[0001]
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。
背景技术：[0002]
鸟类的鸣声是其重要的生物学特征，与鸟类其他形态特征相同，由于进化的差异性，鸟类的鸣声在不同物种间也具有独特性，使得利用鸣声进行鸟类识别具有了可行性。
[0003]
近年来鸟类鸣声识别技术虽说有了不少研究成果，但总体来看发展相对缓慢，方法存在局限性。研究主要集中在特征参数选取、分类模型方法研究等方面，其中，常用的特征参数有幅度、频率、音节长度、声谱图、频谱图、短时能量、线性预测倒谱系数(linear predictive cepstral coding，lpcc)和梅尔倒谱系数(mel-frequency cepstrum coefficient，mfcc)等，常用的识别方法和分类模型有动态时间规整(dynamic time warping，dtw)算法、误差反传算法(errorback propagation，bp)算法、隐马尔可夫模型(hidden markov model，hmm) 和高斯混合模型(gaussian mixture model，gmm)等。存在有特征参数代表性不够强，以及受环境噪声影响较大等问题。
技术实现要素：[0004]
针对现有方法的不足之处，本发明提供一种基于深度学习的鸟类实时识别方法。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鸣声特征提取出来作为分类依据，特征参数代表性更强，受环境噪声影响小，卷积网络集成于软件中，操作相对简单，识别准确度也会随卷积神经网络训练样本数量的增加而增加。
[0005]
本发明采用以下方案实现：一种基于深度学习的鸟类识别方法，其特征在于包括以下步骤：
[0006]
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；
[0007]
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；
[0008]
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；
[0009]
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；
[0010]
本发明相对于传统方法，在面对鸣声片段持续时长变化较为剧烈的问题上，预处理采用对信号进行降噪，并提取出各种具有完整音节周期的片段，把鸣唱、鸣叫音节化，并通过音节叠加进行了样本数据扩充，将有效信号数据进行归一化及预加重，一定程度上提高了处理效率，采用自适应最优核时频分析方法： adaptive optimal kernel time-frequency representation(aok)，时频分辨率高，且具有很强的抗交叉干扰项的能力，能够准确表现信号的时域、频域以及能量特征，通过卷积神经网络数据挖掘功能，可准确提取
时频分析图的特征，时频分析图灰度化后，经编译好的卷积神经网络算法提取特征，以灰度图为输入，鸟的种类为输出，训练神经网络，得到较优网络模型，在识别终端中调用，并能将结果上传云服务器。
附图说明
[0011]
图1为本方法的整体流程图。
[0012]
图2为本方法的卷积神经网络结构示意图。
具体实施方式：
[0013]
结合附图，对本发明，一种基于深度学习的鸟类识别方法，做进一步说明，如图1所示，主要包括鸣声信号监测、样本预处理、时频分析、卷积神经网络训练以及识别五个部分，具体步骤如下：
[0014]
步骤1、系统运行时监测外界环境中的声音信号，采样率14400khz，20ms 为一帧，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50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为9s，对采集到的信号进行预处理，即降噪以及音节提取，外界环境噪声多为加性噪声，则 y(m)＝x(m)+d(m)，在对应功率谱上相减并经逆变换可得鸣声信号，音节提取在高斯模型的基础上以连续20帧信号进行鸣声信号的检测，即进一步进行端点提取；
[0015]
步骤2、通过自适应最优核时频分析算法获得时频谱图，将图像进行灰度化处理，获得灰度矩阵，为减小神经网络运算量，调整图像的大小，此处调整为 64*64；
[0016]
步骤3、如图2所示，采用卷积核大小为7*7和6*6两个卷积层进行特征的提取，两个2*2的池化层进行降维，采用adam优化器、leaky relu函数作为激活函数以及卷积层后接batch normalization批标准化，将训练样本时频分析后的灰度图作为输入，导入卷积神经网络提取图像特征，以鸟的种类作为输出标准，训练得到较优网络；
[0017]
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；
[0018]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等、均应包含在本发明的保护范围之内。