如何利用音频特征更科学地养猪

中国是世界上最大的猪肉生产国之一，生猪养殖业在国内畜牧业中扮演着重要角色。生猪状态蕴含着丰富的信息，在养殖过程中对于饲养人员了解生猪的生理、健康和心理状态等方面至关重要。传统的养殖方式中，饲养人员或兽医通常需要定期在猪舍现场观察生猪状态和行为。然而，人工观察存在诸多问题，例如个人经验的不同和观察时间的偏差可能导致误判和漏检等情况。此外，人为活动还容易引发生猪的应激反应，增加了交叉感染的风险。随着监测技术的发展，高精度传感器和音视频监控系统的应用使得在养殖场内对猪进行自动监控成为可能。

相较于传感器和机器视觉，利用生猪音频监测具有独特的优势，因为猪声是一种相对容易采集的生物信息，具有方向性、无接触、无损伤、不受目标遮挡和光照等环境影响的特点。因此，生猪音频监测作为一种监测方式，在生猪智能化养殖中具有重要意义和可行性。生猪的叫声包含着丰富的信息，可以实时反映生猪的生理、健康和应激状态。经验丰富的饲养人员可以根据生猪发出的叫声判断其当前的状态。例如，当生猪发出嚎叫声时，往往表示生猪受到惊吓，处于应激状态，可能是因为环境突发异常或者生猪间发生打斗行为，需要及时处理；当生猪发出咳嗽声时，往往表示生猪处于非健康状态，可能患有呼吸道疾病，需要及时治疗和关注。因此，猪声中蕴含有价值的信息，可以作为判断生猪状态的重要依据，引起了国内外学者的广泛关注[1][2]。

工业界的应用

目前，已有公司进军 “AI养猪”，并重点将音频特征引入该领域。在第二届数字中国建设峰会成果展览会上，京东数字科技的智能农牧养殖解决方案才一亮相，就吸引了众人的关注。其中，可用于疫病预警的“猪叫识别”技术更是让到场参观者颇感新鲜。该项技术够识别并分析猪的叫声和咳嗽声，与数据库中海量的猪咳嗽声进行比对，一旦判定某头生猪疑似患病，会立即对检测到的一线信息以专家级的智慧开展分析，迅速形成应对方案，传达给猪场的兽医或饲养员，让他们能够最快捷地处理好猪的病情[3]。

同样，阿里云与四川特驱集团、德康集团合作，通过ET 农业大脑实现人工智能养猪，ET 农业大脑使用语音识别技术和红外线测温技术来监测每只猪的健康状况，由于猪在哺乳、睡觉和生病等不同状态下发出的声音都不一样，通过分析猪的咳嗽、叫声、体温等数据，一旦出现异常能够第一时间发出预警[4]。此外，影子科技也提出了通过面部和语音识别技术来实现“未来养猪场”的方案[5]。

学术界的研究

而在学术界，国内外在利用音频特征进行生猪养殖方面展开了更为详细的研究。Corderio等人对不同年龄生猪在紧张状态下的声学特征进行了分析，主要包括猪声时长、频率、生猪生长阶段和性别等方面的差异。他们利用决策树算法对这些特征进行了识别，其准确率达到82%[6]。

Exadaktylos等人则基于生猪咳嗽声、呼噜声和尖叫声的功率谱密度特征构建了模糊C均值聚类模型，整体识别准确率可达85%[7]。Hirtum等人以5个月龄、60Kg重的生猪咳嗽声为研究对象，分析了健康猪和患病猪的咳嗽声能量、平均功率谱密度等声学特征，运用DTW算法对这两种声音进行了识别，分类准确率达到90%[8]。Chung等人提出了一种利用音频数据监测和识别生猪是否患病的方法，其中提取了猪声的MFCC并以支持向量数据描述（SVDD）和稀疏代表分类器（SRC）构建了两级结构，用于早期异常监测和呼吸道疾病分类。

实验结果表明，检测和分类的准确率分别可达94%和91%[9]。Silva等人研究了健康猪因雾化柠檬酸引起的咳嗽声与患肺炎的猪因病发出的咳嗽声之间的能量包络差异。试验结果显示，这两种咳嗽声的能量包络衰减存在显著差异，可用于区分不同咳嗽声[10]。Guarino等人建立了生猪健康智能预警系统，利用滤波器组提取了麦克风采集的猪声音频特征向量，并利用DTW算法对采集的猪声进行了二分类，以实现对咳嗽猪声和非咳嗽声的区分[11]。Moshou等人提出了一种用神经网络识别生猪咳嗽声、咕哝声、金属撞击声和噪声的方法，该方法的识别效果良好，对生猪咳嗽声、咕哝声和噪声的识别准确率分别为94.8%、91.3%和91.3%[12]。

Berckmans等[13]通过对猪声音信号的时域特征和频域特征进行深入分析，提出了一种利用欧几里德距离的平方来检测猪咳嗽声音的新方法，该方法可有效实现对患有咳嗽症状的猪和健康猪的分类。这项研究为畜禽异常识别提供了新的思路。Marcella等[14]通过对正常猪和患有呼吸道疾病的猪的声音波形均方根和峰值频率进行详细分析，验证了可以通过声音来辨别患病猪，为进一步研究养殖现场猪在不同状态下声音差异性提供了理论支持。

相较之下，国内生猪音频识别的研究相对起步较晚。黎煊团队[15]针对生猪音频中的咳嗽声、吃食声等非咳嗽声进行了研究，并利用深层信念网络（Deep Belief Nets，DBN）构建了生猪咳嗽声识别模型，实验表明，该模型能够高度准确地识别生猪咳嗽声。此外，还提出了一种基于双向长短时记忆网络（Bi-LSTM）的猪咳嗽声识别方法，实现了对猪咳嗽声的准确、稳定识别，为猪的健康管理提供了辅助判断[16]。

赵健等[17]通过改进传统的高斯混合模型-隐马尔可夫模型（GMM-HMM），利用基于深度神经网络的隐马尔可夫模型（DNN-HMM）对连续的猪咳嗽声信号进行建模，与GMM-HMM相比，DNN-HMM模型的识别性能更好。龚永杰[18]以猪咳嗽声为研究对象，提取了生猪咳嗽声的多种特征，并结合了HMM模型、VQ模型、SVM模型和HMM-SVM-PSO模型进行猪声识别。

徐亚妮[19]建立了无线传感网实时采集、传输有咳嗽症状的梅山母猪的音频数据，对音频数据进行了预处理，并提取了其功率谱密度特征，利用改进的模糊C均值聚类算法实现了猪声辨别。闫丽等[20]以哺乳期母猪日常发声为研究对象，构建了基于支持向量机（SVM）的母猪音频识别模型，实现了对母猪健康、生理状况的无损监测。马辉栋等[21]通过分析生猪咳嗽音的成分发现，咳嗽音由浊音和清音构成。通过对滤波器带宽和阈值的调整，利用端点检测算法对生猪咳嗽声进行监测，提高了猪咳嗽声的检测效率。

涂鼎[22]将连续多帧的梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient，MFCC）特征参数输入卷积神经网络（Convolutional Neural Networks，CNN），得到了性能更佳的融合特征MFCC-CNN，用于生猪咳嗽声识别。此外，利用AlexNet卷积神经网络对各种猪声谱图进行分类，相比于基于功率谱密度（Power Spectral Density，PSD）构建的猪声音频识别概率神经网络，利用猪声谱图进行生猪咳嗽声识别更加准确。

吴亚文[23]构建了基于生猪音频压缩传输和改进的经验模态分解-Teager能量算子（EMD-TEO）倒谱距离的端点检测算法的猪声识别系统，用HMM模型对生猪音频信号进行建模，实现了对生猪打鼾、哼叫、抢食、饥饿等多达10种生猪音频的识别，并取得了良好效果。苍岩等[24]提出了一种基于MobileNet V2网络的生猪声音分类方法，可以有效识别多种生猪声音。

参考文献

[1] 邵睿.基于音频特征融合的生猪状态识别研究[D].安徽农业大学,2022..

[2] 张振华.基于音频分析技术的猪异常检测[D].太原理工大学,2017.

[3] https://www.163.com/dy/article/EEJCJQP305313KG9.html

[4] https://zhuanlan.zhihu.com/p/82405623

[5] https://zhuanlan.zhihu.com/p/138459852

[6] Cordeiro A, Naas I, Leitao F, et al. Use of vocalization to identify sex, age, and distress in pig production[J].Biosystems Engineering,2018,173:57-63.

[7] V Exadaktylos, M Silva, J M Aerts, et al. Real-time recognition of sick pig cough sounds[J]. Computers&Electronics in Agriculture,2008,63(2):207-214.

[8] Hirtum A V, Guarino M, Costa A, et al. Automatic detection of chronic pig coughing from continuous registration in field situations[J].Computers & Electronics in Agriculture,2004:1-20.

[9] Y Chung, S Oh, J Lee, et al. S Kim. Automatic Detection and Recognition of Pig Wasting Diseases Using Sound Data in Audio Surveillance Systems[J].Sensors,2013,13:12929-12942.

[10] M Silva,V Exadaktylos,S Ferrari,et al.The influence of respiratory disease on the energy envelope dynamics of pig cough sounds[J].Computers & Electronics in Agriculture,2009,69(1):80-85.

[11] M Guarino, P Jans, A Costa, et al. Field test of algorithm for automatic cough detection in pig houses[J].Computers & Electronics in Agriculture,2008,62(1):22-28

[12] D Moshou, A Chedad, A VanHirtum, et al. An Intelligent Alarm for Early Detection of Swine Epidemics Based on Neural Networks[J].Transactions of the ASABE,2001,44(1):167-174.

[13] Van H A, Berckmans D. Objective recognition of cough sound as biomarker for aerial pollutants[J]. Indoor Air, 2004, 14(1):10-15

[14] Aerts J M, Ferrari S, Silva M, et al. Cough sound analysis to identify respiratory infection in pigs[J]. Computers & Electronics in Agriculture, 2008, 64(2):318-325.

[15] 黎煊，赵建，高云，等.基于深度信念网络的猪咳嗽声识别[J].农业机械学报，2018，49 （03）：179-186.

[16] 黎煊，赵建，高云，等.基于连续语音识别技术的猪连续咳嗽声识别[J].农业工程学报， 2019，35（06）：174-180.

[17] Zhao Jian, Li Xuan, Liu Wanghong, et al. DNN-HMM Based Acoustic Model for Continuous Pig Cough Sound Recognition[J].IJABE,2020, 13(3):8-15.

[18] 龚永杰.基于声音识别技术的猪咳嗽音识别方法的研究[D].华中农业大学，2018.

[19] 徐亚妮，沈明霞，闫丽，等.待产梅山母猪咳嗽声识别算法的研究[J].南京农业大学学报， 2016，39（04）：681-687.

[20] 闫丽，邵庆，吴晓梅，等.基于偏度聚类的哺乳期母猪声音特征提取与分类识别[J].农业机械学报，2016，47（05）：300-306

[21] 马辉栋，刘振宇.语音端点检测算法在猪咳嗽检测中的应用研究[J].山西农业大学学报（自 然科学版），2016，36（06）：445-449.

[22] 基于音频技术的生猪咳嗽声音识别方法研究[D].东北农业大学，2020.

[23] 吴亚文. 基于音频压缩传输与端点检测的生猪音频识别研究[D].安徽农业大学，2021.

[24] 苍岩, 罗顺元, 乔玉龙. 基于深层神经网络的猪声音分类[J]. 农业工程学报, 2020, 36(9):10.