基于SVM的蛋雞叫聲異常檢測(cè)系統(tǒng)研究

周映荷，劉 琪，李天樂(lè)，劉龍申

(南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇南京 210031)

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。

圖1 去噪波形圖

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。

表1 不同特征參數(shù)訓(xùn)練模型效果

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。

表2 訓(xùn)練樣本詳情

表3 分類器參數(shù)詳情

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。

表4 測(cè)試樣本詳情

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。