基于SVM的蛋鸡叫声异常检测系统研究
《基于模态分解和X-Volution复合模型的鸟鸣声识别研究》
《基于模态分解和X-Volution复合模型的鸟鸣声识别研究》基于模态分解与X-Volution复合模型的鸟鸣声识别研究一、引言鸟鸣声的识别一直是自然声音分析中的重要研究领域，它在生态环境保护、鸟类物种鉴定以及生态学研究等方面有着广泛的应用。
随着深度学习和人工智能的不断发展，利用机器进行鸟鸣声的自动识别已成为现实。
本文旨在研究一种基于模态分解和X-Volution复合模型的鸟鸣声识别方法，通过提高模型精度和降低噪声干扰，提高鸟类声音的自动识别水平。
二、研究背景及意义随着人类对自然环境的日益关注，鸟类保护和生态研究成为了重要的研究领域。
鸟鸣声作为鸟类行为和生态的重要表现，其识别和分析对于了解鸟类的生活习性、繁殖行为以及生态环境变化具有重要意义。
传统的鸟类声音识别方法依赖于专家经验进行手动识别，这既费时又耗力。
因此，基于深度学习和机器学习的鸟鸣声自动识别方法受到了广泛关注。
三、研究内容与方法本研究主要采用了模态分解技术和X-Volution复合模型进行鸟鸣声的识别。
首先，通过模态分解技术对鸟鸣声信号进行预处理，提取出不同频段的特征信息；然后，利用X-Volution模型对提取的特征信息进行学习和分类。
（一）模态分解技术模态分解是一种信号处理技术，可以将复杂的信号分解为不同频段的子信号。
本研究采用了经验模态分解（EMD）和短时傅里叶变换（STFT）两种方法对鸟鸣声进行预处理。
EMD能够根据信号本身的特性自适应地分解出不同频段的子信号，而STFT 则能够提供信号在时间域和频率域上的信息。
通过对这两种方法的比较和融合，可以有效地提取出鸟鸣声的特征信息。
（二）X-Volution模型X-Volution模型是一种深度学习模型，具有强大的特征学习和分类能力。
本研究将X-Volution模型应用于鸟鸣声的分类任务中，通过训练和学习大量的鸟类声音数据，实现对不同鸟类声音的自动识别。
四、实验结果与分析（一）实验数据与设置本研究采用了公共的鸟类声音数据集进行实验，包括不同种类、不同环境和不同背景噪声下的鸟类声音。
基于SVM的禽蛋孵化过程系统辨识
本 文针 对孵 化 过 程控 制 系统 特 点 ， 仅 有输 入 输 在 出温度 和 湿 度 数 据 的 情 况 下 ， 出 利 用 Ｓ Ｍ 辨 识 方 提 Ｖ
进 行辨 识 ， 以供后 续 更精 确 的控 制 。
国内外 对孵 化 的研 究 均 只 限于 采用 控制 ¨ 。 由
合等 其 他机 器 学 习 问 题 中 ， 此 迅 速 地 发 展 起 来 ， 从 目
前已经在许多领域 （ 生物信息学 、 文本和手写识别等） 都取 得 了成 功 的应 用 【 。同时 ， ４ ］ 由于 Ｓ Ｍ 算 法成 功 Ｖ
地克 服 了神 经 网络 的这 些 缺 陷 ， 因而 采 用 支 持 向量 机 进行 系 统辨 识 和 建 立 模 型 是 一 个 新 颖 而 有 发 展 的研
于孵 化 的 过 程参 数 具 有 数 据 量 获取 困难 、 本 小 的 特 点 ， Ｓ Ｍ 是经 过 严 格 的数 学 推理 而 得 ， 解 决 小 样 本 、 样 而 Ｖ 在 非
线 性 、 学 习 与 欠 学 习 、 部 极 小 点 问 题 中 表 现 出 许 多 特 有 的 优 势 。 为 此 ， 合 Ｓ Ｍ 的 特 点 ， 其 应 用 于 孵 化 过 过 局 结 Ｖ 将
神 经 网络 和 Ｒ Ｆ神 经 网 络 已 应 用 于 工 业 生 产 过 程 当 Ｂ
１ 孵化过程控制工艺参数分析
孵 化 过程 控 制 系 统 主要 对 系 统 的 温 度 和 湿 度 两 个 变量 要 求严 格 ， 孵 化 过 程 中 的通 风换 气 的主 要 目 而
的是 帮助 胚 蛋 中 的胚 胎 与 外 界 进 行 气 体 和热 能 的 交
中 ； 是 神经 网络 的局 部 极 小 点 、 学 习 现 象 ， 但 过 以及 结 构 和 类 型过 分 依 赖 于 经 验 等 固有 缺 点 严 重 影 响 和 降
基于K-means与SVM的鸡蛋特征检测
基于K-means与SVM的鸡蛋特征检测宋超;秦永彬;许道云【期刊名称】《计算机与数字工程》【年(卷),期】2017(045)002【摘要】机器视觉与机器学习的不断发展对传统的视觉特征提取的影响在不断加强,在实际的使用当中也在逐步替代那些繁杂的人工特征提取的方式,论文从实际应用当中介绍一种基于K-means自动提取特征的方法,其在鸡蛋缺陷检测使用中得到了较好的实际效果.%Machine vision and machine learning are used in the feature extraction, and their influences are important.In the actual application they have gradually replace those cumbersome manual feature extraction recentlly.This paper presents a practical application based on K-means the method of automated feature extraction, which gets better practical results in the use of eggs defect detection.【总页数】5页(P382-386)【作者】宋超;秦永彬;许道云【作者单位】贵州大学计算机科学与技术学院贵阳 550025;贵州大学计算机科学与技术学院贵阳 550025;贵州大学计算机科学与技术学院贵阳 550025【正文语种】中文【中图分类】TP391.9【相关文献】1.基于SVM的木马流量特征检测方法 [J], 胡向东;白银;张峰;林家富;李林乐2.基于核化K-means和SVM分类回归的Wi-Fi室内定位算法 [J], 赵银龙;安胜彪3.基于K-means和SVM的蓝牙室内定位算法 [J], 徐超蓝;高军礼;张小花;宋海涛4.基于K-means和SVM的分段GPS高程拟合方法 [J], TAO Chao5.WSN中基于Mini Batch K-Means与SVM的入侵检测方案 [J], 欧阳潇琴; 王秋华因版权原因，仅展示原文概要，查看原文内容请购买。
基于SVM的蛋鸡叫声异常检测系统研究
基于SVM的蛋鸡叫声异常检测系统研究作者：周映荷刘琪李天乐刘龙申来源：《中国农业文摘·农业工程》2019年第01期摘要：随着人们对畜禽健康养殖的高度重视，传统家禽养殖措施在面对大型饲养需求时体现出诸多弊端，而自动化和智能化是农业发展必然趋势。
本文以蛋鸡为例，在matlab平台上通过对蛋鸡叫声的采集与分析得出蛋鸡的健康状况，用SVM分类器设计出高正确率的蛋鸡叫声异常检测系统。
关键词：支持向量机;蛋鸡;MFCC系数;声音识别1绪论长久以来，我国现代农业中畜牧业是一项很有潜力的产业之一，也占据着中国农业生产的重要地位。
而准确高效地采集动物个体信息是分析动物生理、健康和福利状况的基础。
本文论及蛋鸡养殖，首先传统蛋鸡饲养中主要依靠人工观测的方式监测蛋鸡个体健康状态，不仅会耗费饲养员大量的时间和精力，还很容易引起蛋鸡的应激反应，破坏蛋鸡生长自然环境。
而科学研究表明，蛋鸡在不同健康状态下的叫声会存在声学特征的差异，因此声音识别可以作为一种判断动物福利的辅助方法。
2系统研究声音识别本质上是一种模式识别过程，主要包括蛋鸡叫声采集、去噪及加重、特征参数提取、识别器训练、健康识别等几个功能模块。
具体实施过程可以描述为：首先采集健康蛋鸡的叫声信号进行去噪处理，并根据设定的音频特征提取方法提取音频特征集，建造健康蛋鸡声音特征库;然后，采集健康状况待检测的蛋鸡叫声，并进行同样的特征提取，最后选择分类算法进行识别分类，与健康声音特征库中的数据进行匹配，得到健康识别的结果。
2.1去噪程序本项目研究目标为散养蛋鸡，在此环境下，噪声主要为自然环境噪音，而由于信号谱和噪声谱是任意重叠的，传统的滤波器方法效果并不显著。
在本文中将创新采用小波分解与重构的方法对采集声音进行去噪。
简而言之，小波分析是一种信号的时间频率分析方法，是将原函数y（t）表示为一系列逐次逼近表达式，其中每一个都是y（t）函数经过平滑后的形式，它们分别对应不同的分辨率因此能够聚焦到信号的任意细节进行多分辨率的时频分析。
机器视觉识别单只蛋鸡行为的方法
2、特征提取
特征提取是从预处理后的图像中提取出与仪表相关的特征信息，如刻度线、指 针等。这些特征信息将用于后续的目标检测和读数识别。常用的特征提取方法 包括边缘检测、形态学处理等。
3、目标检测
目标检测是在特征提取的基础上，利用分类器对图像中的目标进行分类和定位。 常用的分类器包括支持向量机（SVM）、卷积神经网络（CNN）等。通过目标 检测，可以确定仪表在图像中的位置和大小，为后续的读数识别提供准确的基 准。
同时，我们还发现该方法在不同光照条件和不同时间段下的表现稳定可靠，能 够实时监测蛋鸡行为变化，及时发出预警。这些实验结果证明了本方法的有效 性和实用性。
应用
本方法在蛋鸡饲养中的应用具有重要意义。首先，通过对单只蛋鸡行为的精确 识别，可以更准确地评估其健康状况，提早发现疾病迹象，有效控制疫病的发 生。其次，该方法可以帮助养殖户精细化管理饲养，优化饲料配方、改善环境 条件等，从而提高产蛋量和蛋品质。此外，通过实时监测蛋鸡行为，还能够科 学地评估饲养效果，为提高养殖效益提供数据支持。
四、结论
基于机器视觉的仪表识别算法是实现工业自动化监控的重要手段之一。通过对 图像的预处理、特征提取和目标检测等操作，可以实现对仪表的自动识别和读 数，提高生产效率并提升产品质量。未来随着机器视觉技术的不断发展和完善， 相信基于机器视觉的仪表识别算法将在工业自动化领域发挥更大的作用。
谢谢观看
参考内容
随着工业4.0的快速发展和技术的不断提升，机器视觉技术在工业自动化中的 应用变得越来越广泛。其中，基于机器视觉的仪表识别算法在工业生产过程中 具有重要意义。本次演示将探讨机器视觉基础上的仪表识别算法，以及如何运 用这些算法提高工业生产效率和提升产品质量。
一、机器视觉与仪表识别
《基于支持向量机的生猪异常声音识别与监测系统》范文
《基于支持向量机的生猪异常声音识别与监测系统》篇一一、引言随着科技的不断进步，人工智能和机器学习在农业领域的应用越来越广泛。
生猪养殖业作为农业的重要组成部分，其生产效率和健康管理对养殖户来说至关重要。
生猪的异常声音往往与其健康状况密切相关，因此，基于支持向量机（SVM）的生猪异常声音识别与监测系统的研究具有重要意义。
本文旨在设计并开发一个基于SVM的生猪异常声音识别与监测系统，以提升生猪养殖的智能化水平和健康管理水平。
二、系统概述本文提出的生猪异常声音识别与监测系统主要包括以下几个部分：声音采集、声音处理、特征提取、SVM模型训练和结果输出。
该系统能够实时监测生猪的声音，并通过SVM模型分析其声音特征，以判断生猪是否存在异常。
当系统检测到异常时，将及时向养殖户发出警报，以便养殖户及时采取措施。
三、系统设计1. 声音采集：通过安装在猪舍内的麦克风阵列，实时采集生猪的声音。
麦克风阵列能够提高声音的采集质量和准确性，为后续的信号处理提供良好的基础。
2. 声音处理：对采集到的声音进行预处理，包括降噪、滤波等操作，以提高SVM模型的识别精度。
3. 特征提取：从处理后的声音中提取出能反映生猪状态的关键特征，如频率、音强、音长等。
这些特征将被用于后续的SVM 模型训练。
4. SVM模型训练：采用支持向量机算法对提取的特征进行训练，建立生猪异常声音识别模型。
该模型能够根据生猪的声音特征判断其是否存在异常。
5. 结果输出：将SVM模型的识别结果以图表或文字的形式展示给养殖户，以便其及时了解生猪的健康状况。
四、实验与分析为了验证本文提出的生猪异常声音识别与监测系统的有效性，我们进行了实验分析。
实验数据来源于某生猪养殖场的实际声音数据。
我们首先对数据进行预处理和特征提取，然后使用SVM 模型进行训练和测试。
实验结果表明，该系统具有较高的识别准确率和较低的误报率，能够有效地识别出生猪的异常声音。
五、系统应用与优势本文提出的生猪异常声音识别与监测系统具有以下应用与优势：1. 实时监测：该系统能够实时监测生猪的声音，及时发现异常情况，为养殖户提供及时的信息支持。
211055885_基于多尺度卷积的蛋鸡肠道疾病识别方法研究
2022，34 （ 6 ）：14-26第34卷第6期2022年12月China Agricultural InformaticsVol.34， No.6 Dec.，2022基于多尺度卷积的蛋鸡肠道疾病识别方法研究*杨君艳1，孙瑞志1，2※，靳晨鹏1，尹宝全2（1.中国农业大学信息与电气工程学院，北京 100083；2.中国农业大学烟台研究院，山东烟台 264670）摘要：【目的】在蛋鸡养殖中，如球虫病和传染性法氏囊病等鸡肠道疾病发病率高，严重影响鸡舍饲料的利用率，增加了养殖成本。
为在密集的蛋鸡笼养环境中使用肠道疾病智能化诊断方法，实现多种肠道疾病的分类识别，【方法】文章根据病理粪便的差异，提出了基于多尺度卷积的对鸡肠道疾病进行分类的算法。
首先，实验共采集正常粪便、稀便、绿便和血便4类图像共1 834幅，建立蛋鸡粪便数据集。
为减少过拟合的出现，对数据集进行了数据增强，扩充数据集至5 128幅。
其次，对VGG16模型进行改进，使用全局平均池化代替全连接层，同时引入了3×3和5×5的多尺度卷积和通道注意力机制，将SE模块插入到多尺度卷积的末端，构建了一个基于多尺度卷积的蛋鸡肠道疾病识别网络VGG-MSC。
【结果】 VGG-MSC的各项指标较VGG16均得到提高，其中在蛋鸡粪便数据集上的分类准确率达到了98.04%，较VGG16提高了1.75%，可为鸡的肠道疾病诊断提供有效的决策支持。
【结论】以深度学习为基础，该方法能够实现对鸡肠道疾病的智能诊断，有利于及早发现并预防鸡肠道疾病，为畜禽养殖提供信息化服务，推动蛋鸡产业持续高质量发展。
关键词：深度学习；计算机视觉；卷积神经网络；图像识别；疾病诊断DOI：10.12105/j.issn.1672-0423.202206020 引言改革开放以来，我国鸡蛋产量不断上升，1985年超越美国，位居世界第一，并持续至今。
目前我国蛋鸡产业经历了快速增长期，正处于加速转型高质量发展的关键期，提升蛋鸡健康水平是关键。
基于SVM的声磁标签检测系统设计及其FPGA实现
"/#
) 1 v S.t. <" ! T . ! i & ； % , - $
一i % 1,2, $ ,0)
式中( $ % 8%5 值越大, 对误分类的样本点的惩
罚就越大)
为了方便计算, 将式" /) 转化为对偶问题, 加 入拉格朗日乘子, 最终的分类模型可表示为
0
( )" >) % SPC " !<?" !#, !$) &;) ) " 4)
12 10
100 200 300 400 500 600 700 800 900 1 000 点数
图 $!频域波形
;NMQOJ$! ;OJTQJLVH \D]GNLdG_JIDO]
得出 （
)8 9
"#
f+
0
式中：）8为标签谐振频率! Hy% /+为采样频率! Hy% 0为采样点数% 9 为目标频率点数
样本）
#!算法设计
#5&!系统处理流程 -P.A 顶层时序设计状态转移如图 4 所示）
系统上电后完成看门狗复位'载入预设参数等初
始化操作后!进入到初始状态"IDLE#）检测到同 步信号后! 发射窗口 " [\nX@C # 开启! 持续 "_3 A＞）
第/期
赵旭阳!等(基于 *+,的声磁标签检测系统设计及其-%.#实现
& 声磁EAS系统综述
&5&! 系统工作 原理及 硬件设 计 声磁 EAS 系统利用音叉共振原理, 即在一定
范围内的一个音叉振动会引起另一个音叉的共
*振 4+）收发一体式EAS系统是将发射天线和接
基于计算机视觉的畜禽识别与管理技术研究
基于计算机视觉的畜禽识别与管理技术研究近年来，畜禽养殖行业发展迅速，但也面临着一系列问题，如粮食资源短缺、环境污染、疾病传播等。
为了解决这些问题，科技人员不断进行创新研究，其中基于计算机视觉的畜禽识别与管理技术就是一项颇具前景的研究方向。
一、畜禽识别技术的意义畜禽识别技术能够通过图像检测、特征提取、分类判定等方法，对养殖场中的畜禽进行自动化监控和管理。
这项技术的应用，不仅可以提高养殖效率，节约人力物力成本，同时还可以对管理畜禽的标准化、智能化进程起到积极作用。
二、技术原理及常见算法畜禽识别技术主要基于计算机视觉技术、人工智能技术、图像处理技术等的应用，并涵盖图像采集、图像处理、特征提取和分类识别等多个方面。
在图像处理过程中，一般需要进行图像预处理、分割、二值化、去噪、形态学处理等操作，以得到更为清晰的畜禽图像，减少误差。
在特征提取方面，主要包括颜色、形状、质量等特征的提取，通过这些特征，将畜禽分为不同的类别。
分类和识别方面则多采用支持向量机（SVM）、神经网络（NN）等机器学习算法。
三、技术应用领域和发展趋势目前，畜禽识别技术已经应用到了各种养殖场中，如猪场、鸡场、牛场等，较为常见的应用场景有畜禽计数、饲料投放、疾病监测、畜禽体重检测等。
随着技术的不断发展，畜禽识别技术将会更广泛地应用于畜牧业的各个领域中，为畜牧业的健康可持续发展提供技术支持。
未来，畜禽识别技术的发展趋势是朝着高速、智能和多元化方向发展的。
一方面，通过采用先进的计算机视觉技术、传感技术等，实现畜禽识别的高速化和精度化；另一方面，结合大数据、云计算等行业发展趋势，将畜禽识别技术与其他技术相结合，为畜禽养殖行业提供更多元的服务。
四、现实问题和技术挑战在畜禽识别技术的研究应用过程中，还需要面对一系列的现实问题和技术挑战。
例如，在实际应用过程中，畜禽图像可能会受到复杂的光照条件、背景干扰等影响，导致识别精度不高；畜禽的品种、年龄等差异也会影响畜禽分类的准确性等。
《基于模态分解和X-Volution复合模型的鸟鸣声识别研究》
《基于模态分解和X-Volution复合模型的鸟鸣声识别研究》基于模态分解与X-Volution复合模型的鸟鸣声识别研究一、引言随着人工智能技术的快速发展，鸟类声音识别已经成为一项重要的研究课题。
鸟鸣声的识别不仅可以用于生态监测、物种分类，还可以在环境保护和动物学研究等方面发挥重要作用。
本文将提出一种基于模态分解和X-Volution复合模型的鸟鸣声识别方法，通过该方法，我们可以更准确地识别鸟鸣声，并提高识别的效率和准确性。
二、相关工作在过去的几十年里，许多研究者已经对鸟鸣声识别进行了广泛的研究。
传统的鸟鸣声识别方法主要依赖于人工特征提取和分类器设计。
然而，这种方法存在局限性，难以处理复杂的音频信号。
近年来，随着深度学习技术的发展，许多学者开始利用深度神经网络进行鸟鸣声识别。
其中，X-Volution模型作为一种新型的卷积神经网络结构，已经在音频处理领域取得了显著的成果。
三、方法本研究采用模态分解和X-Volution复合模型进行鸟鸣声识别。
首先，利用模态分解将鸟鸣声信号分解为多个模态分量，以便更好地提取音频特征。
然后，将提取的特征输入到X-Volution模型中进行训练和识别。
（一）模态分解模态分解是一种信号处理方法，可以将复杂的信号分解为多个模态分量。
在本研究中，我们采用经验模态分解（EMD）方法对鸟鸣声信号进行模态分解。
EMD方法可以根据信号的局部特征自动进行模态分解，从而提取出更准确的音频特征。
（二）X-Volution模型X-Volution模型是一种新型的卷积神经网络结构，具有良好的特征提取能力和泛化性能。
在鸟鸣声识别中，我们将提取的音频特征输入到X-Volution模型中，通过训练和学习，使模型能够自动提取和识别鸟鸣声的特征。
四、实验为了验证基于模态分解和X-Volution复合模型的鸟鸣声识别方法的性能，我们进行了大量的实验。
首先，我们收集了多种鸟类鸟鸣声的音频数据作为实验数据集。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
·61·
信 息 技 术中国农业文摘·农业工程 2019年第1期1 绪论
长久以来，我国现代农业中畜牧业是一项很有潜力的产业之一，也占据着中国农业生产的重要地位。
而准确高效地采集动物个体信息是分析动物生理、健康和福利状况的基础。
本文论及蛋鸡养殖，首先传统蛋鸡饲养中主要依靠人工观测的方式监测蛋鸡个体健康状态，不仅会耗费饲养员大量的时间和精力，还很容易引起蛋鸡的应激反应，破坏蛋鸡生长自然环境。
而科学研究表明，蛋鸡在不同健康状态下的叫声会存在声学特征的差异，因此声音识别可以作为一种判断动物福利的辅助方法。
2 系统研究
声音识别本质上是一种模式识别过程，主要包括蛋鸡叫声采集、去噪及加重、特征参数提取、识别器训练、健康识别等几个功能模块。
具体实施过程可以描述为：首先采集健康蛋鸡的叫声信号进行去噪处理，并根据设定的音频特征提取方法提取音频特征集，建造健康蛋鸡声音特征库；然后，采集健康状况待检测的蛋鸡叫声，并进行同样的特征提取，最后选择分类算法进行识别分类，与健康声音特征库中的数据进行匹配，得到健康识别的结果。
2.1 去噪程序
本项目研究目标为散养蛋鸡，在此环境下，噪声主要为自然环境噪音，而由于信号谱和噪声谱是任意重叠的，传统的滤波器方法效果并不显著。
在本文中将创新采用小波分解与重构的方法对采集声音进行去噪。
简而言之，小波分析是一种信号的时间频率分
析方法，是将原函数y（t）表示为一系列逐次逼近表达式，其中每一个都是y（t）函数经过平滑后的形式，它们分别对应不同的分辨率因此能够聚焦到信号的任意细节进行多分辨率的时频分析。
本项目在实施过程中选用小波阈值去噪法对样本声音进行去噪，在此过程中，主要测定了适用的小波基和分解层数，合适的阈值和阈值函数等影响去噪效果的主要特征。
通过MATLAB多次仿真实验可得，运用“db3”小波基做两层分解后通过硬阈值函数进行阈值去噪并重构为该实验环境下最有效的去噪方法，图1为效果图。
图1 去噪波形图
2.2 特征参数提取程序
在研究过程中，我们通过对同一段样本提取不同特征向量并用同样参数训练SVM识别模型，识别模型的准确率分别如表1所示：
由表可知，MFCC与短时能量结合的方式训练识别模型效果最理想。
因为短时能量是时域特征，MFCC参数是人耳听觉感知特征，而两者之间的相关性不大，它们反映的是音频信号的不同特征，结合有较好的识别效果。
2.3 SVM训练与识别程序
由于支持向量机在解决小样本问题、非线性问题及高维空间内的模式识别问题的时候有很多优点，所以其被广泛使用。
基本原理是升维，即将低维空间中的非线性问题映射到高维空间中，然后利用核函数将非线性问题转换为线性问题，使其变得更简单容易
基于SVM的蛋鸡叫声异常检测系统研究
周映荷，刘 琪，李天乐，刘龙申
（南京农业大学工学院，江苏南京 210031）
摘要：随着人们对畜禽健康养殖的高度重视，传统家禽养殖措施在面对大型饲养需求时体现出诸多弊端，而自动化和智能化是农业发展必然趋势。
本文以蛋鸡为例，在matlab平台上通过对蛋鸡叫声的采集与分析得出蛋鸡的健康状况，用SVM分类器设计出高正确率的蛋鸡叫声异常检测系统。
关键词：支持向量机；蛋鸡；MFCC系数；声音识别
基金项目：国家级大学生创新创业训练计划“基于DSP的
蛋鸡叫声异常检测系统”（编号：20171030 7101）
作者简介：周映荷，南京农业大学在校本科生，研究方
向：自动化与声音信息处理。
通讯作者：
刘龙申，讲师，研究方向：精准畜牧业。
·62·信 息 技 术中国农业文摘·农业工程 2019年第1期
解决。
而本文作为异常识别只能提供大量的健康蛋鸡
叫声，因此采用单极支持向量机（one class SVM）。
根据对已有支持向量机的理解，单极支持向量机并
非对已有标签的数据进行分类判别，而是通过回答
yes or no的方式去根据支持向量域描述（support vector domaindescription SVDD），将样本数据训练出一个最
小的超球面（大于3维特征），其中在二维中是一个
曲线，将数据全部包起来，即将异常点排除。
以下是通过训练样本表2数据所训练得到的SVM
分类器模型参数，如表3所示。
表2 训练样本详情
训练样本编号健康状况样本时长
1-50健康10ms
51-100健康10ms
101-150健康10ms
151-200健康5ms
表3 分类器参数详情
model
parameters-s SVM类型2
-t核函数类型2
-d核函数中的degree设置3
-g核函数中的r函数设置0.07
-r核函数中的cosf0设置0
nr_class数据集中有多少类别2
totaISV支持向量的总数116802
rho 决策函数wx+b中的常数项的
相反数（-b）
0.50715334
Label数据集中类别的标签 1 -1 nSV每类样本的支持向量的数目116802
sv+coef 每个支持向量在决策函数中
的系数
[116802×1]
SVs所有的支持向量[116802×36]2.4 实验结果
在实施过程中，模型成型后对模型进行调试测验，最终该系统的识别正确率可高达86%（如表4所示：样本数120 识别成功数103），是较为理想的结果。
表4 测试样本详情
测试样本编号健康状况识别成功数识别率1-50健康3876%
51-100健康4590%
101-120非健康20100%
3 总结
本论文在结合实际的项目研究工作的基础上，分析了在Matlab 平台上实现异常声音识别的方法，并且将基于支持向量机的异常识别方法应用于蛋鸡的健康诊断中。
在研究的过程中，对蛋鸡叫声的声学特性作了系统的分析，对支持向量机的理论与应用进行了较为深入的探索，并且在总结许多前人研究成果的基础上，提出了自己的方法。
本文系统的实现对于丰富和发展自动化养殖技术具有一定的意义。
参考文献
[1] 卢昆鹏.基于DSP-SVM的风电齿轮箱故障诊断系统
[D].太原：中北大学，2016.
[2] 姜勇.基于DSP的鸡蛋蛋壳破损检测系统设计[D].
杨凌：西北农林科技大学，2008.
[3] 包铁军.基于DSP的音频信号实时采集、处理及发送
系统设计[D].呼和浩特：内蒙古大学，2010.
[4] 祁飞.基于Matlab的羔羊寻母声音信号的识别分析
[D].呼和浩特：内蒙古农业大学，2016.
[5] 吕霄云，王宏霞.基于MFCC和短时能量混合的异常
声音识别算法[J].计算机应用，2010，30（3）：
796-798.
[6] 吕霄云.基于MFCC和GMM的异常声音识别算法研究
[D].成都：西南交通大学，2010.
[7] 郭利刚，赵凡.声音匹配识别算法的研究与实践
[J].中国传媒大学学报（自然科学版），2007，14
（1）：20-25.
[8] 周晓敏，李应.基于Radon和平移不变性小波变换的
鸟类声音识别[J].计算机应用，2014，34（5）：
1391-1396.
[9] 于水生.DSP芯片介绍及其选型[J].世界电子元器
件，2006（1）：56-58+60.
[10] 余礼根，滕光辉，李保明，等.蛋鸡发声音频数据库
的构建与应用[J].农业工程学报，2012，28（24）：
150-156.
表1 不同特征参数训练模型效果特征参数MFCC
模型参数optimization finished,#iter =246 obj=13811.032935, rho=166.093655 nSV=167, nBSV=166
识别率最高：
49.8364%
最低：
46.2934%
平均：
48.3483%
特征参数短时能量
模型参数optimization finished, #iter=548 obj=44.936945,rho=0.539783
nSV=333, nBSV=0
识别率最高：
42.1638%
最低：
39.2714%
平均：
40.2402%
特征参数MFCC和短时能量
模型参数optimization finished,#iter=540 obj=45.266624,rho =0.543744 nSV=333, nBSV=0
识别率最高：
53.1482%
最低：
48.7861%
平均：
50.1502%。