CN117423342A - 一种基于边缘计算的猪只异常状态监测方法及系统 - Google Patents
一种基于边缘计算的猪只异常状态监测方法及系统 Download PDFInfo
- Publication number
- CN117423342A CN117423342A CN202311415297.3A CN202311415297A CN117423342A CN 117423342 A CN117423342 A CN 117423342A CN 202311415297 A CN202311415297 A CN 202311415297A CN 117423342 A CN117423342 A CN 117423342A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- pig
- abnormal sound
- early warning
- model
- 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 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 35
- 241000282887 Suidae Species 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000005236 sound signal Effects 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 4
- 230000004807 localization Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 208000023504 respiratory system disease Diseases 0.000 description 5
- 206010011224 Cough Diseases 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect 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
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- 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
- G10L17/04—Training, enrolment or model building
-
- 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
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种基于边缘计算的猪只异常状态监测方法及系统，涉及语音信号处理技术领域，包括：数据采集与处理模块、边缘计算网关、云服务器和客户端，数据采集与处理模块包括麦克风阵列、数字信号处理模块、功率放大模块、电源模块和通信模块；通过麦克风阵列获取、存储猪舍内采集的音频数据，音频数据经过数据处理模块处理后，通过通信模块传输至边缘计算网关，边缘计算网关对猪舍内的异常声音进行识别与定位，将结果发送至云服务器，云服务器对数据进行存储并建立生猪异常状态预警模型，将预警信息发送至手机或电脑客户端。本发明实现了对猪舍内猪只异常的准确监测、定位以及预警。
Description
技术领域
本发明属于语音信号处理领域，特别是涉及一种基于边缘计算的猪只异常状态监测方法及系统。
背景技术
呼吸道类疾病是影响我国生猪健康养殖、制约我国生猪产业发展的三大系统性疾病之一，也是规模化养殖场内常发的系统性疾病。猪呼吸道疾病一年四季均可发生，在秋末、冬季和春季发病率最高，通常在30～70％，病死率在10～30％，主要发生在保育后期和生长育肥期，发病率在30～50％，对于育肥阶段生猪来说，呼吸道疾病容易导致生猪采食量下降，生长速度缓慢，出栏时间延长10～25天，而对于断奶仔猪其危害更大，若治疗不及时可能造成较高的死亡率。由于集约式的养殖模式，呼吸道疾病很容易传播，若其中某个个体发病未及时发现，很容易传染整个群体，加重猪场的损失。
同时，对于规模化的生猪养殖，由于饲养密度增大带来的食物/空间资源竞争的加剧以及混群次数的增加，导致打斗、咬尾和咬耳等行为频繁发生，若不及时制止可能会导致生猪发生撕咬等恶癖行为，同时因咬斗造成的身体损伤，若不及时治疗，可能引发进一步感染和其他疾病，严重影响猪只的健康与福利甚至整个猪群的生产性能。及时发现上述生猪异常状态，进而采取针对性措施预防其大规模爆发，是生猪养殖过程中亟需解决的重要问题，研究和突破这些问题的关键是对生猪异常状态的监测和预警。当前，规模化养猪场中对于生猪异常状态的监测仍然主要是人工巡视的方式，人工巡视一般采用不定期的观察方式，无法连续实时的对群体进行监测，尤其是夜间，很难发现生猪异常，容易发生漏检，同时人工巡视容易引发人畜交叉感染和生猪应激反应。通过音频监测的方式实现对猪舍内异常生猪状态的监测具有非接触、客观、准确、实时性好等优点，可以实现对规模养猪场的健康化、智能化管理。
现有技术中的技术方案存在异常声音识别精度低、缺少定位功能、异常声音定位模糊等缺陷，同时，依靠WiFi传输音频数据，存在丢包问题，在ARM板上运行算法，执行效率低，因此，亟需一种新的生猪异常状态监测方法与系统。
发明内容
本发明的目的是提供一种基于边缘计算的猪只异常状态监测方法及系统，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于边缘计算的猪只异常状态监测方法，包括：
通过麦克风阵列采集音频信息并进行预处理；所述音频信息为一阶立体混响信号，包括全向信号、X方向信号、Y方向信号、Z方向信号；
对经过预处理后的音频信息进行特征提取，获得特征参数，对特征参数进行标准归一化处理；所述特征参数包括振幅谱图、分贝振幅谱图和相位谱图；
构建异常声音检测模型与异常声音定位模型，构建训练集，基于所述训练集对模型进行训练，基于处理后的特征参数、所述异常声音检测模型、所述异常声音定位模型获得异常声音的分类结果与定位结果；
构建生猪异常状态预警模型，基于所述分类结果与所述生猪异常状态预警模型获得异常状态，统计不同异常状态产生的频率，基于所述频率与所述定位结果生成预警信息发送至客户端，实现猪只异常状态监测。
可选的，预处理的过程包括：对所述音频信息进行放大处理，对完成放大处理的音频信息进行截断和缓存，获得缓存数据，对所述缓存数据进行滤波与降噪处理。
可选的，对异常声音检测模型与异常声音定位模型的训练过程包括：
采集不同猪舍内无其他声音叠加的清晰的不同声音信号；
在不同猪舍场景中采用点声源发送伪随机序列，并通过麦克风接收，对接收端与发送端的伪随机序列进行相关运算，获得对应场景下的冲激响应；
采集不同猪舍内的环境噪声，环境噪声指背景噪声；
将不同声音信号与不同的冲激响应进行卷积运算后，叠加上不同能量的背景噪声，获得包含多种信噪比的带噪信号集，将所述带噪信号集作为训练集，基于所述训练集对所述异常声音检测模型与异常声音定位模型进行训练。
可选的，异常声音检测模型使用sigmoid激活函数，采用二值交叉熵作为损失函数，异常声音定位模型使用linear激活函数，采用平均绝对误差作为损失函数。
可选的，获得异常声音的分类结果与定位结果的过程包括：
将所述振幅谱图输入至异常声音检测模型，获得多路分类结果，将所述多路分类结果进行集成学习，获得异常声音的分类结果；
通过将所述分类结果作为掩码判断异常声音是否为激活状态，若是，则将所述分贝振幅谱图与所述相位谱图输入至所述异常声音定位模型，获得多路预测结果，对所述多路预测结果进行集成学习，获得异常声音的定位结果。
为解决上述问题，本发明还提供了一种基于边缘计算的猪只异常状态监测系统，包括：
数据采集与处理模块、边缘计算网关、云服务器与客户端；
所述数据采集与处理模块用于采集音频信号并对所述音频信号进行处理；
所述边缘计算网关用于根据处理后的音频信号对异常声音进行分析，并将分析结果传输至云服务器，所述分析结果包括分类结果与定位结果；
所述云服务器用于构建生猪异常状态预警模型，基于所述分析结果与所述生猪异常状态预警模型获得预警信息并传输至所述客户端。
可选的，所述数据采集与处理模块包括麦克风阵列、数字信号处理模块、功率放大模块、电源模块和通信模块；
所述麦克风阵列由若干个指向性麦克风组成，麦克风数量不少于四个，用于采集音频数据，所述音频数据包括多路同步音频信号，采集的多路音频信号经过编码，转换成一阶立体混响信号；
所述功率放大模块用于对所述音频数据进行放大处理；
所述数字信号处理模块采用现场可编程门阵列FPGA模块，用于对音频数据放大处理后提取特征参数，并通过所述通信模块传输至边缘计算网关；
所述电源模块用于对所述麦克风阵列、所述数字信号处理模块、所述功率放大模块、所述通信模块供电。
可选的，所述边缘计算网关包括异常声音检测模型与异常声音定位模型，均包括深度特征提取层、多个BiLSTM或BiGRU层、全连接层和激活层。
可选的，所述深度特征提取层包括多个卷积层、批归一化层、激活函数ReLu、池化层和Dropout。
可选的，所述生猪异常状态预警模型获得的预警信息包括若干种预警状态、异常声音发生的频率及异常声音的位置信息。
本发明的技术效果为：
本发明提供的一种基于边缘计算的猪只异常状态监测方法与系统，该方法与系统通过边缘计算网关极大缓解了网络带宽和云服务器的压力，降低了时延和计算能耗。本发明通过麦克风阵列采集一阶立体混响声信号，既可以实现对猪舍内异常声音的识别，又可以实现对异常猪只的定位，同时通过多个麦克风进行集成学习，可以有效提高目标声音识别精度。本发明采用的FPGA模块可以快速处理并行的多路信号，提高计算速度，同时在FPGA模块提取信号特征参数，并通过网络发送至边缘计算网关，极大的降低了数据量，较少了数据的传输，提高传输效率降低传输时延。本发明采用的异常声音监测与定位模型，通过卷积神经网络提取深度特征加上时序分类模型，可以有效提高目标声音信号识别精度和定位精度，同时通过集成学习，可以有效提高模型的稳定性和泛化能力。本发明同时明确了生猪异常状态预警模型，为生猪健康养殖提供了可靠的预警方案和智能化管理方式。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的一种基于边缘计算的猪只异常状态监测方法及系统示意图；
图2为本发明实施例中的异常声音检测与定位模型示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-2所示，本实施例中提供一种基于边缘计算的猪只异常状态监测方法及系统，包括：
数据采集与处理模块、边缘计算网关、云服务器和客户端，数据采集与处理模块包括麦克风阵列、数字信号处理模块、功率放大模块、电源模块和通信模块，其中电源模块为麦克风阵列、数字信号处理模块、功率放大模块和通信模块供电。
麦克风阵列由四个指向性麦克风组成，将麦克风阵列布置在猪舍内适合安装且不会被猪只碰撞的位置，例如放置在猪舍入口位置或中心位置距离地面2米以上的位置。麦克风阵列获取的信号为一阶立体混响FOA信号，分别为W全向信号，X方向信号，Y方向信号和Z方向信号。麦克风阵列将采集的多路同步音频信号经过功率放大模块放大处理后传输至数字信号处理模块。数字信号处理模块为现场可编程门阵列FPGA模块，FPGA模块对麦克风阵列采集的W，X，Y，Z路音频信号进行截断和缓存。对缓存的数据进行带通滤波和小波降噪，带通滤波器频率范围为200Hz～16kHz。对处理后的数据提取特征参数，特征参数包括振幅谱图、分贝振幅谱图和相位谱图，振幅谱图即对音频信号进行短时傅里叶变换后取幅度谱，分贝振幅谱图即对幅度谱取对数，所述特征参数均做标准归一化处理。
将提取的特征参数通过通信模块传输至边缘计算网关，边缘计算网关将特征参数输入训练好的异常声音检测与定位模型，对异常声音进行检测和定位。异常声音包括猪咳嗽声、咬斗行为和疼痛引起的异常尖叫声。
本实施例中异常声检测与定位模型如图2所示，该模型分为两部分，一部分用于异常声音的检测，一部分用于异常声音的定位。图2只表示其中一路信号的处理流程，其他路信号处理流程与该流程一致，模型最后对每一路的输出进行集成学习，得到分类结果和方位预测结果。异常声音检测与定位模型均由深度特征提取层、2个BiLSTM层、全连接层和激活层组成。深度特征提取层由三个卷积模块(ConvBlock)组成，每个卷积模块由一个卷积层、一个批归一化层(BatchNorm)、一个激活函数(ReLu)、一个最大池化层(MaxPooling2D)和一个Dropout组成。
将所述的W，X，Y，Z路信号提取的振幅谱图特征输入训练好的异常声音检测模型，将多路预测结果进行集成学习，得到最终的异常声音的分类结果。
将异常声音的预测结果作为掩码，判断异常声音是否激活，如果为激活状态，则进一步的将W，X，Y，Z路信号提取的分贝振幅谱图和相位谱图特征输入训练好的定位模型，将多路预测结果进行平均集成学习，预测异常声音的方位。
在异常声音检测模型中，使用sigmoid激活函数，采用二值交叉熵作为损失函数，在定位模型中，使用linear激活函数，采用平均绝对误差作为损失函数。
本实施例中用于训练异常声音检测与定位模型的训练集构造方法如下：
首先，利用录音笔在不同的规模化猪舍内采集无干扰、无其他声音叠加的清晰的不同声音信号，包括猪咳嗽声、猪异常尖叫声和猪舍内除背景噪声外的其他声音信号，每种声音数量不少于100条。
其次，采集实际环境下的冲激响应，选择空的实际猪舍和实验室环境，用录音笔作为点声源发送伪随机序列，伪随机序列由M序列生成。用所述麦克风阵列采集数据，应保证接收信号在30dB以上，点声源位置分布如下：方向角为以10°为步距在0°至360°范围内变换位置，俯仰角为以10°为步距在-70°至70°范围内变换位置，点源和麦克风阵列之间的距离在1米至5米的范围内变化，将接收的伪随机序列与发送序列做相关运算，获取实际环境下的冲激响应。
再次，采用录音笔采集不同真实猪舍内的环境噪声，所述环境噪声中不应包含所述猪咳嗽声、猪异常尖叫声和猪舍内除背景噪声外的其他声音，在24小时内不同时段至少采集3次，每次采集时间长不小于20分钟。
最后，将采集的猪舍的声音信号和冲激响应以及环境噪声进行合成，将采集的猪舍的不同声音信号与不同的冲激响应进行卷积运算，得到具有乘性干扰的信号，再将卷积后的信号加上不同能量的噪声，获取不同信噪比的带噪信号，将该信号作为训练集训练异常声音检测与定位模型。
边缘计算网关将检测结果发送至云服务器，云服务器根据建立的生猪异常状态预警模型对接收的数据进行预测和预警。生猪异常状态预警模型描述如下：
根据咳嗽声和异常尖叫声将异常状态分为呼吸道疾病和咬斗等异常状态。根据预测结果，计算不同异常声音发生的频率，频率计算方法为每24小时内平均每头猪产生异常声音的次数。当频率小于或等于30次时将预警信息标记为绿色；当频率大于30次且小于等于60次时标记为橙色；当频率大于60次时标记为红色。绿色表示无异常，橙色表示发生轻度异常，红色表示发生重度异常。
云服务器将预警信息发送至手机或电脑客户端，预警信息包括当前绿色、橙色和红色预警状态，异常声音发生的频率以及异常生猪的位置信息。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于边缘计算的猪只异常状态监测方法，其特征在于，包括以下步骤：
通过麦克风阵列采集音频信息并进行预处理；所述音频信息为一阶立体混响信号，包括全向信号、X方向信号、Y方向信号、Z方向信号；
对经过预处理后的音频信息进行特征提取，获得特征参数，对特征参数进行标准归一化处理；所述特征参数包括振幅谱图、分贝振幅谱图和相位谱图；
构建异常声音检测模型与异常声音定位模型，构建训练集，基于所述训练集对模型进行训练，基于处理后的特征参数、所述异常声音检测模型、所述异常声音定位模型获得异常声音的分类结果与定位结果；
构建生猪异常状态预警模型，基于所述分类结果与所述生猪异常状态预警模型获得异常状态，统计不同异常状态产生的频率，基于所述频率与所述定位结果生成预警信息发送至客户端，实现猪只异常状态监测。
2.根据权利要求1所述的基于边缘计算的猪只异常状态监测方法，其特征在于，
预处理的过程包括：对所述音频信息进行放大处理，对完成放大处理的音频信息进行截断和缓存，获得缓存数据，对所述缓存数据进行滤波与降噪处理。
3.根据权利要求1所述的基于边缘计算的猪只异常状态监测方法，其特征在于，
对异常声音检测模型与异常声音定位模型的训练过程包括：
采集不同猪舍内无其他声音叠加的清晰的不同声音信号；
在不同猪舍场景中采用点声源发送伪随机序列，并通过麦克风接收，对接收端与发送端的伪随机序列进行相关运算，获得对应场景下的冲激响应；
采集不同猪舍内的环境噪声，环境噪声指背景噪声；
将不同声音信号与不同的冲激响应进行卷积运算后，叠加上不同能量的背景噪声，获得包含多种信噪比的带噪信号集，将所述带噪信号集作为训练集，基于所述训练集对所述异常声音检测模型与异常声音定位模型进行训练。
4.根据权利要求1所述的基于边缘计算的猪只异常状态监测方法，其特征在于，
异常声音检测模型使用sigmoid激活函数，采用二值交叉熵作为损失函数，异常声音定位模型使用linear激活函数，采用平均绝对误差作为损失函数。
5.根据权利要求1所述的基于边缘计算的猪只异常状态监测方法，其特征在于，
获得异常声音的分类结果与定位结果的过程包括：
将所述振幅谱图输入至异常声音检测模型，获得多路分类结果，将所述多路分类结果进行集成学习，获得异常声音的分类结果；
通过将所述分类结果作为掩码判断异常声音是否为激活状态，若是，则将所述分贝振幅谱图与所述相位谱图输入至所述异常声音定位模型，获得多路预测结果，对所述多路预测结果进行集成学习，获得异常声音的定位结果。
6.一种基于边缘计算的猪只异常状态监测系统，其特征在于，包括：
数据采集与处理模块、边缘计算网关、云服务器与客户端；
所述数据采集与处理模块用于采集音频信号并对所述音频信号进行处理；
所述边缘计算网关用于根据处理后的音频信号对异常声音进行分析，并将分析结果传输至云服务器，所述分析结果包括分类结果与定位结果；
所述云服务器用于构建生猪异常状态预警模型，基于所述分析结果与所述生猪异常状态预警模型获得预警信息并传输至所述客户端。
7.根据权利要求6所述的基于边缘计算的猪只异常状态监测系统，其特征在于，
所述数据采集与处理模块包括麦克风阵列、数字信号处理模块、功率放大模块、电源模块和通信模块；
所述麦克风阵列由若干个指向性麦克风组成，麦克风数量不少于四个，用于采集音频数据，所述音频数据包括多路同步音频信号，采集的多路音频信号经过编码，转换成一阶立体混响信号；
所述功率放大模块用于对所述音频数据进行放大处理；
所述数字信号处理模块采用现场可编程门阵列FPGA模块，用于对音频数据放大处理后提取特征参数，并通过所述通信模块传输至边缘计算网关；
所述电源模块用于对所述麦克风阵列、所述数字信号处理模块、所述功率放大模块、所述通信模块供电。
8.根据权利要求6所述的基于边缘计算的猪只异常状态监测系统，其特征在于，
所述边缘计算网关包括异常声音检测模型与异常声音定位模型，均包括深度特征提取层、多个BiLSTM或BiGRU层、全连接层和激活层。
9.根据权利要求8所述的基于边缘计算的猪只异常状态监测系统，其特征在于，
所述深度特征提取层包括多个卷积层、批归一化层、激活函数ReLu、池化层和Dropout。
10.根据权利要求6所述的基于边缘计算的猪只异常状态监测系统，其特征在于，
所述生猪异常状态预警模型获得的预警信息包括若干种预警状态、异常声音发生的频率及异常声音的位置信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311415297.3A CN117423342B (zh) | 2023-10-27 | 一种基于边缘计算的猪只异常状态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311415297.3A CN117423342B (zh) | 2023-10-27 | 一种基于边缘计算的猪只异常状态监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117423342A true CN117423342A (zh) | 2024-01-19 |
| CN117423342B CN117423342B (zh) | 2024-06-07 |
Family
ID=
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090312660A1 (en) * | 2008-06-17 | 2009-12-17 | Biorics Nv | Recognition and localisation of pathologic animal and human sounds |
| 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 |
| CN109493874A (zh) * | 2018-11-23 | 2019-03-19 | 东北农业大学 | 一种基于卷积神经网络的生猪咳嗽声音识别方法 |
| CN109817227A (zh) * | 2018-12-06 | 2019-05-28 | 洛阳语音云创新研究院 | 一种养殖场的异常声音监测方法和系统 |
| CN111860203A (zh) * | 2020-06-28 | 2020-10-30 | 北京小龙潜行科技有限公司 | 基于图像和音频混合的异常猪只识别装置、系统和方法 |
| CN112164408A (zh) * | 2020-10-26 | 2021-01-01 | 南京农业大学 | 基于深度学习的猪咳嗽声监测与预警系统 |
| US20220007618A1 (en) * | 2018-12-18 | 2022-01-13 | Soundtalks Nv | Method for monitoring a livestock facility and/or livestock animals in a livestock facility using improved sound processing techniques |
| CN115457966A (zh) * | 2022-09-16 | 2022-12-09 | 东北农业大学 | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 |
| CN115810365A (zh) * | 2021-09-16 | 2023-03-17 | 成都睿畜电子科技有限公司 | 一种基于猪只声音的猪只健康预警方法及系统 |
| CN116034904A (zh) * | 2023-03-31 | 2023-05-02 | 华南农业大学 | 基于轨道式巡检机器人的猪只健康监测系统及方法 |
| CN116205595A (zh) * | 2023-01-19 | 2023-06-02 | 中国农业科学院北京畜牧兽医研究所 | 基于数字孪生边缘计算平台的猪只健康管控方法及系统 |
| KR102540175B1 (ko) * | 2022-10-27 | 2023-06-07 | 충남대학교산학협력단 | 인공지능기반 돼지 질병 관리 시스템 |
| KR102582506B1 (ko) * | 2022-10-27 | 2023-09-26 | 충남대학교산학협력단 | 돈사 질병 관리를 위한 모니터링 시스템 |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090312660A1 (en) * | 2008-06-17 | 2009-12-17 | Biorics Nv | Recognition and localisation of pathologic animal and human sounds |
| 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 |
| CN109493874A (zh) * | 2018-11-23 | 2019-03-19 | 东北农业大学 | 一种基于卷积神经网络的生猪咳嗽声音识别方法 |
| CN109817227A (zh) * | 2018-12-06 | 2019-05-28 | 洛阳语音云创新研究院 | 一种养殖场的异常声音监测方法和系统 |
| US20220007618A1 (en) * | 2018-12-18 | 2022-01-13 | Soundtalks Nv | Method for monitoring a livestock facility and/or livestock animals in a livestock facility using improved sound processing techniques |
| CN111860203A (zh) * | 2020-06-28 | 2020-10-30 | 北京小龙潜行科技有限公司 | 基于图像和音频混合的异常猪只识别装置、系统和方法 |
| CN112164408A (zh) * | 2020-10-26 | 2021-01-01 | 南京农业大学 | 基于深度学习的猪咳嗽声监测与预警系统 |
| CN115810365A (zh) * | 2021-09-16 | 2023-03-17 | 成都睿畜电子科技有限公司 | 一种基于猪只声音的猪只健康预警方法及系统 |
| CN115457966A (zh) * | 2022-09-16 | 2022-12-09 | 东北农业大学 | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 |
| KR102540175B1 (ko) * | 2022-10-27 | 2023-06-07 | 충남대학교산학협력단 | 인공지능기반 돼지 질병 관리 시스템 |
| KR102582506B1 (ko) * | 2022-10-27 | 2023-09-26 | 충남대학교산학협력단 | 돈사 질병 관리를 위한 모니터링 시스템 |
| CN116205595A (zh) * | 2023-01-19 | 2023-06-02 | 中国农业科学院北京畜牧兽医研究所 | 基于数字孪生边缘计算平台的猪只健康管控方法及系统 |
| CN116034904A (zh) * | 2023-03-31 | 2023-05-02 | 华南农业大学 | 基于轨道式巡检机器人的猪只健康监测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 沈明霞: "生猪自动化养殖装备与技术研究进展与展望", 《农业机械学报》, 31 December 2022 (2022-12-31), pages 1 - 12 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jensen et al. | Narrow acoustic field of view drives frequency scaling in toothed whale biosonar | |
| Morrissey et al. | Passive acoustic detection and localization of sperm whales (Physeter macrocephalus) in the tongue of the ocean | |
| Terry et al. | The role of vocal individuality in conservation | |
| CN106504762B (zh) | 鸟类群落数量估计系统及其方法 | |
| CN110189756A (zh) | 一种用于监测生猪异常声音的方法及系统 | |
| CN112164408A (zh) | 基于深度学习的猪咳嗽声监测与预警系统 | |
| CN208708444U (zh) | 一种基于声学的母猪发情监测系统 | |
| CN105091938A (zh) | 畜禽健康状况监测方法及系统 | |
| CN113056785A (zh) | 使用改进的声音处理技术监视牲畜设施和/或牲畜设施中的牲畜动物的方法 | |
| CN104077550A (zh) | 一种实现动物行为监测的健康指数评价的方法及系统 | |
| CN109741759B (zh) | 一种面向特定鸟类物种的声学自动检测方法 | |
| CN112820275A (zh) | 一种基于声音信号分析哺乳仔猪异常的自动监测方法 | |
| CN110570874A (zh) | 一种用于监测野外鸟类鸣声强度及分布的系统及其方法 | |
| CN117423342B (zh) | 一种基于边缘计算的猪只异常状态监测方法及系统 | |
| CN112183587A (zh) | 一种海上风电场生物监测方法、系统、计算机设备和存储介质 | |
| Vance et al. | Echolocating toothed whales use ultra-fast echo-kinetic responses to track evasive prey | |
| Wang et al. | A lightweight CNN-based model for early warning in sow oestrus sound monitoring | |
| CN101833048A (zh) | 光电信号符合的闪电监测方法及其装置 | |
| CN117423342A (zh) | 一种基于边缘计算的猪只异常状态监测方法及系统 | |
| CN103916462A (zh) | 一种反刍动物反刍信息采集系统 | |
| CN116645791B (zh) | 一种基于电子围栏设备的封闭区域的预警方法及系统 | |
| CN110779575A (zh) | 一种基于大数据平台的畜牧业监测系统 | |
| CN114184755B (zh) | 一种养殖水体自动监控及水体富营养化预防系统及方法 | |
| CN115690777A (zh) | 基于成熟度识别装置的香菇菌棒成熟度识别方法及系统 | |
| CN112889695B (zh) | 一种基于rfid技术的禽类行为监测方法及系统 |
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 |