一种基于猪只声音的猪只健康预警方法及系统与流程

1.本发明涉及智能养殖技术领域，尤其是涉及一种基于猪只声音的猪只健康预警方法及系统。


背景技术：

2.养猪业是我国畜牧业的重要组成部分，猪肉的产量与消费总量均超过其他肉类的50％。随着我国养猪业规模化、集约化、密闭式饲养程度的不断提高，养猪业的发展取得显著成果。但同时，猪只的监管水平与不断扩大的养殖规模之间的矛盾也日益凸显。
3.研究表明，猪只的叫声可以传递许多信息，包括健康状况。因此，对于养殖户来说持续监控这些叫声，可以为养殖生产提供有用的信息。传统的猪只健康判断需要人为蹲点，不仅消耗了大量的人力财力而且无法对猪只健康进行有效的监管。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于猪只声音的猪只健康预警方法及系统，该方法和系统基于深度学习通过猪只声音特征判别猪只的健康，能够有效提高猪只的早期疾病预警，提高猪舍的监管，减少养殖场的安全风险。
5.本发明的目的可以通过以下技术方案来实现：
6.本发明第一方面提供一种基于猪只声音的猪只健康预警方法，该方法包括以下步骤：
7.步骤1：通过放置于猪只栏位内部的声音采集卡，进行栏位内音频信号采集。
8.步骤2：将采集的音频信号进行预处理，获取mfcc特征并保存为待上传音频数据。具体包括以下步骤：
9.s2.1：对音频信号进行预加重处理，进而补偿音频信号的高频信号；
10.s2.2：对预加重处理后的音频信号进行分帧和加窗，并对分帧和加窗后的各帧音频信号进行快速傅里叶变换获取各帧的频谱、功率谱和能量谱；
11.s2.3：将能量谱通过一组mel尺度的三角滤波器组，计算每个滤波器组输出的对数能量，并且通过离散余弦变换获取mfcc系数。
12.所述预加重处理为将音频信号通过一个高通滤波器。
13.步骤3：将所述待上传音频数据传入到边缘计算主机，过滤音频数据中的噪声，提取有用特征信息。
14.进一步地，通过深度残差收缩网络过滤所述音频数据中的噪声。
15.步骤4：将所述有用特征信息输入已经训练好的模型中进行推理分类，并根据模型分类结果记录异常数据并提醒工作人员有猪只异常声音的发生。
16.所述模型采用深度卷积神经网络进行训练，并通过反向传播进行参数调整进而使模型达到分类最优性能。
17.所述模型分类结果伴随一个0-1的分数评价。
18.进一步地，所述分数评价大于0.3为正常，小于0.3为异常。
19.所述异常数据包括猪只不连续呼吸声音，怪异刺耳声和打架声。
20.本发明另一方面还提供一种基于猪只声音的猪只健康预警系统，该系统包括：
21.声音采集卡：用于采集栏位内特定位置的音频信号；
22.边缘计算主机：用于提取采集的音频信号中的语音特征参数mfcc、根据mfcc进行推理分类，并根据分类结果记录异常数据并控制预警喇叭进行报警；
23.预警喇叭：用于异常声音报警，提醒工作人员有猪只发出异常声音。
24.进一步地，所述特定位置包括远离料槽、远离水槽以及远离走廊的栏位内的位置。
25.与现有技术相比，本发明具有以下优点：
26.1、本发明利用声音采集卡采集到处于特定位置的猪的声音数据，使用卷积神经网络来自动判别猪只声音健康好坏。
27.2、本发明采用梅尔倒谱系数作为采集的音频信号的语音特征进行分析，具有很好的鲁棒性，有较好的识别性能。
28.3、本发明将原始音频特征参数预处理后作为神经网络的训练输入，使用深度残差收缩网络过滤噪声，提取有用的特征信息，解决传统音频分类因为模型音频的噪音多和模型的结构简单导致的判断不准确的结果。
29.4、本发明根据分类结果记录并对异常数据进行报警，能够提高猪舍的监管，减少养殖场的安全风险。
附图说明
30.图1为本实施例一种基于猪只声音的猪只健康预警方法的流程示意图；
31.图2为本实施例一种基于猪只声音的猪只健康预警系统的结构示意图。
具体实施方式
32.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
33.实施例
34.参考图1所示，本实施例提供一种基于猪只声音的猪只健康预警方法，包括以下步骤：
35.s1：通过放置于栏位内部的声音采集卡，进行栏位内音频信号采集；
36.s2：提取所述音频信号中的语音特征参数mfcc，并保存为待上传音频数据；
37.在语音识别和话者识别方面，最常用到的语音特征为梅尔倒谱系数(mel-scalefrequency cepstral coefficients，简称mfcc)。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200hz到5000hz的语音信号对语音的清晰影响度最大。当两个响度不等的声音作用于人耳时，响度较高的频率成分的听觉感受会影响响度较低的频率成分的听觉感受，使其不易被察觉，这种现象称为掩蔽效应。由于频率较低的声音在内耳蜗基底膜上行波传递的距离大于频率较高的声音，故一般来说，低音容易掩蔽高音，而高音掩蔽低音较困难。
38.因此，从低频到高频这一段频带内按临界带宽的大小由密到疏安排一组带通滤波器，对输入信号进行滤波。将每个带通滤波器输出的信号能量作为信号的基本特征，对此特征经过进一步处理后就可以作为语音的输入特征。由于这种特征不依赖于信号的性质，对输入信号不做任何的假设和限制，又利用了听觉模型的研究成果。因此，这种参数具有更好的鲁棒性，更符合人耳的听觉特性，而且当信噪比降低时仍然具有较好的识别性能。
39.s2.1：对音频信号进行预加重处理，从而补偿音频信号的高频信号；
40.预加重处理即将音频信号通过一个高通滤波器，计算公式如下：
41.h(z)＝1-μz-1
42.其中，μ为系数，介于0.9-1.0之间，h(z)为经过高通滤波器处理后音频信号的z变换。
43.作为一种可选的实施方式，μ取值为0.97。
44.s2.2：对预加重处理后的音频信号进行分帧和加窗，并对分帧和加窗后的各帧音频信号进行快速傅里叶变换获取各帧的频谱、功率谱和能量谱；
45.s2.2.1：对预加重处理后的音频信号进行分帧；
46.s2.2.2：对每一帧进行加窗；
47.将每一帧乘以汉明窗，以增加帧左端和右端的连续性，公式如下：
48.s'(n)＝s(n)
×
w(n)
[0049][0050]
其中，s'(n)为加窗后的音频信号，s(n)为分帧后的信号，n＝0,1,
…
,n-1，n为帧的大小，w(n)为汉明窗的计算公式，a为汉明窗的系数。
[0051]
作为一种可选的实施方式，a取值为0.46。
[0052]
s2.2.3：对分帧和加窗后的各帧音频信号进行快速傅里叶变换获取各帧的频谱、功率谱和能量谱。
[0053]
s2.3：将能量谱通过一组mel尺度的三角滤波器组，计算每个滤波器组输出的对数能量，并且通过离散余弦变换获取mfcc系数。
[0054]
s2.3.1：将能量谱通过一组mel尺度的三角滤波器组，计算每个滤波器组输出的对数能量，公式如下：
[0055][0056]
其中，hm(k)为三角滤波器组的频率响应，|xa(k)|2为经过快速傅里叶变换后各帧的能量谱，s(m)为第m个三角滤波器组输出的对数能量，m为三角滤波器组中滤波器的个数，k为采样序数，n为抽样取点的份数。
[0057]
s2.3.2：将对数能量通过余弦变换获取mfcc系数，公式如下：
[0058][0059]
其中，c(n)为第n阶mfcc系数，n＝1,2,...,l，l为mfcc系数阶数，s(m)为第m个三角滤波器组输出的对数能量。
[0060]
s3：将所述待上传音频数据传入到边缘计算主机，采用深度残差收缩网络过滤音
频数据中的噪声，提取有用特征信息；
[0061]
深度残差收缩网络为深度残差网络、注意力机制和软阈值化的深度集成。将注意力机制注意到的不重要特征，通过软阈值化置为0，将注意力机制注意到的重要特征保留，进而从含噪声的音频信号中提取有用特征。
[0062]
s4：将所述有用特征信息输入已经训练好的模型中进行推理分类，并根据模型分类结果记录异常数据并提醒工作人员有猪只异常声音的发生。
[0063]
模型采用卷积神经网络(cnn)进行网络训练，通过反向传播进行参数调整从而达到分类的最优性能。每一个分类结果都伴随着一个0-1的分数评价，设定分数阈值为0.3，大于0.3为正常，小于0.3为异常。异常数据包括猪只不连续呼吸声音，怪异刺耳声和打架声。
[0064]
参考图2所示，本实施例还提供一种基于猪只声音的猪只健康预警系统，包括：声音采集卡、边缘计算主机和预警喇叭。
[0065]
声音采集卡：用于采集栏位内特定位置的音频信号；
[0066]
边缘计算主机：用于提取采集的音频信号中的语音特征参数mfcc、根据mfcc进行推理分类和根据分类结果记录异常数据并控制预警喇叭进行报警；
[0067]
预警喇叭：用于异常声音报警，提醒工作人员有猪只发出异常声音。
[0068]
作为一种可选的实施方式，声音采集卡放置于远离料槽、远离水槽和远离走廊的栏位内的位置。
[0069]
本发明利用声音采集卡采集到处于特定位置的猪的声音数据，并采用梅尔倒谱系数作为采集的音频信号的语音特征进行分析，具有很好的鲁棒性，有较好的识别性能；其次将梅尔倒谱系数作为神经网络的训练输入，使用深度残差收缩网络过滤噪声，提取有用的特征信息，解决传统音频分类因为模型音频的噪音多和模型的结构简单导致的判断不准确的结果；最后根据分类结果记录并对异常数据进行报警，能够提高猪舍的监管，减少养殖场的安全风险。
[0070]
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。