基于SVM的蛋雞叫聲異常檢測系統研究

周映荷　劉琪　李天樂　劉龍申

摘要：隨著人們對畜禽健康養殖的高度重視，傳統家禽養殖措施在面對大型飼養需求時體現出諸多弊端，而自動化和智能化是農業發展必然趨勢。本文以蛋雞為例，在matlab平臺上通過對蛋雞叫聲的采集與分析得出蛋雞的健康狀況，用SVM分類器設計出高正確率的蛋雞叫聲異常檢測系統。

關鍵詞：支持向量機;蛋雞;MFCC系數;聲音識別

1緒論

長久以來，我國現代農業中畜牧業是一項很有潛力的產業之一，也占據著中國農業生產的重要地位。而準確高效地采集動物個體信息是分析動物生理、健康和福利狀況的基礎。

本文論及蛋雞養殖，首先傳統蛋雞飼養中主要依靠人工觀測的方式監測蛋雞個體健康狀態，不僅會耗費飼養員大量的時間和精力，還很容易引起蛋雞的應激反應，破壞蛋雞生長自然環境。而科學研究表明，蛋雞在不同健康狀態下的叫聲會存在聲學特征的差異，因此聲音識別可以作為一種判斷動物福利的輔助方法。

2系統研究

聲音識別本質上是一種模式識別過程，主要包括蛋雞叫聲采集、去噪及加重、特征參數提取、識別器訓練、健康識別等幾個功能模塊。

具體實施過程可以描述為：首先采集健康蛋雞的叫聲信號進行去噪處理，并根據設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;然后，采集健康狀況待檢測的蛋雞叫聲，并進行同樣的特征提取，最后選擇分類算法進行識別分類，與健康聲音特征庫中的數據進行匹配，得到健康識別的結果。

2.1去噪程序

本項目研究目標為散養蛋雞，在此環境下，噪聲主要為自然環境噪音，而由于信號譜和噪聲譜是任意重疊的，傳統的濾波器方法效果并不顯著。在本文中將創新采用小波分解與重構的方法對采集聲音進行去噪。

簡而言之，小波分析是一種信號的時間頻率分析方法，是將原函數y（t）表示為一系列逐次逼近表達式，其中每一個都是y（t）函數經過平滑后的形式，它們分別對應不同的分辨率因此能夠聚焦到信號的任意細節進行多分辨率的時頻分析。

本項目在實施過程中選用小波閾值去噪法對樣本聲音進行去噪，在此過程中，主要測定了適用的小波基和分解層數，合適的閾值和閾值函數等影響去噪效果的主要特征。

通過MATLAB多次仿真實驗可得，運用“db3”小波基做兩層分解后通過硬閾值函數進行閾值去噪并重構為該實驗環境下最有效的去噪方法，圖1為效果圖。

2.2 特征參數提取程序

在研究過程中，我們通過對同一段樣本提取不同特征向量并用同樣參數訓練SVM識別模型，識別模型的準確率分別如表1所示：

由表可知，MFCC與短時能量結合的方式訓練識別模型效果最理想。因為短時能量是時域特征，MFCC參數是人耳聽覺感知特征，而兩者之間的相關性不大，它們反映的是音頻信號的不同特征，結合有較好的識別效果。

2.3 SVM訓練與識別程序

由于支持向量機在解決小樣本問題、非線性問題及高維空間內的模式識別問題的時候有很多優點，所以其被廣泛使用。基本原理是升維，即將低維空間中的非線性問題映射到高維空間中，然后利用核函數將非線性問題轉換為線性問題，使其變得更簡單容易解決。

而本文作為異常識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（one class SVM）。根據對已有支持向量機的理解，單極支持向量機并非對已有標簽的數據進行分類判別，而是通過回答yes or no的方式去根據支持向量域描述（support vector domaindescription SVDD），將樣本數據訓練出一個最小的超球面（大于3維特征），其中在二維中是一個曲線，將數據全部包起來，即將異常點排除。

以下是通過訓練樣本表2數據所訓練得到的SVM分類器模型參數，如表3所示。

2.4實驗結果

在實施過程中，模型成型后對模型進行調試測驗，最終該系統的識別正確率可高達86%（如表4所示：樣本數120識別成功數103），是較為理想的結果。

3 總結

本論文在結合實際的項目研究工作的基礎上，分析了在Matlab平臺上實現異常聲音識別的方法，并且將基于支持向量機的異常識別方法應用于蛋雞的健康診斷中。

在研究的過程中，對蛋雞叫聲的聲學特性作了系統的分析，對支持向量機的理論與應用進行了較為深入的探索，并且在總結許多前人研究成果的基礎上，提出了自己的方法。

本文系統的實現對于豐富和發展自動化養殖技術具有一定的意義。

參考文獻

[1]盧昆鵬.基于DSP-SVM的風電齒輪箱故障診斷系統[D].太原：中北大學，2016.

[2]姜勇.基于DSP的雞蛋蛋殼破損檢測系統設計[D].楊凌：西北農林科技大學，2008.

[3]包鐵軍.基于DSP的音頻信號實時采集、處理及發送系統設計[D].呼和浩特：內蒙古大學，2010.

[4]祁飛.基于Matlab的羔羊尋母聲音信號的識別分析[D].呼和浩特：內蒙古農業大學，2016.

[5]呂霄云，王宏霞.基于MFCC和短時能量混合的異常聲音識別算法[J].計算機應用，2010，30（3）：796-798.

[6]呂霄云.基于MFCC和GMM的異常聲音識別算法研究[D].成都：西南交通大學，2010.

[7]郭利剛，趙凡.聲音匹配識別算法的研究與實踐[J].中國傳媒大學學報（自然科學版），2007，14（1）：20-25.

[8]周曉敏，李應.基于Radon和平移不變性小波變換的鳥類聲音識別[J].計算機應用，2014，34（5）：1391-1396.

[9]于水生.DSP芯片介紹及其選型[J].世界電子元器件，2006（1）：56-58+60.

[10]余禮根，滕光輝，李保明，等.蛋雞發聲音頻數據庫的構建與應用[J].農業工程學報，2012，28（24）：150-156.