[发明专利]一种基于鸣声深度学习的昆虫识别方法

说明书

本发明公开了一种基于鸣声深度学习的昆虫识别方法，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。本发明的有益效果为：本发明的信号参数化方法和先进的模式识别技术实现了对昆虫声音的鉴别，提出MFCC作为声音特征、GMM作为分类器，在识别多类昆虫声音时取得的平均识别率为98.95％，鉴别一个1s左右的声音样本所需要的时间为300ms左右，从识别正确率和识别时间上都表现出良好的性能。

技术领域

本发明涉及人工智能技术领域，具体来说，涉及一种基于鸣声深度学习的昆虫识别方法。

背景技术

农作物病虫害具有种类多、影响大、且时常暴发成灾的特点。在作物的生长过程中，常会遭受田间不同种类昆虫的侵害，严重影响了作物的质量和产量，造成了巨大的经济损失。因此，对农作物昆虫进行及时准确的识别显得尤为重要，在实际生产中，人们往往根据自身经验，使用化学农药的手段对害虫进行防治，导致了农药残留以及环境污染等问题日趋严重，有效、准确地对农作物昆虫进行识别，及时采取有效的防治措施，可减少虫害所造成的经济损失，保证作物的稳产、高产。

目前，我国农业昆虫识别与诊断工作主要依靠人工识别或者昆虫专家鉴定，这种方法要求有着非常丰富的经验或者扎实的昆虫分类专业知识，而且存在耗时费力、效率低和误判率高等问题，难以满足现代农业发展的需求。近年来，深度学习中的卷积神经网络在图像分类、语音识别以及行人检测等一些领域取得了巨大进展，然而，其相关技术在农业昆虫识别和监测领域中的应用却比较匮乏。基于深度学习的农作物昆虫自动识别技术具有识别准确、智能化程度高等优点，一方面，使得昆虫测报人员摆脱机械、繁琐的昆虫识别统计工作，减少人工检测的弊端，节省了人力资源和时间成本，提高了昆虫识别率；另一方面，也有利于生态环境的保护，保障了食品安全，增强了农业的可持续发展，为昆虫的防治提供了及时、有效的信息，拥有很大的实用价值。

但是在具体使用的操作过程中，在实际复杂的农田环境中，害虫图像收到来自背景的干扰，其识别性能将受到一定的限制，而作为昆虫的表现特征之一，声音在昆虫种类识别方面有着重要意义。声音检测通过将收集到的声鸣信号变成电信号，对其进行放大处理，经过电子过滤器纯化后提取昆虫发出的声音，并根据声音频率、信号脉冲的特征值确定昆虫的种类和数量；

但是现有技术中，尽管在人类语言识别领域投人的研究已较多，但自动声学物种鉴别仍被认为是模式识别的边缘领域，这方面研究的文献也相对较少，亟需一种基于鸣声深度学习的昆虫识别方法解决上述技术方案。

发明内容

针对相关技术中的问题，本发明提出一种基于鸣声深度学习的昆虫识别方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种基于鸣声深度学习的昆虫识别方法，包括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。

进一步的，所述将采集到的昆虫鸣声样本进行预处理，并获得所需昆虫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。