相关实验视频
Updated: Jun 9, 2025
08:44
Eliciting and Analyzing Male Mouse Ultrasonic Vocalization USV Songs
Published on: May 9, 2017
15.7K
在Cherry Valley中基于深度学习的性别识别,通过声音分析
Guofeng Han1,2, Yujing Liu1,2, Jiawen Cai1,2
1Institute of Agricultural Facilities and Equipment, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, China.
Animals : an open access journal from MDPI
|October 26, 2024
概括
本研究引入了一种自动化方法,用于通过声音分析来识别子的性别. 卷积神经网络 (CNN) 实现了95%的准确性,为子生产中人工劳动提供了有效的替代方案.
科学领域:
- 农业科学 农业科学
- 生物声学是一种生物声学.
- 机器学习 机器学习
背景情况:
- 在养中,性别识别至关重要,但目前依赖于劳动密集型的手工方法.
- 开发一个自动化,高效的系统来识别子的性别对该行业来说至关重要.
研究的目的:
- 提出一种新的方法,根据它们的发声特征来区分雄性和雌性一天大.
- 评估不同机器学习模型的有效性,用于自动化子性别识别.
主要方法:
- 使用终点检测记录和提取一天大的子的有效声音数据.
- 使用Mel-frequency cepstral系数 (MFCCs) 和它们的差异系数计算了36维特征向量.
- 训练并评估了三个分类模型:反向传播神经网络 (BPNN),深度神经网络 (DNN) 和卷积神经网络 (CNN).
主要成果:
- 对于BPNN,DNN和CNN的训练准确率分别为83.87%,83.94%和84.15%.
- 预测准确率达到了93.33% (BPNN),91.67% (DNN) 和95.0% (CNN) 的水平.
- 卷积神经网络 (CNN) 显示出最高的识别准确率为95.0%.
结论:
- 一天大的子的基于声音的性别识别是一种非常准确的方法.
- 拟议的自动化系统,特别是使用CNN,可以显著支持在子生产中有效的性别识别,减少人工劳动.
