CN114974268B - 一种基于物联网的鸟类鸣声识别监测系统及方法 - Google Patents
一种基于物联网的鸟类鸣声识别监测系统及方法 Download PDFInfo
- Publication number
- CN114974268B CN114974268B CN202210641198.6A CN202210641198A CN114974268B CN 114974268 B CN114974268 B CN 114974268B CN 202210641198 A CN202210641198 A CN 202210641198A CN 114974268 B CN114974268 B CN 114974268B
- Authority
- CN
- China
- Prior art keywords
- bird
- module
- abnormal
- bird song
- analyzer
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims description 115
- 241001465754 Metazoa Species 0.000 claims description 20
- 238000000556 factor analysis Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000009432 framing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000000087 stabilizing effect Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于物联网的鸟类鸣声识别监测系统及方法,属于鸟类鸣声识别监测技术领域。该系统包括:鸟类鸣声分析仪记录模块、对照分析模块、仿真预测模块、影响判断模块、信息提示模块;所述鸟类鸣声分析仪记录模块的输出端与所述对照分析模块的输入端相连接;所述对照分析模块的输出端与所述仿真预测模块的输入端相连接;所述仿真预测模块的输出端与所述影响判断模块的输入端相连接;所述影响判断模块的输出端与所述信息提示模块的输入端相连接。本申请能够实现对鸟类鸣声的长时间的自动监测,并在识别过程中利用模型进行多次分析,提高对未发现的珍稀鸟类的判断,提高工作人员效率。
Description
技术领域
本发明涉及鸟类鸣声识别监测技术领域,具体为一种基于物联网的鸟类鸣声识别监测系统及方法。
背景技术
在自然领域,对于鸟类,从发音原理上来讲,鸟类的发声是气流通过鸣管形成的。那么不同种类鸟类在进化过程中的分歧导致了鸣管结构的不同是鸣声鉴别的重要依据。“听声辨鸟”是目前对于鸟类进行分类的一种重要手段,由于监测鸟类需要花费大量时间,在野外进行长时期的蹲守也极为不便,因此利用鸟类鸣声分析仪对鸟类鸣声进行记录,在进行鸣声分析成为当前的主流手段。
但是由于野外环境多变,鸟类鸣声分析仪作为一种小巧、轻便的仪器,常常会因为外界天气的变化与野生动物的行为造成鸟类鸣声分析仪的仪器故障或者状态变化,然而在鸟类鸣声分析仪的仪器故障或者状态变化时,研究人员并不能够及时获知这一点,因此会导致在后期获取鸟类鸣声数据时出现异常的鸟类数据,导致研究人员无法分清是否出现了新的珍稀鸟类,出现工作进度迟缓、工作效率低下等问题。
发明内容
本发明的目的在于提供一种基于物联网的鸟类鸣声识别监测系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于物联网的鸟类鸣声识别监测方法,该方法包括以下步骤:
S1、获取鸟类鸣声分析仪记录的声音数据,构建声音对照模型,基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声,所述异常鸟类鸣声指声音对照模型结果低于阈值时对应的鸟类鸣声;
S2、获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型,分析出现异常鸟类鸣声的因素;
S3、设置概率阈值,根据对出现异常鸟类鸣声的因素概率的预测值,判断引起异常鸟类鸣声的因素;
S4、构建时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数,所述因素A为出现异常鸟类鸣声的因素中的任一种,设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口。
根据上述技术方案,所述声音对照模型包括:
获取鸟类鸣声分析仪记录的声音数据;
所述鸟类鸣声分析仪安装在树木、山体或者土地上;
对记录的声音数据进行预加重、分帧、加窗处理;
所述预加重为将声音数据通过一个高通滤波器,提升高频部分;
所述分帧为根据指定的时间段对声音数据进行分段;
其中,N个采样点集合成一个帧,所述时间段为:
其中,T1代表时间段,单位ms;V1代表声音数据的采样频率,单位Hz;
所述加窗为将分好的帧数据乘一段同长度的数据,以增加帧左端和右端的连续性;
对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱:
其中,M(k)代表傅里叶频谱第k个点;X(n)代表时域波形第n个采样点;R代表傅里叶变换的点数;j代表虚数单位;
利用三角带通滤波器对频谱进行平滑化,消除谐波;
计算三角带通滤波器中每个滤波器组输出的对数能量,经离散余弦变换得到梅尔频率倒谱系数:
其中,Ci代表第i阶梅尔频率倒谱系数;s(m)代表第m个滤波器组输出的对数能量;m代表序号,0≤m≤F;F代表三角滤波器个数;i代表阶数;
根据梅尔频率倒谱系数输出声音数据的特征向量,构建相似度对比:
其中,D0代表鸟类鸣声分析仪记录的声音数据与鸟类鸣声数据库中的任一种鸟类鸣声数据的相似度;t代表序号;y代表声音数据的特征向量数量;at代表声音数据的特征向量的任一种;bt代表鸟类鸣声数据库中的任一种鸟类鸣声数据的特征向量的任一种;
设置阈值,若存在D0的最大值低于阈值,则判断当前鸟类鸣声分析仪记录的声音数据为异常鸟类鸣声。
根据上述技术方案,所述仿真预测模型包括:
获取异常鸟类鸣声的前一时间区间的天气状况、野生动物经过次数;获取异常鸟类鸣声的位置信息,所述时间区间为系统自行设置;
所述出现异常鸟类鸣声的因素包括出现未发现的珍稀鸟类、鸟类鸣声分析仪仪器故障、鸟类鸣声分析仪非正常摆放;
所述鸟类鸣声分析仪非正常摆放指鸟类鸣声分析仪的声音采集端与初始人工设置时的状态发生改变;
所述天气状况包括恶劣天气与其它天气;所述恶劣天气包括雨雪天气、4级风及以上天气;所述其它天气为除去恶劣天气以外的天气;
获取历史数据,所述历史数据内包括在不同天气情况下,鸟类鸣声分析仪的状态情况;
在鸟类鸣声分析仪出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q1;
在鸟类鸣声分析仪不出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q2;
在历史数据中,鸟类鸣声分析仪出现仪器故障的概率记为Q3;
则在天气情况为恶劣天气时,鸟类鸣声分析仪出现仪器故障的预测概率H为:
所述野生动物经过次数根据声音监测获取;
生成鸟类鸣声分析仪出现仪器故障的新预测概率:
H(1)=H+L2*V(0)
其中,H(1)代表鸟类鸣声分析仪出现仪器故障的新预测概率;L2代表野生动物对于鸟类鸣声分析仪状态的影响系数;V(0)代表在前一时间周期内野生动物经过次数;
将异常鸟类鸣声的位置信息按照时间顺序记为集合B={e1、e2、…、eu};其中,e1、e2、…、eu分别代表异常鸟类鸣声的位置到达鸟类鸣声分析仪的距离;构建位置稳定量为:
其中,E(B)代表集合B的位置稳定量;p代表序号;eave代表集合B中数据的均值;
构建因素分析模型:
G(B)=L1*(E(B)-E(min))
其中,G(B)代表位置影响概率;L1代表位置的离散程度对鸟类鸣声分析仪状态的影响系数;E(min)代表设置的最小位置稳定量值。
根据上述技术方案,所述生成提示信息包括:
设置概率阈值,设置Z1为仪器故障预测概率阈值、Z2为位置影响概率阈值,存在:
若H(1)>Z1且G(B)>Z2,则说明鸟类鸣声分析仪仪器故障为出现异常鸟类鸣声的因素;
若H(1)>Z1且G(B)<Z2,则说明鸟类鸣声分析仪非正常摆放为出现异常鸟类鸣声的因素;
若H(1)<Z1且G(B)>Z2,则说明鸟类鸣声分析仪仪器故障为出现异常鸟类鸣声的因素;
若H(1)<Z1且G(B)<Z2,则说明出现未发现的珍稀鸟类为出现异常鸟类鸣声的因素;
构建一个时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数,所述因素A为出现异常鸟类鸣声的因素中的任一种,所述时间周期为系统自行设置;
设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口。
在上述技术方案中,主要提出了引起异常鸟类鸣声的三种主要因素,第一种是真的出现了未发现的珍稀鸟类,第二种是鸟类鸣声分析仪仪器故障,第三种是鸟类鸣声分析仪非正常摆放;由于鸟类鸣声分析仪放置在野外一般是半年起步,有的甚至达到1-2年,因此在放置的过程中,会因为天气、环境等因素造成鸟类鸣声分析仪的一定损伤或状态改变,但是由于声音是最后采集,所以并不能够确定是哪一天发生了鸟类鸣声分析仪的一定损伤或状态改变,因此以出现异常鸟类鸣声为时间点进行分析;在鸟类鸣声分析仪仪器故障的情况下,其一般是由于较为恶劣的天气环境引起的,例如狂风暴雨,容易将固定在树干或山体上的鸟类鸣声分析仪吹落,造成损坏;而由于其仪器故障,会导致其在收音过程中出现大量的异常噪声,结合正常的鸟鸣声从而形成了异常鸟类鸣声,在这种情况下,异常鸟类鸣声的位置分布必然是极其混乱的,因为其实质上是不同的鸟类鸣叫;而在一些情况下,虽然较为恶劣的天气环境能够吹落固定在树干或山体上的鸟类鸣声分析仪,但不一定导致其损坏,只是改变了收音口的朝向,例如初始状态下,其是360度的环绕式收音,但状态改变后,极易造成其中一个或多个收音口被埋于地面或接触地面的状态,导致在这一方向上容易出现异常鸟类鸣声,那么在这种情况下,异常鸟类鸣声的位置分布必然是具备一定规律的,其在整个位置集合中是较为稳定的;野生动物的经过对鸟类鸣声分析仪造成的影响与天气造成的影响的性质是相同的,但其对于鸟类鸣声分析仪的影响能力远小于天气影响,因此在预测结果上,添加一定的野生动物影响,平衡误差;而在真的出现了未发现的珍稀鸟类的情况下,其规律必然是分布的位置较为集中,这与鸟类本身的生活习性有关,同时出现仪器故障的概率较低。
一种基于物联网的鸟类鸣声识别监测系统,该系统包括:鸟类鸣声分析仪记录模块、对照分析模块、仿真预测模块、影响判断模块、信息提示模块;
所述鸟类鸣声分析仪记录模块用于获取鸟类鸣声分析仪记录的声音数据,并进行分析处理;所述对照分析模块用于构建声音对照模型,基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声,所述异常鸟类鸣声指声音对照模型结果低于阈值时对应的鸟类鸣声;所述仿真预测模块用于获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型,分析出现异常鸟类鸣声的因素;所述影响判断模块用于设置概率阈值,根据对出现异常鸟类鸣声的因素概率的预测值,判断引起异常鸟类鸣声的因素;所述信息提示模块用于构建时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数,所述因素A为出现异常鸟类鸣声的因素中的任一种,设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口;
所述鸟类鸣声分析仪记录模块的输出端与所述对照分析模块的输入端相连接;所述对照分析模块的输出端与所述仿真预测模块的输入端相连接;所述仿真预测模块的输出端与所述影响判断模块的输入端相连接;所述影响判断模块的输出端与所述信息提示模块的输入端相连接。
根据上述技术方案,所述鸟类鸣声分析仪记录模块包括鸟类鸣声分析仪记录子模块、鸟类鸣声分析仪分析子模块;
所述鸟类鸣声分析仪记录子模块用于安放鸟类鸣声分析仪,记录自然环境下的鸟类鸣声数据;所述鸟类鸣声分析仪分析子模块用于获取鸟类鸣声分析仪记录的声音数据,并进行分析处理;
所述鸟类鸣声分析仪记录子模块的输出端与所述鸟类鸣声分析仪分析子模块的输入端相连接;所述鸟类鸣声分析仪分析子模块的输出端与所述对照分析模块的输入端相连接。
根据上述技术方案,所述对照分析模块包括模型构建子模块、对照分析子模块、鸟类鸣声数据库;
所述模型构建子模块用于构建声音对照模型,提取声音特征;所述对照分析子模块基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声;所述鸟类鸣声数据库用于存储已经发现的鸟类鸣声数据;
所述模型构建子模块的输出端与所述对照分析子模块的输入端相连接;所述鸟类鸣声数据库的输出端与所述对照分析子模块的输入端相连接;所述对照分析子模块的输出端与所述仿真预测模块的输入端相连接。
根据上述技术方案,所述仿真预测模块包括数据采集子模块、因素分析子模块;
所述数据采集子模块用于获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型;所述因素分析子模块用于分析出现异常鸟类鸣声的因素;
所述数据采集子模块的输出端与所述因素分析子模块的输入端相连接;所述因素分析子模块的输出端与所述影响判断模块的输入端相连接。
根据上述技术方案,所述影响判断模块包括概率阈值设置子模块、因素判断子模块;
所述概率阈值设置子模块用于设置概率阈值;所述因素判断子模块用于根据对出现异常鸟类鸣声的因素概率的预测值,判断引起异常鸟类鸣声的因素;
所述概率阈值设置子模块的输出端与所述因素判断子模块的输入端相连接;所述因素判断子模块的输出端与所述信息提示模块的输入端相连接。
根据上述技术方案,所述信息提示模块包括周期统计子模块、信息提示子模块;
所述周期统计子模块用于构建时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数;所述信息提示子模块用于设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口;
所述周期统计子模块的输出端与所述信息提示子模块的输入端相连接。
与现有技术相比,本发明所达到的有益效果是:
本发明利用鸟类鸣声分析仪记录模块获取鸟类鸣声分析仪记录的声音数据,并进行分析处理;利用对照分析模块构建声音对照模型,基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声;利用仿真预测模块获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型,分析出现异常鸟类鸣声的因素;利用影响判断模块设置概率阈值,根据对出现异常鸟类鸣声的因素概率的预测值,判断引起异常鸟类鸣声的因素;利用信息提示模块用于构建时间周期,统计时间周期内引起异常鸟类鸣声的因素次数,设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口;本申请能够实现对鸟类鸣声的长时间的自动监测,并在识别过程中利用模型进行多次分析,提高对未发现的珍稀鸟类的判断,降低出现异常鸟类鸣声的误差性,减少工作人员空跑概率,提高工作人员效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于物联网的鸟类鸣声识别监测系统及方法的流程示意图;
图2是本发明一种基于物联网的鸟类鸣声识别监测系统及方法的鸟类鸣声分析仪的状态示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,在本实施例中:
在一片森林中安放有鸟类鸣声分析仪;
获取鸟类鸣声分析仪记录的声音数据,构建声音对照模型,基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声,所述异常鸟类鸣声指声音对照模型结果低于阈值时对应的鸟类鸣声;
所述声音对照模型包括:
获取鸟类鸣声分析仪记录的声音数据;
对记录的声音数据进行预加重、分帧、加窗处理;
所述预加重为将声音数据通过一个高通滤波器,提升高频部分;
所述分帧为根据指定的时间段对声音数据进行分段;
其中,N个采样点集合成一个帧,所述时间段为:
其中,T1代表时间段,单位ms;V1代表声音数据的采样频率,单位Hz;
所述加窗为将分好的帧数据乘一段同长度的数据,以增加帧左端和右端的连续性;
对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱:
其中,M(k)代表傅里叶频谱第k个点;X(n)代表时域波形第n个采样点;R代表傅里叶变换的点数;j代表虚数单位;
利用三角带通滤波器对频谱进行平滑化,消除谐波;
计算三角带通滤波器中每个滤波器组输出的对数能量,经离散余弦变换得到梅尔频率倒谱系数:
其中,Ci代表第i阶梅尔频率倒谱系数;s(m)代表第m个滤波器组输出的对数能量;m代表序号,0≤m≤F;F代表三角滤波器个数;i代表阶数;
根据梅尔频率倒谱系数输出声音数据的特征向量,构建相似度对比:
其中,D0代表鸟类鸣声分析仪记录的声音数据与鸟类鸣声数据库中的任一种鸟类鸣声数据的相似度;t代表序号;y代表声音数据的特征向量数量;at代表声音数据的特征向量的任一种;bt代表鸟类鸣声数据库中的任一种鸟类鸣声数据的特征向量的任一种;
设置阈值,发现存在D0的最大值低于阈值,判断当前鸟类鸣声分析仪记录的声音数据为异常鸟类鸣声。
获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型,分析出现异常鸟类鸣声的因素;
所述仿真预测模型包括:
获取异常鸟类鸣声的前一时间区间的天气状况、野生动物经过次数;获取异常鸟类鸣声的位置信息,所述时间区间设置为10天;
所述出现异常鸟类鸣声的因素包括出现未发现的珍稀鸟类、鸟类鸣声分析仪仪器故障、鸟类鸣声分析仪非正常摆放;
所述鸟类鸣声分析仪非正常摆放指鸟类鸣声分析仪的声音采集端与初始人工设置时的状态发生改变;
所述天气状况包括恶劣天气与其它天气;所述恶劣天气包括雨雪天气、4级风及以上天气;所述其它天气为除去恶劣天气以外的天气;
获取历史数据,所述历史数据内包括在不同天气情况下,鸟类鸣声分析仪的状态情况;
在鸟类鸣声分析仪出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q1;
在鸟类鸣声分析仪不出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q2;
在历史数据中,鸟类鸣声分析仪出现仪器故障的概率记为Q3;
则在天气情况为恶劣天气时,鸟类鸣声分析仪出现仪器故障的预测概率H为:
所述野生动物经过次数根据声音监测获取;
生成鸟类鸣声分析仪出现仪器故障的新预测概率:
H(1)=H+L2*V(0)
其中,H(1)代表鸟类鸣声分析仪出现仪器故障的新预测概率;L2代表野生动物对于鸟类鸣声分析仪状态的影响系数;V(0)代表在前一时间周期内野生动物经过次数;
将异常鸟类鸣声的位置信息按照时间顺序记为集合B={e1、e2、…、eu};其中,e1、e2、…、eu分别代表异常鸟类鸣声的位置到达鸟类鸣声分析仪的距离;构建位置稳定量为:
其中,E(B)代表集合B的位置稳定量;p代表序号;eave代表集合B中数据的均值;
构建因素分析模型:
G(B)=L1*(E(B)-E(min))
其中,G(B)代表位置影响概率;L1代表位置的离散程度对鸟类鸣声分析仪状态的影响系数;E(min)代表设置的最小位置稳定量值。
设置概率阈值,设置Z1为仪器故障预测概率阈值、Z2为位置影响概率阈值,存在:
发现存在H(1)<Z1且G(B)<Z2,则说明出现未发现的珍稀鸟类为出现异常鸟类鸣声的因素;
构建一个时间周期为2个月,统计时间周期内引起异常鸟类鸣声的因素为出现未发现的珍稀鸟类的次数为120次;
设置次数阈值为60,存在次数超出次数阈值,生成提示信息,输出至管理员端口,所述提示信息为存在未发现的珍稀鸟类。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于物联网的鸟类鸣声识别监测方法,其特征在于:该方法包括以下步骤:
S1、获取鸟类鸣声分析仪记录的声音数据,构建声音对照模型,基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声,所述异常鸟类鸣声指声音对照模型结果低于阈值时对应的鸟类鸣声;
S2、获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型,分析出现异常鸟类鸣声的因素;
S3、设置概率阈值,根据对出现异常鸟类鸣声的因素概率的预测值,判断引起异常鸟类鸣声的因素;
S4、构建时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数,所述因素A为出现异常鸟类鸣声的因素中的任一种,设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口;
所述仿真预测模型包括:
获取异常鸟类鸣声的前一时间区间的天气状况、野生动物经过次数;获取异常鸟类鸣声的位置信息,所述时间区间为系统自行设置;
所述出现异常鸟类鸣声的因素包括出现未发现的珍稀鸟类、鸟类鸣声分析仪仪器故障、鸟类鸣声分析仪非正常摆放;
所述鸟类鸣声分析仪非正常摆放指鸟类鸣声分析仪的声音采集端与初始人工设置时的状态发生改变;
所述天气状况包括恶劣天气与其它天气;所述恶劣天气包括雨雪天气、4级风及以上天气;所述其它天气为除去恶劣天气以外的天气;
获取历史数据,所述历史数据内包括在不同天气情况下,鸟类鸣声分析仪的状态情况;
在鸟类鸣声分析仪出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q1;
在鸟类鸣声分析仪不出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q2;
在历史数据中,鸟类鸣声分析仪出现仪器故障的概率记为Q3;
则在天气情况为恶劣天气时,鸟类鸣声分析仪出现仪器故障的预测概率H为:
所述野生动物经过次数根据声音监测获取;
生成鸟类鸣声分析仪出现仪器故障的新预测概率:
H(1)=H+L2*V(0)
其中,H(1)代表鸟类鸣声分析仪出现仪器故障的新预测概率;L2代表野生动物对于鸟类鸣声分析仪状态的影响系数;V(0)代表在前一时间周期内野生动物经过次数;
将异常鸟类鸣声的位置信息按照时间顺序记为集合B={e1、e2、…、eu};其中,e1、e2、…、eu分别代表异常鸟类鸣声的位置到达鸟类鸣声分析仪的距离;构建位置稳定量为:
其中,E(B)代表集合B的位置稳定量;p代表序号;eave代表集合B中数据的均值;u代表异常鸟类鸣声的位置信息数量;
构建因素分析模型:
G(B)=L1*(E(B)-E(min))
其中,G(B)代表位置影响概率;L1代表位置的离散程度对鸟类鸣声分析仪状态的影响系数;E(min)代表设置的最小位置稳定量值。
2.根据权利要求1所述的一种基于物联网的鸟类鸣声识别监测方法,其特征在于:所述声音对照模型包括:
获取鸟类鸣声分析仪记录的声音数据;
所述鸟类鸣声分析仪安装在树木、山体或者土地上;
对记录的声音数据进行预加重、分帧、加窗处理;
所述预加重为将声音数据通过一个高通滤波器,提升高频部分;
所述分帧为根据指定的时间段对声音数据进行分段;
其中,N个采样点集合成一个帧,所述时间段为:
其中,T1代表时间段,单位ms;V1代表声音数据的采样频率,单位Hz;
所述加窗为将分好的帧数据乘一段同长度的数据,以增加帧左端和右端的连续性;
对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱:
其中,M(k)代表傅里叶频谱第k个点;X(n)代表时域波形第n个采样点;R代表傅里叶变换的点数;j代表虚数单位;
利用三角带通滤波器对频谱进行平滑化,消除谐波;
计算三角带通滤波器中每个滤波器组输出的对数能量,经离散余弦变换得到梅尔频率倒谱系数:
其中,Ci代表第i阶梅尔频率倒谱系数;s(m)代表第m个滤波器组输出的对数能量;m代表序号,0≤m≤F;F代表三角滤波器个数;i代表阶数;
根据梅尔频率倒谱系数输出声音数据的特征向量,构建相似度对比:
其中,D0代表鸟类鸣声分析仪记录的声音数据与鸟类鸣声数据库中的任一种鸟类鸣声数据的相似度;t代表序号;y代表声音数据的特征向量数量;at代表声音数据的特征向量的任一种;bt代表鸟类鸣声数据库中的任一种鸟类鸣声数据的特征向量的任一种;
设置阈值,若存在D0的最大值低于阈值,则判断当前鸟类鸣声分析仪记录的声音数据为异常鸟类鸣声。
3.根据权利要求2所述的一种基于物联网的鸟类鸣声识别监测方法,其特征在于:所述生成提示信息包括:
设置概率阈值,设置Z1为仪器故障预测概率阈值、Z2为位置影响概率阈值,存在:
若H(1)>Z1且G(B)>Z2,则说明鸟类鸣声分析仪仪器故障为出现异常鸟类鸣声的因素;
若H(1)>Z1且G(B)<Z2,则说明鸟类鸣声分析仪非正常摆放为出现异常鸟类鸣声的因素;
若H(1)<Z1且G(B)>Z2,则说明鸟类鸣声分析仪仪器故障为出现异常鸟类鸣声的因素;
若H(1)<Z1且G(B)<Z2,则说明出现未发现的珍稀鸟类为出现异常鸟类鸣声的因素;
构建一个时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数,所述因素A为出现异常鸟类鸣声的因素中的任一种,所述时间周期为系统自行设置;
设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口。
4.一种基于物联网的鸟类鸣声识别监测系统,其特征在于:该系统包括:鸟类鸣声分析仪记录模块、对照分析模块、仿真预测模块、影响判断模块、信息提示模块;
所述鸟类鸣声分析仪记录模块用于获取鸟类鸣声分析仪记录的声音数据,并进行分析处理;所述对照分析模块用于构建声音对照模型,基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声,所述异常鸟类鸣声指声音对照模型结果低于阈值时对应的鸟类鸣声;所述仿真预测模块用于获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型,分析出现异常鸟类鸣声的因素;所述影响判断模块用于设置概率阈值,根据对出现异常鸟类鸣声的因素概率的预测值,判断引起异常鸟类鸣声的因素;所述信息提示模块用于构建时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数,所述因素A为出现异常鸟类鸣声的因素中的任一种,设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口;
所述鸟类鸣声分析仪记录模块的输出端与所述对照分析模块的输入端相连接;所述对照分析模块的输出端与所述仿真预测模块的输入端相连接;所述仿真预测模块的输出端与所述影响判断模块的输入端相连接;所述影响判断模块的输出端与所述信息提示模块的输入端相连接;
所述仿真预测模型包括:
获取异常鸟类鸣声的前一时间区间的天气状况、野生动物经过次数;获取异常鸟类鸣声的位置信息,所述时间区间为系统自行设置;
所述出现异常鸟类鸣声的因素包括出现未发现的珍稀鸟类、鸟类鸣声分析仪仪器故障、鸟类鸣声分析仪非正常摆放;
所述鸟类鸣声分析仪非正常摆放指鸟类鸣声分析仪的声音采集端与初始人工设置时的状态发生改变;
所述天气状况包括恶劣天气与其它天气;所述恶劣天气包括雨雪天气、4级风及以上天气;所述其它天气为除去恶劣天气以外的天气;
获取历史数据,所述历史数据内包括在不同天气情况下,鸟类鸣声分析仪的状态情况;
在鸟类鸣声分析仪出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q1;
在鸟类鸣声分析仪不出现仪器故障的情况下,天气情况为恶劣天气的概率记为Q2;
在历史数据中,鸟类鸣声分析仪出现仪器故障的概率记为Q3;
则在天气情况为恶劣天气时,鸟类鸣声分析仪出现仪器故障的预测概率H为:
所述野生动物经过次数根据声音监测获取;
生成鸟类鸣声分析仪出现仪器故障的新预测概率:
H(1)=H+L2*V(0)
其中,H(1)代表鸟类鸣声分析仪出现仪器故障的新预测概率;L2代表野生动物对于鸟类鸣声分析仪状态的影响系数;V(0)代表在前一时间周期内野生动物经过次数;
将异常鸟类鸣声的位置信息按照时间顺序记为集合B={e1、e2、…、eu};其中,e1、e2、…、eu分别代表异常鸟类鸣声的位置到达鸟类鸣声分析仪的距离;构建位置稳定量为:
其中,E(B)代表集合B的位置稳定量;p代表序号;eave代表集合B中数据的均值;u代表异常鸟类鸣声的位置信息数量;
构建因素分析模型:
G(B)=L1*(E(B)-E(min))
其中,G(B)代表位置影响概率;L1代表位置的离散程度对鸟类鸣声分析仪状态的影响系数;E(min)代表设置的最小位置稳定量值。
5.根据权利要求4所述的一种基于物联网的鸟类鸣声识别监测系统,其特征在于:所述鸟类鸣声分析仪记录模块包括鸟类鸣声分析仪记录子模块、鸟类鸣声分析仪分析子模块;
所述鸟类鸣声分析仪记录子模块用于安放鸟类鸣声分析仪,记录自然环境下的鸟类鸣声数据;所述鸟类鸣声分析仪分析子模块用于获取鸟类鸣声分析仪记录的声音数据,并进行分析处理;
所述鸟类鸣声分析仪记录子模块的输出端与所述鸟类鸣声分析仪分析子模块的输入端相连接;所述鸟类鸣声分析仪分析子模块的输出端与所述对照分析模块的输入端相连接。
6.根据权利要求4所述的一种基于物联网的鸟类鸣声识别监测系统,其特征在于:所述对照分析模块包括模型构建子模块、对照分析子模块、鸟类鸣声数据库;
所述模型构建子模块用于构建声音对照模型,提取声音特征;所述对照分析子模块基于声音特征对照鸟类鸣声数据库,分析是否出现异常鸟类鸣声;所述鸟类鸣声数据库用于存储已经发现的鸟类鸣声数据;
所述模型构建子模块的输出端与所述对照分析子模块的输入端相连接;所述鸟类鸣声数据库的输出端与所述对照分析子模块的输入端相连接;所述对照分析子模块的输出端与所述仿真预测模块的输入端相连接。
7.根据权利要求4所述的一种基于物联网的鸟类鸣声识别监测系统,其特征在于:所述仿真预测模块包括数据采集子模块、因素分析子模块;
所述数据采集子模块用于获取异常鸟类鸣声的位置、时间与天气信息,构建仿真预测模型;所述因素分析子模块用于分析出现异常鸟类鸣声的因素;
所述数据采集子模块的输出端与所述因素分析子模块的输入端相连接;所述因素分析子模块的输出端与所述影响判断模块的输入端相连接。
8.根据权利要求4所述的一种基于物联网的鸟类鸣声识别监测系统,其特征在于:所述影响判断模块包括概率阈值设置子模块、因素判断子模块;
所述概率阈值设置子模块用于设置概率阈值;所述因素判断子模块用于根据对出现异常鸟类鸣声的因素概率的预测值,判断引起异常鸟类鸣声的因素;
所述概率阈值设置子模块的输出端与所述因素判断子模块的输入端相连接;所述因素判断子模块的输出端与所述信息提示模块的输入端相连接。
9.根据权利要求4所述的一种基于物联网的鸟类鸣声识别监测系统,其特征在于:所述信息提示模块包括周期统计子模块、信息提示子模块;
所述周期统计子模块用于构建时间周期,统计时间周期内引起异常鸟类鸣声的因素为因素A的次数;所述信息提示子模块用于设置次数阈值,若存在次数超出次数阈值,生成提示信息,输出至管理员端口;
所述周期统计子模块的输出端与所述信息提示子模块的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641198.6A CN114974268B (zh) | 2022-06-08 | 2022-06-08 | 一种基于物联网的鸟类鸣声识别监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641198.6A CN114974268B (zh) | 2022-06-08 | 2022-06-08 | 一种基于物联网的鸟类鸣声识别监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114974268A CN114974268A (zh) | 2022-08-30 |
CN114974268B true CN114974268B (zh) | 2023-09-05 |
Family
ID=82959356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210641198.6A Active CN114974268B (zh) | 2022-06-08 | 2022-06-08 | 一种基于物联网的鸟类鸣声识别监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114974268B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106205606A (zh) * | 2016-08-15 | 2016-12-07 | 南京邮电大学 | 一种基于语音识别的动态定位监控方法及系统 |
CN109409308A (zh) * | 2018-11-05 | 2019-03-01 | 中国科学院声学研究所 | 一种基于鸟类鸣声的鸟类物种识别的方法 |
CN115294994A (zh) * | 2022-06-28 | 2022-11-04 | 重庆理工大学 | 一种真实环境中的鸟类鸣声自动识别系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210327435A1 (en) * | 2018-09-06 | 2021-10-21 | Nec Corporation | Voice processing device, voice processing method, and program recording medium |
-
2022
- 2022-06-08 CN CN202210641198.6A patent/CN114974268B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106205606A (zh) * | 2016-08-15 | 2016-12-07 | 南京邮电大学 | 一种基于语音识别的动态定位监控方法及系统 |
CN109409308A (zh) * | 2018-11-05 | 2019-03-01 | 中国科学院声学研究所 | 一种基于鸟类鸣声的鸟类物种识别的方法 |
CN115294994A (zh) * | 2022-06-28 | 2022-11-04 | 重庆理工大学 | 一种真实环境中的鸟类鸣声自动识别系统 |
Non-Patent Citations (1)
Title |
---|
回放技术在鸟类学研究中的应用;魏敏等;四川动物;第29卷(第3期);499-503 * |
Also Published As
Publication number | Publication date |
---|---|
CN114974268A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711436B (zh) | 基于高频和瓶颈特征的说话人验证系统重放攻击检测方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN112885372A (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
CN110797031A (zh) | 语音变音检测方法、系统、移动终端及存储介质 | |
CN104102923A (zh) | 一种基于mfcc算法的朱鹮个体识别方法 | |
CN117095694B (zh) | 一种基于标签层级结构属性关系的鸟类鸣声识别方法 | |
CN117076941B (zh) | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 | |
CN113449893A (zh) | 虫害预测模型训练的方法、虫害预测的方法及装置 | |
CN111626093B (zh) | 一种基于鸣声功率谱密度的输电线路相关鸟种识别方法 | |
CN113327632A (zh) | 一种基于字典学习的无监督异常声检测方法和装置 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN114974268B (zh) | 一种基于物联网的鸟类鸣声识别监测系统及方法 | |
CN115510265A (zh) | 一种输电线路中杆塔的动物危害分布判定方法和系统 | |
CN113936667A (zh) | 一种鸟鸣声识别模型训练方法、识别方法及存储介质 | |
CN113205831A (zh) | 一种基于数据集的乐音乐器声音中音高和时值的提取方法 | |
CN109545198A (zh) | 一种基于卷积神经网络的英语口语母语度判断方法 | |
CN116595450A (zh) | 一种混合域特征优选的电能质量扰动识别方法 | |
CN115420798A (zh) | 一种基于声音脉冲信号的隧道衬砌空洞检测方法及系统 | |
CN111292748B (zh) | 一种可适应多种频率的语音录入系统 | |
CN114372513A (zh) | 一种鸟声识别模型的训练方法、分类方法、设备及介质 | |
CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
CN109308910B (zh) | 确定音频的bpm的方法和装置 | |
CN111259861A (zh) | 一种数据集不均衡条件下的水声通信信号调制方式识别方法 | |
Zhou et al. | Environmental sound classification of western black-crowned gibbon habitat based on subspace method and DenseNet121 | |
CN118173102B (zh) | 一种复杂场景下鸟类声纹识别方法 |
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 |