مقاله شبکه عصبی بازگشتی مبتنی بر توجه برای تشخیص خودکار رفتار مرغ تخمگذار

چکیده

One of the interests of modern poultry farming is the vocalization of laying hens which contain very useful information on health behavior. This information is used as health and well-being indicators that help breeders better monitor laying hens, which involves early detection of problems for rapid and more effective intervention. In this work, we focus on the sound analysis for the recognition of the types of calls of the laying hens in order to propose a robust system of characterization of their behavior for a better monitoring. To do this, we first collected and annotated laying hen call signals, then designed an optimal acoustic characterization based on the combination of time and frequency domain features. We then used these features to build the multi-label classification models based on recurrent neural network to assign a semantic class to the vocalization that characterize the laying hen behavior. The results show an overall performance with our model based on the combination of time and frequency domain features that obtained the highest F1-score (F1=92.75) with a gain of 17% on the models using the frequency domain features and of 8% on the compared approaches from the litterature.

چکیده به فارسی (ترجمه ماشینی)

یکی از علایق کشاورزی مدرن طیور ، آواز خواندن مرغهای تخمگذار است که حاوی اطلاعات بسیار مفیدی در مورد رفتارهای بهداشتی است.این اطلاعات به عنوان شاخص های بهداشتی و بهزیستی استفاده می شود که به پرورش دهندگان کمک می کند تا مرغ های تخمگذار را بهتر کنترل کنند ، که شامل تشخیص زودرس مشکلات برای مداخله سریع و مؤثرتر است.در این کار ، ما برای تشخیص انواع تماس های مرغهای تخمگذار بر روی تجزیه و تحلیل صدا تمرکز می کنیم تا بتوانیم یک سیستم قوی برای توصیف رفتار آنها برای نظارت بهتر پیشنهاد کنیم.برای انجام این کار ، ما ابتدا سیگنال های تماس مرغ را جمع آوری و حاشیه نویسی کردیم ، سپس یک خصوصیات صوتی بهینه را بر اساس ترکیب ویژگی های دامنه زمان و فرکانس طراحی کردیم.ما سپس از این ویژگی ها برای ساخت مدل های طبقه بندی چند برچسب بر اساس شبکه عصبی مکرر استفاده کردیم تا یک کلاس معنایی را به آواز که توصیف رفتار مرغ تخمگذار است ، اختصاص دهیم.نتایج نشان می دهد عملکرد کلی با مدل ما بر اساس ترکیبی از ویژگی های دامنه زمان و فرکانس که بالاترین امتیاز F1 (F1 = 92.75) را با افزایش 17 ٪ در مدل ها با استفاده از ویژگی های دامنه فرکانس و 8 ٪ در به دست آورد.رویکردهای مقایسه شده از بستر.