一种基于深度学习的鸟类实时识别方法

摘要：

本发明涉及一种基于深度学习的鸟类实时识别方法，属于鸟类鸣声识别技术领域。主要包括以下步骤：首先对环境中的音频活动进行监测和采集，对采集到的鸟鸣声进行预处理以及时频分析，得到不同种类鸟鸣声的时频谱图，再通过样本数据增强后对卷积神经网络进行训练得到较优模型，用于鸟类分类识别，最后经识别终端上传云服务器。该方法有较强的抗交叉干扰项的能力，分辨率较高，将鸟类各种富于变化的音节特征提取出来作为分类依据，特征参数代表性更强，受环境噪声影响弱。

专利类型：发明专利

申请/专利号：CN202011282146.1

申请日期：2020-11-17

公开/公告号：CN112331220A

公开/公告日：2021-02-05

主分类号：G10L17/26(2013.01)

申请/专利权人:中国计量大学

发明/设计人:吕坤朋;孙斌;赵玉晓

主申请人地址:310018 浙江省杭州市学源街258号中国计量大学

国别省市代码:浙江;33

权利要求：

1.一种基于深度学习的鸟类实时识别方法，其特征在于，包括以下步骤： 步骤1、监测外界环境中的声音信号，当存在非环境噪声信号出现时，进行鸣声信号的采集，并对信号进行预处理，预处理包括降噪以及音节提取，当短时间内仅有环境噪声存在则停止采集； 步骤2、预处理后的信号，通过自适应时频分析算法获得时频谱图； 步骤3、由鸟类鸣声数据库中下载相应鸟类样本，经数据扩充后，训练获得较优卷积神经网络模型进行分类识别； 步骤4、得到不同类别的识别结果通过识别终端传到云服务器。 2.根据权利要求（1）所述的一种基于深度学习的鸟类实时识别方法，其特征在于，步骤1所述对于声音信号的监测，采用高斯混合模型对噪声和鸣声进行建模，根据采集的连续几帧信号所对应的概率来进行判断采集的启停，并设置最大采集时长。 3.根据权利要求（1）所述的一种基于深度学习的鸟类实时识别方法，其特征在于，步骤1所述降噪，将连续前几帧信号作为加性噪声，则，其中为原信号，为噪声，则为鸣声信号可求。 4.根据权利要求（1）所述的一种基于深度学习的鸟类实时识别方法，其特征在于，步骤1所述音节提取基于高斯混合模型，对采集时间大于阈值的样本，降低连续采集的帧数进行鸣声进一步判断并进行片段提取。 5.根据权利要求（1）所述的一种基于深度学习的鸟类实时识别方法，其特征在于，步骤2所述时频分析算法将一维时序信号转换为二维时频谱图，并包含能量信息，所描述的时频分析方法包括但不限于小波变换、自适应最优核等。 6.根据权利要求（1）所述的一种基于深度学习的鸟类实时识别方法，其特征在于，步骤3所述数据扩充，由音节片段叠加形成新样本，，其中为音节片段，为新样本。 7.根据权利要求（1）所述的一种基于深度学习的鸟类实时识别方法，其特征在于，步骤4所述实时识别终端具有相匹配的算力及功耗，能够进行实时识别任务。