基于发声特征和深度学习的白羽肉鸡全生命周期咳嗽检测方法

摘要

[目的]高密度养殖模式下笼养肉鸡呼吸系统疾病易发作且难防治，为此本文设计了一种基于发声特征和深度学习的白羽肉鸡全生命周期咳嗽检测方法，自动监测鸡只咳嗽发声，及时提供预警信息。[方法]对10～19日龄、20～29日龄、30日龄后3种不同生长阶段的鸡只发声信号进行数字滤波、谱减法去噪、端点检测等处理，提取滤波器组(filter bank, FBank)和梅尔频率倒谱系数(Mel-frequency cepstral coefficients, MFCC)特征，并与其各自一阶及二阶差分组合，作为VGG16与ResNet18神经网络的输入，完成咳嗽声、鸣叫声、其他声三分类模型训练。[结果]各日龄段利用不同发声特征与神经网络所构建的识别模型均能准确实现发声分类，在10～19日龄、20～29日龄FBank-VGG16模型效果较优，准确率分别为94.29%、97.65%,30日龄后MFCC-ResNet18模型准确率高于其他模型，为98.66%。随着日龄的增长，各模型的总体识别准确率均上升，增幅为3%～7%。[结论]本方法可快速准确对实际生产环境中不同生长阶段的鸡只咳嗽进行识别，为笼养鸡呼吸系统疾病的早期检测提供技术支撑。

关键词

白羽肉鸡 / 咳嗽检测 / 滤波器组 / 梅尔频率倒谱系数 / 卷积神经网络