论文部分内容阅读
生猪养殖是我国畜牧业的支柱产业,科技发展不断的推动生猪养殖逐渐由传统的粗放型、家庭式散养向规模化、自动化和智能化养殖转变。集约化养殖存在饲养空间小,密度大,通风不良等问题,加剧了猪的呼吸道疾病的发病风险,如何快速监测和预警猪的呼吸道疾病是扩大产业规模亟待解决的问题。目前人为观察猪的咳嗽状况是评价其是否感染呼吸道疾病的主要方法,但该方法费时费力,主观性强,且人的活动容易引起猪的应激反应,不利于猪的生长,因此开发猪咳嗽声自动识别监测系统具有重大的科研价值和广阔的市场前景。声音识别技术具有响应速度快、成本低、客观性强、精确度高、无接触,非侵入的特点。本文采集猪舍环境下的猪咳嗽声和干扰声,人工标记获得试验样本,应用预加重、谱减法去噪进行预处理,通过分帧加窗、双门限端点检测分别提取短时能量(EN)、短时过零率(ZCR)和改进的梅尔倒谱系数(MFCC)构建矢量量化(VQ)、支持向量机(SVM)和隐马尔科夫(HMM)模型,并对猪咳嗽声识别系统进行相关优化,探索应用声音识别技术实现猪咳嗽声的自动识别新途径,本文研究内容和结果如下:1)采集实际猪舍下的猪声音信号,通过软件对样本的进行人工标记和分类,获得猪咳嗽声和进食声、甩耳朵、哼哼声、尖叫声、喷嚏声五种干扰声,并对声音进行预加重、LMS算法和谱减法降噪处理,保证了试验样本的质量。2)分析短时能量、短时过零率、梅尔倒谱系数和改进的梅尔倒谱系数的原理和优缺点,应用短时过零率和短时能量设置双门限进行端点检测,准确的定位了猪声音样本的起始点。对标准MFCC和改进的MFCC特征参数进行了对比,试验表明改进的MFCC将静态特性和动态特性相结合,能够更好地反映咳嗽声的特异性,提高整体识别率。3)深入研究了VQ、SVM和HMM的原理及其相关参数选择,分别基于改进的MFCC和短时能量与改进的MFCC融合得到的特征参数构建了VQ、SVM和HMM猪咳嗽声识别模型。试验采用五折交叉验证识别模型的性能,通过咳嗽声识别率、非咳嗽声识别率、综合识别率、平均识别率四个指标对三个模型的识别性能进行了评估。试验结果显示,相对于使用单独的改进的MFCC的构建的三个识别模型,基于融合特征参数构建的VQ、SVM和HMM识别系统将平均识别率分别由75.18%、85.11%、89.38%提高到了81.64%、89.04%、90.17%,表明恰当的特征参数融合能够提高猪咳嗽声系统的识别性能。4)分析HMM和SVM算法融合的可能性和优点,通过串联融合,将HMM的输出作为SVM的输入,建立HMM-SVM融合模型,平均识别率达到了91.59%,表明HMM和SVM串联融合有助于提高识别系统的性能。5)利用粒子群算法(PSO)对HMM-SVM融合模型进行优化,识别率提高到了92.79%。将基于融合特征参数构建的VQ、SVM、HMM和HMM-SVM-PSO四个识别模型作为基分类器,运用加权投票算法对四个基分类器进行融合,大大改进了猪咳嗽音识别系统的性能,平均综合识别率达到了94.21%。