噪的预处理具体步骤为：

步骤B31：首先对声音信息的高频部分进行加重，增加成年鸽声音信息的高频分辨率，具体公式为：

y_(n)＝x_(n)-ax_(n-1)；

式中：y_(n)为第n个预加重后成年鸽声音信号采集点；x_(n)为第n个成年鸽声音信号采集点；x_(n-1)为第(n-1)个成年鸽声音信号采集点；a为定值，一般取0.9～1；

步骤B32：然后采用谱减去噪法去除环境加性噪声，从而降低环境噪声相互叠加对成年鸽声音信息的干扰。

作进一步优化，所述步骤B03中使用短时能量的单参数双门限声音端点检测法识别成年鸽的声音信息区间具体步骤为：

首先，将短时能量E_i和短时过零率Z_i确定为两个门限；

其中，短时能量E_i具体为：

式中：M为帧长、即声音分帧后每帧的采样点长度；n表示成年鸽声每帧对应的采样点序号，i为帧序号；

x_i(n)为声音信号归一化幅度，其具体为：

式中：x'(n)为原始声音信号，n为采样点序号；

短时过零率Z_i具体为：

式中：M为为帧长、即声音分帧后每帧的采样点长度；n表示成年鸽声每帧对应的采样点序号，i为帧序号；x_i(n)为声音信号归一化幅度；

当在样本时间长度t₂内存在区间E_i＞E_m且N_i＞N_m时，表示检测到成年鸽声音信息区间；当成年鸽声音信息区间长度不足样本时间长度t₂时，截取一端无声信号、补全为样本时间长度t₂；当成年鸽声音信息区间长度大于样本时间长度t₂时，截取区间内最后一个E_i＞E_m且N_i＞N_m时的采样点的时间长度，从而保持成年鸽的声音长度与样本时间长度t₂一致。

作进一步优化，所述步骤B04中将梅尔谱图放入卷积神经网络模型中，获得成年鸽性别为雄性或雌性的概率具体为：

首先，将转化得到的梅尔谱图矩阵依次进行三个相同的卷积模块进行处理；每个卷积模块处理均包括两次3*3的卷积网络、每次卷积使用rule激活函数并进行标准化(BN)，以及大小为2*2、步长为2的最大池化处理；

然后，输出结果经过四次3*3的卷积网络、每次卷积使用rule激活函数并进行标准化(BN)处理，再使用大小为2*2、步长为2的最大池化进行处理；

之后，将上述输出尺寸调整后输出、作为128输出维度全链接层FC1的输入，并使用rule激活函数并进行标准化(BN)处理；再将上述的输出结果作为3输出维度全链接层FC2的输入，并使用rule激活函数并进行标准化(BN)处理；其中，3输出维度表示样本只有三类(即成年雌鸽声音、成年雄鸽声音与非成年鸽声音)；

最后，将最终输出结果输入到Softmax分类器中、得到最后的分类结果。

作进一步优化，所述步骤C具体为：

步骤C01：首先设置贴片式压力传感器的采集间隔时间Δt₂、即每隔Δt₂时间段采集一次；

步骤C02：接收成年鸽挣扎信号，采集并记录当前时间后推移n₃个采样点的采样数据，将n₃个采样点的平均值作为未挣扎贴片式压力传感器的压力值Q₀；根据采集时间段内、压力始终为零，去除无接触的贴片式压力传感器，记录有接触的贴片式压力传感器数据、并记录编号；贴片式压力传感器的采集时间与体重模块中称重传感器的采集时间t₁相同；

步骤C03：计算获得每一个贴片式压力传感器的挣扎曲线波动率Q，具体为：

式中：Q_i为贴片式压力传感器第i个压力值。

作进一步优化，所述步骤D具体为：

首先，根据步骤A获得的体重曲线波动率P，步骤B初步判断的成年鸽性别为雄性或雌性的概率、分别记为L与H，步骤C获得的挣扎曲线波动率Q获得维度为四维的数据X，即

X＝[P,Q,L,H]；

然后，使用支持向量机作为分类模型，输出分类结果为-1或1；其中-1代表成年鸽为雌性，1代表成年鸽为雄性；

支持向量机的数据训练集为T＝[(X₁,k₁)，…,(X_i,k_i),…,(X_n,k_n)]；其中，i为支持向量机的训练样本个数，X_i为第i个训练样本的数据，k_i为第i个训练样本的判断结果；

由于训练样本具有随机性、所获得的数据是非线性的，因此支持向量机的决策函数为：

||X_i,X_j||²＝P_iP_j+Q_iQ_j+L_iL_j+H_iH_j；

式中：σ为常数；

且决策函数f(X)的判断原则为：

最后，根据决策函数f(X)的输入样本X获得的输出结果完成成年鸽性别的判断。

本发明具有如下技术效果：

本申请有效综合成年鸽体重、挣扎力与声音信息，实现对成年鸽性别的判断，高效准确，且无需操作人员进行识别判断，有效避免人为主观因素的干扰，同时也能极大的降低成年鸽管理人员的经验需求、实现没有鉴别经验的人员能够进行成年鸽性别的快速鉴定。此外，本申请通过体重、挣扎力与声音信息的相互配合与印证，从而确保判断结果的准确性、极大的减小了判断误差，避免因对成年鸽性别鉴定失误而带来的成年鸽生产效率降低。通过本申请的方法进行成年鸽性别的判断，进行通过快速鉴定成年鸽的性别缩短成年鸽之间的配偶时间，确保其短时间内完成配偶与产蛋，增加成年鸽的生产率与养殖规模。

附图说明

图1为本发明实施例中成年鸽性别的鉴定流程图。

图2为本发明实施例中成年鸽声音去噪后的示意图。

图3为本发明实施例中成年鸽声音短时能量曲线图。

图4为本发明实施例中成年鸽声音短时过零率曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1～4所示，一种成年鸽性别的鉴定方法，其特征在于：具体包括以下步骤：

步骤A：通过夹持式的机械爪抓取成年鸽，并采用体重模块的称重传感器判断成年鸽是否处于挣扎状态、同时记录未挣扎时成年鸽的实际体重及挣扎状态下成年鸽的体重曲线波动率；具体步骤为：

首先，获取获取未挣扎时成年鸽实际体重，其具体方法为：

首先设置称重传感器的采集间隔时间Δt₁(本实施例中，Δt₁＝5ms)、即每隔5ms采集一次数据；当机械爪首先夹持成年鸽、并放置在体重模块上时，采集并记录当前时间向后推移n₁个采样点(本实施例中，n₁＝20)的称重传感器数据，获得20个采样点数据的最大值m_max、最小值m_min与平均值m_p，并计算获得最大值、最小值之差值与平均值之间的比值N，即

当N＜0.5％时，判断成年鸽处于未挣扎的静止状态，此时20个采样点数据的平均值m_p即为该成年鸽的实际体重；若N大于或等于0.5％，则初始化体重模块、并重新进行测量，直至获得成年鸽的实际体重；也可以等待夹持的成年鸽处于未挣扎状态时(肉眼观察)，根据上述方法进行成年鸽实际体重的测量。

然后，获取挣扎状态下成年鸽的体重曲线波动率，其具体方法为：

步骤A01：获得成年鸽的实际体重后，松开成年鸽、并重新初始化体重模块；然后重新设置称重传感器的采集间隔时间Δt₁(本实施例中，Δt₁＝5ms)，同时设置成年鸽挣扎状态下称重传感器的采集时间t₁(本实施例中，t₁＝1s)；之后重新夹持成年鸽；

步骤A02：计算获得n₂个采样点(本实施例中，n₂＝20)的体重曲线波动率P，具体为：

式中：m₀为成年鸽的实际体重；m_i为称重传感器第i个采样点的实际测试值；

步骤A03：预设体重曲线波动率阈值P₀(波动率阈值根据常规大量试验数据获得，如本实施例中

)，通过当前时间向后推移20个采样点的体重曲线波动率P与阈值P₀进行比较，从而判断成年鸽是否处于挣扎状态；

若P＞P₀，则判断放置在称重传感器上的成年鸽处于挣扎状态，此时记录整个采集时间t₁内体重曲线波动率；若P≤P₀，则判断放置在称重传感器上的成年鸽未处于挣扎状态；

步骤A04：保存上述采集数据，然后对体重模块的测量数据进行初始化以便于下一次测量。

步骤B：采用声音模块采集成年鸽的声音信息，并将声音信息经过处理后转换为梅尔图，再输入到卷积神经网络模型中根据声音信息进行成年鸽性别概率的初步判断；具体步骤为：

B01：预设声音模块中的分帧时间长度与帧移时间长度，同时设置声音信息样本时间长度t₂(t₂＞t₁，本实施例中：t₂＝3s)；

设置分帧时间长度与帧移时间长度是为了满足后续设定梅尔谱图的尺寸大小，例如：声音信号的采样频率为32000Hz、采样时间为3s、则采样数据点为3*32000个，此时设置分帧时间长度为35ms、帧移时间长度为9.25ms，则

(最终获得的声音帧数需要进行取整)，同时能够获得每一帧的点数35*32＝1120，即可以选用2048点实序列快速傅里叶变换(rfft)，一般要求快速傅里叶变换点数为2的整数幂。由于声音信号数据基本对称，因此只选用非负的一半频率、即16000Hz，因此，经过实序列快速傅里叶变换后得一个(320，1024+1)的矩阵(矩阵中加1是加上16000Hz对应的点)，将(320，1024+1)矩阵与128维梅尔滤波器数据矩阵(128，1024+1)的转置相乘得到梅尔图数据矩阵(320，128)，即最终转换得到的梅尔谱图尺寸为320*128。

步骤B02：根据步骤A中体重模块反馈的数据，判断成年鸽是否位于体重模块的装置上(即体重模块上是否存在数据波动)；若是，则启动声音模块进行声音信息采集；

步骤B03：声音信息采集后，

首先对声音信息进行加重、去噪的预处理，具体步骤为：

步骤B31：对声音信息的高频部分进行加重，增加成年鸽声音信息的高频分辨率，具体公式为：

y_(n)＝x_(n)-ax_(n-1)；

式中：y_(n)为第n个预加重后成年鸽声音信号采集点；x_(n)为第n个成年鸽声音信号采集点；x_(n-1)为第(n-1)个成年鸽声音信号采集点；a为定值，一般取0.9～1(优选0.95)；

步骤B32：然后采用谱减去噪法去除环境加性噪声，从而降低环境噪声相互叠加对成年鸽声音信息的干扰；

例如：声音信号y_(n)由成年鸽声音信号x_(n)与加性噪声d_(n)组成，即y_(n)＝x_(n)+d_(n)，经过傅里叶变换后为：Y_(w)＝X_(w)+D_(w)(其中，Y_(w)为y_(n)的傅里叶变换、X_(w)为x_(n)的傅里叶变换、D_(w)为d_(n)的傅里叶变换)，

同时：

式中：k表示无成年鸽声音信号对应的采样帧数，Y_i(ω)表示对应k个采样帧的无声信号；

原始声音信号谱减公式为：

式中：a表示过减因子、默认为5，b表示增益补偿因子、默认为0.002；

将X_i(ω)进行傅里叶变换可得到第i帧成年鸽声音信号x_i(n)，从而降低环境噪声相互叠加对成年鸽声音信息的干扰。

然后使用短时能量的单参数双门限声音端点检测法识别成年鸽的声音信息区间；具体为：

首先，将短时能量E_i和短时过零率Z_i确定为两个门限；

其中，短时能量E_i具体为：

式中：M为帧长、即声音分帧后每帧的采样点长度；n表示成年鸽声每帧对应的采样点序号，i为帧序号；

x_i(n)为声音信号归一化幅度，其具体为：

式中：x'(n)为原始声音信号，n为采样点序号；

短时过零率Z_i具体为：

式中：M为为帧长、即声音分帧后每帧的采样点长度；n表示成年鸽声每帧对应的采样点序号，i为帧序号；x_i(n)为声音信号归一化幅度；

当在样本时间长度t₂内、即3s内存在区间E_i＞E_m且N_i＞N_m时，表示检测到成年鸽声音信息区间；当成年鸽声音信息区间长度不足样本时间长度3s时，截取一端无声信号、补全为样本时间长度3s；当成年鸽声音信息区间长度大于样本时间长度3s时，截取区间内最后一个E_i＞E_m且N_i＞N_m时的采样点时间长度，从而保持成年鸽的声音长度为3s。

最后去除所采集声音信息中的无声部分，并根据声音信息的能量曲线判断所采集的整段声音信息中是否存在成年鸽声音(即采集的成年鸽声音是否有效，若无效，则返回重新进行采集)；

例如：根据上述操作获得成年鸽声音信息区间，而此区间内的成年鸽声音会有浊音部分和清音部分(除去无声和噪音)，浊音部分和清音部分是所需要采集的声音信息，同时清音部分属于声音中的辅音、其能量小，浊音的能量高于清音；此外，本申请主要所需的声音信息为成年鸽声音的浊音部分，故取一个较高的短时能量作为阈值、例如E_lim＝15，且根据成年鸽发音的声音特点时长每次发音一般大于100ms。当短时能量曲线存在E_i＞E_lim且i大于100/帧移(即帧数>100/帧移)，则判断成年鸽声音信息区间存在浊音部分、即存在成年鸽的声音。如图2、图3、图4所示，根据上述操作可以获得成年鸽声音信息区间约为0.6～2.3s之间，再通过能量曲线判断0.6～1.8s之间存在浊音部分，则确定此区间存在成年鸽声音、即采集的成年鸽声音有效。

步骤B04：将步骤B03中处理后的声音信息根据设定的样本时间长度3s、使用梅尔滤波器转换为梅尔谱图；

然后将梅尔谱图放入卷积神经网络模型中，获得成年鸽性别为雄性或雌性的概率，根据上述步骤获得的梅尔图数据矩阵为(320,128)，则网络输入尺寸为320*128；

首先，将转化得到的梅尔谱图矩阵依次进行三个相同的卷积模块进行处理；每个卷积模块处理均包括两次3*3的卷积网络、每次卷积使用rule激活函数并进行标准化(BN)，以及大小为2*2、步长为2的最大池化处理；

即首先将输入数据(320,128,1)经过第一卷积模块进行处理，即经过两次3*3的卷积网络，每次卷积使用rule激活函数并进行批标准化(BN)，输出的特征为32，输出为(320,128,32)，再使用大小为2*2、步长为2的最大池化，最终网络输出为(160,64,32)；再将数据(160,64,32)经过第二卷积模块进行处理，即经过两次3*3的卷积网络，每次卷积使用rule激活函数并进行批标准化(BN)，输出的特征为64，输出为(160,64,64)，再使用大小为2*2、步长为2的最大池化，最终网络输出为(80,32,64)；之后将数据(80,32,64)经过第三卷积模块进行处理，即经过两次3*3的卷积网络，每次卷积使用rule激活函数并进行批标准化(BN)，输出的特征为128，输出为(80,32,128)，再使用大小为2*2、步长为2的最大池化，最终网络输出为(40,16,128)。

然后，输出结果(40,16,128)经过四次3*3的卷积网络、每次卷积使用rule激活函数并进行标准化(BN)处理，输出的特征为128，输出为(80,32,128)，再使用大小为2*2、步长为2的最大池化进行处理，最终网络输出为(20,8,256)；

之后，将上述输出尺寸调整后输出、即将输出尺寸(20,8,256)调整为(20,2048)

将调整后的数据(20,2048)作为128输出维度全链接层FC1的输入，并使用rule激活函数并进行标准化(BN)处理，输出为(20,128)；再将上述的输出结果作为3输出维度全链接层FC2的输入，并使用rule激活函数并进行标准化(BN)处理，输出为(20,3)；其中，3输出维度表示样本只有三类(即成年雌鸽声音、成年雄鸽声音与非成年鸽声音)；

最后，将最终输出结果输入到Softmax分类器中、得到最后的分类结果。

步骤C：采用均匀分布在机械爪上的多个贴片式压力传感器获取成年鸽挣扎状态下的挣扎曲线波动率；具体步骤为：

步骤C01：首先设置贴片式压力传感器的采集间隔时间Δt₂(本实施例中，Δt₂＝5ms)、即每隔5ms采集一次数据；

步骤C02：接收成年鸽挣扎信号，采集并记录当前时间后推移n₃个采样点(n₃＝20)的采样数据，将20个采样点的平均值作为未挣扎贴片式压力传感器的压力值Q₀；根据压力为零的点去除无接触的贴片式压力传感器，记录有接触的贴片式压力传感器数据、并记录编号；贴片式压力传感器的采集时间与体重模块中称重传感器的采集时间t₁相同；

步骤C03：计算获得每一个贴片式压力传感器的挣扎曲线波动率Q，具体为：

式中：Q_i为贴片式压力传感器第i个压力值。

步骤D：将步骤A中的体重曲线波动率、步骤B中通过声音初步判断成年鸽性别的概率与步骤C中的挣扎曲线波动率作为变量输入到支持向量机中，实现成年鸽性别的鉴定；具体步骤为：

首先，根据步骤A获得的体重曲线波动率P，步骤B获得的成年鸽性别为雄性或雌性的概率、分别记为L与H，步骤C获得的挣扎曲线波动率Q获得维度为四维的数据X，即

X＝[P,Q,L,H]；

然后，使用支持向量机作为分类模型，输出分类结果为-1或1；其中-1代表成年鸽为雌性，1代表成年鸽为雄性；

支持向量机的数据训练集为T＝[(X₁,k₁)，…,(X_i,k_i),…,(X_n,k_n)]；其中，i为支持向量机的训练样本个数，X_i为第i个训练样本的数据，k_i为第i个训练样本的判断结果；

由于训练样本具有随机性、所获得的的数据是非线性的，因此支持向量机的决策函数为：

||X_i,X_j||²＝P_iP_j+Q_iQ_j+L_iL_j+H_iH_j；

式中：σ为常数；

且决策函数f(X)的判断原则为：

最后，根据决策函数f(X)的输入样本X获得的输出结果完成成年鸽子性别的判断。

实施例2：

一种成年鸽性别的鉴定系统，其特征在于：包括机械爪、带有称重传感器的体重模块、带有麦克风的声音模块、均匀设置在机械爪内表面的贴片式压力传感器及数据终端模块；数据终端模块分别与称重传感器、声音模块、贴片式压力传感器远程连接；

该鉴定系统的工作方法具体包括：

首先，对各个模块进行参数初始化；然后，采用机械爪夹持待鉴定成年鸽，抓取成年鸽的部位为成年鸽的一对翅膀且夹持过程中要确保翅膀放置在贴片式压力传感器的区域内、并实现稳固夹持；再采用如实施例1步骤A中所述的方法获取成年鸽未挣扎状态下的实际体重；之后，使成年鸽与称重传感器脱离，重新初始化体重模块；再采用如实施例1中步骤A所述分别设置称重传感器、声音模块、贴片式压力传感器的采集时间及采集间隔时间。

然后，将机械爪重新抓取成年鸽(此次抓取的成年鸽应该与前次测量体重的成年鸽为同一只)、并重新放置在称重传感器上；同时启动体重模块、声音模块与贴片式压力传感器，通过声音模块进行声音信息的采集、并实时将采集得到的声音远程传输到数据终端模块；根据实施例1中步骤A的方法判断成年鸽是否处于挣扎状态，并根据步骤A的方法获取采集时间段内、挣扎状态下称重传感器数据曲线波动率P，同时根据步骤C的方法获取采集时间段内、贴片式压力传感器的挣扎数据曲线波动率Q；此过程中，数据终端模块还根据实施例1中的步骤B03对采集得到的声音信息进行加重、去噪以及去除无声区域等操作，获取声音信息的梅尔谱图，并根据声音能量曲线判断是否采集到成年鸽的有效声音信息，若无效，则返回到声音信息采集步骤进行重新采集；获得有效的声音信息后，利用卷积神经网络模型、且通过梅尔图谱声音信息进行成年鸽性别概率的初步判断。

最后，如实施例1步骤D所述，综合体重曲线波动率、挣扎曲线波动率及根据声音信息进行性别的初步判断概率作为变量输入到支持向量机中，准确鉴定成年鸽的性别。

尽管已经示出和描述了本发明的实施例，对于本领域普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种成年鸽性别的鉴定方法，其特征在于：具体包括以下步骤：

步骤A：通过夹持式的机械爪抓取成年鸽，并采用体重模块的称重传感器判断成年鸽是否处于挣扎状态、同时记录未挣扎时成年鸽的实际体重及挣扎状态下成年鸽的体重曲线波动率；

步骤B：采用声音模块采集成年鸽的声音信息，并将声音信息经过处理后转换为梅尔图，再输入到卷积神经网络模型中根据声音信息进行成年鸽性别概率的初步判断；

步骤C：采用均匀分布在机械爪上的多个贴片式压力传感器获取成年鸽挣扎状态下的挣扎曲线波动率；

步骤D：将步骤A中的体重曲线波动率、步骤B中通过声音初步判断成年鸽性别的概率与步骤C中的挣扎曲线波动率作为变量输入到支持向量机中，实现成年鸽性别的鉴定。

2.根据权利要求1所述的一种成年鸽性别的鉴定方法，其特征在于：所述步骤A获取未挣扎时成年鸽实际体重的方法具体为：

首先设置称重传感器的采集间隔时间Δt₁、即每隔Δt₁时间段采集一次数据；当机械爪首先夹持成年鸽、并放置在体重模块上时，采集并记录当前时间向后推移n₁个采样点的称重传感器数据，获得n₁个采样点数据的最大值m_max、最小值m_min与平均值m_p，并计算获得最大值、最小值之差值与平均值之间的比值N，即

当N＜0.5％时，判断成年鸽处于未挣扎的静止状态，此时n₁个采样点数据的平均值m_p即为该成年鸽的实际体重；若N大于或等于0.5％，则初始化体重模块、并重新进行测量，直至获得成年鸽的实际体重。

3.根据权利要求1或2所述的一种成年鸽性别的鉴定方法，其特征在于：所述步骤A中获取挣扎状态下成年鸽的体重曲线波动率的具体方法为：

步骤A01：获得成年鸽的实际体重后，松开成年鸽、并重新初始化体重模块；然后重新设置称重传感器的采集间隔时间Δt₁，同时设置成年鸽挣扎状态下称重传感器的采集时间t₁；之后重新夹持成年鸽；

步骤A02：计算获得n₂个采样点的体重曲线波动率P，具体为：

式中：m₀为成年鸽的实际体重；m_i为称重传感器第i个采样点的实际测试值；

步骤A03：预设体重曲线波动率阈值P₀，通过当前时间向后推移n₂个采样点的体重曲线波动率P与阈值P₀进行比较，从而判断成年鸽是否处于挣扎状态；

若P＞P₀，则判断放置在称重传感器上的成年鸽处于挣扎状态，此时记录整个采集时间t₁内体重曲线波动率；若P≤P₀，则判断放置在称重传感器上的成年鸽未处于挣扎状态；

步骤A04：保存上述采集数据，然后对体重模块的测量数据进行初始化以便于下一次测量。

4.根据权利要求2或3所述的一种成年鸽性别的鉴定方法，其特征在于：所述步骤B具体为：

步骤B01：预设声音模块中的分帧时间长度与帧移时间长度，同时设置声音信息样本时间长度t₂；

步骤B02：根据步骤A中体重模块反馈的数据，判断成年鸽是否位于体重模块的装置上；若是，则启动声音模块进行声音信息采集；

步骤B03：声音信息采集后，首先对声音信息进行加重、去噪的预处理，然后使用短时能量的单参数双门限声音端点检测法识别成年鸽的声音信息区间；最后去除所采集声音信息中的无声部分，并根据声音信息的能量曲线判断所采集的整段声音信息中是否存在成年鸽声音；

步骤B04：将步骤B03中处理后的声音信息根据设定的样本时间长度t₂、使用梅尔滤波器转换为梅尔谱图；然后将梅尔谱图放入卷积神经网络模型中，获得成年鸽性别为雄性或雌性的概率。

5.根据权利要求3或4所述的一种成年鸽性别的鉴定方法，其特征在于：所述步骤B04中将梅尔谱图放入卷积神经网络模型中，获得成年鸽性别为雄性或雌性的概率具体为：

首先，将转化得到的梅尔谱图矩阵依次进行三个相同的卷积模块进行处理；每个卷积模块处理均包括两次3*3的卷积网络、每次卷积使用rule激活函数并进行标准化(BN)，以及大小为2*2、步长为2的最大池化处理；

然后，输出结果经过四次3*3的卷积网络、每次卷积使用rule激活函数并进行标准化(BN)处理，再使用大小为2*2、步长为2的最大池化进行处理；

之后，将上述输出尺寸调整后输出、作为128输出维度全链接层FC1的输入，并使用rule激活函数并进行标准化(BN)处理；再将上述的输出结果作为3输出维度全链接层FC2的输入，并使用rule激活函数并进行标准化(BN)处理；其中，3输出维度表示样本只有三类；

最后，将最终输出结果输入到Softmax分类器中、得到最后的分类结果。

6.根据权利要求5所述的一种成年鸽性别的鉴定方法，其特征在于：所述步骤C具体为：

步骤C01：首先设置贴片式压力传感器的采集间隔时间Δt₂、即每隔Δt₂时间段采集一次；

步骤C02：接收成年鸽挣扎信号，采集并记录当前时间后推移n₃个采样点的采样数据，将n₃个采样点的平均值作为未挣扎贴片式压力传感器的压力值Q₀；根据采集时间段内、压力始终为零，去除无接触的贴片式压力传感器，记录有接触的贴片式压力传感器数据、并记录编号；贴片式压力传感器的采集时间与体重模块中称重传感器的采集时间t₁相同；

步骤C03：计算获得每一个贴片式压力传感器的挣扎曲线波动率Q，具体为：

式中：Q_i为贴片式压力传感器第i个压力值。

7.根据权利要求6所述的一种成年鸽性别的鉴定方法，其特征在于：所述步骤D具体为：

首先，根据步骤A获得的体重曲线波动率P，步骤B初步判断的成年鸽性别为雄性或雌性的概率、分别记为L与H，步骤C获得的挣扎曲线波动率Q获得维度为四维的数据X，即

X＝[P,Q,L,H]；

然后，使用支持向量机作为分类模型，输出分类结果为-1或1；其中-1代表成年鸽为雌性，1代表成年鸽为雄性；

支持向量机的数据训练集为T＝[(X₁,k₁)，…,(X_i,k_i),…,(X_n,k_n)]；其中，i为支持向量机的训练样本个数，X_i为第i个训练样本的数据，k_i为第i个训练样本的判断结果；

由于训练样本具有随机性、所获得的的数据是非线性的，因此支持向量机的决策函数为：

式中：σ为常数；

且决策函数f(X)的判断原则为：

最后，根据决策函数f(X)的输入样本X获得的输出结果完成成年鸽性别的判断。

Images