[发明专利]一种基于深度学习的鸟、蛙智能监测方法

说明书

本发明公开一种基于深度学习的鸟、蛙智能监测方法，用于远程无线生态监测，所述方法包括在监测区布设户外声音采集装置，户外声音采集装置通过声音触发模块触发采集鸟声、蛙声，无线通信模块将鸟声、蛙声的音频文件无线传输至计算机服务器，计算机服务器将鸟声、蛙声的音频文件转化为可视的语图并进行预处理，计算机服务器对语图进行图像识别和统计分析，生成日监测表格。本发明弥补了人工生态监测时人力物力成本大、监测时间及频率极其有限、数据处理效率低且对物种识别人员专业技能要求高等问题，可用于自然保护地的长期生态监测。

技术领域

本发明涉及声音智能识别与监测技术领域，尤其涉及一种基于深度学习的鸟声及蛙声的采集、智能识别的监测方法。

背景技术

生物多样性调查与监测是自然保护区、森林公园等自然保护地的日常工作之一，但因为监测地的可达性、动物趋于回避人类等问题，生物多样性的监测往往要耗费大量人力与物力，且未必能获得真实有效的调查监测数据。为充分掌握生物多样性的动态变化，红外触发式相机陷阱技术已大量用于哺乳动物和部分鸟类野外影像的持续收集，但森林中上层鸟类、体型较小或运动迅速的鸟类，以及身为冷血动物的蛙类无法被红外相机记录到，而声音监测可以弥补这一缺陷。多数鸟类、蛙类都以声音作为重要的通信手段，且发声具有物种特异性，通过声音识别鸟类、蛙类在人工调查中经常使用。

早期的机器学习靠人工提取关键特征而建立识别模型，常用的特征提取方法包括SIFT(尺度不变特征转换)、HOG(方向梯度直方图)、LBP(局部二值模式)等，SVM(支持向量机)为其常用的分类算法。而当前迅猛发展的深度学习只需提供足够大的样本量，让系统自动从数据中学习和分析，尤其适用于变化多端的自然数据，具有非常优良的泛化能力和鲁棒性。近年来，深度学习已广泛应用于计算机视觉、语音识别、自然语言处理等诸多领域，花伴侣、形色、懂鸟等应用软件使用深度学习技术解决了植物、鸟类图片的智能识别问题，Song Sleuth、Bird Song Id等应用软件也成功将之运用于鸟鸣声的智能识别。记录鸟声、蛙声后自动识别到物种名是切实可行的方法。

Inception架构近年来已被证明可以以相对较低的计算成本实现非常好的图像识别性能。Antonie Sevilla等人在CLEF2017中扩展了Inception-v4的时间和时间频度关注机制，转换为Soundception这一最有效的针对混合声音的识别模型。

发明内容

本发明的目的在于，提出一种基于深度学习的蛙类和鸟类的智能监测方法，解决：(1)人工监测技术中监测时间、监测频率极其有限的问题；(2)红外相机监测技术中大部分鸟类与蛙类无法被记录到的问题；(3)人工识别物种时对专业技能要求高而识别效率低的问题。

为了解决上述技术问题，本发明是通过以下技术方案实现的：在监测区布设户外声音采集装置，户外声音采集装置包括声音触发模块、传感器模块、处理器模块、无线通信模块和能量供应模块，传感器模块包括声音传感器和A/D转换器，处理器模块包括处理器、存储器和高层应用模块，无线通信模块包括介质访问、物理层和射频识别模块；户外声音采集装置通过声音触发模块触发采集鸟声、蛙声；无线通信模块将鸟声、蛙声的音频文件无线传输至计算机服务器；计算机服务器将鸟声、蛙声的音频文件转化为可视的语图并进行预处理；计算机服务器对语图进行图像识别和统计分析，生成日监测表格。

具体为：

步骤1：在监测区布设户外声音采集装置

对监测区的鸟类、蛙类的适宜栖息环境和多样性状况进行详细调查，识别鸟类、蛙类的适宜栖息环境，在鸟类、蛙类栖息环境适宜度高、物种多样性高、人类噪音干扰低的位置布设户外声音采集装置。

优选的，鸟类监测点选取不同栖息环境如湿地、草地、林缘、阔叶林或针叶林等，蛙类监测点选取湿地或溪流旁。

优选的，当监测的主要目标是鸟类、蛙类种群和群落动态以及栖息环境选择信息时，可采用网格抽样法布设户外声音采集装置，在监测区域建立网格。