在养殖业中,畜禽的健康情况、福利水准和繁殖效率是评判养殖技术的重要指标,也是决定养殖收益的主要因素。尤其是畜禽的健康,一旦流行性疾病在养殖场的饲养动物间爆发,不仅会影响到该养殖场的收益水平,也可能给整个养殖行业带来无法估量的经济损失。目前,养殖场对畜禽健康情况和福利水平的判断还主要停留在饲养员观察,由于饲养人员名额有限和各自经验水平的不同,导致判断结果可能不一样,同时也不可避免出现漏检和误检现象。所以仅仅依靠人力观察很难满足养殖规模与安全保证这两方面的需求。养猪业是我国农业中的重要产业,对保障肉食品安全供应有重要作用。随着数字化监控技术的不断发展,如何利用远程监控系统来实现猪的健康检测成为了目前研究的难点和热点。本文阐述了国内外自动化技术在畜禽监测的研究近况,分析了监控系统以及声音识别技术,并提出了基于音频分析技术的猪异常检测。有助于提高养殖场的管理效率,提高猪的健康福利水平。本文首先介绍了国内外现有的数字化畜禽监测技术,并在音频分析技术、机器视觉技术、无线传感器技术、射频标识技术和超声波技术中选择音频分析技术作为研究方向和突破点。通过声音识别技术对猪咳嗽声、打斗声、饿叫声和抽搐声四种异常声音进行识别。本文的研究工作主要包括:(1)基于流媒体技术的数字化监控系统在养殖场的应用。在监控系统整体架构的基础上,分析了系统所需要的硬件(拾音器、摄像头等)和软件(i VMS-4200)。然后通过FFmpeg音频编码技术把监控系统采集到的数据从“复合流”重新编码为音频数据。最后研究频谱减法降噪、小波阈值降噪和自适应滤波抵消法三种降噪方法,分析三种方法的降噪原理并对比三种降噪方法对带噪声音信号的降噪效果,从中选出一个降噪效果较好的为后期的声音识别提供信噪比相对更高的声音信号。(2)猪咳嗽声特征参数提取与识别的研究。分析猪咳嗽声的声学特性,对其进行特征参数提取,并利用隐马尔科夫模型实现猪咳嗽声的识别。首先通过预加重、分帧加窗和端点检测对猪咳嗽声进行预处理;然后对每一帧的声音信号提取特征参数,并以特征参数序列为观测值输入隐马尔科夫模型,对模型进行初始化;最后通过Welch-Baum算法对初始模型进行训练,利用训练好的模型通过Viterbi算法对猪咳嗽声进行识别。其中特征参数选择常用的线性预测倒谱系数、梅尔倒谱系数以及它们的一阶差分。实验结果表明隐马尔科夫模型可以完成对猪咳嗽声的识别,而且在梅尔倒谱系数及其一阶差分作为特征参数时,识别率最高。(3)分析了4种猪异常声音,利用三种不同声音识别方法对猪四种异常声音进行识别,并对三种识别方法进行优选。本论文分别从时域、频域和变换域分析猪咳嗽声、打斗声、饿叫声和抽搐声四种猪异常声音,比较它们的特点和区别;在隐马尔科夫模型的基础上引进另外两种声音识别方法:矢量量化和动态时间归正,分析三种方法的特点以及对猪异常声音的识别结果;针对单一算法识别率不高的问题,应用欧氏距离融合归类算法对三种声音识别方法进行优选。实验结果表明,该算法可以运用到三种识别方法的优选,而且对猪异常声的识别率有一定的提高。