摘要： 为准确识别蛋鸡求救、尖叫、产蛋和饥饿4类发声信号，以提升动物福利与养殖管 理智能化水平，研究选取 30只 120日龄太行蛋鸡，以具有多尺度特征提取能力的深度卷积神 经网络Res2Net为基础模型，通过引入可改变核卷积（AKConv）和鬼影混洗卷积（GSConv）融合 重构的残差模块，并结合高斯上下文变换器（GCT）注意力机制与空间金字塔池化（SPPF）结构， 对基础模型进行优化，构建新的CVRNet模型以提升发声识别性能。结果显示：CVRNet模型对 4 类发声的识别精准率分别为 91.4%、91.7%、93.8% 和 95.6%，平均精准率达到 93.1%，比 Res2Net基础模型与SVM、HMM、FCMA、CNN、轻量级CNN、PANNS-CNN、RNN 和 LSTM 等主流 算法分别提高11.3%、9.4%、9.3%、11.3%、12.2%、6.8%、6.9%、5.3%和4.4%。研究表明，CVRNet 模型能够实现复杂环境背景声下蛋鸡求救、尖叫、产蛋和饥饿 4 类发声信号的高精度识别，为 蛋鸡福利化养殖系统提供更为实用和可靠的发声识别方法。

关键词: 蛋鸡；发声识别；Res2Net模型；注意力机制；动物福利

中图分类号: 

• TP391

• S24

• S831