用于家禽福利的边缘智能:利用微型机器学习神经网络处理器进行语音分析.
Ramasamy Srinivasagan1, Mohammed Shawky El Sayed2, Mohammed Ibrahim Al-Rasheed3
1Computer Engineering, CCSIT, King Faisal University, Al Hufuf, Kingdom of Saudi Arabia.
PloS one
|January 17, 2025
概括
这项研究引入了微型机器学习 (Tiny ML),用于监测的发声,改善群体健康洞察力. 开发的模型在识别与的幸福感相关的声音方面取得了超过96%的准确性.
科学领域:
- 农业技术 农业技术
- 机器学习 机器学习
- 动物行为 动物行为
背景情况:
- 禽群的健康对于可持续农业至关重要.
- 机器学习和语音分析为实时群体监控提供了潜力.
- 关于使用微型机器学习 (Tiny ML) 来持续监测家禽发声的研究有限.
研究的目的:
- 在低功率的边缘设备上开发和部署Tiny ML模型,用于监测的发声.
- 解决在农业环境中实施Tiny ML的挑战,包括内存,处理和电池限制.
- 准确地识别和分类与不适,饥饿和满意等情绪状态相关的声.
主要方法:
- 与鸟类研究人员合作,创建一组多样化的家禽发声数据集.
- 在Edge Impulse平台上利用数字信号处理 (DSP) 块来生成光谱特征.
- 开发和应用一维卷积神经网络 (CNN) 模型用于发音分类.
- 实施噪声强大的Tiny ML算法,以提高准确性和减少背景噪声.
主要成果:
- 微型ML模型在分类声方面表现出很高的表现.
- 在消除背景噪音之前,平均准确度和F1得分分别为91.6%和0.92.
- 在实施噪声强算法后,精度提高到96.6%,F1得分提高到0.95.
结论:
- 微小的ML模型可以有效地部署在低功耗的边缘设备上,用于持续监测家禽的发声.
- 开发的算法显示了改善实时评估羊群健康和福利的巨大潜力.
- 应对背景噪音等挑战对于可持续农业的实际和准确实施至关重要.
