基于被動水聲信號的淡水魚種類識別

李 路 涂群資 黃漢英 趙思明 熊善柏 馬章宇

(1.華中農業大學工學院， 武漢 430070； 2.華中農業大學食品科技學院， 武漢 430070)

基于被動水聲信號的淡水魚種類識別

李 路1涂群資1黃漢英1趙思明2熊善柏2馬章宇1

(1.華中農業大學工學院， 武漢 430070； 2.華中農業大學食品科技學院， 武漢 430070)

針對淡水魚種類自動識別問題，采用被動水聲信號作為數據源，運用維納濾波和采樣降噪法對水聲信號進行預處理，通過4層小波包分解算法提取頻段能量，結合信號的短時平均能量和短時平均過零率構建特征向量，使用概率神經網絡分類器實現了淡水魚種類的快速識別，研究了不同平滑因子取值對識別效果的影響。結果表明，當平滑因子為9～19時識別效果最佳，其中草魚、鳊魚、鯽魚的識別正確率均為100%，無魚狀態的識別正確率為77.3%，總正確率為94.3%。

淡水魚； 被動水聲信號； 種類識別； 概率神經網絡

引言

魚類識別是水生生態監測和漁業資源評估的重要內容[1]。近些年，國內外研究者利用水聲信號處理技術，通過對魚類發聲特點和聲學特性的研究，構建了部分魚類的自動監測和識別方法，該方法適用范圍廣、不受能見度影響，是目前研究的一大熱點[2-4]?；诒粍铀曅畔⒌聂~類監測研究主要集中在兩方面：①開展海洋漁業資源調查，采集不同水域、不同種類魚的發聲信號，從而獲得魚類的時空分布以及行為特征，為漁業生產提供相關信息[5-6]。②研究魚類在某種特定行為下的發聲特性[7-13]及發聲機理[14-16]。上述研究都是針對海魚的，而常見淡水魚大多沒有顯著的鳴叫聲，其信號特征不顯著。利用低信噪比的被動水聲信號對淡水魚的種類進行識別，具有較大難度，目前還沒有較好的解決方法，相關的研究也鮮見報道。

本文針對淡水魚種類自動識別問題，以水聽器為信號采集設備，采用小波包分解算法進行頻段能量計算，然后利用概率神經網絡(Probabilistic neural networks，PNN)分類器對淡水魚進行自動分類，在保證較高正確率的前提下盡量減小計算量，以期為快速識別淡水魚種類提供一種手段。

1 材料與方法

1.1 材料與儀器

選取草魚、鳊魚和鯽魚為試驗材料。所有試驗用魚均在市場隨機采購，草魚質量0.75～1.50 kg，鳊魚質量0.35～1.00 kg，鯽魚質量0.15～0.50 kg。

試驗儀器為High Tech 公司生產的HTI-96-MIN型標準水聽器和Song Meter系列中的SM2+型聲學記錄儀。為了減小噪聲干擾，以上述儀器為核心，設計了淡水魚水聲信號采集系統，如圖1所示。該系統包括2個同樣大小的消聲水箱，其中試驗水箱用來采集魚類水聲信號，對照水箱用來同步采集背景環境噪聲，用作后期數據處理時的背景環境噪聲消除。

圖1 淡水魚水聲信號采集系統結構圖Fig.1 Structure diagram of acoustic signal acquisition system1.試驗水箱 2.照明燈 3.攝像機 4.電源 5.數據處理計算機 6.聲學記錄儀 7. 2號水聽器 8.對照水箱 9. 1號水聽器 10.隔音海綿

1.2 方法

1.2.1 信號采集

在兩水箱中各注入500 L的水，水溫為10～15℃，溶氧量為7～8 mg/L，pH值為7.2～7.5。水聽器布置在水面以下20 cm處。將每尾淡水魚依次單獨放入試驗水箱中，靜置5 min，待其狀態穩定后，進行水聲信號采集。

聲學記錄儀參數設置如下：采集時長60 s；采樣頻率4 000 Hz。

共采集草魚、鳊魚和鯽魚水聲信號樣本各44組。作為對照，另采集無魚聲音信號樣本44組?？傮w試驗樣本176組。

1.2.2 信號預處理

上述水聲信號樣本，除含有魚類本身輻射的信號外，還含有外界環境噪聲，如果直接運用原始信號進行種類識別，會大大降低準確性。因此在提取水聲信號特征之前，需要對其進行歸一化、濾波和背景環境噪聲消除等預處理。

(1)濾波

運用維納濾波對水聲信號進行濾波消噪。維納濾波器是基于最小均方誤差準則下的最優化線性濾波器，它使輸出的估計信號與期望的輸出信號之間的均方誤差為最小，從而有效抑制白噪聲，提高信號的質量[17]。

(2)背景環境噪聲消除

根據對照水箱中采集的噪聲信息，使用采樣降噪方法對樣本進行背景環境噪聲消除。采樣降噪是目前較為科學、應用較為廣泛的一種消除背景噪聲的方式，它利用環境噪聲的頻率特性，在原始音頻信號中去除符合該頻率特性的噪聲，從而達到降噪的目的[18]。

1.2.3 樣本集劃分

所采集的176組水聲信號全部經過濾波降噪處理后，作為概率神經網絡分類器的數據樣本，采用隨機挑選的方法，進行訓練集和驗證集的劃分，劃分比例為1∶1。

1.2.4 信號特征參數提取

(1)短時平均能量

對聲音信號能量的描述能夠反映聲音的特性。因此，在對魚聲信號進行分析時，選擇信號的短時平均能量作為特征值之一可以描述信號的變化情況。短時平均能量是在短時能量的基礎上得到的，魚聲信號的短時能量的計算公式為

(1)

式中Ev——第v幀的短時能量xv(m)——第v幀水聲信號中第m個采樣點的幅值

N——幀長

魚聲信號經加窗分幀處理后的幀數為V，其短時平均能量為E，其計算公式為

(2)

(2)短時平均過零率

短時過零率是指聲音振動方向持續變化的信號在一個短時幀長內通過橫坐標軸的次數[19]。文獻[10]表明，魚類聲音信號的短時過零率，能反映目標的頻率。本研究不需要針對信號內某幾個突變信號進行識別，而是得到信號總體的一個參數作為特征，因此選擇信號的短時平均過零率作為特征值之一。

短時過零率計算公式為

(3)

式中Zv——第v幀的短時過零率

sgn[·]是符號函數，其形式為

(4)

式中x(n)——離散采樣后的水聲信號

短時平均過零率是在短時過零率的基礎上得到的，其計算公式為

(5)

式中Z——短時平均過零率

(3)基于小波包分解的頻段能量

小波包算法是將信號頻帶進行多層次的劃分，同時對低頻和高頻成分進行分解[3]。具體算法如下：

(6)

(7)

圖2 小波包分解樹Fig.2 Wavelet packet decomposition tree

首先采用4層小波包分解對魚聲信號進行特征參數提取，選取db1小波作為小波包基函數。其小波包分解樹如圖2所示。圖中，每個節點都代表了一定的特征，節點(0,0)代表原始魚聲信號S，節點(a,b)代表第a層小波包分解第b個節點的系數，其中a= 1, 2, 3, 4，b= 0, 1, 2, …, 15。

此時對原始信號S進行表示時，高低頻信號分量可以任意組合，但要滿足2個條件：信號的完備性和高低頻信號分量不能有交疊性。

(8)

式中g0(l-2k)——小波包重構低通濾波器組g1(l-2k)——小波包重構高通濾波器組

最后，計算各頻段內重構信號的能量E4b作為分類識別的特征參數，計算公式為

(9)

式中M——重構信號S4b的離散采樣點數S4b(i)——重構信號S4b的第i個采樣值

1.2.5 淡水魚品種分類器設計

基于被動水聲信號的淡水魚種類識別其實就是一個對淡水魚聲音信號進行分類的過程。本文采用概率神經網絡分類算法實現淡水魚種類識別。概率神經網絡是基于貝葉斯決策理論和密度函數估計而建立的一種前饋神經網絡[20]。概率神經網絡由輸入層、模式層、累加層和輸出層組成。輸入層用來接收來自訓練集樣本的特征向量。本文提取信號的短時平均能量、短時平均過零率、4層小波包分解的各頻段能量構成n維度特征向量X= (x1,x2, …,xn)T。模式層將特征向量進行加權處理，即Z=XW，其中W為權值矩陣。Z經過一個激活函數處理后，傳給累加層。本文采用的激活函數為

(10)

式中δ2——樣本方差

在累加層中，依據Parzen方法求和來估計樣本類別的概率為

P(X|Ci)=

(11)

式中Ci——目標類別Nx——訓練樣本數Xi——訓練樣本特征向量σ——平滑因子

σ決定了模式樣本點之間的影響程度，其通過影響PNN中的概率密度分布函數變化，直接決定著最終的分類效果。當取值過大時，雖然概率密度估計比較平滑但細節丟失嚴重；而當取值過小時，密度估計又會呈現較多的尖峰突起。σ的取值需要在反復試驗對比中來確定，本文σ取2～40。

MapReduce的基本執行流程如圖1所示。其中，Map函數讀取一個初始數據，然后計算產生中間數據的鍵/值對的集合，由MapReduce系統將具有相同Key的中間Values合并在一起，并且將這些中間數據定期存儲在本地磁盤上，然后將這些數據傳送給Reduce函數。Reduce函數讀取Map輸出的中間數據，在本地節點計算產生最終的結果，并將結果寫入全局的Hadoop分布式文件系統（Hadoop Distributed File System ，HDFS）中。

輸出層的神經元個數與待分類目標的類別數相同。根據各類對輸入向量概率的估計，采用貝葉斯決策理論選擇具有最小“風險”的類別，即具有最大后驗概率的類別，其決策方法為

P(X|Ci)P(Ci)>P(X|Cj)P(Cj)(i≠j)

(12)

式中P(Cj)——樣本的概率估計

1.2.6 算法效率分析

算法效率是衡量算法實用性的重要指標。本文采用運行時間(即從信號預處理至完成分類識別所用的時長)作為描述算法效率的參數。使用上述分類識別算法對176組樣本進行處理，將每一組樣本的算法運行時間進行統計分析，從統計意義上說明算法的運行效率。算法運行環境為CPU Intel Core i3-2100；內存 DDR3 1 333 MHz 8 GB；OS Windows7 64位；軟件平臺為Matlab 2014a。

2 結果與分析

圖3為草魚水聲信號經歸一化處理、維納濾波以及背景環境噪聲消除處理前后對比結果。由圖3可知：

圖3 魚聲信號消噪前后對比Fig.3 Comparison of acoustic signals before and after de-noising

圖4 不同樣本水聲信號時域波形圖和頻譜分析圖Fig.4 Time domain waveform and spectrum analysis of different samples

(1)濾波消噪去掉了大量的隨機干擾，使時域信號的特點和波形結構更加清晰。

(2)信號頻譜中的低頻成分被大量濾除。其原因在于，隔音層對高頻噪聲效果顯著，但對低頻噪聲的屏蔽效果差，導致所采集的水聲信號中低頻環境噪聲較多，隨著噪聲的消除，低頻部分的能量便顯著降低。

無魚、鯽魚、鳊魚聲音信號消噪后的時域波形圖及頻譜分析如圖4所示。綜合圖3和圖4可知，不同種類淡水魚的被動水聲信號在時域和頻域上都有顯著特征。

(1)無魚時，水聲信號時域波形波動最小，其頻譜特征與白噪聲的相近。

(2)草魚水聲信號時域波形波動最劇烈，其頻譜分布最寬，約為0～250 Hz，頻譜能量較均勻。

(3)鯽魚水聲信號時域波形波動較小，其頻譜中高頻成分相對較多。

(4)鳊魚水聲信號時域波形波動較大，其頻譜中低頻成分相對較多。

圖5為4類水聲信號特征參數提取結果的比較。將每個樣本的18個特征參數繪制成一條折線，為突出每一類水聲信號樣本的特點，176條折線按照樣本類別分4幅圖畫出。圖中特征參數編號為1～18，其中1號特征參數為短時平均能量，2號特征參數為短時平均過零率，3～18號特征參數為小波包分解頻段能量。

圖5 4類水聲信號樣本的特征參數Fig.5 Characteristics of four classes underwater acoustic signals

由圖5可知，3種魚類水聲信號的特征參數值的分布較為集中，信號特征較易分辨。無魚時，特征參數值分布范圍較廣，變化規律較復雜，信號特征不顯著，原因在于無魚狀態所采集的水聲信號基本為背景噪聲，信號的隨機性較大，區分難度高。草魚和鯽魚的特征參數值大小不同，但變化趨勢相近。鳊魚的特征參數變化趨勢與另兩種魚有顯著差異，原因在于鳊魚體型較特殊，其運動產生的水聲信號迥異于其他三者。

圖6為σ不同取值的分類識別結果。σ取值較小時，由于分類器中密度分布函數波動劇烈，導致除鳊魚外的其他信號的識別正確率都不高。隨著σ取值增大，草魚和鯽魚的識別正確率顯著提高，鳊魚和無魚狀態的識別正確率不變。σ大于9時，各類樣本的識別正確率達到最高。當σ大于19時，分類器中密度分布函數細節丟失嚴重，導致對無魚狀態和鳊魚的識別正確率開始下降。

從不同樣本種類的識別正確率來看，鳊魚信號特征非常顯著、極易辨認，故在各種σ值情況下的識別正確率都很高，為95%以上。無魚時，信號特征不顯著、極難分辨，故其識別正確率在各種σ值情況下均較低，處于80%以下。由于草魚和鯽魚的信號特征變化趨勢相近，故識別正確率隨σ的變化規律比較一致。

圖6 PNN神經網絡分類效果圖Fig.6 Classification accuracy of PNN neural network

圖7 算法運行時間Fig.7 Run time of identification algorithm

圖7為176個樣本的算法運行時間，其均值為1.78 s，標準差為0.15 s。絕大部分樣本的算法運行時間為1.6～2.0 s，而146號樣本的運行時間最長，為3.65 s，這可能是由于其他應用程序突然占用了部分硬件資源造成的。相對于每個樣本60 s的采集時長來說，目前的算法運行時間能夠滿足需要。但若要保證程序運行的實時性，還需要通過將算法固化到高性能嵌入式系統中才能實現。

總之，當σ取值為9～19時，3種魚類水聲信號樣本的識別正確率都為100%，只有無魚樣本的識別正確率為77.3%。此時，總體分類正確率最高，為94.3%。結果說明采用短時平均能量、短時平均過零率和4層小波包分解的頻段能量構建特征向量，數據量少，計算量小，模型運行速度快，具有較好的分類識別能力。

3 結束語

研究了4類被動水聲信號和特征參數，使用概率神經網絡分類器實現了3種常見淡水魚種類的快速識別，探討了不同平滑因子取值對識別正確率的影響。結果表明，當平滑因子取值為9～19時，淡水魚種類識別效果達到最佳，總正確率為94.3%，其中無魚狀態的識別正確率為77.3%，草魚、鳊魚、鯽魚的識別正確率均為100%。該識別方法速度快、精度高，能自動、無損地實現淡水魚的種類識別，為魚類狀態監測提供了一種有效的手段。

1 SATTAR F, CULLIS-SUZUKI S, JIN F. Acoustic analysis of big ocean data to monitor fish sounds[J]. Ecological Informatics, 2016, 34: 102-107.

2 KHAN J A, WELSH J Q, BELLWOOD D R. Using passive acoustic telemetry to infer mortality events in adult herbivorous coral reef fishes[J]. Coral Reefs, 2016, 35(2): 411-420.

3 杜偉東, 李海森, 魏玉闊, 等. 基于SVM的多方位聲散射數據協作融合魚分類與識別[J/OL]. 農業機械學報, 2015, 46(3): 268-275. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150339&flag=1.DOI:10.6041/j.issn.1000-1298.2015.03.039. DU Weidong, LI Haisen, WEI Yukuo,et al. Multi-azimuth acoustic scattering data cooperative fusion using SVM for fish classification and identification[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 268-275.(in Chinese)

4 GODLEWSKA M, DLUGOSZEWSKI B, DOROSZCZYK L, et al. The relationship between sampling intensity and sampling error-empirical results from acoustic surveys in Polish vendace lakes[J]. Fisheries Research, 2009, 96(1): 17-22.

5 JAMES V L, MICHAEL L B. A passive acoustic survey of fish sound production at Riley’s Hump within Tortugas South Ecological Reserve: implications regarding spawning and habitat use [J]. Fishery Bulletin, 2016, 114: 103-116.

6 THOMAS G L, HAHN T R, THORNE R E. Integrating passive and active acoustics for the assessment of fish stocks[C]∥Oceans 2007 MTS/IEEE Conference, 2007:4449243.

7 LINDSTROM K, LUGLI M. A quantitative analysis of the courtship acoustic behaviour and sound patterning in male sand goby, Pomatoschistus minutes[J]. Environmental Biology of Fishes, 2000, 58(4): 411-424.

8 SPRAGUE M W, LUCZKOVICH J J, PULLINGER R C, et al. Using spectral analysis to identify drumming sounds of some North Carolina fishes in the family sciaenidae [J]. The Journal of the Elisha Mitchell Scientific Society, 2000, 116(2): 124-145.

9 MICHELLE T S, NEMETH M I, ROWELL T J, et al. Sounds associated with the reproductive behavior of the black grouper (Mycteropercabonaci)[J]. Marine Biology, 2014, 161(1):141-147.

10 PICCIULIN M, BOLGAN M, CORO A B, et al. Sound production by the Shi drum umbrina cirrosa and comparison with the brown meagreSciaenaumbra:a passive acoustic monitoring perspective[J]. Journal of Fish Biology, 2016, 88(4):1655-1660.

11 魏翀, 張宇,張賽,等. 網箱養殖大黃魚合成聲信號特性研究[J]. 聲學學報, 2013, 38(3):300-305. WEI Chong, ZHANG Yu, ZHANG Sai,et al. Synthesized acoustic signal characteristics of net-cage-cultured Large Yellow Croaker,Pseudosciaenacrocea[J]. ACTA Acustica, 2013, 38(3): 300-305.(in Chinese)

12 陳功, 王平波, 常睿, 等. 稀疏特征在微弱被動魚聲檢測中的應用[J]. 熱帶海洋學報, 2015, 34(4): 48-53. CHEN Gong, WANG Pingbo, CHANG Rui, et al. Research on detection of weak passive fish acoustic by sparse decomposition feature[J]. Journal of Tropical Oceanography, 2015, 34(4): 48-53.(in Chinese)

13 陳功, 朱錫芳, 許清泉. 仿聲技術在海洋魚類被動聲信號特征提取中的應用[J]. 海洋技術學報, 2013, 32(3): 50-54. CHEN Gong, ZHU Xifang, XU Qingquan. Application of imitated voice technology on feature extraction from marine passive fish acoustic target[J]. Journal of Ocean Technology, 2013, 32(3): 50-54.(in Chinese)

14 WOOD M, CASARETTO L, HORGAN G, et al. Discriminating between fish sounds a wavelet approach[J]. Bioacoustics, 2002, 12: 337-339.

15 SPRAGUE M W. The single sonic muscle twitch model for the sound-production mechanism in the weakfish, Cynoscion regalis[J]. Journal of the Acoustical Society of America, 2000, 108(5): 2430 -2437.

16 CONNAUGHTON M A, TAYOR M H, FINE M L. Effects of fish size and temperature on weakfish disturbance calls: implications for the mechanism of sound generation[J]. The Journal of Experimental Biology, 2000, 203(9): 1503-1512.

17 王景芳. 含噪語音實時迭代維納濾波[J]. 計算機工程與應用, 2011, 47(19): 132-135. WANG Jingfang. Iterative Wiener filtering-based real-time voice in noises[J]. Computer Engineering and Applications, 2011, 47(19): 132-135.(in Chinese)

18 溫建科. 基于Cool Edit Pro軟件的數字音頻處理技術[J]. 實驗科學與技術, 2013, 11(6): 38-40. WEN Jianke. Processing technology of digital audio based on Cool Edit Pro software[J]. Experiment Science and Technology, 2013, 11(6): 38-40.(in Chinese)

19 趙力. 語音信號處理[M]. 北京: 機械工業出版社, 2003.

20 孫俊, 路心資, 張曉東, 等. 基于高光譜圖像的紅豆品種GA-PNN神經網絡鑒別[J/OL]. 農業機械學報, 2016, 47(6): 215-221. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160628&flag=1.DOI:10.6041/j.issn.1000-1298.2016.06.028. SUN Jun, LU Xinzi, ZHANG Xiaodong,et al. Identification of red bean variety with probabilistic GA-PNN based on hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 215-221.(in Chinese)

Freshwater Fish Identification Based on Passive Underwater Acoustic Signals

LI Lu1TU Qunzi1HUANG Hanying1ZHAO Siming2XIONG Shanbo2MA Zhangyu1

(1.CollegeofEngineering,HuazhongAgriculturalUniversity,Wuhan430070,China2.CollegeofFoodScienceandTechnology,HuazhongAgriculturalUniversity,Wuhan430070,China)

Aiming to identify freshwater fish species automatically, passive acoustic signal samples of common freshwater fish were collected by the HTI-96-MIN standard hydrophone. A wiener filter and a sampling noise reduction method were used to preprocess the samples. Then frequency band energy of the samples was extracted by using wavelet packet decomposition algorithm. The layer number of the algorithm was four. The characteristic vectors of the samples were comprised of short-time average energy, short-time average zero-crossing rate, frequency band energy, and difference among the characteristic vectors of the four classes samples. Furthermore, a probabilistic neural network was used to identify freshwater fish species rapidly. As different values of the smoothing factor σ, the identification effect was studied. The results indicated that the identification accuracy was the highest when the smooth factor was between 9 and 19. The identification accuracies of ctenopharyngodon idellus, megalobrama amblycephala and crucian carp were all 100%. The identification accuracy of passive acoustic signals with zero fish was 77.3%. And the total accuracy was 94.3%. The proposed freshwater fish identification method using passive underwater acoustic signals had higher accuracy and less calculation. It provided a new way for identifying freshwater fish species quickly.

freshwater fish; passive underwater acoustic signal; variety identification; probabilistic neural network

10.6041/j.issn.1000-1298.2017.08.018

2017-05-02

2017-06-05

中央高?；究蒲袠I務費專項(2662015QC020、2662015PY078)和國家現代農業產業技術體系建設專項(CARS-46-23)

李路(1979—)，男，講師，博士，主要從事農產品檢測與加工裝備研究，E-mail： taiyangfeng@126.com

黃漢英(1964—)，女，副教授，主要從事農產品檢測與加工裝備研究，E-mail： hhywmx@mail.hzau.edu.cn

S24； TB56

A

1000-1298(2017)08-0166-06