周映荷 劉琪 李天樂(lè) 劉龍申
摘要:隨著人們對(duì)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(duì)大型飼養(yǎng)需求時(shí)體現(xiàn)出諸多弊端,而自動(dòng)化和智能化是農(nóng)業(yè)發(fā)展必然趨勢(shì)。本文以蛋雞為例,在matlab平臺(tái)上通過(guò)對(duì)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(jì)出高正確率的蛋雞叫聲異常檢測(cè)系統(tǒng)。
關(guān)鍵詞:支持向量機(jī);蛋雞;MFCC系數(shù);聲音識(shí)別
1緒論
長(zhǎng)久以來(lái),我國(guó)現(xiàn)代農(nóng)業(yè)中畜牧業(yè)是一項(xiàng)很有潛力的產(chǎn)業(yè)之一,也占據(jù)著中國(guó)農(nóng)業(yè)生產(chǎn)的重要地位。而準(zhǔn)確高效地采集動(dòng)物個(gè)體信息是分析動(dòng)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(cè)的方式監(jiān)測(cè)蛋雞個(gè)體健康狀態(tài),不僅會(huì)耗費(fèi)飼養(yǎng)員大量的時(shí)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(zhǎng)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(huì)存在聲學(xué)特征的差異,因此聲音識(shí)別可以作為一種判斷動(dòng)物福利的輔助方法。
2系統(tǒng)研究
聲音識(shí)別本質(zhì)上是一種模式識(shí)別過(guò)程,主要包括蛋雞叫聲采集、去噪及加重、特征參數(shù)提取、識(shí)別器訓(xùn)練、健康識(shí)別等幾個(gè)功能模塊。
具體實(shí)施過(guò)程可以描述為:首先采集健康蛋雞的叫聲信號(hào)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(kù);然后,采集健康狀況待檢測(cè)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(shí)別分類,與健康聲音特征庫(kù)中的數(shù)據(jù)進(jìn)行匹配,得到健康識(shí)別的結(jié)果。
2.1去噪程序
本項(xiàng)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(hào)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(duì)采集聲音進(jìn)行去噪。
簡(jiǎn)而言之,小波分析是一種信號(hào)的時(shí)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(gè)都是y(t)函數(shù)經(jīng)過(guò)平滑后的形式,它們分別對(duì)應(yīng)不同的分辨率因此能夠聚焦到信號(hào)的任意細(xì)節(jié)進(jìn)行多分辨率的時(shí)頻分析。
本項(xiàng)目在實(shí)施過(guò)程中選用小波閾值去噪法對(duì)樣本聲音進(jìn)行去噪,在此過(guò)程中,主要測(cè)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(guò)MATLAB多次仿真實(shí)驗(yàn)可得,運(yùn)用“db3”小波基做兩層分解后通過(guò)硬閾值函數(shù)進(jìn)行閾值去噪并重構(gòu)為該實(shí)驗(yàn)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(guò)程中,我們通過(guò)對(duì)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(shí)別模型,識(shí)別模型的準(zhǔn)確率分別如表1所示:
由表可知,MFCC與短時(shí)能量結(jié)合的方式訓(xùn)練識(shí)別模型效果最理想。因?yàn)槎虝r(shí)能量是時(shí)域特征,MFCC參數(shù)是人耳聽(tīng)覺(jué)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(hào)的不同特征,結(jié)合有較好的識(shí)別效果。
2.3 SVM訓(xùn)練與識(shí)別程序
由于支持向量機(jī)在解決小樣本問(wèn)題、非線性問(wèn)題及高維空間內(nèi)的模式識(shí)別問(wèn)題的時(shí)候有很多優(yōu)點(diǎn),所以其被廣泛使用?;驹硎巧S,即將低維空間中的非線性問(wèn)題映射到高維空間中,然后利用核函數(shù)將非線性問(wèn)題轉(zhuǎn)換為線性問(wèn)題,使其變得更簡(jiǎn)單容易解決。
而本文作為異常識(shí)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(duì)已有支持向量機(jī)的理解,單極支持向量機(jī)并非對(duì)已有標(biāo)簽的數(shù)據(jù)進(jìn)行分類判別,而是通過(guò)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(gè)最小的超球面(大于3維特征),其中在二維中是一個(gè)曲線,將數(shù)據(jù)全部包起來(lái),即將異常點(diǎn)排除。
以下是通過(guò)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(shí)驗(yàn)結(jié)果
在實(shí)施過(guò)程中,模型成型后對(duì)模型進(jìn)行調(diào)試測(cè)驗(yàn),最終該系統(tǒng)的識(shí)別正確率可高達(dá)86%(如表4所示:樣本數(shù)120識(shí)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(shí)際的項(xiàng)目研究工作的基礎(chǔ)上,分析了在Matlab平臺(tái)上實(shí)現(xiàn)異常聲音識(shí)別的方法,并且將基于支持向量機(jī)的異常識(shí)別方法應(yīng)用于蛋雞的健康診斷中。
在研究的過(guò)程中,對(duì)蛋雞叫聲的聲學(xué)特性作了系統(tǒng)的分析,對(duì)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(shí)現(xiàn)對(duì)于豐富和發(fā)展自動(dòng)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(cè)系統(tǒng)設(shè)計(jì)[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(hào)實(shí)時(shí)采集、處理及發(fā)送系統(tǒng)設(shè)計(jì)[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?hào)的識(shí)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(shí)能量混合的異常聲音識(shí)別算法[J].計(jì)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(shí)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(shí)別算法的研究與實(shí)踐[J].中國(guó)傳媒大學(xué)學(xué)報(bào)(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(shí)別[J].計(jì)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(kù)的構(gòu)建與應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(24):150-156.