【目的】为解决群养环境下生猪音频难以分离与识别的问题,提出基于欠定盲源分离与E C A-EfficientNetV2的生猪状态音频识别方法。【方法】以仿真群养环境下4类生猪音频信号作为观测信号,将信号稀疏表示后,通过层次聚类估计出信号混合矩...【目的】为解决群养环境下生猪音频难以分离与识别的问题,提出基于欠定盲源分离与E C A-EfficientNetV2的生猪状态音频识别方法。【方法】以仿真群养环境下4类生猪音频信号作为观测信号,将信号稀疏表示后,通过层次聚类估计出信号混合矩阵,并利用lp范数重构算法求解lp范数最小值以完成生猪音频信号重构。将重构信号转化为声谱图,分为进食声、咆哮声、哼叫声和发情声4类,利用ECA-EfficientNetV2网络模型识别音频,获取生猪状态。【结果】混合矩阵估计的归一化均方误差最低为3.266×10^(−4),分离重构的音频信噪比在3.254~4.267 dB之间。声谱图经ECA-EfficientNetV2识别检测,准确率高达98.35%;与经典卷积神经网络ResNet50和VGG16对比,准确率分别提升2.88和1.81个百分点;与原EfficientNetV2相比,准确率降低0.52个百分点,但模型参数量减少33.56%,浮点运算量(FLOPs)降低1.86 G,推理时间减少9.40 ms。【结论】基于盲源分离及改进EfficientNetV2的方法,轻量且高效地实现了分离与识别群养生猪音频信号。展开更多
针对常规图像采样和压缩方法存在重建图像模糊问题,提出基于残差和卷积神经网络的生猪图像分块压缩感知模型RC-BCSNet(Block-based compressed sensing of pig images based on residual and convolutional networks)。RC-BCSNet是基于...针对常规图像采样和压缩方法存在重建图像模糊问题,提出基于残差和卷积神经网络的生猪图像分块压缩感知模型RC-BCSNet(Block-based compressed sensing of pig images based on residual and convolutional networks)。RC-BCSNet是基于残差和卷积神经网络,采用采样、初始重建、深度重建三段式网络结构。首先通过卷积层自适应学习采样,再进行初始重建图像,最后通过基于残差的卷积神经网络进行图像整体深度重建。结果表明,RC-BCSNet与3种不同经典分块压缩感知算法相比,在7个采样比下平均峰值信噪比(PSNR)最大/最小增益分别为6.16和2.18 dB,平均特征相似度(FSIMc)最大/最小增益分别为0.083和0.037 dB,为信息中心数据处提供数据支持。展开更多
文摘针对常规图像采样和压缩方法存在重建图像模糊问题,提出基于残差和卷积神经网络的生猪图像分块压缩感知模型RC-BCSNet(Block-based compressed sensing of pig images based on residual and convolutional networks)。RC-BCSNet是基于残差和卷积神经网络,采用采样、初始重建、深度重建三段式网络结构。首先通过卷积层自适应学习采样,再进行初始重建图像,最后通过基于残差的卷积神经网络进行图像整体深度重建。结果表明,RC-BCSNet与3种不同经典分块压缩感知算法相比,在7个采样比下平均峰值信噪比(PSNR)最大/最小增益分别为6.16和2.18 dB,平均特征相似度(FSIMc)最大/最小增益分别为0.083和0.037 dB,为信息中心数据处提供数据支持。
