肉鸡养殖环境下声音信号预处理方法研究

与你分享

随着肉鸡养殖向规模化、集约化和智能化方向发展，单纯依靠人工巡查已难以及时发现鸡群呼吸异常、应激反应和健康风险。声音信号具有非接触、连续采集和部署成本较低等特点，可作为肉鸡健康监测的重要数据来源。声学信号中包含基频、能量、共振峰、频谱分布和时频纹理等信息，复杂声音信号的基频检测与处理方法为畜禽声音分析提供了基础思路［1］。动物声音检测与识别研究也表明，基于能量变化和频谱特征的检测方法能够从连续音频中提取有效声音片段［2］。

近年来，畜禽声音识别已在咳嗽声、发声行为和健康状态监测中得到应用。羊咳嗽声特征参数提取研究[3]和母羊发声信号识别研究［4］说明，功率谱、共振峰和时域能量等特征能够反映动物发声差异。在家禽方向，开展种鸡发声识别、肉鸡声音和图像联合健康监测、白羽肉鸡呼吸道疾病监测、动物声音情绪识别以及肉鸡呼吸道异常声音监测等研究， 为肉鸡舍声学监测提供了直接参考［5-9］。同时，生猪咳嗽声多域特征融合研究也提示，单一特征难以充分表达复杂养殖环境中的异常声音，预处理和多特征融合需要协同设计［10］。

然而，肉鸡舍内存在风机、湿帘、刮粪机、自动料线、饮水器、人员活动和鸡群群体叫声等多源干扰，原始音频往往具有信噪比低、噪声非平稳、目标事件短促和声音混叠明显等特点。若未经预处理直接输入识别模型，容易造成误检、漏检和模型泛化能力下降。

因此，本文围绕肉鸡舍声音信号预处理流程，对关键技术及其适用场景进行分析，为后续构建肉鸡呼吸道异常声音识别模型和智慧养殖平台提供参考。

一、肉鸡舍声音信号特征与预处理需求

1 目标声音类型

肉鸡养殖环境中声学监测关注的目标声音主要包括正常鸣叫、咳嗽声、喷嚏声、异常呼吸声和应激性叫声。肉鸡在不同生理状态和行为状态下会产生不同类型的声音信号。正常鸣叫声通常用于反映鸡群日常活动状态，咳嗽声、喷嚏声和异常呼吸声则与呼吸道刺激、疾病风险或应激状态有关。同时，肉鸡舍内还存在风机、喂料设备、人员活动等非目标声音，这些声音会对目标声音识别造成干扰。肉鸡舍主要声音类型及其特征见表1。正常鸣叫多呈短时脉冲或连续鸣叫形态，频率和能量随日龄、光照、采食和环境变化而改变；咳嗽声和喷嚏声持续时间短、突发性强，常表现为较明显的高频冲击；异常呼吸声可能持续时间较长，能量较弱，容易被背景噪声掩盖。预处理的首要任务是保证这些目标事件在时域和频域上的主要特征不被破坏。

表1 肉鸡舍主要声音类型及特征

由表1可知，肉鸡健康相关声音多具有短时性、突发性和非平稳性特点，尤其是咳嗽声、喷嚏声和异常呼吸声，在复杂背景噪声中容易被掩盖。因此，在进行声音识别之前，有必要对原始音频进行去噪、分割和特征增强处理，以提高后续识别模型的稳定性。

2 主要噪声来源

肉鸡舍噪声可分为机械噪声、环境噪声和生物噪声。机械噪声主要来自风机、湿帘水泵、料线电机和清粪设备，具有持续性强、低频成分明显或周期性波动等特点；环境噪声包括人员走动、门窗开闭、车辆经过和外部天气变化引起的声响；生物噪声则来自多只鸡同时鸣叫、翅膀拍动和群体活动。多类噪声与目标声音频段存在重叠，导致简单阈值方法难以稳定分割有效片段，肉鸡舍常见噪声来源及其影响见表2。

表2  肉鸡舍常见噪声来源及影响

肉鸡舍音频预处理的难点主要体现在4个方面：一是目标声音短促，咳嗽和喷嚏等事件可能只持续几十至数百毫秒；二是噪声具有非平稳性，风机启停、料线运行和鸡群活动会使背景噪声持续变化；三是多声源混叠明显，同一时间可能存在多只鸡发声；四是现场部署要求算法具备较好的实时性，不能只追求复杂模型而忽视边缘设备算力限制。因此，预处理流程应兼顾降噪效果、信号保真、计算效率和后续模型适配性。

二、声音信号预处理流程

1 数据采集与格式规范

声音采集应优先选择灵敏度稳定、抗干扰能力较强的麦克风，并根据鸡舍结构布设在远离强机械噪声且能覆盖目标区域的位置。采样率可设置为44.1 kHz或48 kHz，量化位数采用16 bit或24 bit，以兼顾声音细节和存储成本。采集时应同步记录鸡舍编号、日龄、采样时间、设备运行状态、温湿度和异常事件备注，便于后续分析噪声来源和建立样本标签。

在进入降噪处理前，应完成音频统一格式转换、声道合并、幅值归一化和异常文件剔除。对于长时间连续录音，可先按固定时间窗切片，再结合短时能量和频谱变化筛选疑似发声片段。这样既能降低后续算法处理量，也有利于构建结构清晰的数据集。

2 声音事件检测与分割

声音事件检测的目标是从连续音频中确定目标片段的起止位置。传统方法可采用短时能量、短时过零率和频谱熵等特征进行双门限检测，适合部署在计算资源有限的边缘端。对于噪声较强的场景，可在检测前进行带通滤波或噪声谱估计，以降低背景噪声对门限判断的影响。Lee和Kwon提出的基于语音片段检测的降噪预处理策略说明，先定位有效片段再进行增强处理，有助于减少无效背景对后续建模的干扰［11］。

3 降噪与滤波方法

（1）数字滤波

数字滤波适用于噪声频段相对明确的场景。高通滤波可削弱低频设备振动和气流噪声，低通滤波可抑制过高频的随机噪声，带通滤波则用于保留目标声音主要频段。该方法计算量小、实时性好，但当噪声与目标声音频段重叠时，单独使用滤波方法容易造成目标信息损失。

（2）谱减法

谱减法将含噪信号视为目标声音与背景噪声叠加，通过估计噪声功率谱并从含噪频谱中扣除噪声成分实现增强。该方法适合风机等相对稳定噪声，但在噪声估计不准确时可能产生“音乐噪声”。谱减类算法［12］在噪声语音增强领域已有较系统研究，其思想可迁移到肉鸡舍声音增强任务中。

（3）小波去噪

小波变换具有较好的时频局部化能力，可将声音信号分解到不同尺度，再通过阈值处理削弱噪声成分。与单纯频域滤波相比，小波去噪更适合保留咳嗽、喷嚏等短时突发声音的瞬态结构。但该方法需要合理选择小波基、分解层数和阈值策略，否则可能出现过度平滑或残留噪声。

（4）维纳滤波与模型辅助增强

维纳滤波基于最小均方误差准则，可根据信号与噪声统计特性进行自适应处理。对于噪声变化明显的鸡舍场景，可将维纳滤波与噪声估计、声音事件检测或深度学习模型结合，提高复杂背景下的鲁棒性。但在实际部署时，应控制模型规模，优先选择可解释、可复现和便于维护的处理链条。

4 特征提取前的标准化处理

预处理后的音频还需进行分帧、加窗、端点对齐和幅值标准化。常用特征包括梅尔频谱、梅尔频率倒谱系数、短时能量、频谱质心、频谱带宽和过零率等。若后续采用卷积神经网络或循环神经网络，可将音频转换为时频图或序列特征；若采用轻量化模型，则可优先选择维度较低、计算量较小的统计特征。无论使用何种模型，训练集、验证集和测试集应保持相同的预处理流程，避免因处理方式不一致影响结果可信度。

三、方法应用与系统集成

1 面向呼吸道异常监测的应用

在肉鸡呼吸道异常监测中，预处理流程可设计为“音频采集—事件检测—降噪增强—特征提取—异常识别—结果推送”。当系统检测到咳嗽、喷嚏或异常呼吸片段数量持续升高时，可结合日龄、温湿度、氨气浓度和通风状态生成预警提示。与单纯依靠人工听诊或巡查相比，声学监测能够实现连续记录和趋势分析，有利于早期发现异常。

2 面向边缘部署的处理流程

在实际鸡舍部署中，预处理算法不宜过于复杂。边缘端可承担音频切片、短时能量检测、基础滤波和初步特征提取任务；服务器端或云端再完成深度模型识别、趋势统计和可视化展示。这样既能降低网络传输压力，也能减少原始音频长期存储带来的成本。对于网络条件较差的鸡舍，可先保存异常片段和统计特征，再定期上传完整数据用于模型迭代。

3 方法选择建议

不同预处理方法应根据噪声类型和应用目标组合使用。若主要干扰来自持续风机声，可采用噪声谱估计与谱减法；若目标声音多为短促突发事件，可优先考虑小波去噪和事件级分割；若噪声频段清晰，可采用带通滤波作为前置步骤；若目标是构建轻量化识别系统，则应减少复杂增强算法，保证处理速度和模型稳定性。

实际应用中不宜把预处理视为孤立环节，而应与采集方案、标注规范和识别模型共同设计。

四、讨  论

肉鸡舍声音信号预处理的核心不是简单“消除噪声”，而是在保留目标声音关键特征的前提下，降低背景干扰对识别模型的影响。过度降噪可能削弱咳嗽声的冲击特征和异常呼吸声的细微纹理，反而降低识别准确性。因此，评价预处理效果时，除观察信噪比改善外，还应结合下游任务指标，如异常声音识别准确率、召回率和误报率。

此外，肉鸡舍声学数据具有明显的场景差异。不同鸡舍结构、通风方式、设备类型、饲养密度和日龄阶段都会影响背景噪声与鸡群发声特征。后续研究应建立包含多季节、多日龄、多设备状态的标准化数据集，并完善异常声音标签体系。对于已建成的智慧养殖平台，可将声音预处理模块与视频识别、环境监测和生产数据分析结合，形成多模态健康预警体系。

五、结  论

本文围绕肉鸡舍声音信号质量低、噪声干扰强和目标事件短促等问题，分析了声音事件检测、数字滤波、谱减法、小波去噪、维纳滤波及特征标准化等预处理方法。

研究认为，肉鸡舍声学监测应采用分层处理思路：前端保证采集质量和事件分割，中端进行适度降噪和特征保持，后端结合识别模型与养殖管理需求输出预警结果。科学、稳定的预处理流程可提升异常声音识别的可靠性，为肉鸡呼吸道健康监测和智慧养殖系统建设提供技术支撑。

参考文献：
［1］ 陈学煌. 复杂声音信号基频检测和处理的一种方法及实例［J］. 应用声学，2007，26（6）：341-346.
［2］ 王浩安. 基于多层能量检测的动物声音检测与识别［D］. 福州：福州大学，2015.
［3］ 宣传忠，武佩，张丽娜，等. 羊咳嗽声的特征参数提取与识别方法［J］. 农业机械学报，2016，47（3）：342-348.
［4］ 宣传忠，武佩，马彦华，等. 基于功率谱和共振峰的母羊发声信号识别［J］. 农业工程学报，2015，31（24）：219-224.
［5］ 杜晓冬. 基于轻量级卷积神经网络的种鸡发声识别方法［J］. 农业机械学报，2021，52（8）：256-263.
［6］ 吕美萱. 基于声音和图像识别技术的肉鸡健康监测系统［J］. 农业工程学报，2022，38（11）：167-174.
［7］ 秦伏亮. 基于声音识别的白羽肉鸡呼吸道疾病监测系统的研究与实现［J］. 计算机工程与应用，2020，56（19）：231-237.
［8］ 胡文星. 基于注意力机制的BiLSTM动物声音情绪识别［J］. 农业工程学报，2023，39（7）：189-196.
［9］ 杨稷. 肉鸡呼吸道异常声音监测系统的设计与实现［J］. 中国家禽，2022，44（6）：89-93.
［10］ 纪楠. 基于多域特征融合的生猪咳嗽声识别方法研究［J］. 农业机械学报，2022，53（5）：211-218.
［11］ LEE S J，KWON H Y. A Preprocessing Strategy for denoising of speech data based on speech segment detection［J］. Applied sciences，2020，10（20）：7385.
［12］ UPADHYAY N，KARMAKAR A. Spectral subtractive-type algorithms for enhancement of noisy speech: an integrative review［J］.International journal of image， graphics and signal processing，2013，5（11）：13-22.

来源：中国禽业导刊，作者单位：国家肉鸡产业技术体系智能化养殖岗位，天津农学院计算机与信息工程学院