本技术涉及鸟类监测，尤其涉及一种基于云边协同的野外鸟类监测系统和方法。
背景技术：
1、鸟类群落是生态系统的重要组成部分，是生态系统健康状况评价的指示物种，而对鸟类物种的调查和监测，是了解生态系统生物群落的组成和其健康状况的重要手段。
2、传统的鸟类监测方法主要依靠生态保护工作者长期蹲点进行，不仅费时费力，而且采集到的鸟类信息十分有限。近年来，随着被动声学技术的发展，通过在野外部署声学采集设备记录鸟类鸣声信息，并根据鸣声蕴含的信息特征，采用深度学习方法进行鸟类物种自动化识别，进而实现鸟类监测，开始受到越来越多的关注。
3、目前基于被动声学技术的鸟类监测方法目前存在两个问题：首先是通过野外部署声学采集设备获取的音频数据中包含大量的非鸣声数据，在传输时会消耗大量能量，影响设备在野外的使用寿命；其次是目前基于鸟类鸣声的物种识别方法仅基于鸣声蕴含的声学特征进行识别，在识别准确率上存在瓶颈，导致鸟类物种识别的准确率较低。
技术实现思路
1、本技术实施例的目的在于提供一种基于云边协同的野外鸟类监测系统和方法，以解决鸟类物种识别的准确率较低的问题。具体技术方案如下：
2、第一方面，提供了一种基于云边协同的野外鸟类监测系统，所述系统包括：
3、音频采集模块，用于采集目标鸟类所处监测区域的音频信息，其中，所述目标鸟类为待进行鸟类物种识别的鸟类；
4、环境数据采集模块，用于采集所述监测区域的当前环境数据；
5、主控制器模块，分别与所述音频采集模块和所述环境数据采集模块连接，用于通过鸟类鸣声检测模型确定所述音频信息是否包含鸟类鸣声，若是，则确定所述音频信息为鸟类鸣声信息；
6、云平台，用于接收所述主控制器模块发送的所述鸟类鸣声信息和所述当前环境数据，通过鸟类物种识别模型对所述鸟类鸣声信息、所述当前环境数据和预存的生态历史数据进行处理，得到所述目标鸟类的物种信息。
7、第二方面，提供了一种基于云边协同的野外鸟类监测方法，应用于云平台，所述方法包括：
8、通过主控制器获取目标鸟类所处监测区域的鸟鸣音频信息和当前环境数据，其中，所述主控制器通过鸟类鸣声检测模型确定接收到的音频信息是否包含鸟类鸣声，若是，则确定所述音频信息为鸟类鸣声信息，所述目标鸟类为待进行鸟类物种识别的鸟类；
9、将预先存储的历史生态数据、所述鸟鸣音频信息和所述当前环境数据输入鸟类物种识别模型，得到所述鸟类物种识别模型输出的所述目标鸟类的物种信息。
10、可选地，鸟类物种识别模型包括鸟类鸣声识别网络和生态位信息网络，所述目标鸟类包括至少一种鸟类；所述将预先存储的历史生态数据、所述鸟鸣音频信息和所述当前环境数据输入鸟类物种识别模型，得到所述鸟类物种识别模型输出的所述目标鸟类的物种信息包括：
11、通过所述鸟类鸣声识别网络对所述鸟鸣音频信息进行处理，得到各鸟类的鸟类物种预测向量；
12、根据所述历史生态数据和所述当前环境数据，通过所述生态位信息网络得到各鸟类的鸟类物种存在先验向量，其中，所述鸟类物种存在先验向量指示所述鸟类在所述监测区域生存的适宜度；
13、将每种鸟类对应的鸟类物种预测向量和鸟类物种存在先验向量相乘，得到每种鸟类对应的待选物种预测值；
14、从所述待选物种预测值中选取大于预测值阈值的目标物种预测值，并将所述目标物种预测值对应的鸟类物种作为所述目标鸟类的物种信息。
15、可选地，所述通过所述鸟类鸣声识别网络对所述鸟鸣音频信息进行处理，得到各鸟类的鸟类物种预测向量包括：
16、根据所述鸟鸣音频信息生成鸟鸣频谱图；
17、将所述鸟鸣频谱图输入所述鸟类鸣声识别网络，得到所述鸟类鸣声识别网络输出的各鸟类的鸟类物种预测向量。
18、可选地，将所述鸟鸣频谱图输入所述鸟类鸣声识别网络，得到所述鸟类鸣声识别网络输出的各鸟类的鸟类物种预测向量包括：
19、将所述鸟鸣频谱图依次输入1*1卷积层和3*3深度可分离卷积层，得到特征图向量；
20、将所述特征图向量分别输入多个不同大小的卷积层，得到每个卷积层输出的第一鸟鸣声区域特征，其中，在不同卷积层输出的第一鸟鸣声区域特征中，鸟鸣的持续时长和频率范围均不相同；
21、将所述第一鸟鸣声区域特征分别输入各卷积层对应的反卷积层，得到每个反卷积层输出的第二鸟鸣声区域特征，其中，所述反卷积层用于对所述鸟鸣频谱图的全局信息进行重新建模；
22、对每个所述第二鸟鸣声区域特征进行向量相加后，再通过激活函数层对相加后的向量进行放缩，得到注意力向量；
23、将所述注意力向量和所述特征图向量进行相乘，再经过1*1卷积层后，得到鸟类物种预测向量。
24、可选地，根据所述历史生态数据和所述当前环境数据，通过所述生态位信息网络得到各鸟类的鸟类物种存在先验向量包括：
25、将所述当前环境数据和所述历史生态数据输入物种分布预测模型，得到所述物种分布预测模型输出的不同鸟类在所述监测区域存在的先验概率；
26、将不同鸟类的先验概率输入所述生态位信息网络，得到所述生态位信息网络输出的各鸟类的鸟类物种存在先验向量。
27、第三方面，提供了一种基于云边协同的野外鸟类监测方法，应用于主控制器，所述方法包括：
28、获取监测区域中的音频信息，并将所述音频信息输入鸟类鸣声检测模型，其中，所述鸟类鸣声检测模型包括低级特征提取块、高级特征提取块和分类器；
29、采用所述低级特征提取块对所述音频信息进行处理，提取所述音频信息中的低级特征；
30、采用所述高级特征提取块对所述低级特征进行处理，提取所述音频信息中的高级特征；
31、将所述高级特征输入所述分类器，得到所述音频信息中包含鸟类鸣声的概率值；
32、若所述概率值大于预设概率阈值，则确定所述音频信息中包含鸟类鸣声，则将包含所述鸟类鸣声的音频信息作为目标鸟类的鸟鸣音频信息。
33、可选地，所述低级特征提取块包括两个依次连接的一维卷积层，所述一维卷积层用于提取所述音频信息中的低级特征。
34、可选地，所述高级特征提取块包括：
35、1*1的第一卷积层，用于增加输入通道数，提升特征维度；
36、3*3的深度可分离卷积层，与所述1*1的第一卷积层的输出端连接，用于对输入特征的空间维度和通道维度进行解耦；
37、注意力模块，与所述3*3的深度可分离卷积层的输出端连接，用于减少降维带来的信息丢失；
38、1*1的第二卷积层与所述注意力模块的输出端连接，所述1*1的第二卷积层用于减少通道数。
39、第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现任一所述的鸟类物种的识别方法步骤。
40、本技术实施例有益效果：
41、本技术实施例提供了一种基于云边协同的野外鸟类监测系统，本技术通过鸟类鸣声检测模型进行鸟鸣音频信息的筛选，将包含鸟类鸣声的音频信息作为有效音频信息，这样可以减少传输至云平台的数据量，避免无效数据传输带来的能量损失，延长监测设备在野外的使用寿命。通过鸟类物种识别模型识别鸟类物种，识别鸟类物种不仅采用鸟鸣音频信息，还采用当前环境数据和历史生态数据，加入当前环境数据和历史生态数据可以确定鸟类在监测区域生存的概率，本技术通过加入当前环境数据和历史生态数据可以提高鸟类物种识别的准确性。
42、当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。