CN109671439B - 一种智能化果林鸟害防治设备及其鸟类定位方法 - Google Patents
一种智能化果林鸟害防治设备及其鸟类定位方法 Download PDFInfo
- Publication number
- CN109671439B CN109671439B CN201811557583.2A CN201811557583A CN109671439B CN 109671439 B CN109671439 B CN 109671439B CN 201811557583 A CN201811557583 A CN 201811557583A CN 109671439 B CN109671439 B CN 109671439B
- Authority
- CN
- China
- Prior art keywords
- microphone
- sound source
- module
- time
- microphone array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000002420 orchard Substances 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 238000004880 explosion Methods 0.000 description 7
- 230000001846 repelling effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000009545 invasion Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G13/00—Protecting plants
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种智能化果林鸟害防治设备包括控制模块、麦克风阵列模块、扬声器、无线网络模块以及与无线网络模块连接的终端；所述麦克风阵列模块、扬声器、无线网络模块分别与控制模块连接。其定位方法具体包括以下步骤：控制模块采集到信号后通过滤波器进行滤波去噪从而改善分辨率；采用短时傅里叶变换的时频分析技术，提取识别声源信息。本发明的有益效果是：本发明大范围环境下通过设备间信息的交互协同实时监管果园，能够对经过果林范围内的鸟类的声音进行识别并对果林范围内的鸟类实时驱赶，同时向用户提供预警。
Description
技术领域
本发明涉及果林防治技术领域，具体的说，是一种智能化果林鸟害防治设备及其鸟类定位方法。
背景技术
发展农业一直以来都是保障民生的头等大事，尤其是发展优质农产品以提高农业生产效率。而在水果生产中，鸟类对果林的危害不断增大。主要原因一是随着对鸟类保护相关法律法规的颁布，人们保护鸟类的意识不断增强，鸟的种类、种群数目急剧增加；二是农田、树木上的害虫数量被农药有效控制，鸟类的天然食源减少；三是各类果树种类越来越多，种植面积越来越大，为鸟类提供了新鲜的食物源；四是在果实成熟时色泽鲜艳、香味浓郁，吸引鸟啄食，而鸟一般只是啄食几口，这会使大量果实受损，由于被鸟雀啄食的作物极易滋生细菌感染，果子腐烂传播病虫害，加剧了病菌传播，对果林甚至地区作物种植造成巨大损失。同时，春季鸟类还啄食果树嫩芽、踩坏果树嫁接枝条等。在不防治果园中，轻者30％左右的果实受害，重者80％的果实受害，给水果生产造成巨大损失。因此急需采取适宜的方法对鸟害进行防治，提高果实质量、增添收益、增加果实产量。
目前，已有的驱鸟方法有人工捕鸟、防鸟网，音响驱鸟，风车驱鸟器，反光膜驱鸟，化学药物驱鸟，超声波驱鸟器等。专利号为CN106718386A的发明也只是提供一种果园鸟类侵害的观测方法，而没有提供相应解决措施。而专利号为CN202773895U的实用新型专利数控光学鸟害防治设备，虽能提出一种智能化解决鸟害的措施，但是应用环境受到限制，且成本过高，很难普及性应用；无法对鸟类的声音进行识别，不能对鸟类的位置和距离果林的距离进行有效的判断。
现有技术中缺少一种能够有效的对鸟类的声音进行识别，对于果林范围内的鸟判别进行驱赶的装置以及实现鸟类定位的方法。
发明内容
本发明的目的在于提供一种智能化果林鸟害防治设备及其鸟类定位方法，大范围环境下通过设备间信息的交互协同实时监管果园，能够对经过果林范围内的鸟类的声音进行识别并对果林范围内的鸟类实时驱赶，同时向用户提供预警。
本发明通过下述技术方案实现：
一种智能化果林鸟害防治设备，包括控制模块、麦克风阵列模块、扬声器、无线网络模块以及与无线网络模块连接的终端；所述麦克风阵列模块、扬声器、无线网络模块分别与控制模块连接。
进一步地，为了更好的实现本发明，还包括与控制模块连接的V3S处理器，所述扬声器、无线网络模块分别通过V3S处理器与控制模块连接。
进一步地，为了更好的实现本发明，还包括与V3S处理器连接的爆闪灯。
进一步地，为了更好的实现本发明，所述控制模块包括FPGA模块以及与FPGA模块连接的储存模块；所述V3S处理器、麦克风阵列模块分别与FPGA模块连接。
工作原理：麦克风阵列模块通过声源频率采集，并将声源信息传递给FPAG模块进行音频信号处理再传至V3S处理器处理，无线网络模块通过无线局域网进行节点共享并将信息传递给移动终端设备；FPAG模块和存储模块对于数据进行存储和分析，以便用户查看、进行相应处理。当需要驱赶鸟类时，V3S处理器通过控制扬声器和爆闪灯工作从而驱离鸟类。
一种智能化果林鸟类定位方法，控制模块采集到信号后通过滤波器进行滤波去噪改善分辨率；信号处理采用短时傅里叶变换的时频分析技术，提取识别声源信息。
进一步地，为了更好的实现本发明，具体包括以下步骤：
步骤S1：麦克风阵列设计：
步骤S2：麦克风阵列模块采集声源信息，并进行声源信号分帧加窗处理；
步骤S3：时延估计：采用退化分离估计算法分离多个声源信号；
步骤S4：利用麦克风阵列模块进行延时定位。
进一步地，为了更好的实现本发明，所述步骤S1具体是指：以麦克风阵列系统中心为原点建立笛卡尔坐标系，根据时间延时关系得到最快接收到声源信号的点；
已知n个麦克风坐标Mi＝(xi,yi,zi),i＝1,2,...n，设定声源点的声音在空气中传播速ν，设定声波为平面波，声源单位平面传播向量
上述求得的第一个麦克风M1与第二个麦克风M2之间的时间关系μ1；由时间延时关系可以得出：
由式(1)得出向量的坐标形式为：
v×μ1＝a(x2-x1)+b(y2-y1)+c(z2-z1) (2)；
通过任意3个不同点即可列出方程组：
v×μ1＝a(x2-x1)+b(y2-y1)+c(z2-z1)
v×μ2＝a(x3-x1)+b(y3-y1)+c(z3-z1)
v×μ3＝a(x3-x2)+b(y3-y2)+c(z3-z2) (3)；
将上式写成矩阵的形式：
通过矩阵算法解出方程组中的向量
不同的声源单位平面传播向量经过单位化后为：且令单位向量为/>利用最小二乘法原理，得到单位向量的最小值与所有/>的距离；
即：单位向量最小值为：/>
所有的距离为：/>
通过牛顿迭代法对方程式(6)求解，即得A，B，C，三个数值；即：
从而得出单位向量的值，所得出的单位向量/>即为声源的相对于麦克风阵列中心的方向。
进一步地，为了更好的实现本发明，所述步骤S2具体包括以下步骤：：
步骤S21：利用可移动的有限长度窗口进行加权实现；
对声源信号采用汉明窗加权窗口长度取决于采样周期，窗口长度以及频率分辨率；得出
其中，采样周期为Tx＝1/fx；
窗口长度为N；
频率分辨率为Δf；
加窗后的信号为S(n)＝ω(n)s(n)；
其中ω(n)为窗函数；
s(n)为信号；
步骤S22：采用汉明窗处理，处理后的窗函数如下：
其中式中M为帧长。
进一步地，为了更好的实现本发明，所述步骤S3具体是指：
将两路声源信号经过加窗傅里叶变换后的定义为：
由式(8)和(9)得出两路声源信号的短时间正交性表示为：其中：/>为任意两声源信号；
在没有反射混响的情况下，设定有N个声源信号s1(t)，s2(t)，…，sn(t)；N个声源信号组成了一组混合信号且被同一个麦克风接受；以第一个麦克风接到的信号开始表示：
……
其中N表示声源的个数，M1(t)表示第一个麦克风接受到的混合信号，M2，M3，…，Mn同理；
其中μ1表示麦克风1与麦克风2之间的时延，μ2表示为麦克风3与麦克风1之间的时延，以此类推；
由于每个麦克风之间的时延都是相对于第一个麦克风的时延，得出M1与M2之间的时延的求法，其余麦克风同理；
相对麦克风1与麦克风2做加窗傅里叶变换转化为时频的表达形式写为如下：
式(10)中的j表示的是在(τ，ω)该时刻点占主导的声源信号的标号；
将每个时频点表达式写为如下：
此时，再对每个时频点的表达式做比值差异处理，得出：
从式(11)每个时频点得到的中，即可得到麦克风的时延参数μ(τ，ω)；
即：(μ(τ，ω))＝(||R(τ，ω)||，-ω-1∠R(τ，ω)) (13)
式中：∠表示取复数的相位。
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明通过声源定位的方式通过实时捕捉声源识别频率对鸟类进行定位；设置了存储模块可以将鸟类运动轨迹储存在存储器中，设置了无线网络模块可以通过无线网络实时将数据对用户进行反馈，上位机同时存储数据、分析数据，以便用户查看、进行相应处理。
(2)本发明通过移动设备与无线网络模块，实现用户对鸟类运动轨迹进行判断，便于采取相应措施，使系统具备远程监控的功能。当麦克风阵列模块监测到鸟类进入果园区域时，自动分析判断，在鸟类进行啄食前自动驱离，同时当出现大量入侵信号时通过无线网络模块发送到移动设备对用户进行警示。
(3)本发明解决了农业生产中鸟害啄食导致农产品大量损失问题，解决了传统防治鸟害劳动成本大，对作物有危害，无法精准定位，无法及时全面有效驱离鸟类问题。
(4)本发明算法数据处理高效，可采集多只不同空间位置同时侵入的鸟类信息，及时进行驱赶处理；同时可以排除果林周界外或掠过果林上空的鸟，避免盲目驱赶。
(5)本发明硬件电路设计合理、接线方便、安放体积较少、利于安装放置，环境适用性强，无论安放在果树上还是安插在土地上均可。
附图说明
图1为本发明的连接框图；
图2为本发明中无线网络模块的电路图；
图3为本发明中麦克风阵列模块的电路图；
图4为本发明中储存模块的电路图；
图5为本发明中V3S处理器的电路图；
图6、图7为实施例4的示意图；
图8为12个麦克风阵列模块组成的麦克风阵列模型的结构示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
本发明通过下述技术方案实现，如图1-图5所示，一种智能化果林鸟害防治设备，包括控制模块、麦克风阵列模块、扬声器、无线网络模块以及与无线网络模块连接的终端；所述麦克风阵列模块、扬声器、无线网络模块分别与控制模块连接。
需要说明的是，通过上述改进，麦克风阵列模块将采集到的声源信号传递给控制模块，控制模块进行声源信号处理和分析，并通过无线网络模块传递到终端，用户通过终端可实现鸟类驱赶。
扬声器的输出端与音频解码器电性连接。所述扬声器将音频解码器输出的相应音频播放出来，用于声音驱赶鸟类。
本实施例的其他部分与上述实施例相同，故不再赘述。
实施例2：
本实施例在上述实施例的基础上做进一步优化，如图1-图5所示，进一步地，为了更好的实现本发明，还包括与控制模模块连接的V3S处理器，所述扬声器、无线网络模块分别通过V3S处理器与控制模块连接。
需要说明的是，通过上述改进，所述V3S处理器控制网络连接与收发数据，通过设备之间的通讯查询节点信息，用于设备反馈。
V3S处理器与FPGA模块以SPI方式连接。
本实施例的其他部分与上述实施例相同，故不再赘述。
实施例3：
本实施例在上述实施例的基础上做进一步优化，如图1-图5所示，进一步地，为了更好的实现本发明，还包括与V3S处理器连接的爆闪灯。
所述爆闪灯采用LED发光二极管，爆闪灯外接3.3V电源，V3S处理器直接控制其PWM波即可改变爆闪灯闪烁形式，从而实现驱赶。
进一步地，为了更好的实现本发明，所述控制模块包括FPGA模块以及与FPGA模块连接的储存模块；所述V3S处理器、麦克风阵列模块分别与FPGA模块连接。
需要说明的是，通过上述改进，所述爆闪灯与V3S处理器电性连接。所述爆闪灯采用LED发光二极管，效率高，功耗小，配合设计良好的透镜效果佳，用于驱赶鸟类。
在所述扬声器与V3S处理器之间还设置有音频解码器，V3S处理器通过音频解码器与扬声器连接；所述扬声器将音频解码器输出的相应音频播放出来，用于声音驱赶鸟类。
FPAG模块用于麦克风阵列模块的数据流的汇聚和抽取功能。但麦克风阵列及麦克风类型不局限于此，若用模拟麦克风也可达到效果，但电路设计上需要加入ADC和功放电路。
FPAG模块为现有技术，现有技术中的任意一种均可实现。
所述V3S处理器采用全志V3S处理器，所述无线网络模块的型号为CC2530。所述的无线网络模块与全志V3S处理器电性连接。所述全志V3S处理器控制网络连接与收发数据，通过设备之间的通讯查询节点信息，用于设备反馈。
如图3所示：
所述麦克风阵列模块包括多个型号为SPH0644LM4H-1麦克风模块，多个SPH0644LM4H-1麦克风模块并联，图3为麦克风阵列模块的连接关系图。
麦克风阵列模块的DATA接口、CLOCK接口与FPAG的PDM接口数据线DATA，时钟线CLOCK对应连接；
还包括与FPAG模块连接的存储模块，图4为FLASH存储模块，FLASH存储模块与V3S处理器SPI板块连接。存储模块可以将鸟类运功轨迹储存在存储器中，设置了无线网络模块可以通过无线网络实时将数据对用户进行反馈，上位机同时存储数据、分析数据，以便用户查看、进行相应处理。
图5中的CODEC板块为音频解码器，用于将存储的音频(老鹰声，猎枪声，爆破声等)解码输出至扬声器。
本设计中的无线网络模块还可以采用TF卡接口形式的WIFI模块与V3S处理器中的板SDC0/UART0K接口连接。
当然也可采用以太网，以太网接口为EPHY板块。
无线网络模块用于与远程PC、手机等实现数据传送数据和指令接收。本发明中无线网络采用ZigBee技术，ZigBee是基于IEEE802.15.4标准的低功耗局域网协议，所述无线网络模块采用的ZigBee协议的CC2530模块，此为无线自组织网络，具有功耗低，价格便宜，且可加入网络节点多，覆盖面积广的特点。
本发明通过麦克风阵列技术对鸟类信息数据信号进行采集，麦克风阵列模块通过声源频率识别通过传递给所述FPAG进行音频信号处理再传至所述V3S处理器处理，通过所述无线网络模块通过无线局域网络进行节点共享，通过算法综合分析最后确认出鸟类位置(距离和方位)，筛选出威胁农作物的鸟只并由距离其最近的节点立即对其进行相应处理，对鸟驱离。
移动设备通过图5中的UART板块与V3S处理器连接；实现用户对鸟类的声音进行判断，便于采取相应措施，使系统具备远程监控的功能。当麦克风阵列模块监测到鸟类进入果园区域时，自动分析判断，在鸟类进行啄食前自动驱离，同时当出现大量入侵信号时通过无线网络模块发送到移动设备对用户进行警示。
本实施例的其他部分与上述实施例相同，故不再赘述。
实施例4：
本实施例在上述实施例的基础上做进一步优化，如图1-图8所示，控制模块采集到信号后通过滤波器进行滤波去噪从而改善分辨率；采用短时傅里叶变换的时频分析技术，提取识别声源信息。具体包括以下步骤具体包括以下步骤：
步骤S1：麦克风阵列设计：
步骤S2：麦克风阵列模块采集声源信息，并进行声源信号分帧加窗处理；
步骤S3：时延估计：采用退化分离估计算法分离多个声源信号；
步骤S4：利用麦克风阵列模块进行延时定位。
所述步骤S1具体是指：以麦克风阵列系统中心为原点建立笛卡尔坐标系，根据时间延时关系得到最快接收到声源信号的点；
以12个麦克风为一个麦克风阵列系统，如图8所示；已知12个麦克风坐标Mi＝(xi,yi,zi),i＝1,2,...12，设定声源点为C声音在空气中传播速ν；设定声波为平面波，声源单位平面传播向量上述求得的第一个麦克风M1与第二个麦克风M2之间的时间关系μ1，其参数τ；由时间延时关系可以得出：
由式(1)得出向量的坐标形式为：
v×μ1＝a(x2-x1)+b(y2-y1)+c(z2-z1) (2)
通过任意3个不同点即可列出方程组：
v×μ1＝a(x2-x1)+b(y2-y1)+c(z2-z1)
v×μ2＝a(x3-x1)+b(y3-y1)+c(z3-z1)
v×μ3＝a(x3-x2)+b(y3-y2)+c(z3-z2) (3)
将上式写成矩阵的形式：
每3个不同的麦克风阵列模块组成的方程组可以解出一个对应的向量，12个麦克风共可以求解出220个不同的向量，其中这220个方向向量的解应满足方向大致相同。采用这样的麦克风阵列补偿声源到每个麦克风的时间差，使得该方向的入射信号得到最大的增益，使得主波束内有最大输出功率的方向，进而形成空域滤波，使得阵列具有方向选择性的向量/>
不同的声源单位平面传播向量经过单位化后为：且所有测量得到的/>的起点都落在坐标原点，那么220个/>的终点落在同一个球面上；令单位向量为/>利用最小二乘法原理，得到单位向量/>的最小值与所有/>的距离；
即：单位向量最小值为：/>
所有的距离为：/>
通过牛顿迭代法对方程式(6)求解，即得A，B，C三个数值；即：
总共3个方程3个未知数，可通过牛顿迭代法求出A，B，C三个数值。(由于麦克风空间几何结构设计及参考坐标选择，可保证A、B、C不全为0)；也可以通过梯度下降法求出最优解。从而得出单位向量的值，所得出的单位向量/>即为声源的相对于麦克风阵列中心的方向。
进一步地，为了更好的实现本发明，所述步骤S2具体包括以下步骤：
步骤S21：利用可移动的有限长度窗口进行加权实现；声源信号分帧加窗处理是为了进行傅里叶展开，利用可移动的有限长度窗口进行加权实现。而傅里叶变换研究整个时间域和频率域的关系时要求输入的信号是平稳的。而在宏观上鸟的声音信号是不平稳的，在微观上是平稳的，具有短时平稳性，即声源信号是只在一小段时间内是平稳的。因此进行分帧处理，即将声源信号分成一小段，每一个短段称为一帧。为了使信号的连续性得以在帧与帧之间平滑过渡，采用交叠分段的方法，后一帧与前一帧交叠的部分称其为“帧叠”，取帧叠与帧长为1:2。为了使信号更加连续避免出现吉布斯效应，同时使声源信号呈现周期函数的部分特性减少泄露，对此需要对声源信号进行加窗。
对声源信号采用汉明窗加权窗口长度取决于采样周期，窗口长度以及频率分辨率；得出
其中，采样周期为Tx＝1/fx；
窗口长度为N；
频率分辨率为Δf；
采样周期Tx确定以后，当窗口长度取长，则频率的分辨率会提高，时间的分辨率却降低；当窗口长度取短时，时间的分辨率提高而频率的分辨率下降，可以看出两者的变化互相矛盾。例如当N值比较大的时候，它就相当于非常窄的低通滤波器，表明波形细节的高频部分被滤除，信号短时能力几乎不随时间的变化而变化，不能如实地反映声源信号幅度变化。反之，如果N值偏小，滤波器的通带加宽，那么短时能量将随时间产生很大的变化，这就会导致得到的能量函数不够平滑。因此要按照实际需求来算出窗口的长度。
通过计算和模拟实验采样率设置为44.1kHz，对其加窗长为512点的汉明窗后做1024点FFT变换，帧移256点，帧长取12ms。
为了保证波形完整采用汉明窗函数。窗函数ω(n)和信号s(n)相乘，得到加窗后的信号为：
加窗后的信号为S(n)＝ω(n)s(n)；
其中ω(n)为窗函数；
s(n)为信号；
步骤S22：采用汉明窗处理，处理后的窗函数如下：
其中式中M为帧长。
进一步地，为了更好的实现本发明，所述步骤S3具体是指：
在单一声源的情况下，通过求解麦克风阵元信号之间相关函数最大峰值的偏移时间来估计两路信号间时延值。但在果园应用中声音往往不会是一只鸟所发出来的，对同一时间多个声源的定位就需要把不同声源之间的延时差分别求出，由于鸟的声音信号源是互相独立，正交和非稳定的。故采用退化分离估计技术(DUET)。
DUET算法的主要思想即认为在时频域上每个声源的能量只集中在比例很小的区域内，且鸟的声音信号经过加窗傅里叶变换后在这个区域不重叠，即在每个特定的时刻其主要能量贡献的最多只有一个源信号，其他源信号在该时刻的能量贡献几乎为零，便可以让两个麦克风之间分离多个声源信号。
鸟的声音信号是时频稀疏和短时正交。即在时频上每个声源的能量集中在比例很小的支撑域。正交的意思是每个声源的能量集中的支撑域几乎不会交叠。即对声源信号进行加窗傅里叶变换后，在时频图上各自的支撑域是互不交叠。假设有两路声源信号s1(t)、s2(t)，经过加窗傅里叶变换后定义为：
由式(8)和(9)得出两路声源信号的短时间正交性表示为：其中：/>为任意两声源信号；
但是实际中多个声源信号同时发生的情况下，活跃的鸟的声音信号几乎不能在时频上完全为零，把鸟的声音信号进行了短时的傅里叶变换以后在时频上是稀疏的，在短时间内某个声源能量远大于其他声源，将认为鸟的声音信号可以看作是满足短时正交的。
在没有反射混响的情况下，设定有N个声源信号s1(t)，s2(t)，…，sn(t)；N个声源信号组成了一组混合信号且被同一个麦克风接受；以第一个麦克风接到的信号开始表示：
……
其中N表示声源的个数，M1(t)表示第一个麦克风接受到的混合信号，M2，M3，…，M12同理；
其中μ1表示麦克风1与麦克风2之间的时延，μ2表示为麦克风3与麦克风1之间的时延，以此类推；
由于每个麦克风之间的时延都是相对于第一个麦克风的时延，得出M1与M2之间的时延的求法，其余麦克风同理；
相对麦克风1与麦克风2做加窗傅里叶变换转化为时频的表达形式写为如下：
式(10)中的j表示的是在(τ，ω)该时刻点占主导的声源信号的标号；
将每个时频点表达式写为如下：
此时，再对每个时频点的表达式做比值差异处理，得出：
从式(11)每个时频点得到的中，即可得到麦克风的时延参数μ(τ，ω)；
即：(μ(τ，ω))＝(||R(τ，ω)||，-ω-1∠R(τ，ω)) (13)
式中：∠表示取复数的相位。
对得到的所有参数对进行加权聚类，得到一个二维柱状图，由于对于来自同一个声源信号的那些时频点来说，它们的参数都散落在各自实际的时延参数μj(τ，ω)值得附近。类似于地理图上等高线一样，对求出的参数相近的点求平均值，将它近似认为就是μj(τ，ω)。横坐标τ即为时间延时。因此就可以估计出每个声源的对应的实际时延参数μj(τ，ω)。从而实现对声源的精确定位。
如图6、在ABCD所形成的区域内安装12个节点设备；
假设相邻设备之间的距离，即等边三角形的边长为x，那么该区域内的设备的数量为n，则:
根据实际情况调整设备距离x,(1m≤x≤30m)。
如图7所示，当鸟类进入监测区域，节点设备检测到声源信息，由休眠模式进入工作模式，通过以上算法计算、节点信息共享得知此为鸟类入侵需要驱离，进而得出离该鸟最近的节点设备，该节点设备进入相应模式，由此节点进行相应驱赶机制。
需要说明的是，通过上述改进，解决了传统防治鸟害劳动成本大，对作物有危害，无法精准定位，无法及时全面有效驱离鸟类问题。
本实施例的其他部分与上述实施例相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (1)
1.一种智能化果林鸟类定位方法，基于智能化果林鸟害防治设备实现，所述智能化果林鸟害防治设备包括控制模块、麦克风阵列模块、扬声器、无线网络模块以及与无线网络模块连接的终端；所述麦克风阵列模块、扬声器、无线网络模块分别与控制模块连接；还包括与控制模模块连接的V3S处理器，所述扬声器、无线网络模块分别通过V3S处理器与控制模块连接；还包括与V3S处理器连接的爆闪灯；所述控制模块包括FPGA模块以及与FPGA模块连接的储存模块；所述V3S处理器、麦克风阵列模块分别与FPGA模块连接；其特征在于：控制模块采集到信号后通过滤波器进行滤波去噪改善分辨率；采用时频分析、短时傅里叶变换，提取识别声源信息；
具体包括以下步骤：
步骤S1：麦克风阵列设计：
步骤S2：麦克风阵列模块采集声源信息，并进行声源信号分帧加窗处理；
步骤S3：时延估计：采用退化分离估计算法分离多个声源信号；
步骤S4：利用麦克风阵列模块进行延时定位；
所述步骤S1具体是指：以麦克风阵列系统中心为原点建立笛卡尔坐标系，根据时间延时关系得到最快接收到声源信号的点；已知n个麦克风坐标Mi＝(xi,yi,zi),i＝1,2,...n，设定声源点的声音在空气中传播速ν；设定声波为平面波，声源单位平面传播向量
上述求得的第一个麦克风与第二个麦克风之间的时间关系μ1，其参数τ；由时间延时关系可以得出：
由式(1)得出向量的坐标形式为：
v×μ1＝a(x2-x1)+b(y2-y1)+c(z2-z1) (2)；
通过任意3个不同点即可列出方程组：
v×μ1＝a(x2-x1)+b(y2-y1)+c(z2-z1)
v×μ2＝a(x3-x1)+b(y3-y1)+c(z3-z1)
v×μ3＝a(x3-x2)+b(y3-y2)+c(z3-z2) (3)；
将上式写成矩阵的形式：
通过矩阵算法解出方程组中的向量不同的声源单位平面传播向量经过单位化后为：且/>令单位向量为/>利用最小二乘法原理，得到单位向量/>的最小值与所有/>的距离；即：单位向量/>最小值为：
所有的距离为：
通过牛顿迭代法对方程式(6)求解，即得A，B，C，三个数值；即：
从而得出单位向量的值，所得出的单位向量/>即为声源的相对于麦克风阵列中心的方向；
所述步骤S2具体包括以下步骤：
步骤S21：利用可移动的有限长度窗口进行加权实现；
对声源信号采用汉明窗加权窗口长度取决于采样周期，窗口长度以及频率分辨率；得出
其中，采样周期为Tx＝1/fx；
窗口长度为N；
频率分辨率为Δf；
加窗后的信号为S(n)＝ω(n)s(n)；
其中ω(n)为窗函数；
s(n)为信号；
步骤S22：采用汉明窗处理，处理后的窗函数如下：
其中式中M为帧长；
所述步骤S3具体是指：
将两路声源信号经过加窗傅里叶变换后的定义为：
得出两路声源信号的短时间正交性表示为：其中：/> 为任意两路声源信号；
在没有反射混响的情况下，设定有N个声源信号s1(t)，s2(t)，…，sn(t)；N个声源信号组成了一组混合信号且被同一个麦克风接受；以第一个麦克风接到的信号开始表示：
……
其中N表示声源的个数，M1(t)表示第一个麦克风接受到的混合信号，M2，M3，…，Mn同理；
其中μ1表示第一个麦克风与第二个麦克风之间的时延，μ2表示为第三个麦克风与第一个麦克风之间的时延，以此类推；
由于每个麦克风之间的时延都是相对于第一个麦克风的时延，得出M1与M2之间的时延的求法，其余麦克风同理；
相对第一个麦克风与第二个麦克风做加窗傅里叶变换转化为时频的表达形式写为如下：
式(10)中的j表示的是在(τ，ω)该时刻点占主导的声源信号的标号；
将每个时频点表达式写为如下：
此时，再对每个时频点的表达式做比值差异处理，得出：
从式(11)每个时频点得到的中，即可得到麦克风的时延参数μ(τ，ω)；
即：(μ(τ，ω))＝(||R(τ，ω)||，-ω-1∠R(τ，ω)) (13)；
式中：∠表示取复数的相位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811557583.2A CN109671439B (zh) | 2018-12-19 | 2018-12-19 | 一种智能化果林鸟害防治设备及其鸟类定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811557583.2A CN109671439B (zh) | 2018-12-19 | 2018-12-19 | 一种智能化果林鸟害防治设备及其鸟类定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109671439A CN109671439A (zh) | 2019-04-23 |
| CN109671439B true CN109671439B (zh) | 2024-01-19 |
Family
ID=66144525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811557583.2A Active CN109671439B (zh) | 2018-12-19 | 2018-12-19 | 一种智能化果林鸟害防治设备及其鸟类定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109671439B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113711820B (zh) * | 2021-08-10 | 2023-12-15 | 厦门源森园林景观股份有限公司 | 一种古树名木管理保护系统和方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102524237A (zh) * | 2012-01-11 | 2012-07-04 | 桂林电子科技大学 | 一种飞机场鸟情监控驱鸟系统及方法 |
| KR20130006857A (ko) * | 2011-06-24 | 2013-01-18 | 서강대학교산학협력단 | 신호의 시간 지연 및 감쇄 추정에 기반한 반향 환경에서의 암묵 음원 분리 방법 |
| CN102907116A (zh) * | 2010-03-31 | 2013-01-30 | 弗兰霍菲尔运输应用研究公司 | 用于测量多个扬声器和麦克风阵列的设备和方法 |
| CN106504762A (zh) * | 2016-11-04 | 2017-03-15 | 中南民族大学 | 鸟类群落数量估计系统及其方法 |
| CN106504763A (zh) * | 2015-12-22 | 2017-03-15 | 电子科技大学 | 基于盲源分离与谱减法的麦克风阵列多目标语音增强方法 |
| CN106782596A (zh) * | 2016-11-18 | 2017-05-31 | 深圳市行者机器人技术有限公司 | 一种基于麦克风阵列的声源定位跟随系统及方法 |
| CN107644650A (zh) * | 2017-09-29 | 2018-01-30 | 山东大学 | 一种基于渐进串行正交化盲源分离算法的改进声源定位方法及其实现系统 |
| CN107884741A (zh) * | 2017-10-30 | 2018-04-06 | 北京理工大学 | 一种多球阵列多宽带声源快速定向方法 |
-
2018
- 2018-12-19 CN CN201811557583.2A patent/CN109671439B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102907116A (zh) * | 2010-03-31 | 2013-01-30 | 弗兰霍菲尔运输应用研究公司 | 用于测量多个扬声器和麦克风阵列的设备和方法 |
| KR20130006857A (ko) * | 2011-06-24 | 2013-01-18 | 서강대학교산학협력단 | 신호의 시간 지연 및 감쇄 추정에 기반한 반향 환경에서의 암묵 음원 분리 방법 |
| CN102524237A (zh) * | 2012-01-11 | 2012-07-04 | 桂林电子科技大学 | 一种飞机场鸟情监控驱鸟系统及方法 |
| CN106504763A (zh) * | 2015-12-22 | 2017-03-15 | 电子科技大学 | 基于盲源分离与谱减法的麦克风阵列多目标语音增强方法 |
| CN106504762A (zh) * | 2016-11-04 | 2017-03-15 | 中南民族大学 | 鸟类群落数量估计系统及其方法 |
| CN106782596A (zh) * | 2016-11-18 | 2017-05-31 | 深圳市行者机器人技术有限公司 | 一种基于麦克风阵列的声源定位跟随系统及方法 |
| CN107644650A (zh) * | 2017-09-29 | 2018-01-30 | 山东大学 | 一种基于渐进串行正交化盲源分离算法的改进声源定位方法及其实现系统 |
| CN107884741A (zh) * | 2017-10-30 | 2018-04-06 | 北京理工大学 | 一种多球阵列多宽带声源快速定向方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109671439A (zh) | 2019-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Obrist | Flexible bat echolocation: the influence of individual, habitat and conspecifics on sonar signal design | |
| Moss et al. | Probing the natural scene by echolocation in bats | |
| Surlykke et al. | Echolocation behavior of big brown bats, Eptesicus fuscus, in the field and the laboratory | |
| Brinkløv et al. | Echolocation call intensity and directionality in flying short-tailed fruit bats, Carollia perspicillata (Phyllostomidae) | |
| CN110730331B (zh) | 一种联合影像与声学识别技术的鸟类在线监测系统及方法 | |
| Müller et al. | Biosonar-inspired technology: goals, challenges and insights | |
| CN109655720A (zh) | 基于二维传感器阵列的局放检测方法及装置 | |
| CN110521716A (zh) | 一种有害生物驱赶方法、装置、设备和系统 | |
| CN109671439B (zh) | 一种智能化果林鸟害防治设备及其鸟类定位方法 | |
| CN110047507A (zh) | 一种声源识别方法及装置 | |
| Hackett et al. | A whispering bat that screams: bimodal switch of foraging guild from gleaning to aerial hawking in the desert long-eared bat | |
| CN115299428A (zh) | 一种基于深度学习的物联网智能驱鸟系统 | |
| Mankin | Vibrational trapping and interference with mating of Diaphorina citri | |
| US20170071190A1 (en) | Turkey gobbler vocalization detection apparatus | |
| Lapshin et al. | Frequency tuning of swarming male mosquitoes (Aedes communis, Culicidae) and its neural mechanisms | |
| Madsen et al. | Echolocation in air and water | |
| Warnecke et al. | Echolocation and flight behavior of the bat Hipposideros armiger terasensis in a structured corridor | |
| CN209947432U (zh) | 一种智能化果林鸟害防治设备 | |
| Fenton | Evolution of echolocation | |
| Nagy et al. | Internet of Birds (IoB): Song Based Bird Sensing via Machine Learning in the Cloud: How to sense, identify, classify birds based on their songs? | |
| Barber et al. | Naïve bats discriminate arctiid moth warning sounds but generalize their aposematic meaning | |
| Mercado III | Humpback whale (Megaptera novaeangliae) sonar: Ten predictions. | |
| CN109283487A (zh) | 基于支持向量机可控功率响应的music-doa方法 | |
| Jin et al. | Preamble detection for underwater acoustic communications based on convolutional neural networks | |
| Cinkler et al. | Two-Phase Sensor Decision: Machine-Learning for Bird Sound Recognition and Vineyard Protection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |