黃福任，賈 博，徐洪東，李 楨，黃嬌嬌，潘慶杰*，董煥聲*

（1.青島農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院，山東青島 266109；2.平度市東閣動(dòng)物衛(wèi)生與產(chǎn)品質(zhì)量監(jiān)督站，山東青島 266700）

羊是重要的農(nóng)業(yè)經(jīng)濟(jì)動(dòng)物，在人們生活和農(nóng)業(yè)生產(chǎn)中具有舉足輕重的地位。由于大部分的羊?qū)儆诩竟?jié)性發(fā)情，繁殖效率不高，致使羊肉供應(yīng)不足。因此如何提高羊的養(yǎng)殖效率、繁殖性能以及實(shí)現(xiàn)福利化養(yǎng)殖成為研究熱點(diǎn)。羊的傳統(tǒng)發(fā)情鑒定方法通常為外部觀察、陰道檢查和試情[1]，均需人工操作，在集約化養(yǎng)殖過(guò)程中受到人力、物力、財(cái)力等成本限制，進(jìn)行大規(guī)模迅速排查的難度較大。利用高效的智能檢測(cè)手段代替繁瑣的人工操作，是現(xiàn)代互聯(lián)網(wǎng)技術(shù)與畜牧產(chǎn)業(yè)結(jié)合的重要發(fā)展方向之一，而“互聯(lián)網(wǎng)+”思維對(duì)現(xiàn)代化羊產(chǎn)業(yè)體系的發(fā)展起到了促進(jìn)作用，帶動(dòng)羊產(chǎn)業(yè)體系中智能化程度的深化與改革，進(jìn)而推動(dòng)著整個(gè)畜牧業(yè)迅速發(fā)展。從聲音識(shí)別的角度分析，可以利用數(shù)字化語(yǔ)言和聲音來(lái)反映動(dòng)物狀態(tài)的變化。動(dòng)物聲音作為辨別動(dòng)物行為的主要信息，通過(guò)聲音表達(dá)情緒和狀態(tài)，與同種群內(nèi)的其他個(gè)體進(jìn)行聲音交流。相對(duì)于傳統(tǒng)的發(fā)情檢測(cè)方法來(lái)說(shuō)，通過(guò)聲音檢測(cè)程序可以極大地提高羊發(fā)情鑒定工作的效率，對(duì)發(fā)情時(shí)機(jī)的把握更加準(zhǔn)確，效率更高、刺激更小。本試驗(yàn)通過(guò)Matlab 編寫(xiě)程序，構(gòu)建模型，利用計(jì)算機(jī)技術(shù)識(shí)別母羊發(fā)情的叫聲，旨在提高母羊發(fā)情鑒別的效率。

1 材料與方法

1.1 試驗(yàn)原理 通過(guò)Matlab 軟件對(duì)母羊發(fā)情信號(hào)的特征參數(shù)提取并進(jìn)行分析，同時(shí)利用羔羊?qū)つ?、饑餓和飼料刺激的聲音進(jìn)行對(duì)照，構(gòu)造母羊發(fā)情識(shí)別系統(tǒng)[2]。最大程度保證試驗(yàn)?zāi)秆虻慕新曅盘?hào)和所要鑒別的行為保持一致。訓(xùn)練樣本和識(shí)別樣本都需要進(jìn)行頻譜分析。通過(guò)聲音預(yù)處理、聲音分析、提取特征參數(shù)，訓(xùn)練樣本提取特征參數(shù)進(jìn)行模型訓(xùn)練，訓(xùn)練好的模型可以通過(guò)特征參數(shù)的分析對(duì)識(shí)別樣本一一對(duì)應(yīng)[3]，從而得出識(shí)別結(jié)果。識(shí)別原理見(jiàn)圖1。

圖1 識(shí)別原理圖

1.2 羊聲音收集 試驗(yàn)在山東省青島市嶗山奶山羊保育基地進(jìn)行現(xiàn)場(chǎng)錄制。為了模擬現(xiàn)場(chǎng)環(huán)境，對(duì)40 只經(jīng)產(chǎn)嶗山奶山羊母羊進(jìn)行自然錄制，包含訓(xùn)練樣本和識(shí)別樣本。錄取母羊發(fā)情、母羊饑餓、母羊受飼料刺激[4]和羔羊?qū)つ竅5]的叫聲。

1.3 羊聲音處理方式

1.3.1 羊聲音信號(hào)切割處理 將連續(xù)的聲音樣本切割為單獨(dú)的聲音，刪掉無(wú)用的成分。每個(gè)狀態(tài)隨機(jī)采用32段單獨(dú)的音頻信號(hào)，共計(jì)128 段聲音進(jìn)行模型訓(xùn)練。

1.3.2 羊聲音預(yù)處理 通過(guò)3 個(gè)步驟對(duì)羊聲音進(jìn)行預(yù)處理。第1 步為聲音去噪：先將其他信噪比[7]的高斯噪音混入，模擬含噪音的羊叫聲音的信號(hào)，利用小波閾值[6]的方法對(duì)聲音進(jìn)行去噪處理，避免識(shí)別和分析精度不足。第2 步為端點(diǎn)檢測(cè)分析：利用雙門限端點(diǎn)檢測(cè)法[8]，根據(jù)聲音信號(hào)的過(guò)零率和能量確定有效聲音在一整段聲音內(nèi)的位置，將每一幀的羊聲音信號(hào)進(jìn)行短時(shí)平均過(guò)零率。標(biāo)記一段聲音的起始點(diǎn)和終止點(diǎn)，提升分析的效率和準(zhǔn)確性。第3 步為加窗分幀：通常會(huì)利用分幀加窗的方法切取頻譜特征相對(duì)較平穩(wěn)的聲音段。通過(guò)窗函數(shù)把聲音信號(hào)切分，以“幀”為單位。本試驗(yàn)用到的窗函數(shù)為漢明窗[9]。

1.3.3 羊聲音分析 羊聲音信號(hào)的時(shí)域和頻域分析：通過(guò)時(shí)域和頻率[10]的分析對(duì)比4 種聲音的差異。時(shí)域分析是一段時(shí)間內(nèi)聲音幅度和時(shí)間的變化關(guān)系，即以時(shí)間為橫坐標(biāo)、幅度為縱坐標(biāo)的曲線圖；頻域分析是幅度和頻率的變化關(guān)系，即以頻率為橫坐標(biāo)、幅度為縱坐標(biāo)。將時(shí)域通過(guò)傅里葉變換可以得出頻域圖。

羊聲音信號(hào)能量對(duì)比：聲音信號(hào)能量[11]取決于錄音筆的采樣頻率。本試驗(yàn)所用錄音筆的采樣頻率為48 000 Hz，也就是每一秒由48 000 個(gè)采樣點(diǎn)數(shù)組成。在同等距離和音高的情況下，可以進(jìn)行能量分析，由程序計(jì)算出4種狀態(tài)下能量值。

1.3.4 羊聲音特征參數(shù)提取 特征參數(shù)的提取作為聲音識(shí)別最基本的一個(gè)步驟，會(huì)直接影響最終結(jié)果的精準(zhǔn)度[12]。本試驗(yàn)提取頻域的特征參數(shù)為線性預(yù)測(cè)倒譜系數(shù)（LPCC）和梅爾頻率倒譜系數(shù)（MFCC）[13]，2 種方式都可以針對(duì)人耳的聽(tīng)覺(jué)特點(diǎn)進(jìn)行提取，與隱馬爾可夫模型[14]（HMM）、支持向量機(jī)[15]（SVM）和迭代算法[16]（Adaboost）3 種聲音模型結(jié)合達(dá)到識(shí)別狀態(tài)的目的。無(wú)論是訓(xùn)練樣本還是識(shí)別樣本，都需要提取特征參數(shù)，訓(xùn)練樣本需要提取特征參數(shù)進(jìn)行模型訓(xùn)練，訓(xùn)練好的模型可以通過(guò)特征參數(shù)的分析對(duì)識(shí)別樣本一一對(duì)應(yīng)，從而得出識(shí)別結(jié)果。

1.4 羊聲音識(shí)別模型 HMM 為語(yǔ)音識(shí)別領(lǐng)域應(yīng)用最為廣泛的模型。先對(duì)HMM 模型初始化處理，將隨機(jī)從羊聲音樣本中提取出的特征參數(shù)作為觀測(cè)序列，利用雙向計(jì)算算出訓(xùn)練得到的HMM 模型。將待識(shí)別的羊聲音信號(hào)輸入訓(xùn)練好的模型中，確定檢測(cè)序列是否與模型參數(shù)對(duì)應(yīng)，最后識(shí)別并輸出結(jié)果。

SVM 通常用來(lái)對(duì)模型進(jìn)行識(shí)別、分類和回歸分析。區(qū)別于其他的模型，SVM 的優(yōu)勢(shì)是在樣本較少、非線性分類識(shí)別的領(lǐng)域中可以較為準(zhǔn)確地進(jìn)行模式識(shí)別。

傳統(tǒng)的Adaboost 能夠應(yīng)對(duì)簡(jiǎn)單的二分類算法識(shí)別，對(duì)若干個(gè)弱分類器進(jìn)行訓(xùn)練，不斷糾正識(shí)別的錯(cuò)誤率，通過(guò)訓(xùn)練樣本的權(quán)重調(diào)整訓(xùn)練結(jié)果，最終會(huì)將每一個(gè)弱分類器集合成為一個(gè)強(qiáng)分類器，然后進(jìn)行二分類運(yùn)算。

1.5 羊聲音模型優(yōu)選識(shí)別 為了達(dá)到最優(yōu)結(jié)果，將模型融合識(shí)別，能夠更加有效地提高識(shí)別的準(zhǔn)確率，將最可靠的識(shí)別結(jié)果輸出定為優(yōu)選的標(biāo)準(zhǔn)，3 種模型的優(yōu)選過(guò)程見(jiàn)圖2。

圖2 3 種識(shí)別模型優(yōu)選示意圖

將3 種識(shí)別模型設(shè)為m1、m2、m3，最終識(shí)別的結(jié)果為r1、r2、r3。如若r1=r2=r3 時(shí)，結(jié)果被認(rèn)定為r。若r1、r2、r3 各自識(shí)別的結(jié)果不統(tǒng)一，需算出雙模型識(shí)別的可靠性R，然后對(duì)比3 個(gè)模型可靠性R1、R2、R3的大小，最終選擇可靠性大的那個(gè)模型作為最終混合識(shí)別的結(jié)果進(jìn)行輸出。

2 結(jié)果

2.1 羊聲音去噪效果 為觀測(cè)和計(jì)算去噪效果，插入一定信噪比噪聲，噪聲相對(duì)于信號(hào)一樣大，信號(hào)會(huì)被淹沒(méi)。為了算出去噪效果，引入相對(duì)均方根誤差（RRMSE）的概念，計(jì)算各種噪音環(huán)境下去噪的效果[10]。當(dāng)RRMSE 計(jì)算所得值越趨向于0，誤差越小，得到的去噪的聲音越優(yōu)質(zhì)。將分別為-20、-10、0、10、20 dB的信噪比插入一段羊發(fā)情的信號(hào)做小波閾值的去噪，RRMSE 值分別為0.896 8、0.275 0、0.102 6、0.058 5、0.029 9（圖3）。

圖3 在不同信噪比下去噪后的RRMSE

2.2 羊聲音端點(diǎn)檢測(cè)效果 圖譜（圖4）中左邊的豎線表示聲音的起始點(diǎn)，圖譜右邊的豎線表示聲音的終止點(diǎn)。因此，在2 條豎線中間的信號(hào)部分為此段聲音中母羊發(fā)情的叫聲，而前后豎線外的聲音為無(wú)效的聲音，將待識(shí)別的有效聲音剪切出來(lái)。

圖4 羊聲音端點(diǎn)檢測(cè)效果圖

2.3 羊聲音信號(hào)的時(shí)域和頻域分析結(jié)果 通過(guò)羊4 種狀態(tài)的聲音信號(hào)頻域分析發(fā)現(xiàn)，母羊發(fā)情和羔羊?qū)つ感盘?hào)具有顯著差異，但飼料刺激與饑餓刺激差異很小，在錄制過(guò)程中，也存在2 種聲音無(wú)法有效分開(kāi)的情況，所以在分析時(shí)，將飼料刺激和饑餓一并分析。從分析結(jié)果中可以看出，母羊發(fā)情聲音信號(hào)與其他2 種聲音的時(shí)域和頻域各數(shù)值均有顯著差異，可用于聲音的識(shí)別（圖5、圖6）。

圖5 羊不同狀態(tài)下聲音的持續(xù)時(shí)間對(duì)比

圖6 羊不同狀態(tài)下聲音的頻率對(duì)比

2.4 羊聲音信號(hào)能量對(duì)比結(jié)果 在同等距離和音高的情況下由程序進(jìn)行能量分析，發(fā)情叫聲的能量顯著高于羔羊?qū)つ傅穆曇裟芰?，極顯著高于飼料刺激、饑餓刺激的聲音能量（圖7）。

圖7 羊不同狀態(tài)下聲音的能量值對(duì)比

2.5 羊聲音識(shí)別的單模型試驗(yàn)結(jié)果及優(yōu)選結(jié)果 選取錄制的4 種聲音信號(hào)各120 段進(jìn)行識(shí)別，并通過(guò)程序分析統(tǒng)計(jì)出準(zhǔn)確率。由表1 可見(jiàn)，相較于SVM、Adaboost模型，HMM 模型的準(zhǔn)確率更高，母羊發(fā)情聲音識(shí)別的準(zhǔn)確率達(dá)到了93.34%。在3 模型優(yōu)選結(jié)果中，母羊發(fā)情叫聲的識(shí)別相較于其他聲音的準(zhǔn)確率更高，達(dá)到了96.67%。

表1 母羊發(fā)情、羔羊?qū)つ?、飼料刺激和饑餓單模型識(shí)別精度

3 討論

本試驗(yàn)利用3 種聲音識(shí)別模型分析4 種狀態(tài)下的聲音信號(hào)，并通過(guò)程序?qū)ρ蚪新曔M(jìn)行信號(hào)分析和自動(dòng)識(shí)別發(fā)情叫聲，并優(yōu)選出結(jié)果。編寫(xiě)的程序具備聲音識(shí)別的可行性，在實(shí)驗(yàn)室中測(cè)試能夠統(tǒng)計(jì)出識(shí)別效果的準(zhǔn)確率，但在聲音收集過(guò)程中，飼養(yǎng)環(huán)境、人為鑒別經(jīng)驗(yàn)等因素導(dǎo)致誤差無(wú)法避免，在一定程度上會(huì)影響結(jié)果的準(zhǔn)確率。在錄制時(shí)聲音信號(hào)中包含現(xiàn)場(chǎng)產(chǎn)生的不同程度噪音。在聲音去噪時(shí)能夠達(dá)到針對(duì)不同的干擾源智能選擇聲音去噪的效果，在聲音信號(hào)處于疊加狀態(tài)時(shí)能夠進(jìn)行有效分離，在饑餓和飼料刺激的聲音收集和分析時(shí)尋找區(qū)分2 種狀態(tài)差異的有效方式，仍是需要深入研究和探討的重點(diǎn)。

本試驗(yàn)主要針對(duì)嶗山奶山羊進(jìn)行聲音收集，若在擴(kuò)大識(shí)別范圍的同時(shí)增強(qiáng)聲音識(shí)別的針對(duì)性，提高程序的功能性，還需要利用更多品種的山羊進(jìn)行程序訓(xùn)練和測(cè)試。Matlab 編寫(xiě)好的程序要跨平臺(tái)運(yùn)行需要非常苛刻的運(yùn)行環(huán)境，為了便于精準(zhǔn)把控發(fā)情監(jiān)測(cè)時(shí)機(jī)，將本試驗(yàn)中編寫(xiě)好的程序完全移植進(jìn)入更加便攜的移動(dòng)端進(jìn)行現(xiàn)場(chǎng)檢測(cè)分析，在程序的操作運(yùn)行方面還有待改進(jìn)。

4 結(jié)論

從動(dòng)物行為學(xué)的角度分析，可以通過(guò)叫聲分辨出羊的多種狀態(tài)。4 種狀態(tài)下，饑餓和飼料刺激產(chǎn)生的聲音未有效分開(kāi)，發(fā)情叫聲最顯著，釋放的信號(hào)更大。

在3 種單模型中，HMM 識(shí)別效果最穩(wěn)定，母羊發(fā)情的識(shí)別準(zhǔn)確率最高達(dá)到93.34%。Adaboost 在識(shí)別樣本數(shù)較少的模型中效率高，但模型增多會(huì)導(dǎo)致識(shí)別效率降低等。將3 種模型進(jìn)行結(jié)果優(yōu)選，母羊發(fā)情的識(shí)別準(zhǔn)確率達(dá)到96.67%，在實(shí)驗(yàn)室環(huán)境下，能夠達(dá)到預(yù)期識(shí)別效果。