周映荷　劉琪　李天樂　劉龍申

摘要：隨著人們對畜禽健康養(yǎng)殖的高度重視，傳統(tǒng)家禽養(yǎng)殖措施在面對大型飼養(yǎng)需求時體現(xiàn)出諸多弊端，而自動化和智能化是農(nóng)業(yè)發(fā)展必然趨勢。本文以蛋雞為例，在matlab平臺上通過對蛋雞叫聲的采集與分析得出蛋雞的健康狀況，用SVM分類器設(shè)計出高正確率的蛋雞叫聲異常檢測系統(tǒng)。

關(guān)鍵詞：支持向量機(jī);蛋雞;MFCC系數(shù);聲音識別

1緒論

長久以來，我國現(xiàn)代農(nóng)業(yè)中畜牧業(yè)是一項很有潛力的產(chǎn)業(yè)之一，也占據(jù)著中國農(nóng)業(yè)生產(chǎn)的重要地位。而準(zhǔn)確高效地采集動物個體信息是分析動物生理、健康和福利狀況的基礎(chǔ)。

本文論及蛋雞養(yǎng)殖，首先傳統(tǒng)蛋雞飼養(yǎng)中主要依靠人工觀測的方式監(jiān)測蛋雞個體健康狀態(tài)，不僅會耗費(fèi)飼養(yǎng)員大量的時間和精力，還很容易引起蛋雞的應(yīng)激反應(yīng)，破壞蛋雞生長自然環(huán)境。而科學(xué)研究表明，蛋雞在不同健康狀態(tài)下的叫聲會存在聲學(xué)特征的差異，因此聲音識別可以作為一種判斷動物福利的輔助方法。

2系統(tǒng)研究

聲音識別本質(zhì)上是一種模式識別過程，主要包括蛋雞叫聲采集、去噪及加重、特征參數(shù)提取、識別器訓(xùn)練、健康識別等幾個功能模塊。

具體實施過程可以描述為：首先采集健康蛋雞的叫聲信號進(jìn)行去噪處理，并根據(jù)設(shè)定的音頻特征提取方法提取音頻特征集，建造健康蛋雞聲音特征庫;然后，采集健康狀況待檢測的蛋雞叫聲，并進(jìn)行同樣的特征提取，最后選擇分類算法進(jìn)行識別分類，與健康聲音特征庫中的數(shù)據(jù)進(jìn)行匹配，得到健康識別的結(jié)果。

2.1去噪程序

本項目研究目標(biāo)為散養(yǎng)蛋雞，在此環(huán)境下，噪聲主要為自然環(huán)境噪音，而由于信號譜和噪聲譜是任意重疊的，傳統(tǒng)的濾波器方法效果并不顯著。在本文中將創(chuàng)新采用小波分解與重構(gòu)的方法對采集聲音進(jìn)行去噪。

簡而言之，小波分析是一種信號的時間頻率分析方法，是將原函數(shù)y（t）表示為一系列逐次逼近表達(dá)式，其中每一個都是y（t）函數(shù)經(jīng)過平滑后的形式，它們分別對應(yīng)不同的分辨率因此能夠聚焦到信號的任意細(xì)節(jié)進(jìn)行多分辨率的時頻分析。

本項目在實施過程中選用小波閾值去噪法對樣本聲音進(jìn)行去噪，在此過程中，主要測定了適用的小波基和分解層數(shù)，合適的閾值和閾值函數(shù)等影響去噪效果的主要特征。

通過MATLAB多次仿真實驗可得，運(yùn)用“db3”小波基做兩層分解后通過硬閾值函數(shù)進(jìn)行閾值去噪并重構(gòu)為該實驗環(huán)境下最有效的去噪方法，圖1為效果圖。

2.2 特征參數(shù)提取程序

在研究過程中，我們通過對同一段樣本提取不同特征向量并用同樣參數(shù)訓(xùn)練SVM識別模型，識別模型的準(zhǔn)確率分別如表1所示：

由表可知，MFCC與短時能量結(jié)合的方式訓(xùn)練識別模型效果最理想。因為短時能量是時域特征，MFCC參數(shù)是人耳聽覺感知特征，而兩者之間的相關(guān)性不大，它們反映的是音頻信號的不同特征，結(jié)合有較好的識別效果。

2.3 SVM訓(xùn)練與識別程序

由于支持向量機(jī)在解決小樣本問題、非線性問題及高維空間內(nèi)的模式識別問題的時候有很多優(yōu)點，所以其被廣泛使用。基本原理是升維，即將低維空間中的非線性問題映射到高維空間中，然后利用核函數(shù)將非線性問題轉(zhuǎn)換為線性問題，使其變得更簡單容易解決。

而本文作為異常識別只能提供大量的健康蛋雞叫聲，因此采用單極支持向量機(jī)（one class SVM）。根據(jù)對已有支持向量機(jī)的理解，單極支持向量機(jī)并非對已有標(biāo)簽的數(shù)據(jù)進(jìn)行分類判別，而是通過回答yes or no的方式去根據(jù)支持向量域描述（support vector domaindescription SVDD），將樣本數(shù)據(jù)訓(xùn)練出一個最小的超球面（大于3維特征），其中在二維中是一個曲線，將數(shù)據(jù)全部包起來，即將異常點排除。

以下是通過訓(xùn)練樣本表2數(shù)據(jù)所訓(xùn)練得到的SVM分類器模型參數(shù)，如表3所示。

2.4實驗結(jié)果

在實施過程中，模型成型后對模型進(jìn)行調(diào)試測驗，最終該系統(tǒng)的識別正確率可高達(dá)86%（如表4所示：樣本數(shù)120識別成功數(shù)103），是較為理想的結(jié)果。

3 總結(jié)

本論文在結(jié)合實際的項目研究工作的基礎(chǔ)上，分析了在Matlab平臺上實現(xiàn)異常聲音識別的方法，并且將基于支持向量機(jī)的異常識別方法應(yīng)用于蛋雞的健康診斷中。

在研究的過程中，對蛋雞叫聲的聲學(xué)特性作了系統(tǒng)的分析，對支持向量機(jī)的理論與應(yīng)用進(jìn)行了較為深入的探索，并且在總結(jié)許多前人研究成果的基礎(chǔ)上，提出了自己的方法。

本文系統(tǒng)的實現(xiàn)對于豐富和發(fā)展自動化養(yǎng)殖技術(shù)具有一定的意義。

參考文獻(xiàn)

[1]盧昆鵬.基于DSP-SVM的風(fēng)電齒輪箱故障診斷系統(tǒng)[D].太原：中北大學(xué)，2016.

[2]姜勇.基于DSP的雞蛋蛋殼破損檢測系統(tǒng)設(shè)計[D].楊凌：西北農(nóng)林科技大學(xué)，2008.

[3]包鐵軍.基于DSP的音頻信號實時采集、處理及發(fā)送系統(tǒng)設(shè)計[D].呼和浩特：內(nèi)蒙古大學(xué)，2010.

[4]祁飛.基于Matlab的羔羊?qū)つ嘎曇粜盘柕淖R別分析[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2016.

[5]呂霄云，王宏霞.基于MFCC和短時能量混合的異常聲音識別算法[J].計算機(jī)應(yīng)用，2010，30（3）：796-798.

[6]呂霄云.基于MFCC和GMM的異常聲音識別算法研究[D].成都：西南交通大學(xué)，2010.

[7]郭利剛，趙凡.聲音匹配識別算法的研究與實踐[J].中國傳媒大學(xué)學(xué)報（自然科學(xué)版），2007，14（1）：20-25.

[8]周曉敏，李應(yīng).基于Radon和平移不變性小波變換的鳥類聲音識別[J].計算機(jī)應(yīng)用，2014，34（5）：1391-1396.

[9]于水生.DSP芯片介紹及其選型[J].世界電子元器件，2006（1）：56-58+60.

[10]余禮根，滕光輝，李保明，等.蛋雞發(fā)聲音頻數(shù)據(jù)庫的構(gòu)建與應(yīng)用[J].農(nóng)業(yè)工程學(xué)報，2012，28（24）：150-156.