农业机械学报

作者：衡一帆，盛哲雅，严煜，谷月，周昊博，王树才

单位：华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,

关键词：笼养蛋鸡;声音分类;MobileNetV3;高效通道注意力;梅尔频谱图;卷积神经网络

基金：农业生物育种国家科技重大专项(2023ZD0407106)

为实现笼养蛋鸡声音的准确分类，实现蛋鸡健康、情绪、生产状态等信息的智能化、非接触式检测，提出了一种基于改进MobileNetV3的笼养蛋鸡声音分类识别方法。以欣华二号蛋鸡为研究对象，采集蛋鸡在笼养条件下发出的热应激声、惊吓声、产蛋声以及鸣唱声，经过声音预处理将一维声音信号转化为三维梅尔频谱图，建立了包括8541幅梅尔频谱图的蛋鸡声音数据集。通过在MobileNetV3中引入高效通道注意力(Efficient channel attention, ECA)模块，提高了笼养蛋鸡声音分类准确率。试验结果表明，MobileNetV3-ECA模型准确率、召回率、精确率以及F1分数分别达到95.25%、95.16%、95.02%、95.08%，相比原始模型分别提高1.99、2.08、2.00、2.04个百分点。通过与分别引入坐标注意力(Coordinate attention, CA)、卷积块注意力模块(Convolutional block attention module, CBAM)的模型对比，引入ECA模块后模型准确率分别提高2.11、2.03个百分点，其他指标同样有更明显的提高。与ShuffleNetV2、DesNet121和EfficientNetV2模型相比，MobileNetV3-ECA准确率分别提高1.99、2.03、2.50个百分点。本文提出的基于MobileNetV3-ECA的蛋鸡声音分类识别方法，能够有效且准确地实现对包括热应激声在内的不同种类蛋鸡声音分类识别，为蛋鸡规模化养殖中的自动化、智能化声音检测提供了算法支持，为禽舍巡检机器人功能优化提供了参考，同时为规模化笼养蛋鸡热应激预警开辟了思路。

来源：2025年第4期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第4期