-
公开(公告)号:CN115457966A
公开(公告)日:2022-12-09
申请号:CN202211128776.2
申请日:2022-09-16
Applicant: 东北农业大学
Abstract: 本申请公开了基于改进DS证据理论多分类器融合的猪咳嗽声识别方法,步骤包括:收集猪舍内生猪的声音片段,获得语料库;基于语料库,得到训练集和测试集,提取训练集和测试集中的多个声学特征;将训练集中的多个声学特征输入至若干基分类器中,输出得到若干基分类器性能评价指标;根据基分类器性能评价指标,筛选基分类器,得到优选基分类器;利用训练集训练优选基分类器,完成目标训练模型;将测试集输入目标训练模型,并采用改进的DS证据理论对优选基分类器的输出结果进行融合,完成猪咳嗽声音识别。本申请采用距离融合对DS融合进行改进,解决DS融合方法靠近决策边界部分数据分类不可靠的问题,可显著提高生猪咳嗽声音识别精度。
-
公开(公告)号:CN115457966B
公开(公告)日:2023-05-12
申请号:CN202211128776.2
申请日:2022-09-16
Applicant: 东北农业大学
IPC: G10L17/26 , G10L17/04 , G10L17/14 , G06F18/241 , G06F18/25
Abstract: 本申请公开了基于改进DS证据理论多分类器融合的猪咳嗽声识别方法,步骤包括:收集猪舍内生猪的声音片段,获得语料库;基于语料库,得到训练集和测试集,提取训练集和测试集中的多个声学特征;将训练集中的多个声学特征输入至若干基分类器中,输出得到若干基分类器性能评价指标;根据基分类器性能评价指标,筛选基分类器,得到优选基分类器;利用训练集训练优选基分类器,完成目标训练模型;将测试集输入目标训练模型,并采用改进的DS证据理论对优选基分类器的输出结果进行融合,完成猪咳嗽声音识别。本申请采用距离融合对DS融合进行改进,解决DS融合方法靠近决策边界部分数据分类不可靠的问题,可显著提高生猪咳嗽声音识别精度。
-
公开(公告)号:CN115273908A
公开(公告)日:2022-11-01
申请号:CN202210938605.X
申请日:2022-08-05
Applicant: 东北农业大学
IPC: G10L25/66 , G10L17/26 , G10L25/24 , G10L25/30 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种基于分类器融合的生猪咳嗽声音识别方法,包括:收集猪舍内生猪的声音片段,获得语料库;对语料库进行标注,获得咳嗽声音片段与非咳嗽声音片段;基于咳嗽声音片段与非咳嗽声音片段按照一定比例划分为训练集和测试集,提取训练集中声音信号的声学特征和图像特征;构建支持向量机训练模型,将声学特征和图像特征输入支持向量机训练模型进行模型训练,获得目标训练模型;将测试集的数据输入目标训练模型进行分类,获得分类结果,完成猪咳嗽声音的识别。相比于常规的声音识别方法,本发明的识别方法可有效提升猪咳嗽声识别精度。
-
公开(公告)号:CN114330454A
公开(公告)日:2022-04-12
申请号:CN202210004800.5
申请日:2022-01-05
Applicant: 东北农业大学
Abstract: 本发明公开了一种基于DS证据理论融合特征的生猪咳嗽声音识别方法,包括:提取语料库中生猪咳嗽声音和非咳嗽声音的线性预测倒谱系数和对数梅尔谱图,将特征图像分成训练集和测试集,分别将训练集中的线性预测倒谱系数和对数梅尔谱图输入两路并行的卷积神经网络提取深度特征,将提取的深度特征送入全连接层和softmax分类器进行二分类,将分类后的结果送入DS证据理论特征融合层,将融合后的结果输入分类器再次进行二分类,实现对生猪咳嗽声音的识别。本发明利用两路卷积神经网络对不同的图像特征提取深度特征,利用DS证据理论对深度特征进行融合,相比于常规的声音识别方法,该方法可有效提升咳嗽声音的识别精度。
-
公开(公告)号:CN114330453A
公开(公告)日:2022-04-12
申请号:CN202210004775.0
申请日:2022-01-05
Applicant: 东北农业大学
Abstract: 本发明公开了一种基于声学特征和视觉特征融合的生猪咳嗽声音识别方法,包括:对语料库中生猪的咳嗽声和非咳嗽声的声音片段进行声学特征提取,并将生猪的咳嗽声和非咳嗽声的声音片段分别转换为频谱图进行视觉特征提取;从特征选择和特征处理两个方面对提取出来的特征进行降维处理并进行融合,将融合的特征输入机器学习的分类模型中,实现对生猪咳嗽声音的识别。本发明分别从声音信号中直接提取声学特征和由声音信号转化的时频图提取视觉特征,将两种不同维度下的特征进行融合,相比于常规的声音识别方法,该方法可有效提升咳嗽声音和整体识别精度。
-
公开(公告)号:CN115273908B
公开(公告)日:2023-05-12
申请号:CN202210938605.X
申请日:2022-08-05
Applicant: 东北农业大学
IPC: G10L25/66 , G10L17/26 , G10L25/24 , G10L25/30 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/08 , G06N3/0464 , G06F18/2411 , G06F18/25
Abstract: 本发明公开了一种基于分类器融合的生猪咳嗽声音识别方法,包括:收集猪舍内生猪的声音片段,获得语料库;对语料库进行标注,获得咳嗽声音片段与非咳嗽声音片段;基于咳嗽声音片段与非咳嗽声音片段按照一定比例划分为训练集和测试集,提取训练集中声音信号的声学特征和图像特征;构建支持向量机训练模型,将声学特征和图像特征输入支持向量机训练模型进行模型训练,获得目标训练模型;将测试集的数据输入目标训练模型进行分类,获得分类结果,完成猪咳嗽声音的识别。相比于常规的声音识别方法,本发明的识别方法可有效提升猪咳嗽声识别精度。
-
公开(公告)号:CN109493874A
公开(公告)日:2019-03-19
申请号:CN201811402994.4
申请日:2018-11-23
Applicant: 东北农业大学
Abstract: 本发明公开了一种基于卷积神经网络的生猪咳嗽声音识别方法,属于语音信号处理领域。呼吸道疾病是影响生猪养殖业的最常见的疾病之一,严重制约生猪产业的发展,咳嗽是生猪呼吸道疾病的明显症状之一,通过对咳嗽声音的监测与识别可以实现对呼吸道疾病的预警,从而有效减少疾病扩散和抗生素药物的使用。已有的生猪咳嗽声音识别方法存在识别精度低的问题,尤其对于集约化的大型猪舍尤为明显,本发明提出了一种基于AlexNet的卷积神经网络模型对咳嗽声音进行识别,将声音信号的语谱图作为网络的输入,网络可以自动提取语谱图的深层特征,相比于常规的声音识别方法,该方法可有有效提升咳嗽声音和整体识别精度。
-
-
-
-
-
-