《Computers and Electronics in Agriculture》：EdgeHatch: Detection of chicken hatching stages using machine learning on an edge device
编辑推荐：
一项卷积神经网络（CNN）对从对数梅尔（log-Mel）音频声谱图中提取的小鸡孵化里程碑进行了分类。在实验室和一个大规模工业孵化场中验证了其可行性。工业孵化场测试在量化前达到了93.0%的准确率。整数量化将模型体积缩小了72.5%，而准确率仅下降0.9个百分点
一项卷积神经网络（CNN）对从对数梅尔（log-Mel）音频声谱图中提取的小鸡孵化里程碑进行了分类。在实验室和一个大规模工业孵化场中验证了其可行性。工业孵化场测试在量化前达到了93.0%的准确率。整数量化将模型体积缩小了72.5%，而准确率仅下降0.9个百分点。完整的音频处理流水线在资源受限的PSoC 6边缘设备上成功运行。
论文解读：《EdgeHatch：基于边缘设备机器学习的小鸡孵化阶段检测》
一、研究背景与问题
家禽是全球主要的蛋白质来源之一，工业化养鸡规模巨大。在工业化孵化场中，大型孵化器内含有数千枚种蛋，确保胚胎正常发育的最佳条件至关重要。孵化条件直接影响孵化成功率、雏鸡后续生长及整体动物福利。温度、湿度和种鸡日龄等多种孵化条件会显著影响孵化率。例如，短期暴露于高温会严重损害孵化率，而湿度偏离最佳水平（约50%）也会导致孵化率下降。因此，精确控制孵化环境参数对于最大化孵化率和促进健康胚胎发育至关重要。
然而，在工业化环境中，孵化过程可持续长达36小时，包括内部啄壳（Internal Pipping, IP）和外部啄壳（External Pipping, EP）两个阶段。在此期间，需要根据胚胎发育阶段精确调整温度和湿度，这通常需要每30分钟人工检查一次蛋篮，效率极低且不切实际。尽管已有研究探索利用图像、视频或声音分析来自动监测孵化过程，但这些方法要么因孵化器结构限制难以安装摄像头，要么计算成本高，要么无法实现实时、准确的检测，尤其是在复杂的工业环境下。因此，亟需一种高效、低成本的自动化监测方案。
本研究旨在探究基于音频传感和机器学习的工程可行性，用于在工业化孵化场中检测具有实际操作意义的孵化里程碑（如外部啄壳和最终孵化），并在资源受限的边缘设备上实现实时监测。
二、关键技术方法
研究人员采用了一种基于音频信号分析的深度学习方法，并将其部署在边缘设备上。主要技术方法包括：
- 1.
数据采集：在实验室小规模孵化器和斯洛文尼亚Pivka孵化场的工业化孵化器中采集音频数据。实验室数据用于初步训练，工业数据用于优化模型。
- 2.
音频信号处理：对原始音频信号进行带通滤波去噪，然后通过滑动窗口分帧（每帧32ms，512个样本），应用汉宁窗（Hann window）减少频谱泄漏，再通过快速傅里叶变换（FFT）转换到频域，并使用弗罗贝尼乌斯范数（Frobenius norm）进行归一化。
- 3.
特征提取：将频谱乘以梅尔滤波器组（Mel filter bank），转换为对数梅尔声谱图（log-Mel spectrogram），作为卷积神经网络（Convolutional Neural Network, CNN）的输入。
- 4.
模型部署：将整个处理流水线实现在一个基于Infineon PSoC 6微控制器的资源受限边缘设备上，并通过后训练整数量化（post-training integer quantization）来压缩模型以适应嵌入式部署。
三、研究结果
- •
数据集构建
研究人员共收集了实验室环境下的41段录音（总计122分钟）和工业环境下的151段录音（总计151分钟）。通过滑动窗口，从每分钟录音中提取15张声谱图，分别得到2146张（实验室）和1830张（工业）声谱图数据集。数据按60%（训练）、20%（验证）、20%（测试）划分，确保同一录音会话的数据完整地属于单一子集，避免数据泄露。
- •
模型性能评估
在工业化孵化场测试中，未经量化的CNN模型在分类任务上达到了93.0%的准确率。经过整数量化后，模型体积缩减了72.5%，而准确率仅下降了0.9个百分点，降至92.1%。这表明量化技术在显著降低模型存储和计算需求的同时，仅带来了极小的性能损失，非常适合在资源受限的边缘设备上部署。
- •
边缘设备部署
完整的音频处理流水线，包括信号预处理、声谱图生成和CNN推理，均在PSoC 6边缘设备上成功运行，证明了在资源受限硬件上实现实时孵化阶段检测的工程可行性。
四、总结与结论
本研究成功设计并验证了一个端到端的音频监测流水线，用于检测小鸡孵化过程中的关键里程碑。该流水线结合了带通滤波、log-Mel声谱图提取和CNN分类，并在一个PSoC 6边缘设备上实现了高效部署。通过在实验室和真实工业孵化场环境中的测试，证实了该方法的可行性和有效性。研究表明，利用低成本、低功耗的边缘传感器进行本地化数据处理，能够在不依赖云端的情况下实现高精度的孵化监测，这对于大规模工业化孵化场具有重要意义。
研究的结论部分指出，这项工作是一项在特定实验条件下的工程可行性演示，而非跨孵化场环境的广泛验证。尽管如此，研究仍展示了基于音频的机器学习方法在解决工业化孵化监测难题上的巨大潜力，为实现更智能、更高效的禽类养殖管理提供了新的技术路径。
