编辑推荐：
为解决群居环境下猪发声分离与识别难题，研究人员提出基于欠定盲源分离（UBSS）和 ECA-EfficientNetV2 的方法。通过稀疏表示、分层聚类估计混合矩阵，结合 lp范数重建信号，经模型识别准确率达 98.35%。该研究助力智能养殖音频监测。
在现代化智能养殖的浪潮中，精准监测猪群的健康与行为状态成为提升养殖效率的关键。然而，群居环境下猪只发出的多种声音（如进食、嚎叫、哼唱）常与环境噪声混杂，导致传统方法难以有效分离和识别不同个体的音频信号。如何从复杂混叠的音频中精准提取单一个体的发声特征，进而实现对猪群健康状况的实时监测，成为智能养殖领域亟待突破的技术瓶颈。
为攻克这一难题，安徽农业大学的研究人员开展了一项创新性研究，相关成果发表在《Computers and Electronics in Agriculture》。团队旨在开发一种轻量化、高效的猪音频信号处理方法，实现群居环境下多类别猪发声的分离与精准识别，为智能养殖中的非接触式健康监测提供技术支撑。
研究采用的核心技术方法包括：
- 欠定盲源分离（Underdetermined Blind Source Separation, UBSS）：通过信号稀疏表示和分层聚类算法估计混合矩阵，结合 lp范数重建算法实现多类别猪音频信号的分离。
- 改进的深度学习模型 ECA-EfficientNetV2：将分离后的音频信号转换为 spectrogram（频谱图），利用嵌入高效通道注意力（ECA）模块的轻量化卷积神经网络进行分类识别。
研究结果
混合矩阵估计与信号重建效果
通过分层聚类算法估计混合矩阵，最小归一化均方误差（NMSE）低至 3.2660×10-4，表明混合矩阵估计精度极高。重建音频的信噪比（SNR）在 3.254–4.267 dB 之间，验证了欠定盲源分离方法对混叠信号的有效分离能力。
深度学习模型识别性能
ECA-EfficientNetV2 模型对 spectrogram 的识别准确率高达 98.35%。与轻量化卷积神经网络 MobileNetV2 和 ShuffleNetV2 相比，准确率分别提升 2.88% 和 1.81%；同时，模型参数较原始 EfficientNetV2 减少 35.67%，显著提升了计算效率，满足智能养殖中边缘设备的部署需求。
研究结论与意义
本研究首次将欠定盲源分离技术与改进的深度学习模型结合，成功实现了群居环境下 4 类猪音频信号（进食声、嚎叫声、哼唱声等）的高效分离与精准识别。实验结果表明，该方法在混合矩阵估计精度、信号重建质量和识别准确率方面均表现优异，且通过模型轻量化设计降低了计算资源消耗。
研究成果为智能养殖中基于音频的猪群行为监测与健康预警提供了新范式，突破了传统方法依赖高密度传感器的局限性，为低成本、非侵入式的养殖监控技术奠定了基础。未来可进一步扩展至更多类别的猪发声识别，并与物联网设备结合，推动智慧牧场的自动化与智能化发展。
