摘要:為實(shí)現(xiàn)籠養(yǎng)蛋雞聲音的準(zhǔn)確分類,,實(shí)現(xiàn)蛋雞健康,、情緒,、生產(chǎn)狀態(tài)等信息的智能化,、非接觸式檢測,提出了一種基于改進(jìn)MobileNetV3的籠養(yǎng)蛋雞聲音分類識別方法,。以欣華二號蛋雞為研究對象,,采集蛋雞在籠養(yǎng)條件下發(fā)出的熱應(yīng)激聲、驚嚇聲,、產(chǎn)蛋聲以及鳴唱聲,,經(jīng)過聲音預(yù)處理將一維聲音信號轉(zhuǎn)化為三維梅爾頻譜圖,建立了包括8541幅梅爾頻譜圖的蛋雞聲音數(shù)據(jù)集,。通過在MobileNetV3中引入高效通道注意力(Efficient channel attention, ECA)模塊,,提高了籠養(yǎng)蛋雞聲音分類準(zhǔn)確率。試驗(yàn)結(jié)果表明,,MobileNetV3-ECA模型準(zhǔn)確率,、召回率、精確率以及F1分?jǐn)?shù)分別達(dá)到95.25%,、95.16%、95.02%,、95.08%,,相比原始模型分別提高1.99、2.08,、2.00,、2.04個百分點(diǎn)。通過與分別引入坐標(biāo)注意力(Coordinate attention, CA),、卷積塊注意力模塊(Convolutional block attention module, CBAM)的模型對比,,引入ECA模塊后模型準(zhǔn)確率分別提高2.11、2.03個百分點(diǎn),,其他指標(biāo)同樣有更明顯的提高,。與ShuffleNetV2、DesNet121和EfficientNetV2模型相比,,MobileNetV3-ECA準(zhǔn)確率分別提高1.99,、2.03、2.50個百分點(diǎn),。本文提出的基于MobileNetV3-ECA的蛋雞聲音分類識別方法,,能夠有效且準(zhǔn)確地實(shí)現(xiàn)對包括熱應(yīng)激聲在內(nèi)的不同種類蛋雞聲音分類識別,為蛋雞規(guī)?;B(yǎng)殖中的自動化,、智能化聲音檢測提供了算法支持,,為禽舍巡檢機(jī)器人功能優(yōu)化提供了參考,同時為規(guī)?;\養(yǎng)蛋雞熱應(yīng)激預(yù)警開辟了思路,。