衛(wèi)潔茹，朱立學(xué)，張世昂，陳品嵐

（1.仲愷農(nóng)業(yè)工程學(xué)院機(jī)電工程學(xué)院，廣東 廣州 510225；2.仲愷農(nóng)業(yè)工程學(xué)院自動(dòng)化學(xué)院，廣東 廣州 510225）

0 引言

隨著社會(huì)經(jīng)濟(jì)的提升，人們對(duì)肉類食品的需求越來(lái)越多，畜禽養(yǎng)殖業(yè)逐漸趨向規(guī)?；l(fā)展，但是畜禽養(yǎng)殖產(chǎn)業(yè)發(fā)展面臨生產(chǎn)效率不高、生產(chǎn)方式落后、產(chǎn)業(yè)競(jìng)爭(zhēng)力不強(qiáng)等問(wèn)題，與實(shí)現(xiàn)高質(zhì)量發(fā)展要求還存在一定差距[1]。國(guó)家“十四五”規(guī)劃指出，要強(qiáng)化質(zhì)量導(dǎo)向，保障肉蛋奶等重要農(nóng)產(chǎn)品供給安全，深化農(nóng)業(yè)結(jié)構(gòu)調(diào)整，大力發(fā)展現(xiàn)代畜牧業(yè)，因此，推進(jìn)畜禽養(yǎng)殖業(yè)智能化發(fā)展已經(jīng)成為主流趨勢(shì)。在畜牧養(yǎng)殖業(yè)中，畜禽的行為信息與其生理健康和福利狀況密切相關(guān)，利用人工觀測(cè)的方法監(jiān)測(cè)畜禽信息，不但耗費(fèi)大量的時(shí)間和精力，且監(jiān)測(cè)結(jié)果受一定主觀性影響，還會(huì)對(duì)動(dòng)物造成應(yīng)激反應(yīng)或者損傷動(dòng)物身體[2-3]。發(fā)聲是動(dòng)物之間溝通信息的主要方式，如何實(shí)時(shí)監(jiān)測(cè)畜禽信息是制約養(yǎng)殖業(yè)智能化發(fā)展的一個(gè)重點(diǎn)難題。在畜禽信息監(jiān)測(cè)過(guò)程中，畜禽的聲音信號(hào)包含了其內(nèi)部機(jī)體狀況和需求的信息反饋，并且畜禽在疾病、饑餓、情緒變化以及受到外部條件影響的狀態(tài)下都會(huì)發(fā)出不同的聲音信號(hào)，通過(guò)分析這些聲音信號(hào)的變化，可以更為精準(zhǔn)地獲取畜禽信息，以便于研究畜禽的生理、健康、福利狀況[4]。

1 畜禽聲音信號(hào)處理流程

畜禽聲音監(jiān)測(cè)技術(shù)是一種通過(guò)采集畜禽的聲音信號(hào)，利用計(jì)算機(jī)技術(shù)對(duì)聲音信號(hào)進(jìn)行分析、處理和識(shí)別，實(shí)現(xiàn)畜禽健康、生長(zhǎng)狀態(tài)和行為等信息的獲取和監(jiān)測(cè)的技術(shù)。該技術(shù)可以應(yīng)用于畜禽養(yǎng)殖、動(dòng)物疾病監(jiān)測(cè)、飼料管理、畜禽行為分析等領(lǐng)域，具有非常廣泛的應(yīng)用前景。眾多新興的方法和技術(shù)被應(yīng)用于畜禽聲音監(jiān)測(cè)技術(shù)，如深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等。這些方法可以從大量的聲音數(shù)據(jù)中提取出更為復(fù)雜和高級(jí)的特征，從而實(shí)現(xiàn)更為精準(zhǔn)的畜禽行為和健康狀態(tài)分類識(shí)別。通過(guò)聲音信號(hào)監(jiān)測(cè)畜禽信息主要分為以下幾步：聲音信號(hào)采集、預(yù)處理、特征提取、分類識(shí)別。

1.1 畜禽聲音信號(hào)的采集與預(yù)處理

對(duì)于來(lái)自嘈雜環(huán)境的聲音信號(hào)進(jìn)行識(shí)別是一項(xiàng)艱巨的任務(wù)。聲源與麥克風(fēng)的距離遠(yuǎn)近不同，規(guī)模化養(yǎng)殖場(chǎng)中不同的噪聲會(huì)干擾畜禽聲音的提取，因此，為了提高信號(hào)的質(zhì)量和可靠性，為后續(xù)的處理和分析提供準(zhǔn)確的輸入，在進(jìn)行聲音識(shí)別前要將采集到的聲音信號(hào)進(jìn)行預(yù)處理，其中，對(duì)聲音信號(hào)的去噪處理是尤為重要的一環(huán)。趙曉洋[3]使用麥克風(fēng)與錄音筆分別采集了奶牛叫聲、仔豬咳嗽聲、肉雞叫聲，通過(guò)聲音編輯軟件對(duì)采集到的聲音信號(hào)進(jìn)行擴(kuò)音、剪切、濾波等環(huán)節(jié)的信號(hào)預(yù)處理，以wav.格式的文件形式進(jìn)行存儲(chǔ)，并在Matlab 中進(jìn)行預(yù)加重、分幀加窗、端點(diǎn)檢測(cè)等后續(xù)處理，可以有效區(qū)分畜禽聲、風(fēng)聲、門的開關(guān)聲以及腳步聲等背景噪音。杜曉冬等[5]以海蘭褐蛋雞聲音信號(hào)與風(fēng)機(jī)噪聲為研究對(duì)象，通過(guò)對(duì)比IIR 濾波器去噪、小波閾值去噪和譜減法去噪3 種去噪方法在處理蛋雞聲音信號(hào)中風(fēng)機(jī)噪聲的效果后，得出一種基于改進(jìn)譜減法的去噪方法，在減少算法耗時(shí)以及實(shí)際應(yīng)用中去噪效果較好。閆麗等[6]以小梅山母豬哺乳呼嚕聲以及其它噪聲作為研究目標(biāo)，采用噪聲能量頻域分布均勻的方法，利用其具有信息熵值最高這一性質(zhì)，按噪聲的種類，選取不同的小波包層數(shù)，并與信息熵計(jì)算相結(jié)合，去除了環(huán)境噪聲的混疊影響。常見的聲音信號(hào)預(yù)處理方法包括預(yù)加重、去噪、分幀加窗、端點(diǎn)檢測(cè)等，主要去噪方法包括濾波器去噪、譜減法去噪、小波去噪，目前針對(duì)實(shí)際情況選擇和改進(jìn)去噪方法，可以得到更好的處理效果。

1.2 畜禽聲音信號(hào)的特征提取

畜禽聲音信號(hào)特征提取的選擇和設(shè)計(jì)取決于研究的具體目的和需要，需要結(jié)合具體場(chǎng)景和試驗(yàn)數(shù)據(jù)來(lái)選擇和優(yōu)化特征提取方法。目前畜禽聲音信號(hào)特征提取主要從時(shí)域分析和頻域分析2 方面出發(fā)。時(shí)域分析是指對(duì)聲音信號(hào)的振幅、波形、峰值、時(shí)域特征、過(guò)零率、短時(shí)能量等指標(biāo)進(jìn)行分析。聲音信號(hào)的特征提取本質(zhì)是將聲音信號(hào)轉(zhuǎn)化為數(shù)學(xué)特征的過(guò)程，以便進(jìn)行進(jìn)一步分析和處理。傅里葉變換是數(shù)字信號(hào)處理中的基本操作。快速傅里葉變換雖然提高了運(yùn)算速度，但也對(duì)參與運(yùn)算的樣本序列有一定限制，即要求樣本數(shù)為2^N 點(diǎn)，離散傅里葉變換則無(wú)上述限制，兩者在運(yùn)算準(zhǔn)確度方面相同[7]。FONTANA 等[8-9]對(duì)大量離散的肉雞聲音片段進(jìn)行統(tǒng)計(jì)比較，并使用快速傅立葉變換進(jìn)行頻率分析。曹晏飛等[10]在篩選出的蛋雞聲音片段中，使用離散傅里葉變換計(jì)算出各個(gè)聲音片段的功率譜密度進(jìn)行聲音信號(hào)的特征提取。頻域分析是指對(duì)聲音信號(hào)的頻率、諧波、功率譜密度、共振峰、譜帶寬頻域特征等進(jìn)行分析。BRIGHT[11]采集了商業(yè)自由放養(yǎng)蛋雞中存在羽毛啄食問(wèn)題和不存在羽毛啄食問(wèn)題雞群的聲音，使用軟件創(chuàng)建和分析音頻頻譜圖，得出二者之間的發(fā)聲率差異，為預(yù)警雞群的羽毛啄食問(wèn)題提供參考。GUARINO 等[12]使用濾波器組方法結(jié)合振幅解調(diào)提取豬咳嗽聲音信號(hào)特征，其中對(duì)豬咳嗽音的分類正確率達(dá)85.5%，對(duì)其他音的分類正確率達(dá)86.6%。韓國(guó)學(xué)者SEONG CHAN YEON 等[13]為了分析韓國(guó)本土牛的聲學(xué)特征分別采集了母牛發(fā)情和飼料預(yù)期狀態(tài)下的聲音，使用采集聲音信號(hào)的持續(xù)時(shí)間、強(qiáng)度、音高、第一、第二、第三和第四共振峰變量，通過(guò)判別函數(shù)分析，在2 個(gè)不同的條件組之間得到了良好的分類結(jié)果。意大利學(xué)者FERRARI 等[14]通過(guò)對(duì)犢牛的聲音記錄、標(biāo)記和分析程序，獲得特定的聲學(xué)特征（振幅、基頻和持續(xù)時(shí)間），與養(yǎng)殖中常見的金屬噪音比較分析表明，咳嗽音與金屬噪音的振幅、基頻和持續(xù)時(shí)間長(zhǎng)度有顯著性差異。

適用于人耳聽覺系統(tǒng)開發(fā)的梅爾頻率倒譜系數(shù)（Mel-Frequency Cepstrum，MFCC）是基于聲音頻率的非線性梅爾刻度（Mel Scale）的對(duì)數(shù)能量頻譜的線性變換。近年來(lái)逐漸在畜禽聲音信號(hào)分析方面展開應(yīng)用。涂鼎[15]通過(guò)分析生豬叫聲的功率譜密度（PSD）、梅爾頻率倒譜系數(shù)及其一階差分系數(shù)（MFCC+△MFCC）和語(yǔ)譜圖特征，發(fā)現(xiàn)生豬咳嗽聲與大部分非咳嗽聲的PSD 特征參數(shù)在一定的頻率范圍內(nèi)差異明顯。李志忠等[16]在對(duì)線性預(yù)測(cè)倒譜參數(shù)（LPCC）和MFCC 進(jìn)行分析的基礎(chǔ)上，結(jié)合確定對(duì)象，提出一種改進(jìn)平均梅爾頻率倒譜系數(shù)法（AMFCC），并且根據(jù)3 種不同特征提取算法，利用支持向量機(jī)分類模型驗(yàn)證了正確識(shí)別效率，結(jié)果表明，改進(jìn)AMFCC 方法在正確識(shí)別效率上得到了明顯提升。韓鵬飛等[17]將基于Fisher 準(zhǔn)則的MFCC 和翻轉(zhuǎn)梅爾倒譜系數(shù)（IMFCC）的特征融合后得到新的特征參數(shù)MFCC-IMFCC，通過(guò)試驗(yàn)證明,在同一條件下，MFCC-IMFCC 與MFCC 相比,識(shí)別率有一定的提高。龔永杰等[18]采用改進(jìn)的MFCC，即標(biāo)準(zhǔn)MFCC 與差分MFCC 組成24 維改進(jìn)的MFCC，并利用矢量量化（VQ）構(gòu)建豬咳嗽識(shí)別系統(tǒng)，實(shí)驗(yàn)得出的綜合識(shí)別率達(dá)到90%。小波分析是指利用小波變換對(duì)聲音信號(hào)進(jìn)行分解和重構(gòu)，可以提高畜禽聲音信號(hào)的分辨率，從而更好地分析和識(shí)別畜禽的行為和健康狀況。MAHDAVIAN 等[19]使用MFCC 和小波分析2 種方法分析了5 種禽類的聲學(xué)特征，得出小波分析在檢測(cè)禽類健康方面準(zhǔn)確率較高，而MFCC更適用于檢測(cè)禽類的情緒狀態(tài)聲音信號(hào)。

在對(duì)畜禽聲音信號(hào)的特征處理上，常見方法有基于聲音信號(hào)時(shí)域、頻域的特征分析，如波形、振幅、諧波、功率譜密度、共振峰變量、梅爾倒譜系數(shù)等。其中將適用于人類聲音的MFCC 改進(jìn)應(yīng)用于畜禽聲音信號(hào)的特征提取，不僅可以提高畜禽聲音監(jiān)測(cè)技術(shù)的準(zhǔn)確性和魯棒性，還可以促進(jìn)畜禽聲音監(jiān)測(cè)技術(shù)的發(fā)展。

1.3 畜禽聲音信號(hào)的分類識(shí)別

畜禽聲音信號(hào)的分類識(shí)別是根據(jù)其聲音特征分為不同類別的過(guò)程，也是畜禽聲音監(jiān)測(cè)中比較重要的一步。常用的畜禽聲音信號(hào)識(shí)別方法有機(jī)器學(xué)習(xí)方法，如隱馬爾科夫模型（Hidden Markov Model，HMM）、支持向量機(jī)（Support Vector Machine，SVM）、決策樹（DT）等，也可以使用深度學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）等。這些方法需要通過(guò)大量的數(shù)據(jù)訓(xùn)練模型，并進(jìn)行模型優(yōu)化和調(diào)整，以提高識(shí)別準(zhǔn)確率和穩(wěn)定性。XIAOSHUAI WANG 等[20]為確定動(dòng)物聲音與它們生活環(huán)境的空氣質(zhì)量之間的關(guān)系，對(duì)84 只斷奶豬的咳嗽聲進(jìn)行采集分析，功率譜密度表明，不同空氣質(zhì)量下斷奶豬的咳嗽聲有顯著差異。利用梅爾頻率倒譜系數(shù)（MFCC）、主成分分析（PCA）和支持向量機(jī)（SVM）對(duì)不同豬舍采集的聲音樣本進(jìn)行識(shí)別，平均識(shí)別率為95%。MILONE等[21]使用隱馬爾可夫模型開發(fā)了一個(gè)采食聲識(shí)別系統(tǒng)，能夠?qū)崿F(xiàn)采食聲的自動(dòng)分割和分類，使用復(fù)合模型對(duì)隱馬爾可夫模型進(jìn)行優(yōu)化以獲得更佳性能。趙建等[22]利用基于小波閾值多窗譜的維納算法對(duì)采集的連續(xù)豬聲音去噪,并從去噪后的連續(xù)豬聲音中獲得了試驗(yàn)語(yǔ)料。使用機(jī)器學(xué)習(xí)中的K-Fold 交叉驗(yàn)證法將傳統(tǒng)高斯混合模型-隱馬爾可夫模型（GMMHMM）與深度神經(jīng)網(wǎng)絡(luò)-隱馬爾科夫模型（DNNHMM）進(jìn)行對(duì)比，試驗(yàn)結(jié)果表明，DNN-HMM 中每組的錯(cuò)誤率均低于GMM-HMM，且平均錯(cuò)誤率降低了3.45%，基于DNN-HMM 聲學(xué)模型的連續(xù)豬咳嗽聲識(shí)別方法穩(wěn)定可靠。秦伏亮等[23]將GMM-HMM 引入肉雞聲音識(shí)別研究，并通過(guò)試驗(yàn)合理降低其計(jì)算復(fù)雜度，提出一種高效、精準(zhǔn)的肉雞咳嗽聲識(shí)別算法。韓磊磊等[24]針對(duì)生豬的打斗聲、咳嗽聲、噴嚏聲、饑餓聲和嗆水聲這5 種異常聲音建立采集識(shí)別系統(tǒng)，對(duì)每種聲音信號(hào)提取改進(jìn)梅爾頻率倒譜系數(shù)（MFCC_P）、短時(shí)能量（E）和短時(shí)過(guò)零率（ZCR）組成的復(fù)合特征參數(shù)，然后使用決策樹-支持向量機(jī)（DT-SVM）的方法對(duì)每幀數(shù)據(jù)進(jìn)行識(shí)別，試驗(yàn)結(jié)果表明:復(fù)合特征參數(shù)識(shí)別結(jié)果優(yōu)于傳統(tǒng)MFCC，平均識(shí)別率可以達(dá)到94.4%，滿足對(duì)生豬異常聲音的識(shí)別要求。支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）是一種單值分類算法，能夠?qū)崿F(xiàn)目標(biāo)樣本和非目標(biāo)樣本的區(qū)分，通常應(yīng)用于異常檢測(cè)和故障檢測(cè)等領(lǐng)域[25]。后期韓磊磊[26]對(duì)使用支持向量機(jī)模型構(gòu)造合適的多分類器，結(jié)合SVDD 模型的單分類檢測(cè)能力得到一種SVDD 和SVM 檢測(cè)識(shí)別模型,該模型可以對(duì)豬舍內(nèi)的生豬異常聲音進(jìn)行檢測(cè)與識(shí)別。沈明霞等[27]采集梅山豬咳嗽聲、鳴叫聲以及噴嚏聲，通過(guò)傳統(tǒng)譜減法進(jìn)行去噪，利用雙門限端點(diǎn)檢測(cè)法得到有效聲音信號(hào)后分別提取logFBank 和MFCC 特征，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和深層前饋序列記憶神經(jīng)網(wǎng)絡(luò)（DFSMN）2 種深度學(xué)習(xí)模型進(jìn)行識(shí)別，結(jié)果顯示以MFCC 為特征的CNN 咳嗽聲識(shí)別模型準(zhǔn)確率最高，咳嗽聲總體識(shí)別準(zhǔn)確率為 96.71%。黎煊等[28]提出了一種基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)-連接時(shí)序（BLSTM-CTC）的分類模型，用于在養(yǎng)殖場(chǎng)中識(shí)別連續(xù)的豬咳嗽音，使用K-Fold 交叉驗(yàn)證法進(jìn)行試驗(yàn)驗(yàn)證，總識(shí)別率達(dá)到93.77%。宗超等[29]采集了籠養(yǎng)和棲架飼養(yǎng)模式下產(chǎn)蛋期和育成期的蛋雞聲音，通過(guò)聲音預(yù)處理、特征提取和決策樹分類器識(shí)別出了產(chǎn)蛋叫聲、鳴唱聲、鳴叫聲和爭(zhēng)斗尖叫聲這4 類典型蛋雞聲音，并分析了不同時(shí)期的蛋雞聲音差異。

通過(guò)提取的畜禽聲音信號(hào)特征來(lái)進(jìn)行畜禽聲音信號(hào)的分類識(shí)別，早期的分類算法如隱馬爾可夫模型、決策樹、支持向量機(jī)等應(yīng)用較為成熟。隨著深度學(xué)習(xí)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)也逐漸應(yīng)用在畜禽聲音信號(hào)識(shí)別中，有效地提高了識(shí)別準(zhǔn)確率以及效率。

2 患病畜禽聲音監(jiān)測(cè)

許多畜禽疾病會(huì)導(dǎo)致其鳴叫或者行為聲音發(fā)生變化，這些變化可能是頻率、振幅、持續(xù)時(shí)間等方面的變化，通過(guò)聲音監(jiān)測(cè)感知這種變化可以大致判斷畜禽病情，使其在早期接受治療，減少抗生素等藥物的使用從而降低抗生素耐藥性。例如對(duì)畜禽咳嗽聲音的檢測(cè)可以對(duì)呼吸道相關(guān)的疾病進(jìn)行初期診斷。FERRARI 等[30]對(duì)豬叫聲的聲學(xué)特征進(jìn)行了研究，發(fā)現(xiàn)健康豬的均方根（RMS）、峰值頻率（Hz）和咳嗽間隔與病豬有顯著差異，說(shuō)明聲學(xué)參數(shù)會(huì)隨著豬的健康狀況而改變。MITCHELL 等[31]在對(duì)豬咳嗽聲能量包絡(luò)的動(dòng)力學(xué)研究中發(fā)現(xiàn)，通過(guò)霧化檸檬酸產(chǎn)生的誘導(dǎo)咳嗽聲與病理性豬咳嗽聲之間的短期能量包絡(luò)的動(dòng)態(tài)變化存在顯著差異，表明可以利用豬聲音能量的信息特征來(lái)反映豬的呼吸健康狀況。CHUNG Y 等[32]采集了豬的咳嗽、尖叫、打噴嚏、咕嚕聲等聲音，提取梅爾頻率倒譜系數(shù)，并采用兩級(jí)結(jié)構(gòu)支持向量數(shù)據(jù)描述（SVDD）和稀疏表示分類器（SRC）分別作為早期異常檢測(cè)器和呼吸系統(tǒng)疾病分類器。試驗(yàn)結(jié)果表明，基于94%的檢測(cè)準(zhǔn)確率和91%的分類準(zhǔn)確率可以準(zhǔn)確地檢測(cè)豬消瘦病。SONG HANG 等[33]建立了SE-Densenet-121 識(shí)別模型，對(duì)豬咳嗽音進(jìn)行識(shí)別，具體方法是對(duì)13 維MFCC、△MFCC 和△2MFCC 進(jìn)行橫向拼接，得到能反映豬聲音信號(hào)靜態(tài)特性、動(dòng)態(tài)特性和混合特性的6組參數(shù)，并利用DenseNet-121 識(shí)別模型對(duì)這6 組參數(shù)的性能進(jìn)行比較，得到最優(yōu)參數(shù)集，利用SENets注意力模塊對(duì)DenseNet-121 識(shí)別模型進(jìn)行改進(jìn)，增強(qiáng)識(shí)別模型從豬叫聲信號(hào)中提取有效特征的能力。結(jié)果表明最優(yōu)參數(shù)集為26 維MFCC+△MFCC，SEDenseNet-121 豬咳嗽聲識(shí)別模型的識(shí)別正確率為93.8%。VANDERMEULEN 等[34]為開發(fā)一種自動(dòng)化的犢?？人员O(jiān)測(cè)儀，用麥克風(fēng)連續(xù)記錄了62 頭犢牛的咳嗽聲，使用30 ms 的Hamming 窗對(duì)聲音進(jìn)行分幀，并結(jié)合快速傅里葉變換進(jìn)行特征計(jì)算，采用了一種通過(guò)減去平均窗口的降噪方法來(lái)區(qū)分犢?？人月暫推渌曇?，同時(shí)計(jì)算頻譜圖并分析持續(xù)時(shí)間以及峰值等特征，實(shí)驗(yàn)發(fā)現(xiàn)在每一個(gè)檢測(cè)到的咳嗽頻率增加的時(shí)期，出現(xiàn)呼吸道疾病的犢牛數(shù)量都有類似的增加，而咳嗽頻率增加的時(shí)期總是在犢牛接受治療之前觀察到。因此，犢?？人员O(jiān)測(cè)儀具有識(shí)別早發(fā)性呼吸道疾病的功能。EXADAKTYLOS 等[35]提出了一種實(shí)時(shí)識(shí)別病豬咳嗽音的方法，使用離散傅里葉變換，根據(jù)信號(hào)的頻域特征功率譜密度與參考數(shù)據(jù)的比較進(jìn)行分析和分類，并提出了一種改進(jìn)的參考信號(hào)提取方法，這項(xiàng)技術(shù)對(duì)訓(xùn)練信號(hào)的部分內(nèi)容進(jìn)行模糊C-means 聚類評(píng)估，并提供反映病豬咳嗽特征的頻率內(nèi)容參考，試驗(yàn)表明總分類正確率達(dá)到85%，其中正確識(shí)別了82%的病豬咳嗽音。VOLKMANN 等[36]建造了1 個(gè)面板來(lái)測(cè)量奶牛走過(guò)它的撞擊聲，對(duì)記錄的撞擊聲進(jìn)行編輯與分析，利用隨機(jī)森林算法建立了奶牛跛行聲音分類預(yù)測(cè)模型，試驗(yàn)證明模型分類與蹄部修剪診斷之間有很好的一致性，預(yù)測(cè)模型能夠檢測(cè)出有爪部病變的奶牛。HUANG 等[37]通過(guò)對(duì)采集的雞發(fā)聲信號(hào)進(jìn)行頻域分析和處理，提取聲音信號(hào)的梅爾頻率倒譜系數(shù)作為健康雞和感染雞的區(qū)分標(biāo)準(zhǔn)。利用二值分類支持向量機(jī)（SVM）對(duì)提取的雞叫聲進(jìn)行訓(xùn)練和識(shí)別，該方法檢測(cè)禽流感病毒的準(zhǔn)確率在84%～90%之間。RIZWAN 等[38]采集疫苗試驗(yàn)期間健康和患病雞呼?？人缘蔫屢粢纛l，計(jì)算得出Mel-scaled 光譜特征，使用極端學(xué)習(xí)機(jī)（ELM）和支持向量機(jī)（SVM）分類器，可以區(qū)分病雞與健康雞。

豬、牛、雞等畜禽在患病期間會(huì)發(fā)出與一般聲音有異的聲音，可以通過(guò)對(duì)異常聲音的監(jiān)測(cè)來(lái)判別畜禽的健康狀態(tài)。由于聲音受環(huán)境因素影響較大，故進(jìn)一步的工作應(yīng)朝著算法在不同條件下的魯棒性和適應(yīng)性方向發(fā)展。

3 畜禽進(jìn)食聲音監(jiān)測(cè)

畜禽在進(jìn)食過(guò)程中時(shí)常會(huì)發(fā)出一些特定的聲音，如啄食聲、啃食聲、咀嚼聲，這些聲音可以通過(guò)專門的傳感器或麥克風(fēng)采集，并通過(guò)特定的算法和模型進(jìn)行處理和分析，從而判斷動(dòng)物的進(jìn)食情況。其主要優(yōu)點(diǎn)是可以實(shí)時(shí)進(jìn)行長(zhǎng)期監(jiān)測(cè)。牧草攝入量的估算可以為輪牧方案的設(shè)計(jì)和實(shí)施提供重要數(shù)據(jù)支持。HANG SHENG 等[39]通過(guò)收集8 只2 歲、體重在50±3 kg 的母羊的采食聲音，構(gòu)建了114 條音頻數(shù)據(jù)集。采用基于高斯核的支持向量機(jī)（SVM）分類器對(duì)綿羊咀嚼聲進(jìn)行分類識(shí)別。每個(gè)咀嚼音段提取7 個(gè)解釋變量。利用這些變量建立了基于單變量和多變量的牧草估測(cè)模型。分別采用最小二乘回歸和彈性網(wǎng)絡(luò)方法確定單變量和多變量飼料攝入量估計(jì)模型的系數(shù)，試驗(yàn)表明2 種模型的平均準(zhǔn)確率分別為86.13%和89.32%。段光輝[40]將采集到的藏羊進(jìn)食聲音用LSA-MMSE 語(yǔ)音增強(qiáng)算法將每段采食音頻進(jìn)行去噪處理，采用雙閾值法的端點(diǎn)檢測(cè)算法自動(dòng)截取采食音頻中的非靜默片段，將梅爾倒譜系數(shù)與小波變換相結(jié)合進(jìn)行聲音信號(hào)特征提取，構(gòu)建了一種基于長(zhǎng)短時(shí)記憶模型網(wǎng)絡(luò)的藏羊食草行為相關(guān)聲音識(shí)別分類器，實(shí)現(xiàn)了藏羊咀嚼聲監(jiān)測(cè)。LI GUOMING 等[41]對(duì)奶牛采食不同高度與品種牧草時(shí)的聲音進(jìn)行對(duì)比分析，通過(guò)傅里葉變換生成功率譜圖，將Mel 濾波器組映射到功率譜圖，構(gòu)建Mel 尺度譜圖，并將其輸入3 種深度學(xué)習(xí)模型進(jìn)行行為分類，分別是一維卷積神經(jīng)網(wǎng)絡(luò)（CONV1D）、二維卷積神經(jīng)網(wǎng)絡(luò)（CONV2D）、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM），試驗(yàn)得出使用均衡持續(xù)時(shí)間和不均衡音頻文件的過(guò)濾數(shù)據(jù)集的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)較其他2 種模型性能更好，在不同牧草種類和高度下，最佳分類性能均在0.93 以上，最佳和最差性能差異為0.4～0.5，雖然不能根據(jù)某些牧草特征來(lái)區(qū)分奶牛進(jìn)食的聲音信號(hào)，但所開發(fā)的工具對(duì)奶牛精準(zhǔn)養(yǎng)殖提供了一定的技術(shù)支持。楊稷等[42]將采集到的肉雞采食聲音經(jīng)過(guò)分幀加窗、端點(diǎn)檢測(cè)等預(yù)處理后，提取出有效聲音片段，通過(guò)分析聲音信號(hào)功率譜密度曲線差異，使用單分類支持向量機(jī)（OC-SVM）的方法對(duì)不同特征的肉雞采食聲音進(jìn)行分類識(shí)別，成功檢測(cè)出肉雞進(jìn)食時(shí)的啄食次數(shù)，可用于肉雞采食量的測(cè)定。AYDIN 等[43]對(duì)單只雞的啄食聲進(jìn)行了檢測(cè)，使用開發(fā)的聲音算法定義肉雞的采食量。通過(guò)喂料器下的接觸式麥克風(fēng)記錄每只雞的啄食聲，計(jì)算肉雞的采食量。結(jié)果表明，啄食聲識(shí)別成功率為93%，采食量監(jiān)測(cè)成功率為90%。后期AYDIN 等改進(jìn)現(xiàn)有的算法，以達(dá)到準(zhǔn)確和連續(xù)地測(cè)量1 個(gè)喂食器周圍多只肉雞的采食量的目的，主要改變帶通濾波器的截止頻率和改變自適應(yīng)閾值的比值，試驗(yàn)得出該算法得到的采食量與體重秤記錄的采食量之間的相關(guān)性R2達(dá)到0.994，除了較高的相關(guān)性外，采食量監(jiān)測(cè)成功率為86%[44]。

畜禽進(jìn)食聲音的監(jiān)測(cè)是反映日常中畜禽福利狀態(tài)的重要手段，用于監(jiān)測(cè)畜禽進(jìn)食量以及畜禽偏好進(jìn)食的飼料種類，為智能畜禽養(yǎng)殖提供重要的數(shù)據(jù)支撐。

4 畜禽情緒狀態(tài)聲音監(jiān)測(cè)

除了患病畜禽聲音監(jiān)測(cè)和進(jìn)食聲音監(jiān)測(cè)外，對(duì)畜禽在不同情緒狀態(tài)下所發(fā)出的聲音進(jìn)行監(jiān)測(cè)也是一種非常重要的無(wú)損化判斷其健康以及福利狀況的標(biāo)準(zhǔn)。CORDEIRO 等[45]采集記錄了20 只雄豬與20只雌豬在產(chǎn)仔期、育仔期、生長(zhǎng)期和育成期中不同痛苦狀態(tài)的個(gè)體發(fā)聲，通過(guò)分析所有的聲學(xué)特征后使用信號(hào)的持續(xù)時(shí)間、最大振幅和第二共振峰3 種聲學(xué)特征，利用機(jī)器學(xué)習(xí)技術(shù)建立了1 個(gè)準(zhǔn)確率為82%的決策樹算法，對(duì)采集的聲音信號(hào)進(jìn)行分類，聲音信號(hào)特征的差異表明豬的性別、年齡、痛苦狀態(tài)是可以通過(guò)聲音識(shí)別的。李博宇等[46]對(duì)仔豬饑餓求食哼叫，以及搶食尖叫噪聲、機(jī)械送料噪聲進(jìn)行采集，通過(guò)時(shí)域、功率譜密度等分析這3 種聲音特征，通過(guò)提取Mel 倒譜系數(shù)并用矢量量化進(jìn)行分類識(shí)別。針對(duì)混有背景噪聲的聲音識(shí)別，提出了一種基于VQ-PSD 的識(shí)別方法。試驗(yàn)表明，基于此方法能夠有效提高對(duì)混有背景噪聲的仔豬饑餓求食聲音的識(shí)別率，平均識(shí)別率提高了9.1%。并可拓展到其他動(dòng)物聲音識(shí)別應(yīng)用中。XIAODONG DU 等[47]提出了一種基于母雞發(fā)聲信號(hào)用來(lái)評(píng)估其熱舒適狀況的創(chuàng)新方法，分析了母雞發(fā)聲信號(hào)中源濾波理論相關(guān)的時(shí)域和頻譜特征，并開發(fā)了一個(gè)基于支持向量機(jī)的分類器。結(jié)果表明，分類性能分別為精密度為95.7%～99.5%，靈敏度為90.8%～99.4%。高萌萌[48]采集白羽肉雞的聲音信號(hào)，利用維納濾波方法獲取高信噪比聲信號(hào)，分別在時(shí)域和頻域、MFCC、稀疏表示3 部分進(jìn)行聲音信號(hào)特征提取，采用隨機(jī)森林分類模型的方法進(jìn)行分類，并且結(jié)合網(wǎng)格搜索算法進(jìn)行交叉驗(yàn)證，優(yōu)化了隨機(jī)森林的固有參數(shù)，從而達(dá)到對(duì)白羽肉雞異常聲音信號(hào)進(jìn)行分類的目的。

畜禽情緒的變化影響畜禽生長(zhǎng)速度以及福利狀態(tài)，通過(guò)監(jiān)測(cè)畜禽聲音判別畜禽情緒狀態(tài)，及時(shí)處理畜禽饑餓、求偶、爭(zhēng)斗以及不適應(yīng)環(huán)境出現(xiàn)的突發(fā)狀況問(wèn)題，提高畜禽福利水平，有助于實(shí)現(xiàn)更為精準(zhǔn)的智能養(yǎng)殖。

5 結(jié)語(yǔ)

畜禽聲音監(jiān)測(cè)技術(shù)在畜禽養(yǎng)殖領(lǐng)域具有廣泛的應(yīng)用前景和研究?jī)r(jià)值，可以為畜禽養(yǎng)殖行業(yè)提供新的監(jiān)測(cè)和管理手段，提高畜禽的福利水平，推動(dòng)養(yǎng)殖過(guò)程的智能化和可持續(xù)發(fā)展。但是由于畜禽養(yǎng)殖環(huán)境因素復(fù)雜，畜禽聲音信號(hào)的采集易受干擾，從而造成識(shí)別準(zhǔn)確率受到影響，因此后續(xù)的畜禽聲音監(jiān)測(cè)工作可以因地制宜，選取方法在傳統(tǒng)方法上加以改進(jìn)，結(jié)合新興的深度學(xué)習(xí)算法，以提高監(jiān)測(cè)的準(zhǔn)確率與魯棒性。

通過(guò)分析國(guó)內(nèi)外學(xué)者對(duì)于畜禽聲音監(jiān)測(cè)技術(shù)的研究現(xiàn)狀發(fā)現(xiàn)，畜禽聲音監(jiān)測(cè)技術(shù)具有非侵入性、簡(jiǎn)便快速、準(zhǔn)確性高等特點(diǎn)，可以通過(guò)采集動(dòng)物發(fā)出的聲音信號(hào)來(lái)分析其健康狀況、情緒狀態(tài)、行為特征等。此外，聲音監(jiān)測(cè)技術(shù)可以與其他技術(shù)結(jié)合使用，例如生物傳感技術(shù)、圖像識(shí)別技術(shù)等，同時(shí)監(jiān)測(cè)畜禽的行為和聲音等數(shù)據(jù)，從而提高監(jiān)測(cè)的全面性和準(zhǔn)確性，更加準(zhǔn)確地判斷畜禽的狀態(tài)。隨著傳感器和人工智能技術(shù)的發(fā)展，畜禽聲音監(jiān)測(cè)技術(shù)正逐漸成為畜禽養(yǎng)殖領(lǐng)域的重要研究方向，其主要趨勢(shì)是將其應(yīng)用于智能養(yǎng)殖系統(tǒng)。智能養(yǎng)殖系統(tǒng)利用傳感器、數(shù)據(jù)分析和人工智能等技術(shù)，對(duì)畜禽養(yǎng)殖進(jìn)行全方位的監(jiān)測(cè)和管理，實(shí)現(xiàn)養(yǎng)殖過(guò)程的自動(dòng)化和智能化。在智能養(yǎng)殖系統(tǒng)中，畜禽聲音監(jiān)測(cè)技術(shù)可以用于動(dòng)物健康監(jiān)測(cè)、自動(dòng)化喂食等方面，提高養(yǎng)殖效率和減少成本。同時(shí)，智能養(yǎng)殖系統(tǒng)還可以對(duì)養(yǎng)殖過(guò)程進(jìn)行優(yōu)化和調(diào)整，使其更加符合動(dòng)物的生理和行為特征。因此，借助人工智能技術(shù)的不斷發(fā)展，將畜禽聲音監(jiān)測(cè)研究融入畜禽養(yǎng)殖生產(chǎn)實(shí)踐，以提升畜禽生長(zhǎng)健康狀態(tài)和產(chǎn)出率，推動(dòng)產(chǎn)業(yè)高質(zhì)量發(fā)展將成為該領(lǐng)域技術(shù)進(jìn)步的重要方向。