[发明专利]一种基于鸣声深度学习的昆虫识别方法

权利要求书

1.一种基于鸣声深度学习的昆虫识别方法，其特征在于，该昆虫识别方法包括以下步骤：

S1、对昆虫进行诱导捕捉、存放及鸣声采集，得到初始昆虫鸣声样本；

S2、将采集到的初始昆虫鸣声样本进行预处理，并获得所需昆虫鸣声样本；

S3、通过MFCC对所需昆虫鸣声样本中的特征进行提取，得到特征样本；

S4、利用混合高斯模型对特征样本进行鸣声分类；

所述将采集到的昆虫的鸣声进行预处理包括以下步骤：

S21、对采集到的昆虫的鸣声样本进行除噪，并得到待处理样本；

S21、将待处理样本截取成多个鸣声片段；

S23、检测出声鸣片段内的有声段和无声段，并对每个鸣声片段进行预处理检测；

S24、将预处理检测后的预设鸣声片段作为所需昆虫的鸣声样本。

2.根据权利要求1所述的一种基于鸣声深度学习的昆虫识别方法，其特征在于，所述将采集到的昆虫的鸣声样本进行预处理，并获得所需昆虫的鸣声样本包括以下步骤：

S11、预先设置抓捕笼，并利用抓捕笼内的诱导器诱导昆虫进入抓捕笼；

S12、将昆虫诱捕至抓捕笼内，并利用传感器采集该昆虫的声鸣信号；

S13、将所述声鸣信号存储至数据库。

3.根据权利要求2所述的一种基于鸣声深度学习的昆虫识别方法，其特征在于，将所述声鸣信号传送给录音设备并存储至数据库包括以下步骤：

S131、将残缺与破损的声鸣信号删除，并将筛选后的声鸣信号存储至数据库中；

S132、将数据库中的数据分成训练集和测试集，且测试集中的样本长度要远长于测试集。

4.根据权利要求1所述的一种基于鸣声深度学习的昆虫识别方法，其特征在于，所述预处理检测包括Mel频率倒谱系数的计算；

归一化：用于把每一个待处理样本除以本鸣声片段的增幅峰值；

预加重：用于利用预加重因子及预加重滤波器提高高频成分，并使得低频成分保持原本的水平，使信号的频谱变得平坦，以进行频谱分析及声道参数分析；

分帧加窗：对信号加汉明窗进行重叠分帧，使其变为短时平稳信号；

傅里叶变换：对帧信号做快速傅里叶变换，将时域信号转化成频域信号；

Mel滤波器组：将傅里叶变换得到的频谱系数用三角滤波器进行滤波处理，得到一组系数，三角滤波器的跨度在Mel轴上平均分布；

对数功率谱：对每个滤波器的输出取对数，得到相应的对数功率谱；

离散余弦变换：利用离散余弦变换将对数功率谱变换到时域，所得谱的幅值即为原始的Mel频率倒谱系数，得到的静态信号；

一阶差分：得到动态信号；

合并：静态信号和动态信号合并，作为有效声鸣样本信号；

分段：对测试集的数据集进行分段操作，并将较长的声鸣样本均匀分割成短声鸣样本。

5.根据权利要求4所述的一种基于鸣声深度学习的昆虫识别方法，其特征在于，所述预加重因子的计算公式如下：

α＝exp(-2πFΔt)

式中，Δt为声鸣信号的采样周期，F为频率，exp为指数曲线；

所述预加重滤波器的计算公式如下：

H(z)＝1-αz^-1

式中，z为预加重滤波器的传递函数，α为预加重因子。

6.根据权利要求1所述的一种基于鸣声深度学习的昆虫识别方法，其特征在于，所述通过MFCC对所需昆虫的鸣声样本中的特征进行提取包括以下步骤：

S31、对所需昆虫的鸣声样本进行频谱分析及声道参数分析；

S32、将声鸣信号划分成一个个短时段，将每一个短时段称为一帧，并从鸣声信号中切取含有帧长N个样本的鸣声信号波形；

S33、采用时间窗函数乘以初始的声鸣信号；

S34、取帧长N＝256，对每一帧作FFT变换，并对频谱取模平方得到离散功率谱；

S35、把离散功率谱映射到梅尔频标，用M个梅尔带通滤波器滤波，得到一组系数；

S36、将每个梅尔带通滤波器的输出取对数，得到相应的梅尔对数功率谱；

S37、对梅尔对数功率谱作离散余弦变化，并得到鸣声样本中谱的幅值。