《Smart Agricultural Technology》：Early Detection of Pullorum Disease in Chickens Using Sound-Based Monitoring with a Pyramid Fusion Residual Network
编辑推荐：
问题三：论文摘要翻译
基于声音的监测为非接触式、可扩展的家禽健康管理提供了解决方案。然而，现有研究主要集中在表现出显著声学特征的呼吸道疾病上。相比之下，非呼吸道疾病（如鸡白痢）仅引起细微的发声变化，使得基于声音的检测极具挑战性且探索不足。本研究探讨了通过分析鸡
问题三：论文摘要翻译
基于声音的监测为非接触式、可扩展的家禽健康管理提供了解决方案。然而，现有研究主要集中在表现出显著声学特征的呼吸道疾病上。相比之下，非呼吸道疾病（如鸡白痢）仅引起细微的发声变化，使得基于声音的检测极具挑战性且探索不足。本研究探讨了通过分析鸡的发声来识别鸡白痢的可行性，从而将声学监测的应用从传统的呼吸系统疾病扩展到非呼吸系统疾病。声学数据收集自50只鸡的样本，包括25只感染鸡和25只健康鸡。采用结合最小均方误差估计（Least Mean Square Error Estimation）和谱减法的混合去噪策略来抑制环境噪声。提取梅尔频谱图（Mel Spectrograms）以表征疾病相关的时频模式。提出了一种分层金字塔融合残差网络（CsResNet-PF）来建模这些细微的病理变化。此外，还采用了梅尔频谱图特征与梅尔频率倒谱系数（MFCC）的特征级融合，以及整合传统分类器与深度特征表示的决策级融合，以增强鲁棒性并优化分类边界。对比实验表明，CsResNet-PF优于六种代表性的深度学习模型，达到了94.75%的准确率和94.76%的F1分数。值得注意的是，所提出的框架表现出强大的早期检测能力，在感染后第2天、第4天和第8天的准确率分别为88.00%、93.67%和94.00%。这些结果证实了基于声音检测鸡白痢的可行性，并表明联合特征级和决策级融合可为家禽疾病的早期监测提供互补优势。
问题四：论文深度解读
该研究发表于《Smart Agricultural Technology》，聚焦于家禽养殖中一个长期被忽视的领域——非呼吸道疾病的声学监测。传统上，家禽疾病的早期预警严重依赖人工巡检，而现有的自动化声学监测技术几乎完全集中于禽流感、支气管炎等伴有明显咳嗽、打喷嚏症状的呼吸道疾病。然而，以鸡白痢（Pullorum Disease）为代表的非呼吸道疾病，虽然主要影响消化系统，却会导致患禽行为、生理及应激水平的微妙变化，进而引起发声的细微改变。这种变化极难捕捉，且在以往的研究中存在显著的空白。为此，研究人员开展了此项开创性工作，旨在验证利用声音信号诊断此类隐蔽疾病的可行性，并构建相应的智能识别模型。
为实现这一目标，研究人员设计了一套精密的实验与计算流程。数据采集自两个实验环境，共涉及50只岭南黄羽肉鸡（Lingnan yellow-feather broilers），其中25只在生物安全二级（ABSL-2）标准下通过灌胃法接种沙门氏菌以诱导白痢感染，其余25只为健康对照。声学数据采集使用Logitech C1000e高清摄像头在单声道模式下录制。数据处理的核心在于应对复杂的鸡舍环境与微弱的病理信号：首先，采用最小均方误差估计（MMSE）结合谱减法（Spectral Subtraction）的混合降噪策略处理原始音频；其次，通过计算短时能量去除静音片段以提高信噪比；随后，提取梅尔频谱图（Mel Spectrograms）作为基础特征，并引入时间平移（Time Shifting）和频率掩蔽（Frequency Masking）作为数据增强手段。模型架构上，提出了鸡声残差网络与金字塔融合（CsResNet-PF），该网络集成了多层次残差连接以促进深层特征学习，并设计了双路径特征融合模块，将梅尔频谱图与MFCC（Mel-Frequency Cepstral Coefficients）进行特征级融合，同时结合KNN、SVM等传统分类器进行决策级融合以提升鲁棒性。
研究结果通过一系列严格的对比与消融实验得到了充分验证。在模型性能分析中，研究人员构建了两个数据集进行对比，其中数据集1未使用频谱级增强，数据集2引入了频率掩蔽。结果显示，CsResNet-PF在两个数据集上均表现最优，在数据集1上取得了94.75%的准确率和94.76%的F1分数，且参数量仅为2.92百万，模型大小11.1 MB，在精度与效率间取得了最佳平衡。相比之下，引入频谱扰动后，多数基线模型性能下降明显，但CsResNet-PF仍保持了91.38%的准确率，显示出极强的抗干扰能力。t-SNE可视化进一步证实，该模型学习到的深度特征能够清晰地将健康样本与感染样本区分开，且能反映感染后第2天、第4天和第8天不同阶段的特征分布渐变。消融实验量化了模型各组件的贡献，结果表明，将初始的7×7卷积替换为堆叠的3×3卷积提升了基线性能，而跨层特征融合（Cross-layer Feature Fusion）则带来了最显著的性能跃升。在发声分析环节，研究发现所有模型对健康鸡和感染后第8天（DAY8）的识别率最高，而对感染后第2天（DAY2）和第4天（DAY4）的识别存在混淆，但CsResNet-PF在此类困难样本上的判别能力显著优于基线模型。最后，集成策略分析揭示了特征级融合在应对频谱失真时的有效性，以及混合分类框架在不同骨干网络上的差异化表现，指出对于特征提取能力强的CsResNet-PF，端到端的原始框架已足够稳定高效。
综上所述，该研究通过详实的数据与严谨的论证，成功证实了基于声学监测非呼吸疾病（如鸡白痢）的可行性，打破了声学技术仅适用于呼吸道疾病的刻板印象。研究人员得出结论，通过适当的建模，与疾病相关的细微发声变化包含足够的判别信息，这使得声学监测成为一种可行的非接触式早期疾病检测手段。这项工作不仅为家禽健康管理提供了新的技术路径，也为智能农业技术在复杂生物信号解析领域的应用提供了重要的理论依据与实践参考。
