[發明專利]一種基于深度學習模型的仔豬被壓檢測方法

在審

• 申請號: 202110724368.2
• 申請日: 2021-06-29
• 公開（公告）號: CN113326899A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 杜曉冬;樊士冉;張瑞雪;張志勇;陳麒麟;閆雪冬;趙鋮
• 申請（專利權）人: 西藏新好科技有限公司;山東新希望六和農牧科技有限公司;山東新希望六和集團有限公司;夏津新希望六和農牧有限公司;新希望六和股份有限公司;北京新六農牧科技有限公司;四川新希望六和豬育種科技有限公司;新希望集團有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習模型的仔豬被壓檢測方法，其特征在于，包括，

S1、在豬產房欄位內設置麥克風陣列(1)，所述麥克風陣列(1)設置在兩個豬產房欄位相鄰的欄位壁上，麥克風陣列(1)設置在欄位壁的中部，所述麥克風陣列包括偶數個麥克風，麥克風對稱分布朝向兩個欄位；

S2、通過麥克風采集兩個欄位的聲音；

S3、根據S2采集到的聲音，判斷聲源位置；

S4、結合基于CNN和聲譜圖所建立的仔豬被壓發聲模型，判斷仔豬是否出現被壓情況；

將聲音信號進行短時傅里葉變換為線性頻率尺度特征，將線性頻率尺度轉換為MEL頻率尺度，以MEL頻率尺度作為CNN模型的輸入參數。

2.根據權利要求1所述的基于深度學習模型的仔豬被壓檢測方法，其特征在于，所述S3根據S2采集到的聲音，判斷聲源位置的方法，具體為，

每個所述麥克風陣列(1)包括4個麥克風，基于任意3個麥克風都可以定位到二維平面內的聲源信號；

設聲源位置為P(x,y)，其中3個麥克風位置分別位于點S₁(-a,0)、S₂(0,0)、S₃(b,0)，點P(x,y)由θ和PS₂表示，θ為線段S₂S₃和線段PS₂之間的夾角，PO即r₂，

通過下式獲取r₂和cosθ的值：

其中a為麥克風S₁和S₂之間的距離，b為麥克風S₂和S₃之間的距離，c為聲速，t₁₂表示聲源信號到達麥克風S₁和S₂之間的時間差，t₂₃表示聲源信號到達麥克風S₂和S₃之間的時間差。

3.根據權利要求1所述的基于深度學習模型的仔豬被壓檢測方法，其特征在于，所述S4中，以MEL頻率尺度作為CNN模型的輸入參數，其中，Mel頻率尺度轉換公式采用梅爾頻率濾波器組，濾波器組中包含M個濾波器，M值取22～26，設三角帶通濾波器的中心頻率為f(m),m＝1,2,…,M，各中心頻率之間的間隔隨m值增大而增大，隨m值減小而減小，該濾波器組的中心頻率在梅爾頻率軸上等間距分布，

4.根據權利要求3所述的基于深度學習模型的仔豬被壓檢測方法，其特征在于，所述CNN模型中卷積核尺寸為kernel_h，kernel_w＝5，dropout＝0.2，聲譜圖通道數為depth_in＝3。

5.根據權利要求4所述的基于深度學習模型的仔豬被壓檢測方法，其特征在于，所述CNN模型中第一層卷積的卷積核個數為depth_out1＝32，第二層卷積的卷積核個數為depth_out2＝64，feed給CNN網絡的圖像數據類型為四維數組維，第一維訓練的數據量為batch_size＝32，第二、三維為聲譜圖的圖像尺寸，第四維為圖像通道數，即depth_in；

x＝tf.placeholder(tf.float32,[None,360,360,3])

y＝tf.placeholder(tf.float32,[None,n_classes])

x和y分別為圖像數據和圖像標簽。

6.根據權利要求5所述的基于深度學習模型的仔豬被壓檢測方法，其特征在于，CNN網絡結構中的激活函數選取relu函數，其數學公式為：

CNN網絡結構中選取交叉熵損失函數，即Softmax函數，計算網絡的loss值，AdamOptimizer作為優化器來迭代學習訓練，假設神經網絡的原始輸出為y1,y2,…,yn，經過Softmax回歸處理之后的輸出為：

其中，y_i為神經網絡的第i個輸出參數，e為自然常數，將單個節點的輸出變成的概率值，經過Softmax處理后結果作為神經網絡最后的輸出。