基于梅尔频谱与卷积神经网络的肉鸡叫声小样本识别实现与教学研究
赵永才 · 李慢 · 郜静茹 等 5 人
构建5类54条肉鸡叫声数据集，比较四种CNN与两种迁移学习策略的小样本识别性能。
梅尔频谱图输入，四种CNN，特征提取与微调迁移学习，分层5折交叉验证。
AlexNet特征提取式最优，准确率59.54%，求救呼叫F1达0.94；轻量网络微调提升显著。
可探索自监督预训练与数据增强，解决小样本禽声识别中复杂网络迁移策略选型问题。
小样本肉鸡叫声识别方法选型研究，数据规模有限但结论具参考价值，属细分领域技术进展。
摘 要：肉鸡叫声能够直观反映其采食、应激、求救等生理与行为状态,准确识别肉鸡叫声对规模化养殖中的动物福利监测和异常预警具有重要意义。然而,肉鸡叫声标注样本获取困难,现有研究多针对单一网络模型展开,缺少在小样本条件下对不同骨干网络及迁移学习策略的系统比较,模型选型缺乏依据。为此,本文构建了包含求救呼叫、愉悦音、短促啾啾、颤音和其他发声共5类、54条原始音频的肉鸡叫声数据集,将音频统一转为128×128维梅尔频谱图作为输入,采用四种典型卷积神经网络,并分别在特征提取式与微调式两种迁移学习策略下进行对比实验,采用分层5折交叉验证评估性能。实验结果表明：AlexNet特征提取式方案取得最优识别效果,总体准确率为59.54%、宏平均F1值为49.10%,其中求救呼叫的F1值达到0.94；轻量级网络MobileNet-V2在微调式策略下性能提升显著,而结构较复杂的网络在小样本下采用冻结骨干的特征提取式训练更为稳定。研究表明,在小样本肉鸡叫声识别任务中,骨干网络与迁移学习策略应根据模型复杂度协同选择,该结论可为面向养殖场景的禽声自动识别系统提供方法选型参考。 基金项目：安徽省教育厅优秀青年教师培育项目（YQYB2026117）；安徽省智慧农业技术与装备重点实验室开放基金（AEC2026016；AEC2025009）；安徽省教育厅自然科学研究项目（重大）（2024AH040217）；省级质量工程-教学研究项目（2023jyxm1009；2023xjzlts117；2023sdxx145）;基于人工智能下的家禽康养与疾病预警技术研究（S202413620055）；基于自监督学习与对抗增强的小样本信号的智能感知研究（2025SK019）；基于深度学习的生猪识别与康养研究（S202513620083）