轻量化多特征融合的大口黑鲈摄食声学识别OA

针对大口黑鲈养殖环境背景噪声复杂、单一特征表征不足、高算力模型难以在嵌入式设备部署等难题,该研究提出一种基于被动声学信号与轻量化边缘部署自适应多特征融合网络(lightweight edge-deployable adaptive multi-feature fusion network,LE-AMFNet)的摄食行为识别方法。首先,构建包含“无、弱、中、强”分级的大口黑鲈摄食声音数据集,采用谱减法抑制背景噪声。其次,设计了多分支特征提取架构,并行处理经主成分分析降维的声学统计特征、梅尔频率倒谱系数特征图与时频图;并引入自适应注意力机制,实现多源异构特征的动态加权融合。可视化分析表明,该模型能够根据信号强度自适应聚焦于摄食信号区域,具备良好的可解释性。试验结果显示,实验室离线测试环境下,LEAMFNet参数量仅为0.25 M,识别准确率达到93.11%。将模型部署至搭载RK3588芯片的边缘计算设备开展现场实测,转换后的模型文件大小仅0.89 MB,边缘端单次推理耗时仅为8.5 ms,现场识别准确率达到90.8%,实现了高精度与低计算成本的平衡。研究成果为大口黑鲈摄食行为的实时监测提供了可行的解决方案。