[发明专利]一种基于深度学习模型的仔猪被压检测方法

权利要求书

1.一种基于深度学习模型的仔猪被压检测方法，其特征在于，包括，

S1、在猪产房栏位内设置麦克风阵列(1)，所述麦克风阵列(1)设置在两个猪产房栏位相邻的栏位壁上，麦克风阵列(1)设置在栏位壁的中部，所述麦克风阵列包括偶数个麦克风，麦克风对称分布朝向两个栏位；

S2、通过麦克风采集两个栏位的声音；

S3、根据S2采集到的声音，判断声源位置；

S4、结合基于CNN和声谱图所建立的仔猪被压发声模型，判断仔猪是否出现被压情况；

将声音信号进行短时傅里叶变换为线性频率尺度特征，将线性频率尺度转换为MEL频率尺度，以MEL频率尺度作为CNN模型的输入参数。

2.根据权利要求1所述的基于深度学习模型的仔猪被压检测方法，其特征在于，所述S3根据S2采集到的声音，判断声源位置的方法，具体为，

每个所述麦克风阵列(1)包括4个麦克风，基于任意3个麦克风都可以定位到二维平面内的声源信号；

设声源位置为P(x,y)，其中3个麦克风位置分别位于点S₁(-a,0)、S₂(0,0)、S₃(b,0)，点P(x,y)由θ和PS₂表示，θ为线段S₂S₃和线段PS₂之间的夹角，PO即r₂，

通过下式获取r₂和cosθ的值：

其中a为麦克风S₁和S₂之间的距离，b为麦克风S₂和S₃之间的距离，c为声速，t₁₂表示声源信号到达麦克风S₁和S₂之间的时间差，t₂₃表示声源信号到达麦克风S₂和S₃之间的时间差。

3.根据权利要求1所述的基于深度学习模型的仔猪被压检测方法，其特征在于，所述S4中，以MEL频率尺度作为CNN模型的输入参数，其中，Mel频率尺度转换公式采用梅尔频率滤波器组，滤波器组中包含M个滤波器，M值取22～26，设三角带通滤波器的中心频率为f(m),m＝1,2,…,M，各中心频率之间的间隔随m值增大而增大，随m值减小而减小，该滤波器组的中心频率在梅尔频率轴上等间距分布，

4.根据权利要求3所述的基于深度学习模型的仔猪被压检测方法，其特征在于，所述CNN模型中卷积核尺寸为kernel_h，kernel_w＝5，dropout＝0.2，声谱图通道数为depth_in＝3。

5.根据权利要求4所述的基于深度学习模型的仔猪被压检测方法，其特征在于，所述CNN模型中第一层卷积的卷积核个数为depth_out1＝32，第二层卷积的卷积核个数为depth_out2＝64，feed给CNN网络的图像数据类型为四维数组维，第一维训练的数据量为batch_size＝32，第二、三维为声谱图的图像尺寸，第四维为图像通道数，即depth_in；

x＝tf.placeholder(tf.float32,[None,360,360,3])

y＝tf.placeholder(tf.float32,[None,n_classes])

x和y分别为图像数据和图像标签。

6.根据权利要求5所述的基于深度学习模型的仔猪被压检测方法，其特征在于，CNN网络结构中的激活函数选取relu函数，其数学公式为：

CNN网络结构中选取交叉熵损失函数，即Softmax函数，计算网络的loss值，AdamOptimizer作为优化器来迭代学习训练，假设神经网络的原始输出为y1,y2,…,yn，经过Softmax回归处理之后的输出为：

其中，y_i为神经网络的第i个输出参数，e为自然常数，将单个节点的输出变成的概率值，经过Softmax处理后结果作为神经网络最后的输出。