[發(fā)明專利]一種基于DS證據(jù)理論融合特征的生豬咳嗽聲音識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210004800.5
• 申請(qǐng)日: 2022-01-05
• 公開(kāi)（公告）號(hào): CN114330454A
• 公開(kāi)（公告）日: 2022-04-12
• 發(fā)明（設(shè)計(jì)）人: 尹艷玲;沈維政;紀(jì)楠;王錫鵬;嚴(yán)士超;包軍;劉洪貴;熊本海
• 申請(qǐng)（專利權(quán)）人: 東北農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京東方盛凡知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11562
• 代理人: 李娜

本發(fā)明公開(kāi)了一種基于DS證據(jù)理論融合特征的生豬咳嗽聲音識(shí)別方法，包括：提取語(yǔ)料庫(kù)中生豬咳嗽聲音和非咳嗽聲音的線性預(yù)測(cè)倒譜系數(shù)和對(duì)數(shù)梅爾譜圖，將特征圖像分成訓(xùn)練集和測(cè)試集，分別將訓(xùn)練集中的線性預(yù)測(cè)倒譜系數(shù)和對(duì)數(shù)梅爾譜圖輸入兩路并行的卷積神經(jīng)網(wǎng)絡(luò)提取深度特征，將提取的深度特征送入全連接層和softmax分類器進(jìn)行二分類，將分類后的結(jié)果送入DS證據(jù)理論特征融合層，將融合后的結(jié)果輸入分類器再次進(jìn)行二分類，實(shí)現(xiàn)對(duì)生豬咳嗽聲音的識(shí)別。本發(fā)明利用兩路卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同的圖像特征提取深度特征，利用DS證據(jù)理論對(duì)深度特征進(jìn)行融合，相比于常規(guī)的聲音識(shí)別方法，該方法可有效提升咳嗽聲音的識(shí)別精度。

技術(shù)領(lǐng)域

本發(fā)明屬于語(yǔ)音信號(hào)處理領(lǐng)域，特別是涉及一種基于DS證據(jù)理論融合特征的生豬咳嗽聲音識(shí)別方法。

背景技術(shù)

生豬叫聲包含豐富的信息，讀懂生豬叫聲可以更好的了解生豬的生長(zhǎng)及健康狀況。生豬群發(fā)性呼吸道疾病是集約式養(yǎng)殖環(huán)境下的一種多發(fā)疾病，嚴(yán)重影響生豬養(yǎng)殖的經(jīng)濟(jì)效益。咳嗽是呼吸道疾病前期的顯著特征之一，因此通過(guò)非接觸式的音頻監(jiān)測(cè)的方法可以實(shí)現(xiàn)對(duì)生豬呼吸道疾病的預(yù)警，而其中關(guān)鍵技術(shù)就是對(duì)生豬咳嗽聲音的識(shí)別。生豬咳嗽聲音識(shí)別的關(guān)鍵技術(shù)包括特征提取和聲音信號(hào)分類技術(shù)，已有方法大多都使用單一的特征進(jìn)行分類識(shí)別，且常用用于語(yǔ)音識(shí)別的梅爾頻率倒譜系數(shù)或者語(yǔ)譜圖作為特征，而這些方法對(duì)于生豬咳嗽聲音的識(shí)別，很難達(dá)到語(yǔ)音信號(hào)的識(shí)別精度。因此，本發(fā)明提出了一種基于DS證據(jù)理論融合特征的生豬咳嗽聲音識(shí)別方法，該方法采用了對(duì)于生豬咳嗽聲音識(shí)別分類精度較高的兩種特征作為輸入特征，采用多層卷積神經(jīng)網(wǎng)絡(luò)提取深度特征，然后對(duì)不同特征的分類結(jié)果進(jìn)行DS證據(jù)理論特征融合，從而實(shí)現(xiàn)高精度的生豬咳嗽聲音識(shí)別。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于DS證據(jù)理論融合特征的生豬咳嗽聲音識(shí)別方法，以解決上述現(xiàn)有技術(shù)存在的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于DS證據(jù)理論融合特征的生豬咳嗽聲音識(shí)別方法，包括：

對(duì)生豬的咳嗽聲音和非咳嗽聲進(jìn)行特征提取并保存；

將特征圖像分為訓(xùn)練集和測(cè)試集，將所述訓(xùn)練集中的數(shù)據(jù)輸入兩路并行的卷積神經(jīng)網(wǎng)絡(luò)提取深度特征并分類；

基于分類結(jié)果獲得兩路網(wǎng)絡(luò)中咳嗽聲和非咳嗽聲的概率，并輸入到DS證據(jù)理論特征融合層進(jìn)行融合，將融合后的特征輸入分類器進(jìn)行分類；

完成訓(xùn)練后，將所述測(cè)試集的數(shù)據(jù)輸入訓(xùn)練好模型進(jìn)行生豬咳嗽聲音的識(shí)別。

可選的，對(duì)生豬的咳嗽聲音和非咳嗽聲進(jìn)行特征提取并保存之前還需進(jìn)行預(yù)處理，所述預(yù)處理過(guò)程包括：

基于帶通濾波器對(duì)聲音信號(hào)進(jìn)行濾波，頻率為100Hz～16kHz；

對(duì)濾波后的信號(hào)進(jìn)行分幀和加窗處理，其中幀長(zhǎng)為20ms，重疊長(zhǎng)度為10ms，所述加窗處理采用的窗函數(shù)為漢寧窗。

可選的，對(duì)生豬的咳嗽聲音和非咳嗽聲進(jìn)行特征提取并保存的過(guò)程中包括：

提取線性預(yù)測(cè)倒譜系數(shù)和對(duì)數(shù)梅爾譜圖，其中，提取所述線性預(yù)測(cè)倒譜系數(shù)的階數(shù)為24；

將提取的特征保存成尺寸為227×227×3像素尺寸的彩色圖片。

可選的，將所述訓(xùn)練集中的數(shù)據(jù)輸入兩路并行的卷積神經(jīng)網(wǎng)絡(luò)提取深度特征并分類的過(guò)程中包括：

所述兩路并行的卷積神經(jīng)網(wǎng)絡(luò)的兩路均包括五個(gè)卷積、兩個(gè)全連接層和一個(gè)分類器；

基于五個(gè)所述卷積層對(duì)訓(xùn)練集中的數(shù)據(jù)進(jìn)行處理，將提取的深度特征輸入兩個(gè)所述全連接層中進(jìn)行處理；

處理結(jié)束后輸入所述分類器進(jìn)行分類，其中所述分類器為softmax分類器。

可選的，基于五個(gè)所述卷積層對(duì)訓(xùn)練集中的數(shù)據(jù)進(jìn)行處理的過(guò)程包括：