基于深度学习的蛋鸡舍噪声应激源识别分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115659225A(43)申请公布日2023.01.31(21)申请号202211411883.6G10L25/21(2013.01)(22)申请日2022.11.11G10L25/24(2013.01)G10L25/30(2013.01)(71)申请人河北农业大学G10L21/0232(2013.01)地址071000河北省保定市灵雨寺街289号G06N3/0464(2023.01)(72)发明人杨断利陈辉王永胜孙二东G06N3/08(2023.01)石雷王德贺陈一凡郝二英曾丹(74)专利代理机构北京盛询知识产权代理有限公司11901专利代理师刘静(51)Int.Cl.G06F18/24(2023.01)G06F18/10(2023.01)G06F18/214(2023.01)G10L25/18(2013.01)权利要求书1页说明书6页附图5页(54)发明名称基于深度学习的蛋鸡舍噪声应激源识别分类方法(57)摘要本发明公开了基于深度学习的蛋鸡舍噪声应激源识别分类方法,包括：获取蛋鸡舍周围噪声的声音文件，对声音文件进行预处理，获得待识别声音文件，对待识别声音文件进行短时傅里叶变换获得声谱图；对预处理后的声音文件进行降噪处理，获得降噪后的数据集并划分为训练集和测试集；构建Resnet34网络模型，基于所述训练集对所述Resnet34网络模型进行训练，采用所述测试集对所述Resnet34网络模型进行测试，获得蛋鸡舍噪声应激源识别模型，利用所述蛋鸡舍噪声应激源识别模型进行蛋鸡舍周围噪声应激源识别分类。本发明利用深度学习方法，通过Resnet34网络模型对鸡舍周围环境声音的训练，完成对声音的识别与分类。CN115659225ACN115659225A权利要求书1/1页1.基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，包括以下步骤：获取蛋鸡舍周围噪声的声音文件，对所述声音文件进行预处理，获得待识别声音文件，对所述待识别声音文件进行短时傅里叶变换获得声谱图；基于所述声谱图，对所述预处理后的声音文件进行降噪处理，获得降噪后的数据集并划分为训练集和测试集；构建Resnet34网络模型，基于所述训练集对所述Resnet34网络模型进行训练，采用所述测试集对所述Resnet34网络模型进行测试，获得蛋鸡舍噪声应激源识别模型，利用所述蛋鸡舍噪声应激源识别模型进行蛋鸡舍周围噪声应激源识别分类。2.如权利要求1所述的基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，对所述声音文件进行预处理，具体包括：将所述声音文件的文件时长裁剪为1s‑3s，频率转变为44.1kHz。3.如权利要求1所述的基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，对所述待识别声音文件进行短时傅里叶变换获得声谱图具体包括：所述预处理后的声音文件为一维时域信号，通过所述短时傅立叶将所述一维时域信号转换为二维频域信号，获得声谱图。4.如权利要求1所述的基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，基于所述声谱图，对所述预处理后的声音文件进行降噪处理具体包括：基于所述声谱图提取声音频谱信息，对所述声音频谱信息取绝对值或平方值，通过Mel滤波将所述声音频谱信息转换为Mel域，通过取对数对所述声音频谱信息增强低频，最后通过DCT变换获得预处理后的声音文件的梅尔频谱倒谱系数，完成降噪。5.如权利要求1所述的基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，将所述数据集按照8:2的比例划分为训练集和测试集。6.如权利要求1所述的基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，所述Resnet34网络模型具体包括：先对输入的数据进行卷积核大小为7x7的卷积操作，初步获取输入数据的特征；然后进行池化核大小为3x3最大池化操作，用于扩大感受野、降维去除冗余信息；再通过4组不同卷积核的大小和卷积核个数的残差结构，每组残差结构分别重复3、4、6、3次，用于获取输入数据的更深层特征；在经过残差结构后，进行一次平均池化操作进行下采样；最后通过全连接层组合卷积操作提取的不同特征并进行分类。7.如权利要求6所述的基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，所述残差结构包括卷积网络结构和直连操作。8.如权利要求1所述的基于深度学习的蛋鸡舍噪声应激源识别分类方法，其特征在于，基于所述训练集对所述Resnet34网络模型进行训练，采用所述测试集对所述Resnet34网络模型进行测试，完成蛋鸡舍周围噪声应激源识别分类，具体方法包括：利用所述Resnet34网络模型对所述训练集进行训练，学习声音特征；获得蛋鸡舍噪声应激源识别模型，将待识别分类的蛋鸡舍周围噪声文件输入所述Resnet34网络模型中进行