畜禽聲音監測技術研究進展

衛潔茹，朱立學，張世昂，陳品嵐

（1.仲愷農業工程學院機電工程學院，廣東 廣州 510225；2.仲愷農業工程學院自動化學院，廣東 廣州 510225）

0 引言

隨著社會經濟的提升，人們對肉類食品的需求越來越多，畜禽養殖業逐漸趨向規?；l展，但是畜禽養殖產業發展面臨生產效率不高、生產方式落后、產業競爭力不強等問題，與實現高質量發展要求還存在一定差距[1]。國家“十四五”規劃指出，要強化質量導向，保障肉蛋奶等重要農產品供給安全，深化農業結構調整，大力發展現代畜牧業，因此，推進畜禽養殖業智能化發展已經成為主流趨勢。在畜牧養殖業中，畜禽的行為信息與其生理健康和福利狀況密切相關，利用人工觀測的方法監測畜禽信息，不但耗費大量的時間和精力，且監測結果受一定主觀性影響，還會對動物造成應激反應或者損傷動物身體[2-3]。發聲是動物之間溝通信息的主要方式，如何實時監測畜禽信息是制約養殖業智能化發展的一個重點難題。在畜禽信息監測過程中，畜禽的聲音信號包含了其內部機體狀況和需求的信息反饋，并且畜禽在疾病、饑餓、情緒變化以及受到外部條件影響的狀態下都會發出不同的聲音信號，通過分析這些聲音信號的變化，可以更為精準地獲取畜禽信息，以便于研究畜禽的生理、健康、福利狀況[4]。

1 畜禽聲音信號處理流程

畜禽聲音監測技術是一種通過采集畜禽的聲音信號，利用計算機技術對聲音信號進行分析、處理和識別，實現畜禽健康、生長狀態和行為等信息的獲取和監測的技術。該技術可以應用于畜禽養殖、動物疾病監測、飼料管理、畜禽行為分析等領域，具有非常廣泛的應用前景。眾多新興的方法和技術被應用于畜禽聲音監測技術，如深度學習、機器學習等。這些方法可以從大量的聲音數據中提取出更為復雜和高級的特征，從而實現更為精準的畜禽行為和健康狀態分類識別。通過聲音信號監測畜禽信息主要分為以下幾步：聲音信號采集、預處理、特征提取、分類識別。

1.1 畜禽聲音信號的采集與預處理

對于來自嘈雜環境的聲音信號進行識別是一項艱巨的任務。聲源與麥克風的距離遠近不同，規?；B殖場中不同的噪聲會干擾畜禽聲音的提取，因此，為了提高信號的質量和可靠性，為后續的處理和分析提供準確的輸入，在進行聲音識別前要將采集到的聲音信號進行預處理，其中，對聲音信號的去噪處理是尤為重要的一環。趙曉洋[3]使用麥克風與錄音筆分別采集了奶牛叫聲、仔豬咳嗽聲、肉雞叫聲，通過聲音編輯軟件對采集到的聲音信號進行擴音、剪切、濾波等環節的信號預處理，以wav.格式的文件形式進行存儲，并在Matlab 中進行預加重、分幀加窗、端點檢測等后續處理，可以有效區分畜禽聲、風聲、門的開關聲以及腳步聲等背景噪音。杜曉冬等[5]以海蘭褐蛋雞聲音信號與風機噪聲為研究對象，通過對比IIR 濾波器去噪、小波閾值去噪和譜減法去噪3 種去噪方法在處理蛋雞聲音信號中風機噪聲的效果后，得出一種基于改進譜減法的去噪方法，在減少算法耗時以及實際應用中去噪效果較好。閆麗等[6]以小梅山母豬哺乳呼嚕聲以及其它噪聲作為研究目標，采用噪聲能量頻域分布均勻的方法，利用其具有信息熵值最高這一性質，按噪聲的種類，選取不同的小波包層數，并與信息熵計算相結合，去除了環境噪聲的混疊影響。常見的聲音信號預處理方法包括預加重、去噪、分幀加窗、端點檢測等，主要去噪方法包括濾波器去噪、譜減法去噪、小波去噪，目前針對實際情況選擇和改進去噪方法，可以得到更好的處理效果。

1.2 畜禽聲音信號的特征提取

畜禽聲音信號特征提取的選擇和設計取決于研究的具體目的和需要，需要結合具體場景和試驗數據來選擇和優化特征提取方法。目前畜禽聲音信號特征提取主要從時域分析和頻域分析2 方面出發。時域分析是指對聲音信號的振幅、波形、峰值、時域特征、過零率、短時能量等指標進行分析。聲音信號的特征提取本質是將聲音信號轉化為數學特征的過程，以便進行進一步分析和處理。傅里葉變換是數字信號處理中的基本操作?？焖俑道锶~變換雖然提高了運算速度，但也對參與運算的樣本序列有一定限制，即要求樣本數為2^N 點，離散傅里葉變換則無上述限制，兩者在運算準確度方面相同[7]。FONTANA 等[8-9]對大量離散的肉雞聲音片段進行統計比較，并使用快速傅立葉變換進行頻率分析。曹晏飛等[10]在篩選出的蛋雞聲音片段中，使用離散傅里葉變換計算出各個聲音片段的功率譜密度進行聲音信號的特征提取。頻域分析是指對聲音信號的頻率、諧波、功率譜密度、共振峰、譜帶寬頻域特征等進行分析。BRIGHT[11]采集了商業自由放養蛋雞中存在羽毛啄食問題和不存在羽毛啄食問題雞群的聲音，使用軟件創建和分析音頻頻譜圖，得出二者之間的發聲率差異，為預警雞群的羽毛啄食問題提供參考。GUARINO 等[12]使用濾波器組方法結合振幅解調提取豬咳嗽聲音信號特征，其中對豬咳嗽音的分類正確率達85.5%，對其他音的分類正確率達86.6%。韓國學者SEONG CHAN YEON 等[13]為了分析韓國本土牛的聲學特征分別采集了母牛發情和飼料預期狀態下的聲音，使用采集聲音信號的持續時間、強度、音高、第一、第二、第三和第四共振峰變量，通過判別函數分析，在2 個不同的條件組之間得到了良好的分類結果。意大利學者FERRARI 等[14]通過對犢牛的聲音記錄、標記和分析程序，獲得特定的聲學特征（振幅、基頻和持續時間），與養殖中常見的金屬噪音比較分析表明，咳嗽音與金屬噪音的振幅、基頻和持續時間長度有顯著性差異。

適用于人耳聽覺系統開發的梅爾頻率倒譜系數（Mel-Frequency Cepstrum，MFCC）是基于聲音頻率的非線性梅爾刻度（Mel Scale）的對數能量頻譜的線性變換。近年來逐漸在畜禽聲音信號分析方面展開應用。涂鼎[15]通過分析生豬叫聲的功率譜密度（PSD）、梅爾頻率倒譜系數及其一階差分系數（MFCC+△MFCC）和語譜圖特征，發現生豬咳嗽聲與大部分非咳嗽聲的PSD 特征參數在一定的頻率范圍內差異明顯。李志忠等[16]在對線性預測倒譜參數（LPCC）和MFCC 進行分析的基礎上，結合確定對象，提出一種改進平均梅爾頻率倒譜系數法（AMFCC），并且根據3 種不同特征提取算法，利用支持向量機分類模型驗證了正確識別效率，結果表明，改進AMFCC 方法在正確識別效率上得到了明顯提升。韓鵬飛等[17]將基于Fisher 準則的MFCC 和翻轉梅爾倒譜系數（IMFCC）的特征融合后得到新的特征參數MFCC-IMFCC，通過試驗證明,在同一條件下，MFCC-IMFCC 與MFCC 相比,識別率有一定的提高。龔永杰等[18]采用改進的MFCC，即標準MFCC 與差分MFCC 組成24 維改進的MFCC，并利用矢量量化（VQ）構建豬咳嗽識別系統，實驗得出的綜合識別率達到90%。小波分析是指利用小波變換對聲音信號進行分解和重構，可以提高畜禽聲音信號的分辨率，從而更好地分析和識別畜禽的行為和健康狀況。MAHDAVIAN 等[19]使用MFCC 和小波分析2 種方法分析了5 種禽類的聲學特征，得出小波分析在檢測禽類健康方面準確率較高，而MFCC更適用于檢測禽類的情緒狀態聲音信號。

在對畜禽聲音信號的特征處理上，常見方法有基于聲音信號時域、頻域的特征分析，如波形、振幅、諧波、功率譜密度、共振峰變量、梅爾倒譜系數等。其中將適用于人類聲音的MFCC 改進應用于畜禽聲音信號的特征提取，不僅可以提高畜禽聲音監測技術的準確性和魯棒性，還可以促進畜禽聲音監測技術的發展。

1.3 畜禽聲音信號的分類識別

畜禽聲音信號的分類識別是根據其聲音特征分為不同類別的過程，也是畜禽聲音監測中比較重要的一步。常用的畜禽聲音信號識別方法有機器學習方法，如隱馬爾科夫模型（Hidden Markov Model，HMM）、支持向量機（Support Vector Machine，SVM）、決策樹（DT）等，也可以使用深度學習方法，如卷積神經網絡（CNN）、循環神經網絡（RNN）、長短時記憶網絡（LSTM）等。這些方法需要通過大量的數據訓練模型，并進行模型優化和調整，以提高識別準確率和穩定性。XIAOSHUAI WANG 等[20]為確定動物聲音與它們生活環境的空氣質量之間的關系，對84 只斷奶豬的咳嗽聲進行采集分析，功率譜密度表明，不同空氣質量下斷奶豬的咳嗽聲有顯著差異。利用梅爾頻率倒譜系數（MFCC）、主成分分析（PCA）和支持向量機（SVM）對不同豬舍采集的聲音樣本進行識別，平均識別率為95%。MILONE等[21]使用隱馬爾可夫模型開發了一個采食聲識別系統，能夠實現采食聲的自動分割和分類，使用復合模型對隱馬爾可夫模型進行優化以獲得更佳性能。趙建等[22]利用基于小波閾值多窗譜的維納算法對采集的連續豬聲音去噪,并從去噪后的連續豬聲音中獲得了試驗語料。使用機器學習中的K-Fold 交叉驗證法將傳統高斯混合模型-隱馬爾可夫模型（GMMHMM）與深度神經網絡-隱馬爾科夫模型（DNNHMM）進行對比，試驗結果表明，DNN-HMM 中每組的錯誤率均低于GMM-HMM，且平均錯誤率降低了3.45%，基于DNN-HMM 聲學模型的連續豬咳嗽聲識別方法穩定可靠。秦伏亮等[23]將GMM-HMM 引入肉雞聲音識別研究，并通過試驗合理降低其計算復雜度，提出一種高效、精準的肉雞咳嗽聲識別算法。韓磊磊等[24]針對生豬的打斗聲、咳嗽聲、噴嚏聲、饑餓聲和嗆水聲這5 種異常聲音建立采集識別系統，對每種聲音信號提取改進梅爾頻率倒譜系數（MFCC_P）、短時能量（E）和短時過零率（ZCR）組成的復合特征參數，然后使用決策樹-支持向量機（DT-SVM）的方法對每幀數據進行識別，試驗結果表明:復合特征參數識別結果優于傳統MFCC，平均識別率可以達到94.4%，滿足對生豬異常聲音的識別要求。支持向量數據描述（Support Vector Data Description，SVDD）是一種單值分類算法，能夠實現目標樣本和非目標樣本的區分，通常應用于異常檢測和故障檢測等領域[25]。后期韓磊磊[26]對使用支持向量機模型構造合適的多分類器，結合SVDD 模型的單分類檢測能力得到一種SVDD 和SVM 檢測識別模型,該模型可以對豬舍內的生豬異常聲音進行檢測與識別。沈明霞等[27]采集梅山豬咳嗽聲、鳴叫聲以及噴嚏聲，通過傳統譜減法進行去噪，利用雙門限端點檢測法得到有效聲音信號后分別提取logFBank 和MFCC 特征，使用卷積神經網絡（CNN）和深層前饋序列記憶神經網絡（DFSMN）2 種深度學習模型進行識別，結果顯示以MFCC 為特征的CNN 咳嗽聲識別模型準確率最高，咳嗽聲總體識別準確率為 96.71%。黎煊等[28]提出了一種基于雙向長短時記憶網絡-連接時序（BLSTM-CTC）的分類模型，用于在養殖場中識別連續的豬咳嗽音，使用K-Fold 交叉驗證法進行試驗驗證，總識別率達到93.77%。宗超等[29]采集了籠養和棲架飼養模式下產蛋期和育成期的蛋雞聲音，通過聲音預處理、特征提取和決策樹分類器識別出了產蛋叫聲、鳴唱聲、鳴叫聲和爭斗尖叫聲這4 類典型蛋雞聲音，并分析了不同時期的蛋雞聲音差異。

通過提取的畜禽聲音信號特征來進行畜禽聲音信號的分類識別，早期的分類算法如隱馬爾可夫模型、決策樹、支持向量機等應用較為成熟。隨著深度學習的不斷發展，卷積神經網絡、循環神經網絡、長短時記憶網絡也逐漸應用在畜禽聲音信號識別中，有效地提高了識別準確率以及效率。

2 患病畜禽聲音監測

許多畜禽疾病會導致其鳴叫或者行為聲音發生變化，這些變化可能是頻率、振幅、持續時間等方面的變化，通過聲音監測感知這種變化可以大致判斷畜禽病情，使其在早期接受治療，減少抗生素等藥物的使用從而降低抗生素耐藥性。例如對畜禽咳嗽聲音的檢測可以對呼吸道相關的疾病進行初期診斷。FERRARI 等[30]對豬叫聲的聲學特征進行了研究，發現健康豬的均方根（RMS）、峰值頻率（Hz）和咳嗽間隔與病豬有顯著差異，說明聲學參數會隨著豬的健康狀況而改變。MITCHELL 等[31]在對豬咳嗽聲能量包絡的動力學研究中發現，通過霧化檸檬酸產生的誘導咳嗽聲與病理性豬咳嗽聲之間的短期能量包絡的動態變化存在顯著差異，表明可以利用豬聲音能量的信息特征來反映豬的呼吸健康狀況。CHUNG Y 等[32]采集了豬的咳嗽、尖叫、打噴嚏、咕嚕聲等聲音，提取梅爾頻率倒譜系數，并采用兩級結構支持向量數據描述（SVDD）和稀疏表示分類器（SRC）分別作為早期異常檢測器和呼吸系統疾病分類器。試驗結果表明，基于94%的檢測準確率和91%的分類準確率可以準確地檢測豬消瘦病。SONG HANG 等[33]建立了SE-Densenet-121 識別模型，對豬咳嗽音進行識別，具體方法是對13 維MFCC、△MFCC 和△2MFCC 進行橫向拼接，得到能反映豬聲音信號靜態特性、動態特性和混合特性的6組參數，并利用DenseNet-121 識別模型對這6 組參數的性能進行比較，得到最優參數集，利用SENets注意力模塊對DenseNet-121 識別模型進行改進，增強識別模型從豬叫聲信號中提取有效特征的能力。結果表明最優參數集為26 維MFCC+△MFCC，SEDenseNet-121 豬咳嗽聲識別模型的識別正確率為93.8%。VANDERMEULEN 等[34]為開發一種自動化的犢?？人员O測儀，用麥克風連續記錄了62 頭犢牛的咳嗽聲，使用30 ms 的Hamming 窗對聲音進行分幀，并結合快速傅里葉變換進行特征計算，采用了一種通過減去平均窗口的降噪方法來區分犢?？人月暫推渌曇?，同時計算頻譜圖并分析持續時間以及峰值等特征，實驗發現在每一個檢測到的咳嗽頻率增加的時期，出現呼吸道疾病的犢牛數量都有類似的增加，而咳嗽頻率增加的時期總是在犢牛接受治療之前觀察到。因此，犢?？人员O測儀具有識別早發性呼吸道疾病的功能。EXADAKTYLOS 等[35]提出了一種實時識別病豬咳嗽音的方法，使用離散傅里葉變換，根據信號的頻域特征功率譜密度與參考數據的比較進行分析和分類，并提出了一種改進的參考信號提取方法，這項技術對訓練信號的部分內容進行模糊C-means 聚類評估，并提供反映病豬咳嗽特征的頻率內容參考，試驗表明總分類正確率達到85%，其中正確識別了82%的病豬咳嗽音。VOLKMANN 等[36]建造了1 個面板來測量奶牛走過它的撞擊聲，對記錄的撞擊聲進行編輯與分析，利用隨機森林算法建立了奶牛跛行聲音分類預測模型，試驗證明模型分類與蹄部修剪診斷之間有很好的一致性，預測模型能夠檢測出有爪部病變的奶牛。HUANG 等[37]通過對采集的雞發聲信號進行頻域分析和處理，提取聲音信號的梅爾頻率倒譜系數作為健康雞和感染雞的區分標準。利用二值分類支持向量機（SVM）對提取的雞叫聲進行訓練和識別，該方法檢測禽流感病毒的準確率在84%～90%之間。RIZWAN 等[38]采集疫苗試驗期間健康和患病雞呼?？人缘蔫屢粢纛l，計算得出Mel-scaled 光譜特征，使用極端學習機（ELM）和支持向量機（SVM）分類器，可以區分病雞與健康雞。

豬、牛、雞等畜禽在患病期間會發出與一般聲音有異的聲音，可以通過對異常聲音的監測來判別畜禽的健康狀態。由于聲音受環境因素影響較大，故進一步的工作應朝著算法在不同條件下的魯棒性和適應性方向發展。

3 畜禽進食聲音監測

畜禽在進食過程中時常會發出一些特定的聲音，如啄食聲、啃食聲、咀嚼聲，這些聲音可以通過專門的傳感器或麥克風采集，并通過特定的算法和模型進行處理和分析，從而判斷動物的進食情況。其主要優點是可以實時進行長期監測。牧草攝入量的估算可以為輪牧方案的設計和實施提供重要數據支持。HANG SHENG 等[39]通過收集8 只2 歲、體重在50±3 kg 的母羊的采食聲音，構建了114 條音頻數據集。采用基于高斯核的支持向量機（SVM）分類器對綿羊咀嚼聲進行分類識別。每個咀嚼音段提取7 個解釋變量。利用這些變量建立了基于單變量和多變量的牧草估測模型。分別采用最小二乘回歸和彈性網絡方法確定單變量和多變量飼料攝入量估計模型的系數，試驗表明2 種模型的平均準確率分別為86.13%和89.32%。段光輝[40]將采集到的藏羊進食聲音用LSA-MMSE 語音增強算法將每段采食音頻進行去噪處理，采用雙閾值法的端點檢測算法自動截取采食音頻中的非靜默片段，將梅爾倒譜系數與小波變換相結合進行聲音信號特征提取，構建了一種基于長短時記憶模型網絡的藏羊食草行為相關聲音識別分類器，實現了藏羊咀嚼聲監測。LI GUOMING 等[41]對奶牛采食不同高度與品種牧草時的聲音進行對比分析，通過傅里葉變換生成功率譜圖，將Mel 濾波器組映射到功率譜圖，構建Mel 尺度譜圖，并將其輸入3 種深度學習模型進行行為分類，分別是一維卷積神經網絡（CONV1D）、二維卷積神經網絡（CONV2D）、長短時記憶網絡（LSTM），試驗得出使用均衡持續時間和不均衡音頻文件的過濾數據集的長短時記憶網絡較其他2 種模型性能更好，在不同牧草種類和高度下，最佳分類性能均在0.93 以上，最佳和最差性能差異為0.4～0.5，雖然不能根據某些牧草特征來區分奶牛進食的聲音信號，但所開發的工具對奶牛精準養殖提供了一定的技術支持。楊稷等[42]將采集到的肉雞采食聲音經過分幀加窗、端點檢測等預處理后，提取出有效聲音片段，通過分析聲音信號功率譜密度曲線差異，使用單分類支持向量機（OC-SVM）的方法對不同特征的肉雞采食聲音進行分類識別，成功檢測出肉雞進食時的啄食次數，可用于肉雞采食量的測定。AYDIN 等[43]對單只雞的啄食聲進行了檢測，使用開發的聲音算法定義肉雞的采食量。通過喂料器下的接觸式麥克風記錄每只雞的啄食聲，計算肉雞的采食量。結果表明，啄食聲識別成功率為93%，采食量監測成功率為90%。后期AYDIN 等改進現有的算法，以達到準確和連續地測量1 個喂食器周圍多只肉雞的采食量的目的，主要改變帶通濾波器的截止頻率和改變自適應閾值的比值，試驗得出該算法得到的采食量與體重秤記錄的采食量之間的相關性R2達到0.994，除了較高的相關性外，采食量監測成功率為86%[44]。

畜禽進食聲音的監測是反映日常中畜禽福利狀態的重要手段，用于監測畜禽進食量以及畜禽偏好進食的飼料種類，為智能畜禽養殖提供重要的數據支撐。

4 畜禽情緒狀態聲音監測

除了患病畜禽聲音監測和進食聲音監測外，對畜禽在不同情緒狀態下所發出的聲音進行監測也是一種非常重要的無損化判斷其健康以及福利狀況的標準。CORDEIRO 等[45]采集記錄了20 只雄豬與20只雌豬在產仔期、育仔期、生長期和育成期中不同痛苦狀態的個體發聲，通過分析所有的聲學特征后使用信號的持續時間、最大振幅和第二共振峰3 種聲學特征，利用機器學習技術建立了1 個準確率為82%的決策樹算法，對采集的聲音信號進行分類，聲音信號特征的差異表明豬的性別、年齡、痛苦狀態是可以通過聲音識別的。李博宇等[46]對仔豬饑餓求食哼叫，以及搶食尖叫噪聲、機械送料噪聲進行采集，通過時域、功率譜密度等分析這3 種聲音特征，通過提取Mel 倒譜系數并用矢量量化進行分類識別。針對混有背景噪聲的聲音識別，提出了一種基于VQ-PSD 的識別方法。試驗表明，基于此方法能夠有效提高對混有背景噪聲的仔豬饑餓求食聲音的識別率，平均識別率提高了9.1%。并可拓展到其他動物聲音識別應用中。XIAODONG DU 等[47]提出了一種基于母雞發聲信號用來評估其熱舒適狀況的創新方法，分析了母雞發聲信號中源濾波理論相關的時域和頻譜特征，并開發了一個基于支持向量機的分類器。結果表明，分類性能分別為精密度為95.7%～99.5%，靈敏度為90.8%～99.4%。高萌萌[48]采集白羽肉雞的聲音信號，利用維納濾波方法獲取高信噪比聲信號，分別在時域和頻域、MFCC、稀疏表示3 部分進行聲音信號特征提取，采用隨機森林分類模型的方法進行分類，并且結合網格搜索算法進行交叉驗證，優化了隨機森林的固有參數，從而達到對白羽肉雞異常聲音信號進行分類的目的。

畜禽情緒的變化影響畜禽生長速度以及福利狀態，通過監測畜禽聲音判別畜禽情緒狀態，及時處理畜禽饑餓、求偶、爭斗以及不適應環境出現的突發狀況問題，提高畜禽福利水平，有助于實現更為精準的智能養殖。

5 結語

畜禽聲音監測技術在畜禽養殖領域具有廣泛的應用前景和研究價值，可以為畜禽養殖行業提供新的監測和管理手段，提高畜禽的福利水平，推動養殖過程的智能化和可持續發展。但是由于畜禽養殖環境因素復雜，畜禽聲音信號的采集易受干擾，從而造成識別準確率受到影響，因此后續的畜禽聲音監測工作可以因地制宜，選取方法在傳統方法上加以改進，結合新興的深度學習算法，以提高監測的準確率與魯棒性。

通過分析國內外學者對于畜禽聲音監測技術的研究現狀發現，畜禽聲音監測技術具有非侵入性、簡便快速、準確性高等特點，可以通過采集動物發出的聲音信號來分析其健康狀況、情緒狀態、行為特征等。此外，聲音監測技術可以與其他技術結合使用，例如生物傳感技術、圖像識別技術等，同時監測畜禽的行為和聲音等數據，從而提高監測的全面性和準確性，更加準確地判斷畜禽的狀態。隨著傳感器和人工智能技術的發展，畜禽聲音監測技術正逐漸成為畜禽養殖領域的重要研究方向，其主要趨勢是將其應用于智能養殖系統。智能養殖系統利用傳感器、數據分析和人工智能等技術，對畜禽養殖進行全方位的監測和管理，實現養殖過程的自動化和智能化。在智能養殖系統中，畜禽聲音監測技術可以用于動物健康監測、自動化喂食等方面，提高養殖效率和減少成本。同時，智能養殖系統還可以對養殖過程進行優化和調整，使其更加符合動物的生理和行為特征。因此，借助人工智能技術的不斷發展，將畜禽聲音監測研究融入畜禽養殖生產實踐，以提升畜禽生長健康狀態和產出率，推動產業高質量發展將成為該領域技術進步的重要方向。