一种基于边缘计算的猪只异常状态监测方法及系统

本发明属于语音信号处理领域，特别是涉及一种基于边缘计算的猪只异常状态监测方法及系统。

背景技术：

1、呼吸道类疾病是影响我国生猪健康养殖、制约我国生猪产业发展的三大系统性疾病之一，也是规模化养殖场内常发的系统性疾病。猪呼吸道疾病一年四季均可发生，在秋末、冬季和春季发病率最高，通常在30～70％，病死率在10～30％，主要发生在保育后期和生长育肥期，发病率在30～50％，对于育肥阶段生猪来说，呼吸道疾病容易导致生猪采食量下降，生长速度缓慢，出栏时间延长10～25天，而对于断奶仔猪其危害更大，若治疗不及时可能造成较高的死亡率。由于集约式的养殖模式，呼吸道疾病很容易传播，若其中某个个体发病未及时发现，很容易传染整个群体，加重猪场的损失。

2、同时，对于规模化的生猪养殖，由于饲养密度增大带来的食物/空间资源竞争的加剧以及混群次数的增加，导致打斗、咬尾和咬耳等行为频繁发生，若不及时制止可能会导致生猪发生撕咬等恶癖行为，同时因咬斗造成的身体损伤，若不及时治疗，可能引发进一步感染和其他疾病，严重影响猪只的健康与福利甚至整个猪群的生产性能。及时发现上述生猪异常状态，进而采取针对性措施预防其大规模爆发，是生猪养殖过程中亟需解决的重要问题，研究和突破这些问题的关键是对生猪异常状态的监测和预警。当前，规模化养猪场中对于生猪异常状态的监测仍然主要是人工巡视的方式，人工巡视一般采用不定期的观察方式，无法连续实时的对群体进行监测，尤其是夜间，很难发现生猪异常，容易发生漏检，同时人工巡视容易引发人畜交叉感染和生猪应激反应。通过音频监测的方式实现对猪舍内异常生猪状态的监测具有非接触、客观、准确、实时性好等优点，可以实现对规模养猪场的健康化、智能化管理。

3、现有技术中的技术方案存在异常声音识别精度低、缺少定位功能、异常声音定位模糊等缺陷，同时，依靠wifi传输音频数据，存在丢包问题，在arm板上运行算法，执行效率低，因此，亟需一种新的生猪异常状态监测方法与系统。

技术实现思路

1、本发明的目的是提供一种基于边缘计算的猪只异常状态监测方法及系统，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于边缘计算的猪只异常状态监测方法，包括：

3、通过麦克风阵列采集音频信息并进行预处理；所述音频信息为一阶立体混响信号，包括全向信号、x方向信号、y方向信号、z方向信号；

4、对经过预处理后的音频信息进行特征提取，获得特征参数，对特征参数进行标准归一化处理；所述特征参数包括振幅谱图、分贝振幅谱图和相位谱图；

5、构建异常声音检测模型与异常声音定位模型，构建训练集，基于所述训练集对模型进行训练，基于处理后的特征参数、所述异常声音检测模型、所述异常声音定位模型获得异常声音的分类结果与定位结果；

6、构建生猪异常状态预警模型，基于所述分类结果与所述生猪异常状态预警模型获得异常状态，统计不同异常状态产生的频率，基于所述频率与所述定位结果生成预警信息发送至客户端，实现猪只异常状态监测。

7、可选的，预处理的过程包括：对所述音频信息进行放大处理，对完成放大处理的音频信息进行截断和缓存，获得缓存数据，对所述缓存数据进行滤波与降噪处理。

8、可选的，对异常声音检测模型与异常声音定位模型的训练过程包括：

9、采集不同猪舍内无其他声音叠加的清晰的不同声音信号；

10、在不同猪舍场景中采用点声源发送伪随机序列，并通过麦克风接收，对接收端与发送端的伪随机序列进行相关运算，获得对应场景下的冲激响应；

11、采集不同猪舍内的环境噪声，环境噪声指背景噪声；

12、将不同声音信号与不同的冲激响应进行卷积运算后，叠加上不同能量的背景噪声，获得包含多种信噪比的带噪信号集，将所述带噪信号集作为训练集，基于所述训练集对所述异常声音检测模型与异常声音定位模型进行训练。

13、可选的，异常声音检测模型使用sigmoid激活函数，采用二值交叉熵作为损失函数，异常声音定位模型使用linear激活函数，采用平均绝对误差作为损失函数。

14、可选的，获得异常声音的分类结果与定位结果的过程包括：

15、将所述振幅谱图输入至异常声音检测模型，获得多路分类结果，将所述多路分类结果进行集成学习，获得异常声音的分类结果；

16、通过将所述分类结果作为掩码判断异常声音是否为激活状态，若是，则将所述分贝振幅谱图与所述相位谱图输入至所述异常声音定位模型，获得多路预测结果，对所述多路预测结果进行集成学习，获得异常声音的定位结果。

17、为解决上述问题，本发明还提供了一种基于边缘计算的猪只异常状态监测系统，包括：

18、数据采集与处理模块、边缘计算网关、云服务器与客户端；

19、所述数据采集与处理模块用于采集音频信号并对所述音频信号进行处理；

20、所述边缘计算网关用于根据处理后的音频信号对异常声音进行分析，并将分析结果传输至云服务器，所述分析结果包括分类结果与定位结果；

21、所述云服务器用于构建生猪异常状态预警模型，基于所述分析结果与所述生猪异常状态预警模型获得预警信息并传输至所述客户端。

22、可选的，所述数据采集与处理模块包括麦克风阵列、数字信号处理模块、功率放大模块、电源模块和通信模块；

23、所述麦克风阵列由若干个指向性麦克风组成，麦克风数量不少于四个，用于采集音频数据，所述音频数据包括多路同步音频信号，采集的多路音频信号经过编码，转换成一阶立体混响信号；

24、所述功率放大模块用于对所述音频数据进行放大处理；

25、所述数字信号处理模块采用现场可编程门阵列fpga模块，用于对音频数据放大处理后提取特征参数，并通过所述通信模块传输至边缘计算网关；

26、所述电源模块用于对所述麦克风阵列、所述数字信号处理模块、所述功率放大模块、所述通信模块供电。

27、可选的，所述边缘计算网关包括异常声音检测模型与异常声音定位模型，均包括深度特征提取层、多个bilstm或bigru层、全连接层和激活层。

28、可选的，所述深度特征提取层包括多个卷积层、批归一化层、激活函数relu、池化层和dropout。

29、可选的，所述生猪异常状态预警模型获得的预警信息包括若干种预警状态、异常声音发生的频率及异常声音的位置信息。

30、本发明的技术效果为：

31、本发明提供的一种基于边缘计算的猪只异常状态监测方法与系统，该方法与系统通过边缘计算网关极大缓解了网络带宽和云服务器的压力，降低了时延和计算能耗。本发明通过麦克风阵列采集一阶立体混响声信号，既可以实现对猪舍内异常声音的识别，又可以实现对异常猪只的定位，同时通过多个麦克风进行集成学习，可以有效提高目标声音识别精度。本发明采用的fpga模块可以快速处理并行的多路信号，提高计算速度，同时在fpga模块提取信号特征参数，并通过网络发送至边缘计算网关，极大的降低了数据量，较少了数据的传输，提高传输效率降低传输时延。本发明采用的异常声音监测与定位模型，通过卷积神经网络提取深度特征加上时序分类模型，可以有效提高目标声音信号识别精度和定位精度，同时通过集成学习，可以有效提高模型的稳定性和泛化能力。本发明同时明确了生猪异常状态预警模型，为生猪健康养殖提供了可靠的预警方案和智能化管理方式。