基于被動(dòng)水聲信號(hào)的淡水魚(yú)種類(lèi)識(shí)別

李 路 涂群資 黃漢英 趙思明 熊善柏 馬章宇

(1.華中農(nóng)業(yè)大學(xué)工學(xué)院， 武漢 430070； 2.華中農(nóng)業(yè)大學(xué)食品科技學(xué)院， 武漢 430070)

基于被動(dòng)水聲信號(hào)的淡水魚(yú)種類(lèi)識(shí)別

李 路1涂群資1黃漢英1趙思明2熊善柏2馬章宇1

(1.華中農(nóng)業(yè)大學(xué)工學(xué)院， 武漢 430070； 2.華中農(nóng)業(yè)大學(xué)食品科技學(xué)院， 武漢 430070)

針對(duì)淡水魚(yú)種類(lèi)自動(dòng)識(shí)別問(wèn)題，采用被動(dòng)水聲信號(hào)作為數(shù)據(jù)源，運(yùn)用維納濾波和采樣降噪法對(duì)水聲信號(hào)進(jìn)行預(yù)處理，通過(guò)4層小波包分解算法提取頻段能量，結(jié)合信號(hào)的短時(shí)平均能量和短時(shí)平均過(guò)零率構(gòu)建特征向量，使用概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器實(shí)現(xiàn)了淡水魚(yú)種類(lèi)的快速識(shí)別，研究了不同平滑因子取值對(duì)識(shí)別效果的影響。結(jié)果表明，當(dāng)平滑因子為9～19時(shí)識(shí)別效果最佳，其中草魚(yú)、鳊魚(yú)、鯽魚(yú)的識(shí)別正確率均為100%，無(wú)魚(yú)狀態(tài)的識(shí)別正確率為77.3%，總正確率為94.3%。

淡水魚(yú)； 被動(dòng)水聲信號(hào)； 種類(lèi)識(shí)別； 概率神經(jīng)網(wǎng)絡(luò)

引言

魚(yú)類(lèi)識(shí)別是水生生態(tài)監(jiān)測(cè)和漁業(yè)資源評(píng)估的重要內(nèi)容[1]。近些年，國(guó)內(nèi)外研究者利用水聲信號(hào)處理技術(shù)，通過(guò)對(duì)魚(yú)類(lèi)發(fā)聲特點(diǎn)和聲學(xué)特性的研究，構(gòu)建了部分魚(yú)類(lèi)的自動(dòng)監(jiān)測(cè)和識(shí)別方法，該方法適用范圍廣、不受能見(jiàn)度影響，是目前研究的一大熱點(diǎn)[2-4]?；诒粍?dòng)水聲信息的魚(yú)類(lèi)監(jiān)測(cè)研究主要集中在兩方面：①開(kāi)展海洋漁業(yè)資源調(diào)查，采集不同水域、不同種類(lèi)魚(yú)的發(fā)聲信號(hào)，從而獲得魚(yú)類(lèi)的時(shí)空分布以及行為特征，為漁業(yè)生產(chǎn)提供相關(guān)信息[5-6]。②研究魚(yú)類(lèi)在某種特定行為下的發(fā)聲特性[7-13]及發(fā)聲機(jī)理[14-16]。上述研究都是針對(duì)海魚(yú)的，而常見(jiàn)淡水魚(yú)大多沒(méi)有顯著的鳴叫聲，其信號(hào)特征不顯著。利用低信噪比的被動(dòng)水聲信號(hào)對(duì)淡水魚(yú)的種類(lèi)進(jìn)行識(shí)別，具有較大難度，目前還沒(méi)有較好的解決方法，相關(guān)的研究也鮮見(jiàn)報(bào)道。

本文針對(duì)淡水魚(yú)種類(lèi)自動(dòng)識(shí)別問(wèn)題，以水聽(tīng)器為信號(hào)采集設(shè)備，采用小波包分解算法進(jìn)行頻段能量計(jì)算，然后利用概率神經(jīng)網(wǎng)絡(luò)(Probabilistic neural networks，PNN)分類(lèi)器對(duì)淡水魚(yú)進(jìn)行自動(dòng)分類(lèi)，在保證較高正確率的前提下盡量減小計(jì)算量，以期為快速識(shí)別淡水魚(yú)種類(lèi)提供一種手段。

1 材料與方法

1.1 材料與儀器

選取草魚(yú)、鳊魚(yú)和鯽魚(yú)為試驗(yàn)材料。所有試驗(yàn)用魚(yú)均在市場(chǎng)隨機(jī)采購(gòu)，草魚(yú)質(zhì)量0.75～1.50 kg，鳊魚(yú)質(zhì)量0.35～1.00 kg，鯽魚(yú)質(zhì)量0.15～0.50 kg。

試驗(yàn)儀器為High Tech 公司生產(chǎn)的HTI-96-MIN型標(biāo)準(zhǔn)水聽(tīng)器和Song Meter系列中的SM2+型聲學(xué)記錄儀。為了減小噪聲干擾，以上述儀器為核心，設(shè)計(jì)了淡水魚(yú)水聲信號(hào)采集系統(tǒng)，如圖1所示。該系統(tǒng)包括2個(gè)同樣大小的消聲水箱，其中試驗(yàn)水箱用來(lái)采集魚(yú)類(lèi)水聲信號(hào)，對(duì)照水箱用來(lái)同步采集背景環(huán)境噪聲，用作后期數(shù)據(jù)處理時(shí)的背景環(huán)境噪聲消除。

圖1 淡水魚(yú)水聲信號(hào)采集系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure diagram of acoustic signal acquisition system1.試驗(yàn)水箱 2.照明燈 3.攝像機(jī) 4.電源 5.數(shù)據(jù)處理計(jì)算機(jī) 6.聲學(xué)記錄儀 7. 2號(hào)水聽(tīng)器 8.對(duì)照水箱 9. 1號(hào)水聽(tīng)器 10.隔音海綿

1.2 方法

1.2.1 信號(hào)采集

在兩水箱中各注入500 L的水，水溫為10～15℃，溶氧量為7～8 mg/L，pH值為7.2～7.5。水聽(tīng)器布置在水面以下20 cm處。將每尾淡水魚(yú)依次單獨(dú)放入試驗(yàn)水箱中，靜置5 min，待其狀態(tài)穩(wěn)定后，進(jìn)行水聲信號(hào)采集。

聲學(xué)記錄儀參數(shù)設(shè)置如下：采集時(shí)長(zhǎng)60 s；采樣頻率4 000 Hz。

共采集草魚(yú)、鳊魚(yú)和鯽魚(yú)水聲信號(hào)樣本各44組。作為對(duì)照，另采集無(wú)魚(yú)聲音信號(hào)樣本44組。總體試驗(yàn)樣本176組。

1.2.2 信號(hào)預(yù)處理

上述水聲信號(hào)樣本，除含有魚(yú)類(lèi)本身輻射的信號(hào)外，還含有外界環(huán)境噪聲，如果直接運(yùn)用原始信號(hào)進(jìn)行種類(lèi)識(shí)別，會(huì)大大降低準(zhǔn)確性。因此在提取水聲信號(hào)特征之前，需要對(duì)其進(jìn)行歸一化、濾波和背景環(huán)境噪聲消除等預(yù)處理。

(1)濾波

運(yùn)用維納濾波對(duì)水聲信號(hào)進(jìn)行濾波消噪。維納濾波器是基于最小均方誤差準(zhǔn)則下的最優(yōu)化線(xiàn)性濾波器，它使輸出的估計(jì)信號(hào)與期望的輸出信號(hào)之間的均方誤差為最小，從而有效抑制白噪聲，提高信號(hào)的質(zhì)量[17]。

(2)背景環(huán)境噪聲消除

根據(jù)對(duì)照水箱中采集的噪聲信息，使用采樣降噪方法對(duì)樣本進(jìn)行背景環(huán)境噪聲消除。采樣降噪是目前較為科學(xué)、應(yīng)用較為廣泛的一種消除背景噪聲的方式，它利用環(huán)境噪聲的頻率特性，在原始音頻信號(hào)中去除符合該頻率特性的噪聲，從而達(dá)到降噪的目的[18]。

1.2.3 樣本集劃分

所采集的176組水聲信號(hào)全部經(jīng)過(guò)濾波降噪處理后，作為概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器的數(shù)據(jù)樣本，采用隨機(jī)挑選的方法，進(jìn)行訓(xùn)練集和驗(yàn)證集的劃分，劃分比例為1∶1。

1.2.4 信號(hào)特征參數(shù)提取

(1)短時(shí)平均能量

對(duì)聲音信號(hào)能量的描述能夠反映聲音的特性。因此，在對(duì)魚(yú)聲信號(hào)進(jìn)行分析時(shí)，選擇信號(hào)的短時(shí)平均能量作為特征值之一可以描述信號(hào)的變化情況。短時(shí)平均能量是在短時(shí)能量的基礎(chǔ)上得到的，魚(yú)聲信號(hào)的短時(shí)能量的計(jì)算公式為

(1)

式中Ev——第v幀的短時(shí)能量xv(m)——第v幀水聲信號(hào)中第m個(gè)采樣點(diǎn)的幅值

N——幀長(zhǎng)

魚(yú)聲信號(hào)經(jīng)加窗分幀處理后的幀數(shù)為V，其短時(shí)平均能量為E，其計(jì)算公式為

(2)

(2)短時(shí)平均過(guò)零率

短時(shí)過(guò)零率是指聲音振動(dòng)方向持續(xù)變化的信號(hào)在一個(gè)短時(shí)幀長(zhǎng)內(nèi)通過(guò)橫坐標(biāo)軸的次數(shù)[19]。文獻(xiàn)[10]表明，魚(yú)類(lèi)聲音信號(hào)的短時(shí)過(guò)零率，能反映目標(biāo)的頻率。本研究不需要針對(duì)信號(hào)內(nèi)某幾個(gè)突變信號(hào)進(jìn)行識(shí)別，而是得到信號(hào)總體的一個(gè)參數(shù)作為特征，因此選擇信號(hào)的短時(shí)平均過(guò)零率作為特征值之一。

短時(shí)過(guò)零率計(jì)算公式為

(3)

式中Zv——第v幀的短時(shí)過(guò)零率

sgn[·]是符號(hào)函數(shù)，其形式為

(4)

式中x(n)——離散采樣后的水聲信號(hào)

短時(shí)平均過(guò)零率是在短時(shí)過(guò)零率的基礎(chǔ)上得到的，其計(jì)算公式為

(5)

式中Z——短時(shí)平均過(guò)零率

(3)基于小波包分解的頻段能量

小波包算法是將信號(hào)頻帶進(jìn)行多層次的劃分，同時(shí)對(duì)低頻和高頻成分進(jìn)行分解[3]。具體算法如下：

(6)

(7)

圖2 小波包分解樹(shù)Fig.2 Wavelet packet decomposition tree

首先采用4層小波包分解對(duì)魚(yú)聲信號(hào)進(jìn)行特征參數(shù)提取，選取db1小波作為小波包基函數(shù)。其小波包分解樹(shù)如圖2所示。圖中，每個(gè)節(jié)點(diǎn)都代表了一定的特征，節(jié)點(diǎn)(0,0)代表原始魚(yú)聲信號(hào)S，節(jié)點(diǎn)(a,b)代表第a層小波包分解第b個(gè)節(jié)點(diǎn)的系數(shù)，其中a= 1, 2, 3, 4，b= 0, 1, 2, …, 15。

此時(shí)對(duì)原始信號(hào)S進(jìn)行表示時(shí)，高低頻信號(hào)分量可以任意組合，但要滿(mǎn)足2個(gè)條件：信號(hào)的完備性和高低頻信號(hào)分量不能有交疊性。

(8)

式中g(shù)0(l-2k)——小波包重構(gòu)低通濾波器組g1(l-2k)——小波包重構(gòu)高通濾波器組

最后，計(jì)算各頻段內(nèi)重構(gòu)信號(hào)的能量E4b作為分類(lèi)識(shí)別的特征參數(shù)，計(jì)算公式為

(9)

式中M——重構(gòu)信號(hào)S4b的離散采樣點(diǎn)數(shù)S4b(i)——重構(gòu)信號(hào)S4b的第i個(gè)采樣值

1.2.5 淡水魚(yú)品種分類(lèi)器設(shè)計(jì)

基于被動(dòng)水聲信號(hào)的淡水魚(yú)種類(lèi)識(shí)別其實(shí)就是一個(gè)對(duì)淡水魚(yú)聲音信號(hào)進(jìn)行分類(lèi)的過(guò)程。本文采用概率神經(jīng)網(wǎng)絡(luò)分類(lèi)算法實(shí)現(xiàn)淡水魚(yú)種類(lèi)識(shí)別。概率神經(jīng)網(wǎng)絡(luò)是基于貝葉斯決策理論和密度函數(shù)估計(jì)而建立的一種前饋神經(jīng)網(wǎng)絡(luò)[20]。概率神經(jīng)網(wǎng)絡(luò)由輸入層、模式層、累加層和輸出層組成。輸入層用來(lái)接收來(lái)自訓(xùn)練集樣本的特征向量。本文提取信號(hào)的短時(shí)平均能量、短時(shí)平均過(guò)零率、4層小波包分解的各頻段能量構(gòu)成n維度特征向量X= (x1,x2, …,xn)T。模式層將特征向量進(jìn)行加權(quán)處理，即Z=XW，其中W為權(quán)值矩陣。Z經(jīng)過(guò)一個(gè)激活函數(shù)處理后，傳給累加層。本文采用的激活函數(shù)為

(10)

式中δ2——樣本方差

在累加層中，依據(jù)Parzen方法求和來(lái)估計(jì)樣本類(lèi)別的概率為

P(X|Ci)=

(11)

式中Ci——目標(biāo)類(lèi)別Nx——訓(xùn)練樣本數(shù)Xi——訓(xùn)練樣本特征向量σ——平滑因子

σ決定了模式樣本點(diǎn)之間的影響程度，其通過(guò)影響PNN中的概率密度分布函數(shù)變化，直接決定著最終的分類(lèi)效果。當(dāng)取值過(guò)大時(shí)，雖然概率密度估計(jì)比較平滑但細(xì)節(jié)丟失嚴(yán)重；而當(dāng)取值過(guò)小時(shí)，密度估計(jì)又會(huì)呈現(xiàn)較多的尖峰突起。σ的取值需要在反復(fù)試驗(yàn)對(duì)比中來(lái)確定，本文σ取2～40。

MapReduce的基本執(zhí)行流程如圖1所示。其中，Map函數(shù)讀取一個(gè)初始數(shù)據(jù)，然后計(jì)算產(chǎn)生中間數(shù)據(jù)的鍵/值對(duì)的集合，由MapReduce系統(tǒng)將具有相同Key的中間Values合并在一起，并且將這些中間數(shù)據(jù)定期存儲(chǔ)在本地磁盤(pán)上，然后將這些數(shù)據(jù)傳送給Reduce函數(shù)。Reduce函數(shù)讀取Map輸出的中間數(shù)據(jù)，在本地節(jié)點(diǎn)計(jì)算產(chǎn)生最終的結(jié)果，并將結(jié)果寫(xiě)入全局的Hadoop分布式文件系統(tǒng)（Hadoop Distributed File System ，HDFS）中。

輸出層的神經(jīng)元個(gè)數(shù)與待分類(lèi)目標(biāo)的類(lèi)別數(shù)相同。根據(jù)各類(lèi)對(duì)輸入向量概率的估計(jì)，采用貝葉斯決策理論選擇具有最小“風(fēng)險(xiǎn)”的類(lèi)別，即具有最大后驗(yàn)概率的類(lèi)別，其決策方法為

P(X|Ci)P(Ci)>P(X|Cj)P(Cj)(i≠j)

(12)

式中P(Cj)——樣本的概率估計(jì)

1.2.6 算法效率分析

算法效率是衡量算法實(shí)用性的重要指標(biāo)。本文采用運(yùn)行時(shí)間(即從信號(hào)預(yù)處理至完成分類(lèi)識(shí)別所用的時(shí)長(zhǎng))作為描述算法效率的參數(shù)。使用上述分類(lèi)識(shí)別算法對(duì)176組樣本進(jìn)行處理，將每一組樣本的算法運(yùn)行時(shí)間進(jìn)行統(tǒng)計(jì)分析，從統(tǒng)計(jì)意義上說(shuō)明算法的運(yùn)行效率。算法運(yùn)行環(huán)境為CPU Intel Core i3-2100；內(nèi)存 DDR3 1 333 MHz 8 GB；OS Windows7 64位；軟件平臺(tái)為Matlab 2014a。

2 結(jié)果與分析

圖3為草魚(yú)水聲信號(hào)經(jīng)歸一化處理、維納濾波以及背景環(huán)境噪聲消除處理前后對(duì)比結(jié)果。由圖3可知：

圖3 魚(yú)聲信號(hào)消噪前后對(duì)比Fig.3 Comparison of acoustic signals before and after de-noising

圖4 不同樣本水聲信號(hào)時(shí)域波形圖和頻譜分析圖Fig.4 Time domain waveform and spectrum analysis of different samples

(1)濾波消噪去掉了大量的隨機(jī)干擾，使時(shí)域信號(hào)的特點(diǎn)和波形結(jié)構(gòu)更加清晰。

(2)信號(hào)頻譜中的低頻成分被大量濾除。其原因在于，隔音層對(duì)高頻噪聲效果顯著，但對(duì)低頻噪聲的屏蔽效果差，導(dǎo)致所采集的水聲信號(hào)中低頻環(huán)境噪聲較多，隨著噪聲的消除，低頻部分的能量便顯著降低。

無(wú)魚(yú)、鯽魚(yú)、鳊魚(yú)聲音信號(hào)消噪后的時(shí)域波形圖及頻譜分析如圖4所示。綜合圖3和圖4可知，不同種類(lèi)淡水魚(yú)的被動(dòng)水聲信號(hào)在時(shí)域和頻域上都有顯著特征。

(1)無(wú)魚(yú)時(shí)，水聲信號(hào)時(shí)域波形波動(dòng)最小，其頻譜特征與白噪聲的相近。

(2)草魚(yú)水聲信號(hào)時(shí)域波形波動(dòng)最劇烈，其頻譜分布最寬，約為0～250 Hz，頻譜能量較均勻。

(3)鯽魚(yú)水聲信號(hào)時(shí)域波形波動(dòng)較小，其頻譜中高頻成分相對(duì)較多。

(4)鳊魚(yú)水聲信號(hào)時(shí)域波形波動(dòng)較大，其頻譜中低頻成分相對(duì)較多。

圖5為4類(lèi)水聲信號(hào)特征參數(shù)提取結(jié)果的比較。將每個(gè)樣本的18個(gè)特征參數(shù)繪制成一條折線(xiàn)，為突出每一類(lèi)水聲信號(hào)樣本的特點(diǎn)，176條折線(xiàn)按照樣本類(lèi)別分4幅圖畫(huà)出。圖中特征參數(shù)編號(hào)為1～18，其中1號(hào)特征參數(shù)為短時(shí)平均能量，2號(hào)特征參數(shù)為短時(shí)平均過(guò)零率，3～18號(hào)特征參數(shù)為小波包分解頻段能量。

圖5 4類(lèi)水聲信號(hào)樣本的特征參數(shù)Fig.5 Characteristics of four classes underwater acoustic signals

由圖5可知，3種魚(yú)類(lèi)水聲信號(hào)的特征參數(shù)值的分布較為集中，信號(hào)特征較易分辨。無(wú)魚(yú)時(shí)，特征參數(shù)值分布范圍較廣，變化規(guī)律較復(fù)雜，信號(hào)特征不顯著，原因在于無(wú)魚(yú)狀態(tài)所采集的水聲信號(hào)基本為背景噪聲，信號(hào)的隨機(jī)性較大，區(qū)分難度高。草魚(yú)和鯽魚(yú)的特征參數(shù)值大小不同，但變化趨勢(shì)相近。鳊魚(yú)的特征參數(shù)變化趨勢(shì)與另兩種魚(yú)有顯著差異，原因在于鳊魚(yú)體型較特殊，其運(yùn)動(dòng)產(chǎn)生的水聲信號(hào)迥異于其他三者。

圖6為σ不同取值的分類(lèi)識(shí)別結(jié)果。σ取值較小時(shí)，由于分類(lèi)器中密度分布函數(shù)波動(dòng)劇烈，導(dǎo)致除鳊魚(yú)外的其他信號(hào)的識(shí)別正確率都不高。隨著σ取值增大，草魚(yú)和鯽魚(yú)的識(shí)別正確率顯著提高，鳊魚(yú)和無(wú)魚(yú)狀態(tài)的識(shí)別正確率不變。σ大于9時(shí)，各類(lèi)樣本的識(shí)別正確率達(dá)到最高。當(dāng)σ大于19時(shí)，分類(lèi)器中密度分布函數(shù)細(xì)節(jié)丟失嚴(yán)重，導(dǎo)致對(duì)無(wú)魚(yú)狀態(tài)和鳊魚(yú)的識(shí)別正確率開(kāi)始下降。

從不同樣本種類(lèi)的識(shí)別正確率來(lái)看，鳊魚(yú)信號(hào)特征非常顯著、極易辨認(rèn)，故在各種σ值情況下的識(shí)別正確率都很高，為95%以上。無(wú)魚(yú)時(shí)，信號(hào)特征不顯著、極難分辨，故其識(shí)別正確率在各種σ值情況下均較低，處于80%以下。由于草魚(yú)和鯽魚(yú)的信號(hào)特征變化趨勢(shì)相近，故識(shí)別正確率隨σ的變化規(guī)律比較一致。

圖6 PNN神經(jīng)網(wǎng)絡(luò)分類(lèi)效果圖Fig.6 Classification accuracy of PNN neural network

圖7 算法運(yùn)行時(shí)間Fig.7 Run time of identification algorithm

圖7為176個(gè)樣本的算法運(yùn)行時(shí)間，其均值為1.78 s，標(biāo)準(zhǔn)差為0.15 s。絕大部分樣本的算法運(yùn)行時(shí)間為1.6～2.0 s，而146號(hào)樣本的運(yùn)行時(shí)間最長(zhǎng)，為3.65 s，這可能是由于其他應(yīng)用程序突然占用了部分硬件資源造成的。相對(duì)于每個(gè)樣本60 s的采集時(shí)長(zhǎng)來(lái)說(shuō)，目前的算法運(yùn)行時(shí)間能夠滿(mǎn)足需要。但若要保證程序運(yùn)行的實(shí)時(shí)性，還需要通過(guò)將算法固化到高性能嵌入式系統(tǒng)中才能實(shí)現(xiàn)。

總之，當(dāng)σ取值為9～19時(shí)，3種魚(yú)類(lèi)水聲信號(hào)樣本的識(shí)別正確率都為100%，只有無(wú)魚(yú)樣本的識(shí)別正確率為77.3%。此時(shí)，總體分類(lèi)正確率最高，為94.3%。結(jié)果說(shuō)明采用短時(shí)平均能量、短時(shí)平均過(guò)零率和4層小波包分解的頻段能量構(gòu)建特征向量，數(shù)據(jù)量少，計(jì)算量小，模型運(yùn)行速度快，具有較好的分類(lèi)識(shí)別能力。

3 結(jié)束語(yǔ)

研究了4類(lèi)被動(dòng)水聲信號(hào)和特征參數(shù)，使用概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器實(shí)現(xiàn)了3種常見(jiàn)淡水魚(yú)種類(lèi)的快速識(shí)別，探討了不同平滑因子取值對(duì)識(shí)別正確率的影響。結(jié)果表明，當(dāng)平滑因子取值為9～19時(shí)，淡水魚(yú)種類(lèi)識(shí)別效果達(dá)到最佳，總正確率為94.3%，其中無(wú)魚(yú)狀態(tài)的識(shí)別正確率為77.3%，草魚(yú)、鳊魚(yú)、鯽魚(yú)的識(shí)別正確率均為100%。該識(shí)別方法速度快、精度高，能自動(dòng)、無(wú)損地實(shí)現(xiàn)淡水魚(yú)的種類(lèi)識(shí)別，為魚(yú)類(lèi)狀態(tài)監(jiān)測(cè)提供了一種有效的手段。

1 SATTAR F, CULLIS-SUZUKI S, JIN F. Acoustic analysis of big ocean data to monitor fish sounds[J]. Ecological Informatics, 2016, 34: 102-107.

2 KHAN J A, WELSH J Q, BELLWOOD D R. Using passive acoustic telemetry to infer mortality events in adult herbivorous coral reef fishes[J]. Coral Reefs, 2016, 35(2): 411-420.

3 杜偉東, 李海森, 魏玉闊, 等. 基于SVM的多方位聲散射數(shù)據(jù)協(xié)作融合魚(yú)分類(lèi)與識(shí)別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(3): 268-275. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150339&flag=1.DOI:10.6041/j.issn.1000-1298.2015.03.039. DU Weidong, LI Haisen, WEI Yukuo,et al. Multi-azimuth acoustic scattering data cooperative fusion using SVM for fish classification and identification[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 268-275.(in Chinese)

4 GODLEWSKA M, DLUGOSZEWSKI B, DOROSZCZYK L, et al. The relationship between sampling intensity and sampling error-empirical results from acoustic surveys in Polish vendace lakes[J]. Fisheries Research, 2009, 96(1): 17-22.

5 JAMES V L, MICHAEL L B. A passive acoustic survey of fish sound production at Riley’s Hump within Tortugas South Ecological Reserve: implications regarding spawning and habitat use [J]. Fishery Bulletin, 2016, 114: 103-116.

6 THOMAS G L, HAHN T R, THORNE R E. Integrating passive and active acoustics for the assessment of fish stocks[C]∥Oceans 2007 MTS/IEEE Conference, 2007:4449243.

7 LINDSTROM K, LUGLI M. A quantitative analysis of the courtship acoustic behaviour and sound patterning in male sand goby, Pomatoschistus minutes[J]. Environmental Biology of Fishes, 2000, 58(4): 411-424.

8 SPRAGUE M W, LUCZKOVICH J J, PULLINGER R C, et al. Using spectral analysis to identify drumming sounds of some North Carolina fishes in the family sciaenidae [J]. The Journal of the Elisha Mitchell Scientific Society, 2000, 116(2): 124-145.

9 MICHELLE T S, NEMETH M I, ROWELL T J, et al. Sounds associated with the reproductive behavior of the black grouper (Mycteropercabonaci)[J]. Marine Biology, 2014, 161(1):141-147.

10 PICCIULIN M, BOLGAN M, CORO A B, et al. Sound production by the Shi drum umbrina cirrosa and comparison with the brown meagreSciaenaumbra:a passive acoustic monitoring perspective[J]. Journal of Fish Biology, 2016, 88(4):1655-1660.

11 魏翀, 張宇,張賽,等. 網(wǎng)箱養(yǎng)殖大黃魚(yú)合成聲信號(hào)特性研究[J]. 聲學(xué)學(xué)報(bào), 2013, 38(3):300-305. WEI Chong, ZHANG Yu, ZHANG Sai,et al. Synthesized acoustic signal characteristics of net-cage-cultured Large Yellow Croaker,Pseudosciaenacrocea[J]. ACTA Acustica, 2013, 38(3): 300-305.(in Chinese)

12 陳功, 王平波, 常睿, 等. 稀疏特征在微弱被動(dòng)魚(yú)聲檢測(cè)中的應(yīng)用[J]. 熱帶海洋學(xué)報(bào), 2015, 34(4): 48-53. CHEN Gong, WANG Pingbo, CHANG Rui, et al. Research on detection of weak passive fish acoustic by sparse decomposition feature[J]. Journal of Tropical Oceanography, 2015, 34(4): 48-53.(in Chinese)

13 陳功, 朱錫芳, 許清泉. 仿聲技術(shù)在海洋魚(yú)類(lèi)被動(dòng)聲信號(hào)特征提取中的應(yīng)用[J]. 海洋技術(shù)學(xué)報(bào), 2013, 32(3): 50-54. CHEN Gong, ZHU Xifang, XU Qingquan. Application of imitated voice technology on feature extraction from marine passive fish acoustic target[J]. Journal of Ocean Technology, 2013, 32(3): 50-54.(in Chinese)

14 WOOD M, CASARETTO L, HORGAN G, et al. Discriminating between fish sounds a wavelet approach[J]. Bioacoustics, 2002, 12: 337-339.

15 SPRAGUE M W. The single sonic muscle twitch model for the sound-production mechanism in the weakfish, Cynoscion regalis[J]. Journal of the Acoustical Society of America, 2000, 108(5): 2430 -2437.

16 CONNAUGHTON M A, TAYOR M H, FINE M L. Effects of fish size and temperature on weakfish disturbance calls: implications for the mechanism of sound generation[J]. The Journal of Experimental Biology, 2000, 203(9): 1503-1512.

17 王景芳. 含噪語(yǔ)音實(shí)時(shí)迭代維納濾波[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(19): 132-135. WANG Jingfang. Iterative Wiener filtering-based real-time voice in noises[J]. Computer Engineering and Applications, 2011, 47(19): 132-135.(in Chinese)

18 溫建科. 基于Cool Edit Pro軟件的數(shù)字音頻處理技術(shù)[J]. 實(shí)驗(yàn)科學(xué)與技術(shù), 2013, 11(6): 38-40. WEN Jianke. Processing technology of digital audio based on Cool Edit Pro software[J]. Experiment Science and Technology, 2013, 11(6): 38-40.(in Chinese)

19 趙力. 語(yǔ)音信號(hào)處理[M]. 北京: 機(jī)械工業(yè)出版社, 2003.

20 孫俊, 路心資, 張曉東, 等. 基于高光譜圖像的紅豆品種GA-PNN神經(jīng)網(wǎng)絡(luò)鑒別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(6): 215-221. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160628&flag=1.DOI:10.6041/j.issn.1000-1298.2016.06.028. SUN Jun, LU Xinzi, ZHANG Xiaodong,et al. Identification of red bean variety with probabilistic GA-PNN based on hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 215-221.(in Chinese)

Freshwater Fish Identification Based on Passive Underwater Acoustic Signals

LI Lu1TU Qunzi1HUANG Hanying1ZHAO Siming2XIONG Shanbo2MA Zhangyu1

(1.CollegeofEngineering,HuazhongAgriculturalUniversity,Wuhan430070,China2.CollegeofFoodScienceandTechnology,HuazhongAgriculturalUniversity,Wuhan430070,China)

Aiming to identify freshwater fish species automatically, passive acoustic signal samples of common freshwater fish were collected by the HTI-96-MIN standard hydrophone. A wiener filter and a sampling noise reduction method were used to preprocess the samples. Then frequency band energy of the samples was extracted by using wavelet packet decomposition algorithm. The layer number of the algorithm was four. The characteristic vectors of the samples were comprised of short-time average energy, short-time average zero-crossing rate, frequency band energy, and difference among the characteristic vectors of the four classes samples. Furthermore, a probabilistic neural network was used to identify freshwater fish species rapidly. As different values of the smoothing factor σ, the identification effect was studied. The results indicated that the identification accuracy was the highest when the smooth factor was between 9 and 19. The identification accuracies of ctenopharyngodon idellus, megalobrama amblycephala and crucian carp were all 100%. The identification accuracy of passive acoustic signals with zero fish was 77.3%. And the total accuracy was 94.3%. The proposed freshwater fish identification method using passive underwater acoustic signals had higher accuracy and less calculation. It provided a new way for identifying freshwater fish species quickly.

freshwater fish; passive underwater acoustic signal; variety identification; probabilistic neural network

10.6041/j.issn.1000-1298.2017.08.018

2017-05-02

2017-06-05

中央高校基本科研業(yè)務(wù)費(fèi)專(zhuān)項(xiàng)(2662015QC020、2662015PY078)和國(guó)家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專(zhuān)項(xiàng)(CARS-46-23)

李路(1979—)，男，講師，博士，主要從事農(nóng)產(chǎn)品檢測(cè)與加工裝備研究，E-mail： taiyangfeng@126.com

黃漢英(1964—)，女，副教授，主要從事農(nóng)產(chǎn)品檢測(cè)與加工裝備研究，E-mail： hhywmx@mail.hzau.edu.cn

S24； TB56

A

1000-1298(2017)08-0166-06