CN117612537A - 一种基于云边协同控制的鸟鸣声智能监测系统 - Google Patents
一种基于云边协同控制的鸟鸣声智能监测系统 Download PDFInfo
- Publication number
- CN117612537A CN117612537A CN202311591080.8A CN202311591080A CN117612537A CN 117612537 A CN117612537 A CN 117612537A CN 202311591080 A CN202311591080 A CN 202311591080A CN 117612537 A CN117612537 A CN 117612537A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- edge
- bird song
- bird
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007726 management method Methods 0.000 claims description 31
- 230000003993 interaction Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 239000002071 nanotube Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 241000894007 species Species 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 235000017845 Persicaria vulgaris Nutrition 0.000 description 2
- 244000170788 Persicaria vulgaris Species 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
- G10L21/10—Transforming into visible information
- G10L21/12—Transforming into visible information by displaying time domain information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于云边协同控制的鸟鸣声智能监测系统，涉及语音识别技术领域。本发明与之前的鸟鸣声处理系统相比，改进了缺少对鸟鸣声信息的有效利用；边缘侧识别结果并不充分可靠；鸟鸣声采集缺乏针对性；未能构建可持续优化的智能识别系统的问题，通过以融合增量学习的云端训练+边缘推理的智能边缘数据分析技术为核心，以智能移动设备为边缘设备基础，以移动通信技术为信息通道，连接高性能的云端智能服务器，形成具有持续学习能力的云边协同鸟鸣声监测模式。实现野外鸟鸣声采集的远程上传和自动识别，构建开放、精准识别和持续进化的云边协同鸟类鸣声监测系统。
Description
技术领域
本发明涉及语音识别技术领域，尤其涉及一种基于云边协同控制的鸟鸣声智能监测系统。
背景技术
在生态系统保护领域，鸟类是野生动物中具有代表性的类群之一，鸟类分布十分广泛且对环境变化极为敏感，是生态系统的重要组成部分并发挥着巨大作用。传统的鸟类监测方法是依靠调查者进行长期蹲点完成的，需要耗费大量的人力和物力，无法持续监测，并且会影响鸟类生态。声学监测作为一种非入侵性的监测手段，通过采集分析环境中发声动物的声音特征来评估生物多样性，是近年来生物声学监测研究的热点之一。然而，在目前的保护规划和实践中，被动声学监测产生了大量的音频记录，这些原始数据的管理和分析正在面临挑战和瓶颈，导致整个智能化监测周期长、效率低。
现有技术中，申请号为202021676264.6的专利提供一种基于DSP的便携式鸟鸣声识别系统，通过对鸟鸣声数据进行采集和处理，再对数据存储模块中存储的已知鸟类的声音信息进行一一对比，查找确认鸟类品种。其缺少对鸟鸣声信息的有效利用；并且鸟鸣声识别是通过和存储样本比对的方式实现，由于样本的选取存在特殊性，会导致识别结果并不充分可靠。
现有技术还通过一种利用声学监测和深度学习建立动物自动声学监测系统。使用三星S10记录花园鸟类的声音，并通过简单邮件传输协议(SMTP)自动上传到面向公众的网站。该方法使用机器学习中的前沿技术从时间序列音频信号中自动提取特征，并建立深度学习模型，根据不同鸟类发出的声音对其进行分类。利用mel-frequency倒谱(MFC)对采集到的鸟鸣信号进行处理，提取特征，然后使用多层感知器(MLP)对特征进行分类。将训练过的模型使用TensorFlow 2.2托管，并通过网站提供服务进行分类。但是其中鸟鸣声的采集过程粗糙，缺乏针对性；虽然采用移动设备进行了声音采集和传输，但并未在云边建立起可修正优化的识别系统。
为了解决上述问题，本发明利用云边在智能监测应用上的协同优势，综合时延、成本、性能和可靠性等因素，考虑建立一种基于云边协同控制的鸟鸣声智能监测系统，实现野外鸟鸣声数据的互联互通和开放共享；系统平台集合鸣声数据、物种信息和采集地信息，利用统计和数值模型，对监测数据进行科学分析。
发明内容
本发明的目的在于提出一种基于云边协同控制的鸟鸣声智能监测系统以解决背景技术中所提出的问题：
缺少对鸟鸣声信息的有效利用；边缘侧识别结果并不充分可靠；鸟鸣声采集缺乏针对性；未能构建可持续优化的智能识别系统。
为了实现上述目的，本发明采用了如下技术方案：
一种基于云边协同控制的鸟鸣声智能监测系统，包括：边缘节点和云边协同全局管理平台，所述边缘节点采集真实环境中的鸟鸣声数据，并将所述鸟鸣声数据上报至所述云边协同全局管理平台，所述云边协同全局管理平台对由边缘设备构成的边缘节点进行统一纳管；
所述边缘节点包括鸣声采集模块、音频管理模块、鸣声识别模块、人机交互模块、数据存储模块和数据上传模块；
所述鸣声采集模块用于采集真实环境中的鸟鸣声数据；
所述音频管理模块用于对采集的所有鸟鸣声数据进行管理；
所述鸣声识别模块用于对鸟鸣声数据进行识别；
所述人机交互模块用于进行人机交互；
所述数据存储模块用于存储鸟鸣声数据和鸟类物种信息；
所述数据上传模块用于将鸟鸣声数据上传至云边协同全局管理平台；
所述云边协同全局管理平台包括数据分析层、深度学习层和人机交互层；
所述数据分析层用于对多种数据源对象类型进行统一的数据采集、分析及控制；
所述深度学习层用于对所述数据分析层的进行增量学习和训练，其中通过多维代表性评估模块对云端音频数据进行筛选；
所述人机交互层用于为使用者提供可操作界面以及将采集到的鸟类信息进行可视化展示。
优选地，所述鸣声采集模块在采集音频数据的同时根据音频数据实时绘制时域波形图。
优选地，所述鸣声识别模块基于TCNN的轻量化鸟鸣声识别模型进行鸟鸣声的智能识别，所述轻量化鸟鸣声识别模型是基于编解码器结构，在编码器和解码器之间插入时间卷积模型进行实时语音增强和智能识别。
优选地，所述数据存储模块基于Android Room框架搭建鸟类数据库。
优选地，所述数据上传模块还通过Android提供的地理位置监听器获取当前的地理信息；执行上传功能时，边缘设备通过4G/5G通信与云端相连接。
优选地，所述数据分析层接收到来自边缘设备的数据后进行统计和分析处理，自动判断识别结果准确率过低的样本，并将其作为未知类提供给前端进行甄别和重新标注；对其他样本按照识别的类别直接进行存储。
优选地，所述多维代表性评估模型对原模型的数据集、与原始数据集包含的类别相同的新数据和新增类别的新数据进行筛选，再对物种区分因素进行权重制定，基于层次分析法评估物种当前的生态代表性。
优选地，所述多维代表性评估模型基于群体选择、辨别式采样的方法进行样本音频特征代表性的筛选，其中群体采用按照样本距离类中心的距离分布进行分析抽样，辨别式采样选择已定义决策边界的样本。
与现有技术相比，本发明提供了一种基于云边协同控制的鸟鸣声智能监测系统，具备以下有益效果：
本发明通过以融合增量学习的“云端训练+边缘推理”智能边缘数据分析技术为核心，以智能移动设备为边缘设备基础，提供一种结合人工智能对鸟鸣声进行本地识别的边缘智能分析方法；该方法以Android开发技术为基础，结合传统声音采集方式，针对鸟鸣声采集开发了适配的功能配件完成数据采集，外加部署云端下发的鸟鸣声识别模型，在边缘侧实现鸟鸣声的本地智能识别。以移动通信技术为信息通道，连接高性能的云端智能服务器，形成具有持续学习能力的云边协同鸟鸣声监测模式。实现野外鸟鸣声采集的远程上传和自动识别，构建开放、精准识别和持续进化的云边协同鸟类鸣声监测系统。
附图说明
图1为本发明实施例1中提到的系统结构框图；
图2为本发明实施例1中提到的边缘设备结构框图；
图3为本发明实施例1中提到的边缘设备识别流程图。
图4为本发明实施例1中提到的边缘设备主界面示意图。
图5为本发明实施例1中提到的边缘设备智能识别结果图。
图6为本发明实施例1中提到的云端可视化管理界面示意图。
图7为本发明实施例1中提到的云端数据统计折线示意图；
图8为本发明实施例1中提到的云端数据统计扇形示意图。
图中标记意义：
1、边缘节点；2、云边协同全局管理平台；110、鸣声采集模块；120、音频管理模块；130、鸣声识别模块；140、人机交互模块；150、数据存储模块；160、数据上传模块；210、数据分析层；220、深度学习层；230、人机交互层。
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。
本发明在边缘侧，开发了针对鸟鸣声的边缘设备作为边缘节点1，在移动设备中安装边缘设备采集真实环境中的鸟鸣声数据，并将数据上报至云端；在云端，搭建了云边协同全局管理平台2，对边缘节点1进行统一纳管，从资源、数据、应用等方面实现云端与边缘计算节点间的协同。云边协同全局管理平台2基于自建数据集，训练得到初始的鸟鸣声识别模型，并将识别模型下发至边缘节点1；边缘节点1利用鸣声识别模型，对采集到的鸣声片段进行分析，生成对应的预测数据，包括识别结果和准确率，并将预测数据、采集地的时空间信息和新的鸣声数据打包上报至云端；云边协同全局管理平台2接收到新上传的数据，自动将识别结果准确率低的样本提供给前端，可供专家进行甄别和重新标注。系统定期按批整合上传的数据作为新样本，在原本模型的基础上进行增量学习。经过增量训练的模型如果比原模型在准确度方面有显著提升，可以将优化后的鸟鸣声识别模型部署到边缘节点1更新原模型，进而提升边缘侧数据分析处理的准确性和效率，保障训练数据集的质量，从而形成良性循环，进一步提升数据应用效果。具体包括以下内容。
实施例1：
请参阅图1-8，本发明一种基于云边协同控制的鸟鸣声智能监测系统，包括：开发在边缘侧的针对鸟鸣声的智能应用作为边缘节点1，在移动设备中安装智能应用采集真实环境中的鸟鸣声数据，并将所述数据上报至云端；以及搭建在云端的云边协同全局管理平台2，对边缘节点1进行统一纳管，从资源、数据、应用等方面实现云端与边缘计算节点间的协同。
针对鸟鸣声的边缘设备主要负责鸟鸣声的感知、采集、分析和上传。其主界面具体可参照图4，可具体分为六个模块分别是鸣声采集模块110、音频管理模块120、鸣声识别模块130、人机交互模块140、数据存储模块150和数据上传模块160。
启动鸣声采集模块110后，边缘设备调用AudioRecord API，并按照设定的音频采样率、通道数和音频数据格式完成录音机的初始化。初始化录音机后，主线程将控制音频数据的写入和保存，同时开启子线程将音频数据转换为时域波形数据，并按照编写的绘图函数将时域波形数据绘制在UI界面上。增强边缘侧对音频数据的可读性。
音频管理模块120可以快速访问到历史收集的全部音频，并将其传递给人机交互模块140。使用者可通过人机交互模块140对音频文件进行回放、编辑等操作，手动截取到清晰具体的鸣声片段。
鸣声识别模块130：本发明将鸟鸣声的自动识别视为一种可实时处理的任务，通过“云端训练-边缘推理”的模式实现云边协同的智能处理，即在云端进行鸟鸣声识别模型的训练，云端在完成训练后将模型下发至边缘侧构成边缘设备的鸣声识别模块130，用于本地的智能识别。本发明中的鸣声识别模块130中部署的是移动端可用的基于TCNN(时间卷积神经网络里)的轻量化鸟鸣声识别模型。其原理是基于编解码器结构，在编码器和解码器之间插入时间卷积模块(TCM)，是一种用于实时语音增强的全卷积神经网络。在本地使用自建鸟鸣声数据集对TCNN进行训练，并比较了其他几种网络，最终得到最好的识别效果模型。调用鸣声识别模块130后，加载待识别的音频数据进行特征提取并将其传入识别模型，识别过程中将分析鸟鸣声片段的音频特征最终返回识别结果和识别准确率。
对于红脚隼的识别结果可参照图5，在获得鸣声识别模块130对于红脚隼的识别结果后，调用数据存储模块150中基于Android Room框架搭建的鸟类数据库。根据鸟类物种名称找到对应的鸟类信息对象，配合人机交互模块140将鸟类图片、物种信息、识别准确率等信息呈现在识别结果界面。
边缘设备的数据上传模块160还设置了地理位置请求功能，通过Android提供的地理位置监听器获取当前的地理信息。执行上传功能时，边缘设备通过4G/5G通信与云端相连接，将边缘节点1中存储的鸣声数据、识别结果、识别准确率、采集时间、地理位置信息等打包发送至云端。
云边协同全局管理平台2的设计整体围绕边缘上传数据的接收、存储和分析以及模型的训练、更新和下发，具体可参照图6，其提供多少功能管理和数据统计，还可上传物种信息和ModelForm，能够根据城市和鸟类分别生成列表。云边协同全局管理平台2会对统计的云端数据进行汇总统计，具体可参照图7、图8，根据不同的鸟鸣声数据进行鸟类和鸟类占比的统计。云边协同全局管理平台2具体可分为三个层面，分别是数据分析层210、深度学习层220以及人机交互层230。
云边协同全局管理平台2的数据分析层210是针对多种数据源对象类型进行统一的数据采集、分析及控制。边缘设备在数据收集过程中提供了多种类型的数据源，数据分析层210则提供了与其适配的数据收集方式，使系统能够以统一的数据规范实现数据的采集。成功接收到来自边缘设备的数据后，数据分析层210进行统计和分析处理，自动判断识别结果准确率过低的样本，并将其作为未知类提供给前端，可供专家进行甄别和重新标注。对于其余的样本则是按照识别的类别存储下来。
云边协同全局管理平台2会定期按批整合上传的数据，然后基于数据多维代表性评估模块进行重采样，再对这些鸣声进行预处理，送到深度学习层220。深度学习层220进行增量学习训练，经过增量训练的模型如果比原模型在准确度方面有显著提升，可以部署到边缘节点1更新原模型。由此，对鸟鸣声识别模型110进行修正和优化，进而提升边缘侧数据分析处理的准确性和效率，保障训练数据集的质量，从而形成良性循环，进一步提升数据应用效果。
其中为了保障增量学习过程中样本的质量，我们加入了针对鸟鸣声数据采样的多维代表性评估模块对云端音频数据进行筛选。输入评估模块的音频数据包括原模型的数据集、与原始数据集包含的类别相同的新数据和新增类别的新数据。评估模块首先对物种濒危程度、种群丰度、地理分布、生物多样性等因素进行权衡，制定每个因素的权重，基于层次分析法评估物种当前的生态代表性，优先保留生态代表性强的物种数据。接下来评估模块通过群体选择、辨别式采样的方法进行样本音频特征代表性的筛选。群体采样按照样本距离类中心的距离分布进行分层抽样。辨别式采样会选择那些定义了决策边界的样本。最终会筛选出更具生态代表性和音频特征代表性的音频数据作为增量训练的样本。
云边协同全局管理平台2的人机交互层230负责为使用者提供便捷的可操作界面以及将采集到的鸟类信息进行可视化的展示：将待专家甄别的数据单独呈现出来，并提供给使用者可对音频文件进行标注操作的界面；将数据按照物种类别、采集时间、采集地点等标准进行分析统计，借此研究鸟类物种的丰富度、区域分布以及分布根据季节的变化等，并提供可视化的呈现。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，包括：边缘节点(1)和云边协同全局管理平台(2)，所述边缘节点(1)采集真实环境中的鸟鸣声数据，并将所述鸟鸣声数据上报至所述云边协同全局管理平台(2)，所述云边协同全局管理平台(2)对由边缘设备构成的边缘节点(1)进行统一纳管；
所述边缘节点(1)包括鸣声采集模块(110)、音频管理模块(120)、鸣声识别模块(130)、人机交互模块(140)、数据存储模块(150)和数据上传模块(160)；
所述鸣声采集模块(110)用于采集真实环境中的鸟鸣声数据；
所述音频管理模块(120)用于对采集的所有鸟鸣声数据进行管理；
所述鸣声识别模块(130)用于对鸟鸣声数据进行识别；
所述人机交互模块(140)用于进行人机交互；
所述数据存储模块(150)用于存储鸟鸣声数据和鸟类物种信息；
所述数据上传模块(160)用于将鸟鸣声数据上传至云边协同全局管理平台(2)；
所述云边协同全局管理平台(2)包括数据分析层(210)、深度学习层(220)和人机交互层(230)；
所述数据分析层(210)用于对多种数据源对象类型进行统一的数据采集、分析及控制；
所述深度学习层(220)用于对所述数据分析层(210)的进行增量学习和训练，其中通过多维代表性评估模块对云端音频数据进行筛选；
所述人机交互层(230)用于为使用者提供可操作界面以及将采集到的鸟类信息进行可视化展示。
2.根据权利要求1所述的一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，所述鸣声采集模块(110)在采集音频数据的同时根据音频数据实时绘制时域波形图。
3.根据权利要求1所述的一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，所述鸣声识别模块(130)基于TCNN的轻量化鸟鸣声识别模型进行鸟鸣声的智能识别，所述轻量化鸟鸣声识别模型是基于编解码器结构，在编码器和解码器之间插入时间卷积模型进行实时语音增强和智能识别。
4.根据权利要求1所述的一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，所述数据存储模块(150)基于Android Room框架搭建鸟类数据库。
5.根据权利要求1所述的一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，所述数据上传模块(160)还通过Android提供的地理位置监听器获取当前的地理信息；执行上传功能时，边缘设备通过4G/5G通信与云端相连接。
6.根据权利要求1所述的一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，所述数据分析层(210)接收到来自边缘设备的数据后进行统计和分析处理，自动判断识别结果准确率过低的样本，并将其作为未知类提供给前端进行甄别和重新标注；对其他样本按照识别的类别直接进行存储。
7.根据权利要求1所述的一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，所述多维代表性评估模型对原模型的数据集、与原始数据集包含的类别相同的新数据和新增类别的新数据进行筛选，再对物种区分因素进行权重制定，基于层次分析法评估物种当前的生态代表性。
8.根据权利要求7所述的一种基于云边协同控制的鸟鸣声智能监测系统，其特征在于，所述多维代表性评估模型基于群体选择、辨别式采样的方法进行样本音频特征代表性的筛选，其中群体采用按照样本距离类中心的距离分布进行分析抽样，辨别式采样选择已定义决策边界的样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311591080.8A CN117612537B (zh) | 2023-11-27 | 2023-11-27 | 一种基于云边协同控制的鸟鸣声智能监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311591080.8A CN117612537B (zh) | 2023-11-27 | 2023-11-27 | 一种基于云边协同控制的鸟鸣声智能监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117612537A true CN117612537A (zh) | 2024-02-27 |
| CN117612537B CN117612537B (zh) | 2024-06-07 |
Family
ID=89955638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311591080.8A Active CN117612537B (zh) | 2023-11-27 | 2023-11-27 | 一种基于云边协同控制的鸟鸣声智能监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117612537B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110730331A (zh) * | 2019-09-29 | 2020-01-24 | 浙江海洋大学 | 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 |
| CN112331220A (zh) * | 2020-11-17 | 2021-02-05 | 中国计量大学 | 一种基于深度学习的鸟类实时识别方法 |
| CN213042655U (zh) * | 2020-08-12 | 2021-04-23 | 浙江海洋大学 | 一种基于dsp的便携式鸟鸣声识别系统 |
| CN114020848A (zh) * | 2021-11-18 | 2022-02-08 | 北京航空航天大学 | 一种用于工业现场边云协同的数据分析系统及实现方法 |
| CN114067786A (zh) * | 2020-07-28 | 2022-02-18 | 腾讯科技（深圳）有限公司 | 语音识别方法、装置、电子设备及存储介质 |
| CN115440233A (zh) * | 2022-09-01 | 2022-12-06 | 南京林业大学 | 一种基于深度学习模型的鸟类鸣唱分析系统 |
| CN116386649A (zh) * | 2023-04-07 | 2023-07-04 | 北京林业大学 | 一种基于云边协同的野外鸟类监测系统和方法 |
-
2023
- 2023-11-27 CN CN202311591080.8A patent/CN117612537B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110730331A (zh) * | 2019-09-29 | 2020-01-24 | 浙江海洋大学 | 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 |
| CN114067786A (zh) * | 2020-07-28 | 2022-02-18 | 腾讯科技（深圳）有限公司 | 语音识别方法、装置、电子设备及存储介质 |
| CN213042655U (zh) * | 2020-08-12 | 2021-04-23 | 浙江海洋大学 | 一种基于dsp的便携式鸟鸣声识别系统 |
| CN112331220A (zh) * | 2020-11-17 | 2021-02-05 | 中国计量大学 | 一种基于深度学习的鸟类实时识别方法 |
| CN114020848A (zh) * | 2021-11-18 | 2022-02-08 | 北京航空航天大学 | 一种用于工业现场边云协同的数据分析系统及实现方法 |
| CN115440233A (zh) * | 2022-09-01 | 2022-12-06 | 南京林业大学 | 一种基于深度学习模型的鸟类鸣唱分析系统 |
| CN116386649A (zh) * | 2023-04-07 | 2023-07-04 | 北京林业大学 | 一种基于云边协同的野外鸟类监测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117612537B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kasten et al. | The remote environmental assessment laboratory's acoustic library: An archive for studying soundscape ecology | |
| CN105184315B (zh) | 一种质检处理方法及系统 | |
| CN108932945B (zh) | 一种语音指令的处理方法及装置 | |
| Zilli et al. | A hidden Markov model-based acoustic cicada detector for crowdsourced smartphone biodiversity monitoring | |
| Nirjon et al. | Auditeur: A mobile-cloud service platform for acoustic event detection on smartphones | |
| CN105354196B (zh) | 信息推送方法和信息推送装置 | |
| CN107086922B (zh) | 一种用户行为识别方法和装置 | |
| CN107818133A (zh) | 一种基于大数据的居民区网络能力分析方法及系统 | |
| CN112164408A (zh) | 基于深度学习的猪咳嗽声监测与预警系统 | |
| Brooker et al. | Automated detection and classification of birdsong: An ensemble approach | |
| CN102543074B (zh) | 移动设备农产品数据采集系统及其语音识别系统、方法 | |
| Zhang et al. | Managing and analysing big audio data for environmental monitoring | |
| CN112668803B (zh) | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 | |
| CN115661553A (zh) | 一种基于bim的轨道交通构件分类方法、系统及设备 | |
| Gillings et al. | Nocturnal flight calling behaviour of thrushes in relation to artificial light at night | |
| CN104834739A (zh) | 互联网信息存储系统 | |
| Yip et al. | Automated classification of avian vocal activity using acoustic indices in regional and heterogeneous datasets | |
| Park et al. | Towards soundscape information retrieval (SIR) | |
| Morales et al. | Method for passive acoustic monitoring of bird communities using UMAP and a deep neural network | |
| CN117612537B (zh) | 一种基于云边协同控制的鸟鸣声智能监测系统 | |
| CN112765374A (zh) | 一种用于信息推送的教育资源筛选系统及其方法 | |
| CN111678531A (zh) | 一种基于LightGBM的地铁路径规划方法 | |
| US11410675B2 (en) | Collecting audio signatures using a wireless device | |
| CN115759810A (zh) | 企业评估模型迭代优化方法、企业评估方法及流水线系统 | |
| CN109446356A (zh) | 一种多媒体文件检索方法及装置 |
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 |