基于改进的Multi-SVDD进行的猪异常声音识别的新方法
Sunan Zhang1, Bo Jia2, Yanxin Gao3
1Engineering Training Center, Taiyuan Institute of Technology, Taiyuan, China.
PloS one
|September 29, 2025
概括
这项研究引入了一种改进的多支持向量数据描述 (Multi-SVDD) 方法,用于准确的实时识别异常的猪声音. 增强方法实现了高精度和更好的容错率,这对于畜牧业监测至关重要.
科学领域:
- 动物科学动物科学
- 声学信号处理 声学信号处理
- 机器学习 机器学习
背景情况:
- 准确的实时识别异常的猪声音对于畜牧健康监测至关重要.
- 现有的方法可能缺乏必要的准确性和稳定性,特别是在杂的环境中.
- 数据标记中的人类错误可能会对识别模型的性能产生负面影响.
研究的目的:
- 提出一种改进的多支持向量数据描述 (Multi-SVDD) 方法,以提高对异常猪声音的实时识别.
- 提高猪声识别系统的准确性和稳定性.
- 提高识别方法对人类标记错误的耐错性.
主要方法:
- 使用改进的光谱减法 (IMCRA和SS) 减少噪声.
- 使用Mel-Frequency Cepstral Coefficients (MFCC) 和 ΔMFCC 的特征提取.
- 在训练期间应用改进的多SVDD与空间密度信息,以减少异常值.
主要成果:
- 提出的方法实现了高精度 (95.0%),精度 (95.4%) 和回忆 (95.0%).
- 与经典的SVDD相比,证明了更高的容错率.
- 证实了有效的消除噪音和特征提取.
结论:
- 改进的多SVDD方法为实时异常猪声音识别提供了强大的解决方案.
- 空间密度信息的整合提高了模型的准确性和对数据缺陷的弹性.
- 这种方法具有通过先进的声学监测来改善动物福利和农场管理的巨大潜力.
