طراحي و ارزيابي سامانه اي هوشمند جهت تشخيص و طبقه بندي پرندگان بيمار بر اساس صداي آنها

An intelligent system design and evaluation for detection and classification of sick birds based on sound signals

امروزه آزمون هاي غير مخرب يكي از مفيدترين فناوري ها در زمينه ارزيابي و طبقه بندي در حوزه هاي مختلف به شمار مي روند.در اين مقاله روشي هوشمند به منظور طبقه بندي پرندگان از ديدگاه اندازه و سلامت آنها بر اساس صداي منتشره از آنها طراحي و به كار گرفته شده است. بدين منظور ابتدا پرندگان بر اساس وضعيت جسماني خود به طبقات مختلف تقسيم و صداي هر يك توسط يك ميكروفن و كارت داده برداري ثبت شد. سپس 5 تابع ويژگي واريانس، انحراف از معيار، ريشه ميانگين مربعات، ميانگين و كورتسيس از سيگنال ها استخراج گرديد. از اين ويژگي ها كه در واقع معيار مناسبي براي شناسايي سيگنال ها هستند، به عنوان ورودي شبكه عصبي مصنوعي استفاده شد. ابتدا شبكه عصبي مصنوعي با تعدادي تكرار مناسب از توابع ويژگي آموزش دادهشد تا ساختار و وزن هاي مناسب شبكه به دست آيد. شبكه مذكور به وسيله يك سري داده جديد مورد آزمون قرار گرفت تا دقت آن در طبقه بندي پرندگان برآورد شود. در پژوهش حاضر از اين سامانه هوشمند به منظور تشخيص و طبقه بندي اردك هاي سالم و بيمار استفاده شد. روش مذكور توانست با دقت 75 درصد اردك هاي سالم را از اردك هاي بيمار و ضعيف تمييز دهد. نتايج نشان مي دهند كه سامانه طراحي شده در اين پژوهش در استفاده از صداي پرندگان به منظور طبقه بندي آنها تا 75 درصد موفق بوده است. نتايج اين پژوهش مي تواند به عنوان روشي ساده و مطمئن جهت تشخيص پرندگان بيمار در واحدهاي پرورش پرندگان مورد استفاده قرار گيرد.

Nowadays using non-destructive testing is of the most beneficial technologies in the field of evaluation and classification on different fields. In this paper a smart method is designed in order to bird classification based on their size and health using their emission voice. For this purpose, firstly, the birds based on their physical conditions are divided into different categories and then their voices are saved using a microphone and a data acquisition card. At next step, 5 statistical features are extracted from signals namely, mean, standard division, root mean square, variance and kurtosis. These features are fed into artificial neural network (ANN), since the extracted features are appropriate criterions for signal recognition. In order to obtain the appropriate structures and weights, ANN is trained by adequate repetitions of feature functions. The aforementioned network is tested by a new set of data to acquire the bird classification accuracy. In the proposed research, the smart system is utilized to detect and classify the healthy and sick birds. This method indicates the capability for clarifying the healthy birds among sick and weak ones. These results show the proposed method in this research has been succeeded for classification of birds using bird's voice. This research can be employed as a simple and reliable method for detection of sick birds in bird nurturing farms