相关实验视频
Updated: Jul 2, 2025
09:25
Pupillometry to Assess Auditory Sensation in Guinea Pigs
Published on: January 6, 2023
1.8K
基于深度神经网络和隐藏的马尔科夫模型的猪声音识别研究
Weihao Pan1, Hualong Li2, Xiaobo Zhou1
1School of Information and Artificial Intelligence, Anhui Agricultural University, Hefei 230036, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
本研究介绍了一种使用深度神经网络 (DNN) 和隐藏马尔科夫模型 (HMM) 的新型猪声音识别模型. 与传统方法相比,DNN-HMM方法显著提高了识别猪发声的准确性.
科学领域:
- 动物科学动物科学
- 生物声学是一种生物声学.
- 机器学习 机器学习
背景情况:
- 传统的猪声音识别方法的准确性很低.
- 准确识别猪发声对于福利和管理至关重要.
研究的目的:
- 使用深度神经网络和隐藏马尔科夫模型开发一个改进的猪声音识别模型.
- 提高基于声调的猪状态分类的准确性和稳定性.
主要方法:
- 收集并预处理了来自10只陆地品种猪的声音 (吃饭,,叫,,喘息).
- 使用卡尔曼过和改进的EMD-TEO cepstral 距离进行预处理.
- 提取了 39 维的 mel-frequency cepstral 系数 (MFCC) 用于模型训练.
- 开发了一种用于声音识别的深度神经网络-隐藏马尔科夫模型 (DNN-HMM).
主要成果:
- 在猪声数据集上,DNN-HMM模型实现了83%的识别精度,超过了HMM (22%的增长) 和GMM-HMM (17%的增长).
- 在AudioSet数据集上,DNN-HMM达到79%的准确度,超过SVM (8%的增长) 和ResNet18 (4%的增长).
- 拟议的模型在猪声音识别方面表现出卓越的稳定性.
结论:
- DNN-HMM模型在猪声音识别准确性和可靠性方面取得了重大进展.
- 这种方法提供了一个更有效的工具,通过声音分析监测猪状态.
- 这些发现表明,在畜牧业监测和精准农业中可能有更广泛的应用.
