编辑推荐：
家禽养殖业中呼吸道疾病频发，传统人工监测效率低且主观。本研究针对此，利用便携式麦克风结合移动采集，通过降噪、特征提取及分类模型（随机森林）实现咳嗽声自动识别，准确率 96.13%，为智能精准健康管理提供新路径。
在现代化家禽养殖的庞大版图中，一群 “隐形杀手” 正悄悄威胁着产业的命脉 —— 呼吸道疾病以其高达 30%-50% 的发病率，如同笼罩在鸡舍上方的阴霾，不仅让家禽生长受阻、死亡率攀升，更给养殖户带来巨额经济损失。传统的人工观察如同在迷雾中摸索，依赖养殖人员的经验和肉眼判断，效率低下且充满主观性，尤其在密集养殖环境中，禽类的咳嗽、喘息等细微异常极易被忽视。当夜幕降临时，视觉监测更是陷入 “失明” 困境，无法捕捉夜间的病情变化。如何突破这些瓶颈，实现对家禽呼吸道疾病的早期、精准监测，成为摆在全球养殖业面前的紧迫课题。
为了破解这一难题，江南大学的研究人员展开了一场与 “声音” 对话的科研探索。他们将目光投向了便携式麦克风这一小小的设备，试图构建一套能在真实养殖场景中动态捕捉家禽健康信号的监测系统。这项研究成果最终发表在《Computers and Electronics in Agriculture》，为家禽健康管理掀开了新的篇章。
研究人员采用的核心技术方法包括：其一，移动音频采集技术，由养殖人员携带便携式麦克风在鸡舍内按既定路线巡视，实现动态、实时的多点位音频采集，覆盖整个 95m×15m×4.2m 的鸡舍空间，相较于固定麦克风，有效解决了距离和环境噪音导致的信号遗漏问题；其二，数据预处理技术，通过四步滤波流程（包括 Wiener 滤波等）对 34 段各 13 分钟的音频进行降噪，提升信号清晰度；其三，基于短时能量和过零率的端点检测算法，精准定位咳嗽声事件；其四，随机森林（Random Forest）分类模型，实现咳嗽声与背景噪音的自动区分。研究样本来自江苏南通某大型商业蛋鸡养殖场的两个鸡舍，对象为 30 日龄的海兰褐商品蛋鸡。
音频数据采集与预处理
研究团队在 2024 年 2-3 月连续 17 天，于两个大型鸡舍内进行声音采集。通过养殖人员的日常巡逻移动，麦克风捕捉到了包含复杂环境音（如禽类活动声、设备运转声）的原始音频。经预处理后，噪音干扰显著降低，为后续分析奠定了基础。
分类模型构建与验证
通过提取梅尔频率倒谱系数（MFCCs）、波熵等声学特征，研究人员训练了随机森林分类模型。该模型在交叉验证中实现了 96.13% 的平均准确率，且自动检测的每日咳嗽次数与人工标注结果高度相关（皮尔逊相关系数r=0.99），误差率低于 5%，证明了其可靠性。
实际应用价值
研究发现，咳嗽频率的动态变化与家禽健康状态紧密关联。通过分析多日连续数据，该系统能够客观评估咳嗽严重程度，为确定最佳用药时机提供科学依据，替代了传统依赖人工听觉的主观判断模式。
研究结论表明，基于便携式麦克风的移动音频监测系统，成功实现了真实养殖环境下蛋鸡咳嗽声的自动检测与分类。其核心创新在于将动态采集、智能降噪与机器学习相结合，突破了实验室环境的局限性，首次在大规模鸡舍中验证了声音技术的实际应用潜力。尽管当前研究仍处于技术发展阶段，尚未完全普及，但该方法为解决密集养殖中的呼吸道疾病监测难题提供了兼具成本效益与准确性的方案。随着进一步优化，这种非接触、自动化的监测模式有望推动家禽养殖业向智能化、精准化转型，不仅提升养殖效率，更将为保障禽类健康福利、促进产业可持续发展开辟新路径。其提出的 “咳嗽率” 评估概念及用药指导逻辑，为后续同类研究提供了重要参考范式，预示着声音技术在农业物联网领域的广阔应用前景。
