曹曉慧，劉 晃，戚仁宇，張成林，劉世晶

循環(huán)水養(yǎng)殖大口黑鱸攝食顆粒飼料的聲學(xué)特征

曹曉慧1,2，劉 晃2※，戚仁宇1,2，張成林2，劉世晶2

（1. 上海海洋大學(xué)水產(chǎn)與生命學(xué)院，上海 201306；2. 中國(guó)水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所，上海 200092）

為突破智能投飼系統(tǒng)的技術(shù)瓶頸，近年來(lái)采用被動(dòng)聲學(xué)技術(shù)開(kāi)展魚(yú)蝦攝食行為研究成為熱點(diǎn)之一。該研究主要采用被動(dòng)聲學(xué)技術(shù)獲取單體大口黑鱸（）攝食聲信號(hào)，從混合信號(hào)中提取完善的攝食信號(hào)，篩選可作為衡量大口黑鱸攝食活躍度的聲學(xué)特征參數(shù)，以期對(duì)攝食活躍度進(jìn)行量化。根據(jù)大口黑鱸喂食期間的同步音頻與視頻記錄，確定信號(hào)類別并進(jìn)行標(biāo)記，主要提取每次吞食飼料的時(shí)域與頻域特征，對(duì)比各參數(shù)與吞食次序之間的相關(guān)度。研究結(jié)果表明，攝食聲信號(hào)能量主要集中于4.2～7.4 kHz，且大口黑鱸吞食間隔與吞食次序呈正相關(guān)，穩(wěn)定性較強(qiáng)；而時(shí)域特征中的波形振幅極差與頻域特征的功率積分值均與吞食次序呈負(fù)相關(guān)。吞食間隔、振幅極差及功率積分值均可以作為衡量攝食活躍度的量化指標(biāo)，而共振峰與平均梅爾倒譜系數(shù)可作為攝食聲識(shí)別參數(shù)，研究結(jié)果可為今后養(yǎng)殖魚(yú)類被動(dòng)聲學(xué)智能投飼系統(tǒng)研發(fā)提供理論基礎(chǔ)。

水產(chǎn)養(yǎng)殖；攝食行為；聲信號(hào)；大口黑鱸

0 引 言

隨著集約化養(yǎng)殖密度的提高，水產(chǎn)養(yǎng)殖越來(lái)越依賴于人工配合飼料，根據(jù)2020年淡水鱸產(chǎn)業(yè)報(bào)告顯示，飼料占總成本的67.35%[1]。為使養(yǎng)殖飼料成本在可控范圍內(nèi)有所降低，目前最需解決精準(zhǔn)控制投喂量的問(wèn)題，以期在不影響?zhàn)B殖魚(yú)類本身正常生長(zhǎng)情況下最大限度的提升飼料利用率。為實(shí)現(xiàn)精準(zhǔn)控制并達(dá)到按需投喂，很多學(xué)者從養(yǎng)殖魚(yú)類行為入手，主要分析養(yǎng)殖魚(yú)類攝食行為，以期能夠得出攝食行為與飼料消耗量間的關(guān)系。目前觀察養(yǎng)殖魚(yú)類攝食行為的方式主要有機(jī)器視覺(jué)與被動(dòng)聲學(xué)兩種[2]。

計(jì)算機(jī)視覺(jué)技術(shù)為記錄行為參數(shù)提供了一種自動(dòng)化的、非入侵性的有效方法，對(duì)攝食行為的判斷是由攝食魚(yú)類運(yùn)動(dòng)導(dǎo)致的兩個(gè)連續(xù)圖像差異強(qiáng)度總和來(lái)確定的[3]。目前對(duì)于攝食活躍度的判斷依據(jù)有魚(yú)群的聚集程度[4-5]、運(yùn)動(dòng)狀態(tài)[6]、水花面積[7]等，其判斷準(zhǔn)確性均達(dá)到90%以上。但計(jì)算機(jī)視覺(jué)技術(shù)對(duì)水質(zhì)和光照的要求較高，在實(shí)際養(yǎng)殖中會(huì)受水質(zhì)混濁、光線昏暗以及魚(yú)群密度的影響，因此難以適用于目前的高密度養(yǎng)殖。但是，采用被動(dòng)聲學(xué)技術(shù)可以克服這些不足，已成為獲取水生生物信息的重要工具。被動(dòng)聲學(xué)技術(shù)主要運(yùn)用水聽(tīng)器監(jiān)測(cè)水生生物發(fā)聲獲得聲信號(hào)，不會(huì)對(duì)監(jiān)測(cè)目標(biāo)產(chǎn)生危害[8]，并且聲學(xué)技術(shù)穩(wěn)定，以水為媒介可進(jìn)行可靠的遠(yuǎn)距離信息傳輸，具有很強(qiáng)的抗干擾能力。Silva等[9]分析不同體型的凡納濱對(duì)蝦（）聲學(xué)特性，認(rèn)為凡納濱對(duì)蝦攝食時(shí)所產(chǎn)生的聲信號(hào)可以作為衡量飼料消耗量的指標(biāo)。Peixoto等[10]以不同飼料長(zhǎng)度為變量仍然得到凡納濱對(duì)蝦的攝食聲信號(hào)具有評(píng)估飼料消耗的潛能。這些結(jié)論不僅存在于蝦類中，Lagardère等[11]也發(fā)現(xiàn)大菱鲆（）的攝食聲信號(hào)會(huì)隨著攝食強(qiáng)度而變化，之后又發(fā)現(xiàn)利用水聽(tīng)器測(cè)量的攝食聲信號(hào)與人工估計(jì)的喂食量之間存在線性關(guān)系[12]，再次證明了養(yǎng)殖魚(yú)類的攝食聲信號(hào)可以衡量魚(yú)類的攝食活躍度。

對(duì)養(yǎng)殖魚(yú)類攝食行為的量化分析可以提供更可靠的決策支持，減少對(duì)人工養(yǎng)殖經(jīng)驗(yàn)的依賴，從而提高產(chǎn)量，促進(jìn)節(jié)能降耗。而目前養(yǎng)殖魚(yú)類聲信號(hào)分析中，并沒(méi)有準(zhǔn)確提取的特征參數(shù)，或者參數(shù)較為單一。多特征融合的量化特征，能夠建立準(zhǔn)確的攝食聲學(xué)模型，從而達(dá)到高判別準(zhǔn)確度。但目前對(duì)于養(yǎng)殖魚(yú)類攝食聲信號(hào)研究仍處于起始階段，因群體攝食聲信號(hào)較為雜亂，不利于聲學(xué)特征的提取，且群體攝食的聲學(xué)特征參數(shù)與攝食活躍度的關(guān)系較為復(fù)雜。因此本文針對(duì)攝食聲信號(hào)與攝食活躍度研究從單體入手，以大口黑鱸（）為試驗(yàn)對(duì)象，利用不同體型大小的大口黑鱸攝食聲信號(hào)進(jìn)行特征篩選與統(tǒng)計(jì)分析，確定聲學(xué)特征參數(shù)的提取范圍。以期得到準(zhǔn)確的量化參數(shù)，擬為下一步群體攝食聲信號(hào)研究提供明確的研究方向。

1 材料與方法

1.1 試驗(yàn)對(duì)象

聲信號(hào)采集地點(diǎn)為中國(guó)水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所魚(yú)類行為觀察實(shí)驗(yàn)室（上海市楊浦區(qū)赤峰路63號(hào)）。試驗(yàn)所用大口黑鱸魚(yú)苗均采購(gòu)于愛(ài)科漫（上海）農(nóng)業(yè)有限公司，將其魚(yú)苗暫養(yǎng)于直徑2m的工廠化循環(huán)水系統(tǒng)中，暫養(yǎng)期間的每天投喂量約為體質(zhì)量的3%～4%，飼喂飼料均為硬顆粒浮性飼料。養(yǎng)殖3個(gè)月后待狀態(tài)穩(wěn)定進(jìn)行試驗(yàn)，試驗(yàn)中隨機(jī)從暫養(yǎng)池中選取單條大口黑鱸進(jìn)行攝食聲采集。在聲信號(hào)采集前，為保持試驗(yàn)對(duì)象對(duì)飼料的興趣，投喂間隔不少于1 d。研究共選用6條大口黑鱸進(jìn)行試驗(yàn)（體長(zhǎng)如表1所示）。

表1 試驗(yàn)對(duì)象統(tǒng)計(jì)表

1.2 試驗(yàn)裝置

試驗(yàn)池為1.5 m×1 m×1.5 m的透明玻璃水池，并內(nèi)置小型循環(huán)水系統(tǒng)，具體試驗(yàn)系統(tǒng)如圖1所示。本試驗(yàn)采用聲像同步方法記錄大口黑鱸每次的攝食過(guò)程，其錄音裝置主要是由AquaSound水聽(tīng)器測(cè)量系統(tǒng)（水聽(tīng)器型號(hào)：AQH-020；頻率范圍：20 Hz～20 kHz，前置放大器型號(hào)：Aquafeeler Ⅳ；增益控制：20～70 dB，日本京都大學(xué)信息學(xué)研究院）；Roland QUAD-CAPTURE外置聲卡（型號(hào)：UA-55，臺(tái)灣樂(lè)蘭企業(yè)股份有限公司），錄像裝置為SPORTS CAMERA4K高清防抖數(shù)碼攝像機(jī)（型號(hào)：QOER V70，深圳市真視界科技有限公司）。采集的音頻數(shù)據(jù)將以.wav文件存儲(chǔ)于電腦，視頻以.MP4存儲(chǔ)于內(nèi)存卡，用于后期處理。本研究中，錄音采樣頻率設(shè)定為96 kHz，采樣精度為24 bit，采樣通道為單通道，增益為50 dB。

1.3 聲信號(hào)處理

音頻數(shù)據(jù)在采集過(guò)程中會(huì)存在多種狀態(tài)聲音和無(wú)效聲段，因此需要進(jìn)一步地進(jìn)行手工切分，并對(duì)需要的聲音片段進(jìn)行標(biāo)記，以構(gòu)成試驗(yàn)所需聲信號(hào)。利用Adobe Audition 2020音頻處理軟件中的多軌模式對(duì)聲像進(jìn)行同步處理，根據(jù)聲信號(hào)的波動(dòng)與圖像中的行為確定攝食聲信號(hào)并對(duì)音頻進(jìn)行標(biāo)記，之后對(duì)標(biāo)記的音頻進(jìn)行手動(dòng)切分。根據(jù)獲得的攝食音頻可發(fā)現(xiàn)，大口黑鱸每次吞食聲信號(hào)可持續(xù)100～200 ms，可由Adobe Audition頻譜中明確觀察吞食信號(hào)的能量變化，確保每次吞食信號(hào)的完整性。本研究在每次采集聲信號(hào)過(guò)程中，為盡可能保持背景噪聲的穩(wěn)定性，會(huì)將循環(huán)系統(tǒng)關(guān)閉，并先錄取3 min左右的背景噪聲。其中背景噪聲的聲壓級(jí)（SPL）均在65 dB左右，當(dāng)大口黑鱸出現(xiàn)吞食信號(hào)或其他行為聲信號(hào)時(shí)，SPL均會(huì)出現(xiàn)明顯的波動(dòng)，峰值均在72 dB以上。

攝食聲信號(hào)預(yù)處理過(guò)程如圖2所示，特征提取之前需要對(duì)聲信號(hào)進(jìn)行預(yù)處理，此過(guò)程包括數(shù)字轉(zhuǎn)換（A/D轉(zhuǎn)換）、降噪、預(yù)加重、加窗分幀等。

模數(shù)轉(zhuǎn)換（A/D）轉(zhuǎn)化又稱為數(shù)字化，可更方便更準(zhǔn)確的對(duì)聲信號(hào)進(jìn)行分析處理，本研究采用Roland QUAD-CAPTURE聲卡完成。

降噪可將攝食聲信號(hào)較為清晰的從混合信號(hào)中提取出來(lái)，經(jīng)頻譜圖可得背景噪聲干擾最大的頻率范圍主要集中在1～1 000 Hz，與攝食聲信號(hào)頻率范圍存在明顯分段。本研究采用子空間語(yǔ)音增強(qiáng)算法，通過(guò)空間分解將整個(gè)聲信號(hào)分解為噪聲子空間和含有噪聲的聲信號(hào)空間，將噪聲子空間去除，并采用最優(yōu)估計(jì)器來(lái)估計(jì)攝食信號(hào)特征值，進(jìn)而實(shí)現(xiàn)信號(hào)增強(qiáng)。經(jīng)降噪后攝食聲信號(hào)信噪比可提高至70 dB以上。

預(yù)加重可避免攝食信號(hào)的高頻分量削弱，本研究使用預(yù)加重濾波器來(lái)強(qiáng)化高頻部分，預(yù)加重系數(shù)通常取0.9～1.0，本研究依經(jīng)驗(yàn)值取0.97。

大口黑鱸攝食聲信號(hào)與語(yǔ)音信號(hào)相似，同樣具有短時(shí)平穩(wěn)的特點(diǎn)，并對(duì)其進(jìn)行分幀處理提取短時(shí)特性，為減少幀與幀之間的不連續(xù)性，選取窗函數(shù)為漢明窗[13]，此外本研究根據(jù)大口黑鱸攝食聲信號(hào)特征，選取幀長(zhǎng)為100 ms，幀移為50 ms。

所采集到的大口黑鱸攝食聲信號(hào)中一般長(zhǎng)達(dá)10 min左右，期間存在非攝食信號(hào)與無(wú)聲段，因此為準(zhǔn)確確定每次吞食飼料的起始點(diǎn)，改善后期處理效率，本研究通過(guò)幀能量與幀過(guò)零率對(duì)聲信號(hào)進(jìn)行重采樣。

1.4 特征提取方法

聲信號(hào)本身就是時(shí)域信號(hào)，針對(duì)完整的攝食聲信號(hào)可提取到吞食間隔、振幅極差、振幅最大值。吞食間隔：為兩次吞食顆粒飼料的時(shí)間差，如圖 3中所示；振幅極差：為每個(gè)吞食信號(hào)振幅最大值與最小值的差，也就是電壓峰-峰值，如圖3中Vpp所示；振幅最大值：為每個(gè)吞食信號(hào)振幅的最大值，如圖3中所示。

功率譜反應(yīng)聲信號(hào)在不同頻率上的能量大小，通常采用快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）將時(shí)域信號(hào)轉(zhuǎn)化為頻域信號(hào)得到頻譜圖，公式如下：

共振峰是聲信號(hào)頻譜中在特定頻率區(qū)域聚集大量聲能的表現(xiàn)，反映了聲道的物理特性。對(duì)聲信號(hào)進(jìn)行倒譜處理，將激勵(lì)信號(hào)與聲道響應(yīng)分離，去除激勵(lì)信號(hào)后做傅里葉變換，以得到聲道響應(yīng)包絡(luò)，在包絡(luò)上尋找最大值便是共振峰頻率。

梅爾頻率倒譜系數(shù)（Mel-Frequency Cepstral Coefficients，MFCC）是在Mel標(biāo)度頻率域提取出的倒譜參數(shù)，更著眼分析人耳的聽(tīng)覺(jué)機(jī)理[14]。對(duì)每幀進(jìn)行傅里葉變換、三角形梅爾濾波器、離散余弦變換得到梅爾倒譜系數(shù)（C），而平均梅爾頻率倒譜系數(shù)（Average Mel-Frequency Cepstral Coefficients，AMFCC）為所有幀倒譜系數(shù)（C）的平均值（M），即

其中，=1，2，...，12，i()為第1幀的第一個(gè)接收系數(shù)，為吞食信號(hào)幀數(shù)。

本研究中所有聲學(xué)特征參數(shù)均由MATLAB R2019a運(yùn)算獲得。

1.5 統(tǒng)計(jì)分析

為判斷各特征參數(shù)隨著大口黑鱸攝食聲信號(hào)的變化規(guī)律，該研究利用Minitab 17進(jìn)行統(tǒng)計(jì)分析，主要利用Pearman相關(guān)來(lái)測(cè)量特征參數(shù)與吞食次序的相關(guān)性，與LSD方法進(jìn)行單因素多重比較顯著性分析，比較個(gè)體間的差異性。

2 結(jié)果分析

2.1 時(shí)域特征

在時(shí)域特征分析中常用的參數(shù)有短時(shí)能量、短時(shí)過(guò)零率、持續(xù)時(shí)間等[15]，都可在波形圖中通過(guò)計(jì)算直接得到。本研究通過(guò)時(shí)域特征分析，對(duì)提取的振幅極差、振幅最大值、吞食間隔分別與吞食次序做相關(guān)性分析。從6條試驗(yàn)個(gè)體中隨機(jī)選取3次攝食聲信號(hào)，每次吞食次數(shù)均在10次以上，并對(duì)各相關(guān)系數(shù)做顯著性分析，結(jié)果如表2所示。發(fā)現(xiàn)6條試驗(yàn)個(gè)體的吞食次序與振幅極差、振幅最大值均呈負(fù)相關(guān)，與吞食間隔呈正相關(guān)。

大口黑鱸吞食飼料顆粒后聲信號(hào)會(huì)隨之產(chǎn)生波動(dòng)，振幅是聲信號(hào)波動(dòng)最為直觀的特征，同時(shí)也在一定程度上反應(yīng)此次吞食的能量大小。而在實(shí)際養(yǎng)殖中魚(yú)類攝食活躍度會(huì)隨攝食次數(shù)的增加而降低，即吞食顆粒飼料的能量以及攝食積極性隨之降低。因此提取每次吞食信號(hào)的振幅極差、振幅最大值與吞食間隔作為衡量攝食活躍度的量化參數(shù)。而攝食次數(shù)則由吞食次序表示，吞食次序是指按照吞食時(shí)間依次排序，如第一次吞食飼料產(chǎn)生的聲信號(hào)為吞食次序1，第二次為吞食次序2，以此類推為1，2，...，。其中吞食間隔是較為直觀的量化值，因吞食間隔需在第二次吞食后才有數(shù)據(jù)累計(jì)，所以與吞食次序的相關(guān)性序列以2開(kāi)始（如2，3，...，），其余特征參數(shù)與吞食次序的相關(guān)性序列均為1，2，...，。

由表2可知，振幅極差與吞食次序的相關(guān)系數(shù)均在-0.61以下，且6條試驗(yàn)樣本（以下相同）間無(wú)顯著性差異，振幅最大值與吞食次序的相關(guān)系數(shù)在-0.61以下，且個(gè)體之間也無(wú)顯著性差異。從相關(guān)系數(shù)看，時(shí)域特征中吞食間隔與吞食次序的相關(guān)性最好，相關(guān)系數(shù)均大于0.67，呈正相關(guān)，雖然表中A1個(gè)體的相關(guān)系數(shù)與其他個(gè)體之間存在一定的差異性，但相關(guān)系數(shù)卻最大，故此差異可忽略不計(jì)。

表2 振幅極差、振幅最大值、吞食間隔相關(guān)系數(shù)顯著性分析

注：表格中同列相同小寫(xiě)字母表示差異不顯著（>0.05），不同小寫(xiě)字母表示差異顯著（<0.05）。

Note: In the column, values with same small letter mean no significant differences (>0.05) different small letter mean significant differences (<0.05).

2.2 功率譜

如圖4a所示為某次大口黑鱸吞食飼料的波形圖，圖 4b為其相對(duì)應(yīng)的頻域信號(hào)即功率圖，圖中每個(gè)頻率對(duì)應(yīng)的功率之和稱為功率積分值，峰值為功率最大值（如圖中峰值為-71.44 dB）。按照吞食次序依次提取功率積分與最大值，并統(tǒng)計(jì)與吞食次序的相關(guān)性系數(shù)以及值大小（以=0.05為標(biāo)準(zhǔn)），從每條試驗(yàn)個(gè)體中隨機(jī)選取3次攝食信號(hào)，每完整的攝食信號(hào)可獲得一個(gè)相關(guān)系數(shù)與值，每個(gè)聲學(xué)特征參數(shù)與吞食次序均可獲得18個(gè)相關(guān)系數(shù)，結(jié)果如圖4c所示。發(fā)現(xiàn)功率最大值與功率積分值均與吞食次序呈負(fù)相關(guān)。

經(jīng)對(duì)多條大口黑鱸攝食聲信號(hào)功率譜分析可得其攝食聲信號(hào)頻率范圍為1～10 kHz，功率范圍為-130～-70 dB，但其較大能量普遍集中于4～7 kHz范圍內(nèi)，如圖4c中突出曲線部分。而功率最大值與功率積分值與吞食次序的相關(guān)性存在明顯的差異，因功率最大值與吞食次序有3次不存在相關(guān)性，功率積分值有2次，且功率最大值的值波動(dòng)明顯較大，遠(yuǎn)超于=0.05的界限。未被直線連接的散點(diǎn)圖表示每次攝食信號(hào)功率最大值和功率積分值與吞食次序的相關(guān)系數(shù)，在圖中可明顯看出圓形點(diǎn)比方形點(diǎn)更加接近于-1。從相關(guān)系數(shù)大小與值波動(dòng)可以確定功率積分值與吞食次序的相關(guān)性更好，可達(dá)-0.90以下，因此在頻域特征中單次吞食信號(hào)的功率積分值可以作為衡量攝食活躍度的量化參數(shù)。

2.3 共振峰

共振峰一般包括共振峰的頻率位置和頻帶寬度，在不同情感或者不同應(yīng)激條件下聲信號(hào)的共振峰位置不同[16]。根據(jù)這一特性，共振峰常常被選為識(shí)別物種發(fā)聲的重要特征之一，本研究從6條試驗(yàn)個(gè)體中隨機(jī)選取300次吞食信號(hào)提取第一、二共振峰，而第一共振峰分布較為密集，如圖5a所示，且第一共振峰位置主要集中于4.2～7.4 kHz左右，如圖5b所示。

在聲信號(hào)分析中第一、二、三共振峰均有一定的參考價(jià)值，但分析過(guò)程中發(fā)現(xiàn)第三共振峰分布較為分散，無(wú)規(guī)可尋。而第二共振峰在10～40 kHz均有分布，且在15 與22 kHz左右分布較為密集，中間存在斷層，30 kHz以上分布較少，因此不可做為大口黑鱸的攝食聲學(xué)特征。第一共振峰集中分布在5 kHz左右，且數(shù)據(jù)特點(diǎn)符合正態(tài)分布，根據(jù)95%置信區(qū)間可得第一共振峰密度分布圖如圖5b所示，可確定大口黑鱸攝食的第一共振峰范圍為4.2～7.4 kHz左右，這與功率譜中主要能量頻率范圍一致。但所有共振峰與吞食次序并無(wú)明顯的相關(guān)性，該聲學(xué)參數(shù)不能作為衡量攝食活性的量化指標(biāo)。

2.4 平均梅爾倒譜系數(shù)

AMFCC中Mel標(biāo)度描述了人耳頻率的非線性特性，大體上對(duì)應(yīng)于實(shí)際頻率的對(duì)數(shù)分布關(guān)系，在語(yǔ)音與動(dòng)物發(fā)聲識(shí)別中運(yùn)用廣泛[17-18]。本研究選取6條大口黑鱸攝食聲信號(hào)，提取吞食信號(hào)的AMFCC變化曲線，結(jié)果如圖6所示，吞食信號(hào)在系數(shù)3處均有明顯峰值。

圖中每條曲線代表一次吞食信號(hào)的AMFCC變化趨勢(shì)，其中共包含13個(gè)AMFCC，第一個(gè)系數(shù)為平均幀能量系數(shù)。大口黑鱸每次攝食均包含若干次吞食信號(hào)，因此將每次吞食信號(hào)的AMFCC疊加可看出統(tǒng)一變化趨勢(shì)，如圖6a代表試驗(yàn)樣本A1某次完整攝食的AMFCC整體變化趨勢(shì)。觀察A1至A6可以看出第3系數(shù)明顯小于其余系數(shù)，第1系數(shù)至第3系數(shù)的變化趨勢(shì)存在明顯類似，均會(huì)在第2系數(shù)處出現(xiàn)拐點(diǎn)。第4系數(shù)至第13系數(shù)雜亂無(wú)章，不存在明顯的統(tǒng)一變化趨勢(shì)。第3系數(shù)處的峰值最為明顯且統(tǒng)一，可作為大口黑鱸吞食信號(hào)的聲學(xué)特征。

3 討 論

由于生活環(huán)境復(fù)雜，水生生物聲學(xué)研究較為困難，魚(yú)類不具有發(fā)聲器官-聲帶，發(fā)聲機(jī)理與其他陸地動(dòng)物也存在明顯區(qū)別。目前對(duì)于魚(yú)類的發(fā)聲方式共有摩擦機(jī)制、鼓聲機(jī)制、弦式機(jī)制、空化機(jī)制、水動(dòng)力機(jī)制、充氣機(jī)制、呼吸機(jī)制和敲擊機(jī)制8種[19]。但針對(duì)與某種特定魚(yú)類的發(fā)聲機(jī)制卻很難抉擇。本研究以大口黑鱸為試驗(yàn)對(duì)象，共篩選出振幅極差、振幅最大值、功率積分值、吞食間隔4種可衡量大口黑鱸攝食活躍度的聲學(xué)參數(shù)，但振幅極差、振幅最大值與功率積分值三者為非獨(dú)立性參數(shù)，因此只能選擇其中之一。雖然振幅極差、振幅最大值與吞食次序的相關(guān)程度從相關(guān)系數(shù)看相差并不明顯，但在同一次攝食聲信號(hào)中振幅極差與吞食次序的相關(guān)系數(shù)更優(yōu)于振幅最大值的相關(guān)系數(shù)，因此振幅極差作為衡量攝食活躍度更為穩(wěn)定。在功率譜分析中，發(fā)現(xiàn)功率積分值與吞食次序呈負(fù)相關(guān)，即隨著吞食次序的增加攝食功率呈逐漸減小的趨勢(shì)，這與Lagardère等[11]以及湯濤林等[20]的研究結(jié)果相同，再次證明了這一結(jié)果的普遍性，與發(fā)展?jié)摿Α６β史e分值與吞食次序的相關(guān)程度較振幅極差更佳。但從實(shí)際應(yīng)用角度考慮，在聲信號(hào)處理過(guò)程中吞食功率積分值的提取在重采樣過(guò)程中較為繁瑣，沒(méi)有明確的端點(diǎn)閾值而易受人為主觀因素的影響。因此，三者中振幅極差作為衡量大口黑鱸攝食活躍度的聲學(xué)特征參數(shù)更佳。吞食間隔是對(duì)完整攝食信號(hào)進(jìn)行分析，是較為直觀的量化指標(biāo)，不涉及分幀加窗、重采樣繁瑣的處理過(guò)程，但人為標(biāo)記工作量大且速度緩慢，若能將攝食聲信號(hào)進(jìn)行準(zhǔn)確識(shí)別，便可以解決這一弊端。將對(duì)之后攝食聲學(xué)投飼系統(tǒng)模型構(gòu)建提供良好的基底。

大口黑鱸攝食聲信號(hào)頻率范圍為1～10 kHz，而大菱鲆、虹鱒（Oncorhynchus mykiss）的最大能量分別集中于7～9 kHz與4～6 kHz[21]，產(chǎn)生差異的主要原因是由于攝食方式以及發(fā)聲機(jī)制的不同。根據(jù)大口黑鱸吞食信號(hào)的聲音與特性，比較符合空化發(fā)聲機(jī)制?？栈瘷C(jī)制是最早確定在魚(yú)類喂食過(guò)程中產(chǎn)生的，魚(yú)類攝食時(shí)嘴巴突然張開(kāi)造成內(nèi)部負(fù)壓，食物因壓力作用被吸入嘴巴，隨后由于壓力迅速下降導(dǎo)致出現(xiàn)空化氣泡，伴隨聲音脈沖的產(chǎn)生[22]。除此之外，鼓聲機(jī)制也有可能參與攝食發(fā)聲，雖然魚(yú)鰾振動(dòng)產(chǎn)生的聲音頻率較低（1 kHz左右），但會(huì)受到發(fā)聲肌以及堅(jiān)硬構(gòu)造摩擦的影響，從而產(chǎn)生會(huì)高頻信號(hào)。

共振峰與AMFCC是作為聲學(xué)識(shí)別最常見(jiàn)的兩種特征。如宣傳忠等[23]運(yùn)用功率譜與共振峰兩種特征參數(shù)對(duì)母羊的發(fā)聲進(jìn)行識(shí)別，結(jié)果表明共振峰特征參數(shù)的識(shí)別率高于功率譜特征參數(shù)。除此之外在識(shí)別家禽發(fā)聲特性與行為間的關(guān)系中，共振峰特性也是重要的聲學(xué)特征參數(shù)之一[24]。因此第一共振峰頻率范圍可作為識(shí)別大口黑鱸攝食聲學(xué)特征。雖然MFCC比線性預(yù)測(cè)倒譜系數(shù)（Linear Prediction Cepstral Coefficients，LPCC）具有更好的棒魯性，但李志忠等[25]在識(shí)別蛋雞叫聲中發(fā)現(xiàn)AMFCC方法的識(shí)別準(zhǔn)確率高于LPCC與MFCC。Lee等[26]人在識(shí)別動(dòng)物發(fā)聲中也認(rèn)為AMFCC的性能更優(yōu)于平均線性倒譜系數(shù)（Average Linear Prediction Cepstral Coefficients，ALPC）。并且AMFCC表征了魚(yú)類的聲紋信號(hào)，是基于人類聽(tīng)覺(jué)感知的低頻包絡(luò)，不同魚(yú)種的AMFCC有不同的變化趨勢(shì)。但大口黑鱸與鯉科魚(yú)類相似都是僅有一個(gè)峰值，而草魚(yú)（）有3處峰值[27]，造成這種結(jié)果的原因可能是由于不同魚(yú)種間的體型、鰭的大小以及魚(yú)體的長(zhǎng)寬比例不同。但同一魚(yú)種的AMFCC變化趨勢(shì)特點(diǎn)不會(huì)隨著魚(yú)群數(shù)量的變化而改變，也因此可以作為識(shí)別魚(yú)類種類的聲學(xué)特征。雖然具有一定的唯一性，但在攝食過(guò)程中會(huì)出現(xiàn)很多異常信號(hào)，例如吞食后嘴巴會(huì)冒出類似于吞食聲信號(hào)的氣泡以及水面擺尾聲等信號(hào)，都屬于大口黑鱸的發(fā)聲，因此仍需提取更多聲學(xué)參數(shù)特征才能達(dá)到更高的準(zhǔn)確率。在信號(hào)分析過(guò)程中，不以視頻為參考僅通過(guò)人耳也可識(shí)別出大口黑鱸的吞食信號(hào)，雖然會(huì)受某些異常信號(hào)的干擾，但仍可大概率做出正確判斷。后期若建立足夠大的信息量，將各種信號(hào)分別提取，并識(shí)別其特征參數(shù)，就可達(dá)到準(zhǔn)確識(shí)別。

4 結(jié) 論

1）時(shí)域特征中振幅極差與吞食次序相關(guān)性最佳，呈負(fù)相關(guān)。吞食間隔作為最直觀的特征參數(shù)與吞食次序呈正相關(guān)。隨著吞食次序的增加，電壓峰峰值逐漸降低，吞食間隔逐漸變大。

2）頻域特征中每次吞食信號(hào)的功率積分值與吞食次序相關(guān)性最佳，呈負(fù)相關(guān)。隨著吞食次序的增加功率積分值逐漸降低。

3）大口黑鱸吞食信號(hào)的第一共振峰分布范圍為4.2～7.4 kHz左右。AMFCC趨勢(shì)中，均在第三系數(shù)處有明顯峰值。二者可作為大口黑鱸吞食聲信號(hào)自動(dòng)識(shí)別的特征參數(shù)。

[1] 國(guó)家特色淡水魚(yú)產(chǎn)業(yè)技術(shù)體系. 中國(guó)淡水鱸產(chǎn)業(yè)發(fā)展報(bào)告[J]. 中國(guó)水產(chǎn)，2021(3)：40-48.

National characteristic freshwater fish industry technology system. China freshwater bass industry development report[J]. China Fisheries, 2021(3): 40-48. (in Chinese with English abstract)

[2] Li D L, Wang Z H, Wu S Y, et al. Automatic recognition methods of fish feeding behavior in aquaculture: A review[J]. Aquaculture, 2020, 528: 735508.

[3] Liu Z Y, Li X, Fan L Z, et al. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering, 2014, 60: 20-27.

[4] Zhou C, Lin K, Xu D, et al. Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture[J]. Computers and Electronics in Agriculture, 2018, 146: 114-124.

[5] 陳彩文，杜永貴，周超，等. 基于圖像紋理特征的養(yǎng)殖魚(yú)群攝食活動(dòng)強(qiáng)度評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(5)：232-237.

Chen Caiwen, Du Yonggui, Zhou Chao, et al. Evaluation of feeding activity of shoal based on image texture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 232-237. (in Chinese with English abstract)

[6] 陳志鵬，陳明. 基于光流法與圖像紋理特征的魚(yú)群攝食行為檢測(cè)[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2019，50(5)：1141-1148.

Chen Zhipeng, Chen Ming. Detection of shoal feeding behavior based on optical flow methods and image texture[J]. Journal of Southern Agriculture, 2019, 50(5): 1141-1148. (in Chinese with English abstract)

[7] 胡利永，魏玉艷，鄭堤，等. 基于機(jī)器視覺(jué)技術(shù)的智能投餌方法研究[J]. 熱帶海洋學(xué)報(bào)，2015，34(4)：90-95.

Hu Liyong, Wei Yuyan, Zheng Di, et al. Research on intelligent bait casting method based on machine vision technology[J]. Journal of Tropical Oceanography, 2015, 34(4): 90-95. (in Chinese with English abstract)

[8] Chen G, Cai L. Survey of Marine Organisms Based on Passive Acoustic Technology[J]. International Journal of Design & Nature and Ecodynamics, 2020, 15(5): 729-737.

[9] Silva J F, Hamilton S, Rocha J V, et al. Acoustic characterization of feeding activity of Litopenaeus vannamei in captivity[J]. Aquaculture, 2019, 501: 76-81.

[10] Peixoto S, Soares R, Allen D D. An acoustic based approach to evaluate the effect of different diet lengths on feeding behavior of Litopenaeus vannamei[J]. Aquacultural Engineering, 2020, 91: 102114.

[11] Lagardère J P, Mallekh R. Feeding sounds of turbot (Scophthalmus maximus) and their potential use in the control of food supply in aquaculture: I. Spectrum analysis of the feeding sounds[J]. Aquaculture, 2000, 189(3): 251-258.

[12] Mallekh R, Lagardère J P, Eneau J P, et al. An acoustic detector of turbot feeding activity[J]. Aquaculture, 2003, 221(1-4): 481-489.

[13] 李宏松，蘇健民，黃英來(lái)，等. 基于聲音信號(hào)的特征提取方法的研究[J]. 信息技術(shù)，2006(1)：91-94.

Li Hongsong, Su Jianmin, Huang Yinglai, et al. The research on characteristics extraction based on voice signal[J]. Information Technology, 2006(1): 91-94. (in Chinese with English abstract)

[14] 梁維謙，許海國(guó)，陳一寧等. 應(yīng)用于語(yǔ)音識(shí)別片上系統(tǒng)的語(yǔ)音檢測(cè)算法[J]. 電路與系統(tǒng)學(xué)報(bào)，2003(2)：66-70.

Liang Weiqian, Xu Haiguo, Chen Yining, et al. Two Forms of Ohm's Law on Anisotropic Basic Electronic Elements[J]. Journal of Circuits and Systems, 2003(2): 66-70. (in Chinese with English abstract)

[15] 張雪英. 數(shù)字語(yǔ)音處理及MATLAB仿真第2版[M]. 北京：電子工業(yè)出版社，2016：27-48.

[16] 余伶俐，蔡自興，陳明義. 語(yǔ)音信號(hào)的情感特征分析與識(shí)別研究綜述[J]. 電路與系統(tǒng)學(xué)報(bào)，2007(4)：76-84.

Yu Lingli, Cai Zixing, Chen Mingyi. Study on emotion feature analysis and recognition in speech signal: An overview[J]. Journal of Circuits and Systems, 2007(4): 76-84. (in Chinese with English abstract)

[17] Sithara A, Thomas A, Mathew D. Study of MFCC and IHC feature extraction methods with probabilistic acoustic models for speaker biometric applications[J]. Procedia Computer Science, 2018, 143: 267-276.

[18] Zgank A. Acoustic monitoring and classification of bee swarm activity using MFCC feature extraction and HMM acoustic modeling: 2018 ELEKTRO,2018[C]. Mikulov: Czech Republic IEEE, 2018.

[19] Kasumyan A. O. Sounds and sound production in fishes[J]. Journal of Ichthyology, 2008, 48(11): 981-1030.

[20] 湯濤林，唐榮，劉世晶，等. 羅非魚(yú)聲控投餌方法[J]. 漁業(yè)科學(xué)進(jìn)展，2014，35(3)：40-43.

Tang Taolin, Tang Rong, Liu Shijing, et al. Acoustic control of feeding in Tilapia culture[J]. Progress in Fishery Sciences, 2014, 35(3): 40-43. (in Chinese with English abstract)

[21] Lagardère J. P, Mallekh R, Mariani A. Acoustic characteristics of two feeding modes used by brown trout (Salmo trutta), rainbow trout (Oncorhynchus mykiss) and turbot (Scophthalmus maximus)[J]. Aquaculture, 2004, 240(1-4): 607-616.

[22] Muller M, Osse J W M. Hydrodynamics of suction feeding in fish[J]. The Transactions of the Zoological Society of London, 1984, 37(2): 51-135.

[23] 宣傳忠，武佩，馬彥華，等. 基于功率譜和共振峰的母羊發(fā)聲信號(hào)識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(24)：219-224.

Xuan Chuanzhong, Wu Pei, Ma Yanhua, et al. Vocal signal recognition of ewes based on power spectrum and formant analysis method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 219-224. (in Chinese with English abstract)

[24] 余禮根，滕光輝，李保明，等. 蛋雞發(fā)聲音頻數(shù)據(jù)庫(kù)的構(gòu)建與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(24)：150-156.

Yu Ligen, Teng Guanghui, Li Baoming, et al. Development and application of audio database for laying hens[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24): 150-156. (in Chinese with English abstract)

[25] 李志忠，滕光輝. 基于改進(jìn)MFCC的家禽發(fā)聲特征提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008(11)：202-205.

Li Zhizhong, Teng Guanghui. Feature extraction for poultry vocalization recognition based on improved MFCC[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008(11): 202-205. (in Chinese with English abstract)

[26] Lee C H, Chou C H, Han C C, et al. Automatic recognition of animal vocalizations using averaged MFCC and linear discriminant analysis[J]. Pattern Recognition Letters, 2006, 27(2): 93-101.

[27] Tu Q Z, Huang H Y, Li L, et al. Feature extraction and analysis of passive underwater acoustic signals for different species and quantities of freshwater fish[J]. Transactions of the ASABE, 2018, 61(5): 1505-1513.

Acoustic characteristics of the feeding pellets forin circulating aquaculture

Cao Xiaohui1,2, Liu Huang2※, Qi Renyu1,2, Zhang Chenglin2, Liu Shijing2

(1.,,201306,; 2.,,200092,)

A passive acoustic technology has been widely used to monitor the behavior of aquatic organisms for the intelligent feeding system in recent years. Taking six sizesofas research objects, this study aims to acquire the acoustic signals of pelletfeeding in circulating aquaculture using passive acoustic techniques. The signals were first identified to classify for the post-processing using simultaneous audio and video recordings during feeding. The feeding activity was then quantified to extract and screen the characteristic parameters from the acoustic signals. Six kinds of pre-processing were utilized for thefeeding sound signals, including A/D conversion, denoise, pre-emphasis, windowed framing, and endpoint detection. A Fast Fourier transform, real-time, and Mel frequency cepstrum methods were also used to extract the time- and frequency-domain features of each swallowing signal in the complete feeding acoustic signal, in order to obtain the correlation between each acoustic feature parameter and the swallowing order. Specifically, the swallowing interval, the peak-to-peak value of voltage, and the maximum amplitude were extracted from the time-domain features. It was found that the swallowing interval was positively correlated with the order of swallowing (>0.68), whereas, the maximum and range amplitude was negatively correlated with the order of swallowing (<-0.61), but there was no significant difference between the correlation coefficient of three time-domain characteristic parameters. Furthermore, the maximum sum of power intensity and integral value was extracted from the power spectrum of each swallowing signal. Among them, P=0.05 was assumed as the basis to evaluate the integral value of power, where a more stable and reliable measurement was achieved for the characteristic parameters of feeding activity. In addition, the formant frequency and the average Mel cepstrum coefficient (AMFCC) were extracted to find each acoustic signal of feeding mainly in 4.2-7.4 kHz. More importantly, the third coefficient in AMFCC presented an outstanding and stable peak. Particularly, the feeding activity decreased significantly, as the feeding sequence increased. The extraction of power integral parameters depended significantly on subjective factors, although both time domain and frequency domain parameters presented an excellent correlation with the order of swallowing. The feature parameters of the time domain also behaved more reliable stability. Subsequently, the feature parameters for the activity of eating were screened out, according to the correlation between the acoustic feature parameters of ingestion and the order of swallowing. Correspondingly, the feature parameters of multi-feature fusion can be expected to better quantify the feeding activity, indicating the best choice for the swallowing interval and peak-to-peak value of voltage. The finding can also provide theoretical support to identify the sound signal of farmed fish in the intelligent feeding system.

aquaculture; feeding behavior; acoustic signal;

曹曉慧，劉晃，戚仁宇，等. 循環(huán)水養(yǎng)殖大口黑鱸攝食顆粒飼料的聲學(xué)特征[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(20)：219-225.doi：10.11975/j.issn.1002-6819.2021.20.025 http://www.tcsae.org

Cao Xiaohui, Liu Huang, Qi Renyu, et al. Acoustic characteristics of the feeding pellets forin circulating aquaculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 219-225. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.025 http://www.tcsae.org

2021-08-24

2021-10-04

上海市科技興農(nóng)項(xiàng)目（滬農(nóng)科推字（2019）第3-2號(hào)）；國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFE0108700）；中國(guó)水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所基本科研業(yè)務(wù)費(fèi)資助（2017YJS006）

曹曉慧，研究方向?yàn)轲B(yǎng)殖魚(yú)類行為研究。Email：18839772622@163.com

劉晃，研究員，碩士生導(dǎo)師，研究方向?yàn)樗a(chǎn)養(yǎng)殖工程。Email：liuhuang@fmiri.ac.cn

10.11975/j.issn.1002-6819.2021.20.025

S951.2

A

1002-6819(2021)-20-0219-07