沈明霞 王梦雨 刘龙申 陈 佳 太 猛 张 伟

(1.南京农业大学工学院， 南京 210031； 2.江苏智慧牧业装备科技创新中心， 南京 210031)

0 引言

养猪业是畜牧业的重要组成部分[1]，猪养殖生产中，对猪呼吸道疾病诊疗是主要工作基础[2-3]。咳嗽是猪呼吸道疾病的主要早期症状[4]，因此通过识别咳嗽声进行猪早期呼吸道疾病预警成为当前关注点[5]。

国内外科研人员在识别猪只咳嗽声方面的研究主要分为3类：一是基于一般声学分析算法的咳嗽声识别，GUARINO等[6]使用滤波器组结合振幅解调进行特征提取，通过动态时间规整算法(DTW)将这些特征向量与参考集进行比较，咳嗽声识别正确率为85.5%。EXADAKTYLOS等[7]利用功率谱密度(PSD)研究病猪咳嗽声的频率特征，利用模糊C均值聚类算法对咳嗽和其它声音分类，咳嗽声识别正确率为82%。徐亚妮等[8]提取梅山母猪声音信号的功率谱密度作为特征，提出了模糊C均值聚类算法的改进方法，对梅山猪的咳嗽声与尖叫声进行聚类分析，取到了较好的分类效果。二是基于传统机器学习的咳嗽声识别算法研究，原始的信号输入往往只经过一层处理，模型结构简单、易于学习，但对于较为复杂的信号处理能力具有局限性[9-12]。文献[13-15]分别构建基于不同特征提取(LPCC、MFCC)的隐马尔可夫(HMM)模型和矢量量化(VQ)模型对猪咳嗽声进行识别，都取得了一定成果。三是基于深度学习技术的猪咳嗽声识别，深层神经网络被广泛应用于医学影像分析、农作物识别、人脸识别等各个领域[16-19]。YIN等[20]提出了一种基于AlexNet模型和谱图特征的分类算法，总体识别准确率达到96.8%，F1值达到96.2%。……