CN117746904A - 基于机器学习的森林盗猎监测方法及系统 - Google Patents
基于机器学习的森林盗猎监测方法及系统 Download PDFInfo
- Publication number
- CN117746904A CN117746904A CN202410179323.5A CN202410179323A CN117746904A CN 117746904 A CN117746904 A CN 117746904A CN 202410179323 A CN202410179323 A CN 202410179323A CN 117746904 A CN117746904 A CN 117746904A
- Authority
- CN
- China
- Prior art keywords
- audio
- forest
- kurtosis
- short period
- hunting
- 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 116
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000009432 framing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 27
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及语音处理技术领域,提出了基于机器学习的森林盗猎监测方法及系统,包括:获取森林盗猎监测的音频信号,对采集的音频信号进行分帧处理,获取每个短时段帧的模态分量,根据每个短时段帧的模态分量的峰值形状和分布特征构建音频峭度关联契合度,根据不同短时段帧之间的音频峭度关联契合度构建音频关联契合矩阵,根据音频关联契合矩阵和音频特征的分析结果计算音频峭度特征系数,根据音频峭度特征系数构建音频信号的森林盗猎监测特征向量,基于森林盗猎监测特征向量利用卷积神经网络模型获取森林盗猎的监测结果。本申请通过音频峭度特征系数反映盗猎活动音频特征,提高对森林盗猎监测的准确性。
Description
技术领域
本申请涉及语音处理技术领域,具体涉及基于机器学习的森林盗猎监测方法及系统。
背景技术
森林是地球上生物多样性最丰富的生态系统之一,而盗猎活动对野生动植物种群造成了严重威胁,盗猎活动不仅对受害物种本身构成威胁,还可能破坏生态系统的平衡,其中一些物种在生态系统中扮演着关键的角色,它们的数量减少或者消失可能导致连锁反映,对其它生物种群和整个生态系统产生深远影响。
现如今对森林盗猎活动的监测的主要技术有基于遥感技术的监测、基于GPS定位和追踪技术的监测、基于智能监控系统的监测等,其中基于智能监控系统的监测主要通过声音传感器、运动检测器等实时监测森林中的动态情况,通过语音识别技术可以检测森林中的盗猎活动,例如通过语音识别枪声、发动机声音、斧头敲击声等,但由于森林环境较复杂,传统的语音识别技术受环境噪声影响较严重,导致对森林盗猎活动的监测精度较低。
发明内容
本申请提供基于机器学习的森林盗猎监测方法及系统,以解决通过音频信号对森林盗猎监测精度低的问题,所采用的技术方案具体如下:
第一方面,本申请一个实施例提供了基于机器学习的森林盗猎监测方法,该方法包括以下步骤:
获取森林盗猎监测的音频信号,对采集的音频信号进行分帧处理;
根据每个短时段帧的不同模态分量的峰值形状和分布特征构建音频峭度关联契合度,根据音频信号的不同短时段帧的音频峭度关联契合度构建音频关联契合矩阵,基于音频关联契合矩阵获取音频契合序列;根据不同短时段帧的音频特征分析结果和音频关联契合矩阵、音频契合序列构建音频峭度特征系数;
根据音频信号的不同短时段帧对应的音频峭度特征系数获取森林盗猎监测特征向量;基于森林盗猎监测特征向量获取森林盗猎的监测结果。
优选的,所述获取森林盗猎监测的音频信号,对采集的音频信号进行分帧处理的方法为:
在森林保护区域设置预设数量的盗猎监测点,利用声音采集装置获取每个盗猎监测点的森林盗猎监测的音频信号,对每个盗猎监测点采集的森林盗猎监测的音频信号进行分帧处理。
优选的,所述根据每个短时段帧的不同模态分量的峰值形状和分布特征构建音频峭度关联契合度的方法为:
将森林盗猎监测的音频信号进行分帧处理后的每帧信号作为一个短时段帧,利用模态分解算法获取音频信号的每个短时段帧的模态分量,采用傅里叶变换获取所述每个短时段帧的每个模态分量的频谱图,获取每个模态分量的频谱图中的峰值和峰值对应的峭度值,根据每个模态分量频谱图的峭度值和峰值反映的峰值形状和分布特征计算每个模态分量的音频峭度关联契合度。
优选的,所述根据每个模态分量频谱图的峭度值和峰值反映的峰值形状和分布特征计算每个模态分量的音频峭度关联契合度的具体方法为:
将每个模态分量的频谱图中所有峰值按照峰值对应的频率由小到大的顺序进行排序组成的序列作为每个模态分量的峭度特征分析序列,将每个模态分量的峭度特征分析序列中最后一个元素与第一个元素对应的频率差值的绝对值作为第一契合系数;将每个模态分量的峭度特征分析序列中相邻两个元素差值的绝对值与相邻两个元素对应的峭度值的最大值的乘积作为第二契合系数,将第二契合系数在每个模态分量的峭度特征分析序列上的累加结果的均值作为第三契合系数,将第一契合系数与第三契合系数的乘积作为每个模态分量的音频峭度关联契合度。
优选的,所述根据音频信号的不同短时段帧的音频峭度关联契合度构建音频关联契合矩阵,基于音频关联契合矩阵获取音频契合序列的方法为:
对于森林盗猎监测的音频信号的每个短时段帧,计算每个短时段帧的每个模态分量的频谱图的中心频率,将每个短时段帧对应的所有模态分量按照中心频率由小到大进行排序,根据不同短时段帧对应的模态分量的排序结果和对应的音频峭度关联契合度构建音频关联契合矩阵,将音频关联契合矩阵的对角线上的元素组成的序列作为不同短时段帧之间的音频契合序列。
优选的,所述根据不同短时段帧对应的模态分量的排序结果和对应的音频峭度关联契合度构建音频关联契合矩阵的方法为:
对于森林盗猎检测的音频信号的任意两个短时段帧,将任意两个短时段帧分别作为第一短时段帧、第二短时段帧,将第一短时段帧每个模态分量与第二短时段帧每个模态分量对应的音频峭度关联契合度的和作为第一短时段帧每个模态分量的峭度关联系数,将第一短时段帧每个模态分量对应的所有峭度关联系数组成的序列作为矩阵中的一列元素,将第一短时段帧所有模态分量对应的峭度关联系数组成的矩阵作为任意两个短时段帧的音频关联契合矩阵。
优选的,所述根据不同短时段帧的音频特征分析结果和音频关联契合矩阵、音频契合序列构建音频峭度特征系数的方法为:
对于森立盗猎监测的音频信号的每个短时段帧,获取每个短时段帧中每个频率对应的梅尔倒谱系数,将所有所述梅尔倒谱系数组成的集合作为每个短时段帧的音频特征集合,根据不同短时段帧的音频特征集合、音频契合序列、音频关联契合矩阵获取音频峭度特征系数。
优选的,所述根据不同短时段帧的音频特征集合、音频契合序列、音频关联契合矩阵获取音频峭度特征系数的具体方法为:
式中,表示第/>个和第/>个短时段帧之间的音频峭度特征系数;/>和/>分别表示第/>个和第/>个短时段帧的音频特征集合,/>表示/>和/>之间的杰卡德系数;/>表示第/>个和第/>个短时段帧对应的音频契合序列中所有元素的和;/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵中第/>行第/>列的元素,/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵中第/>行第/>列的元素;/>和/>分别表示元素所在的行数和列数;/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵所有行的数量或所有列的数量。
优选的,所述根据音频信号的不同短时段帧对应的音频峭度特征系数获取森林盗猎监测特征向量,基于森林盗猎监测特征向量获取森林盗猎的监测结果的方法为:
对于森林保护区域内每个盗猎监测点,将采集的森林盗猎监测的音频信号中所有不同短时段帧之间的音频峭度特征系数按照由小到大的顺序排序组成的向量作为森林盗猎监测特征向量,将每个盗猎监测点的森林盗猎监测的音频信号和对应的森林盗猎监测特征向量作为循环神经网络模型的输入,利用循环神经网络模型获取森林中盗猎行为的监测结果。
第二方面,本申请实施例还提供了基于机器学习的森林盗猎监测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本申请的有益效果是:对不同监测点采集的音频信号特征与森林盗猎活动相关的音频信号特征进行对比分析,通过分析音频信号中的突发性特征和音频信号中出现的能量和频率的短暂和持续性特征获取监测点音频信号的音频峭度特征系数,通过音频峭度特征系数反映监测点采集的音频信号中可能存在枪声、电锯声等盗猎活动相关音频信号特征的程度,基于音频峭度系数构建森林盗猎监测特征向量,利用森林盗猎监测特征向量和不同监测点采集的音频信号结合循环神经网络模型获取森林盗猎的检测结果,其有益效果在于充分考虑了森林中出现枪声、电锯声等盗猎活动相关的音频信号特征,提高基于机器学习对森林盗猎活动监测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例所提供的基于机器学习的森林盗猎监测方法的流程示意图;
图2为本申请一个实施例所提供的音频关联契合矩阵的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参阅图1,其示出了本申请一个实施例提供的基于机器学习的森林盗猎监测方法的流程图,该方法包括以下步骤:
步骤S001,获取森林盗猎监测的音频信号,对采集的音频信号进行分帧处理。
在森林保护区域内设置(大小取经验值100)个森林盗猎监测点,在每个森林盗猎监测点利用AI声纹监测设备采集森林盗猎监测点附近的音频信号,由于野外环境复杂,监测点附近声音信号密集,采集的监测点附近的音频信号中夹杂着较多的背景噪声。对采集的音频信号进行采样和量化处理,采样频率为35KHz,量化度为10bit,将采样和量化后的音频信号进行预加重和分帧处理,其中帧长为20ms,相邻帧之间的覆盖率为40%,具体的预加重和分帧处理的过程为公知技术,不再进行赘述;此处对语音信号进行预加重和分帧处理的目的是减少低频衰减引起的信息损失,同时将语音信号划分为短时段帧,便于后续分析森林盗猎监测采集的音频信号的局部特征。
至此,完成了对森林保护区域中盗猎监测点采集的音频信号的分帧处理。
步骤S002,获取每个短时段帧的模态分量,根据每个短时段帧的模态分量的峰值形状和分布特征构建音频峭度关联契合度,根据不同短时段帧之间的音频峭度关联契合度构建音频关联契合矩阵。
在森林中各监测点设置了野生动物AI声纹监测设备,若森林监测区域内出现盗猎活动,则盗猎活动的相关音频信号会被声纹检测设备采集,因此通过野生动物声纹监测过程中采集的音频信号可以对监测区域内的盗猎活动的音频特征进行分析。具体的,盗猎活动相关的声音例如枪声、电锯声等,其中枪声会在较高的频率范围内产生较大的能量,枪声音频信号的频带宽度较小,而电锯声的则会在一定的频率范围内具有较大的能量,且电锯声的音频信号的频带宽度较大;相对于森林中动物的鸣叫声,枪声的频率较高且瞬时能量大,电锯声的频率稳定且持续稳定特征显著,而森林中动物的鸣叫声则是具有固定的频率和间歇性出现的特征。
进一步的,根据森林中动物鸣叫声和枪声、电锯声等在频率和能量上的差异分析对监测点附近的盗猎活动进行监测,其中枪声和电锯声等均为盗猎活动的相关音频信号,由于森林盗猎活动相关的音频信号通常具有较高的能量和强烈的突发性,且森林中监测点采集的音频信号中盗猎活动的相关的音频信号特征与动物鸣叫等环境音频信号特征交织在一起难以区分。通过对森林中监测点采集的音频信号进行短时能量和频率分析获取音频信号中可能存在的盗猎活动的相关音频信号特征。
具体的,对于监测点采集的音频信号的每个短时段帧,输入为每个短时段帧对应的音频信号,采用变分模态分解获取每个短时段帧对应的音频信号的(大小为5)个模态分量,输入为每个短时段对应的音频信号的/>个模态分量,采用傅里叶变换获取每个模态分量的频谱图,获取每个模态分量的频谱图的峰值以及对应的峭度值,将每个模态分量对应的所有峰值按照峰值对应的频率由小到大进行排序组成的序列作为每个模态分量的峭度特征分析序列,变分模态分解算法和傅里叶变换的具体计算过程均为公知技术,不再进行赘述。根据频谱图中峰值形状特征和分布特征反映该模态分量下的与盗猎活动相关音频信号特征的契合程度,具体的计算过程如下:
式中,表示第/>个模态分量的音频峭度关联契合度;/>和/>分别表示第/>个模态分量的峭度特征分析序列中第/>个和第/>个峰值对应的频率;/>和/>分别表示第/>个模态分量的峭度特征分析序列中第/>个和第/>个峰值对应的峭度值,/>表示/>和/>中的最大值;/>和/>分别表示第/>个模态分量的峭度特征分析序列中第/>个和第/>个峰值;/>表示第/>个模态分量的峭度特征分析序列中元素的数量。
若第个模态分量中出现尖锐的峰值且峰值变化差异较大时,则计算得到的的值越大,/>的越大,即第二契合系数/>的值越大,第三契合系数/>的值越大;且第/>个模态分量中频谱的带宽较大,则计算得到的第一契合系数/>的值越大,即计算得到的第/>个模态分量的音频峭度关联契合度/>的值较大,表示第/>个模态分量的频谱图中的宽频带特征和峰值尖锐特征较明显。
进一步的,根据不同模态分量的频谱图的峰值形状和带宽特征分析每个短时段帧的盗猎活动相关音频特征的契合程度。具体的,若任意两个短时段帧对应的不同模态分量的峰值的峭度、峰值变化幅度以及带宽特征接近,则说明两个短时段帧的音频信号特征接近,若任意两个音频信号特征接近的短时段帧的音频峭度关联契合度相对关系较大,则出现盗猎相关音频可能性越大。根据任意两个短时段帧的每个模态分量对应的音频峭度关联契合度构建音频关联契合矩阵,将任意两个短时段帧中不同的模态分量的音频峭度关联契合度的和作为峭度关联系数,根据任意两个短时段帧不同模态分量之间的峭度关联系数构建音频关联契合矩阵。
具体的,计算每个短时段帧的每个模态分量的频谱图的一阶矩,将计算结果作为所述每个模态分量的峭度特征中心频率,将每个短时段帧的所有的模态分量按照每个模态分量对应的峭度特征中心频率由小到大进行排序,例如第个短时段帧的所有模态分量的排序结果为/>、/>、/>、/>、/>;第/>个短时段帧的所有模态分量的排序结果为/>、/>、/>、/>、/>;根据第/>个和第/>个短时段帧的所有模态分量的排序结果构建音频关联契合矩阵,频谱图的一阶矩的具体计算过程为公知技术,不再进行赘述。
具体的,不同短时段帧之间的音频关联契合矩阵如图2所示,其中表示第/>个和第/>个短时段帧对应的音频关联契合矩阵中第/>行第/>列元素,大小等于/>与/>对应的音频峭度关联契合度的和。音频关联契合矩阵中对角线上的元素表示两个短时段帧对应的所有模态分量按照峭度特征中心频率排序后相同位置模态分量的峭度关联系数,若两个短时段帧中表现的出现盗猎活动的音频信号特征相对关系契合程度较高,则音频关联契合矩阵中对角线上的元素的和越大,即在对应频率的模态分量下具有较大的音频关联契合度,将音频关联契合矩阵的对角线上的元素组成的序列作为第/>个和第/>个短时段帧对应的音频契合序列。
至此,获取了森林盗猎监测的音频信号中不同短时段帧之间的音频关联契合矩阵和音频契合序列。
步骤S003,根据音频关联契合矩阵和音频特征的分析结果计算音频峭度特征系数,根据音频峭度特征系数构建音频信号的森林盗猎监测特征向量,基于森林盗猎监测特征向量利用卷积神经网络模型获取森林盗猎的监测结果。
根据步骤S002获取的森林盗猎监测的音频信号中不同短时段帧之间的音频关联契合矩阵和音频契合序列分析不同短时段帧之间的音频信号特征。具体的,输入为每个短时段音频信号,获取每个短时段音频信号中每个频率对应的梅尔倒谱系数,将每个短时段音频信号的梅尔频率倒谱系数组成的集合作为每个短时段音频信号的音频特征集合,梅尔频率倒谱系数的具体计算过程为公知技术,不再进行赘述。根据每个短时段音频的音频特征集合和音频关联契合矩阵获取不同短时段帧之间的音频峭度特征系数。具体的计算公式如下:
式中,表示第/>个和第/>个短时段帧之间的音频峭度特征系数;/>和/>分别表示第/>个和第/>个短时段帧的音频特征集合,/>表示/>和/>之间的杰卡德系数;/>表示第/>个和第/>个短时段帧对应的音频契合序列中所有元素的和;/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵中第/>行第/>列的元素,/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵中第/>行第/>列的元素;/>和/>分别表示元素所在的行数和列数;/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵所有行的数量或所有列的数量。
若第个和第/>个短时段帧之间音频特征接近,则计算得到的/>的值越大,在音频特征接近的基础上若两个短时段帧之间的音频峭度关联契合度接近,则计算得到的的值越小,/>的值越大,得到的第/>个和第/>个短时段帧之间的音频峭度特征系数/>的值越大,表示两个短时段帧之间的盗猎活动相关音频特征接近,且表现的盗猎活动的音频特征较突出。
进一步的,根据不同短时段帧之间的音频峭度特征系数对森林盗猎的监测过程中盗猎活动相关的音频特征进行分析。具体的,将所有不同短时段帧之间的音频峭度特征系数按照由小到大的顺序排序组成的向量作为森林盗猎监测特征向量。通过森林盗猎监测特征向量反映森林中监测点采集的音频信号的表现的盗猎相关活动的音频信号特征,基于森林中监测点采集的音频信号的盗猎相关活动的音频信号特征对森林盗猎活动进行监测。
具体的,将森林保护区域中所有盗猎监测点采集的音频信号和音频信号对应的森林盗猎监测特征向量作为循环神经网络模型的输入,采用循环神经网络模型获取每个监测点森林盗猎的监测结果,其中优化算法为Adam(Adaptive Moment Estimation)优化算法,损失函数为交叉熵损失函数,且监测结果为监测正常和监测异常两种结果,若森林盗猎监测异常,则立即对该区域内的盗猎活动进行搜查,防止森林盗猎行为对森林生态环境的损坏,循环神经网络模型的具体训练过程为公知技术,不再进行赘述。
至此,完成了对森林盗猎的监测。
基于与上述方法相同的发明构思,本申请实施例还提供了基于机器学习的森林盗猎监测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于机器学习的森林盗猎监测方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于机器学习的森林盗猎监测方法,其特征在于,该方法包括以下步骤:
获取森林盗猎监测的音频信号,对采集的音频信号进行分帧处理;
根据每个短时段帧的不同模态分量的峰值形状和分布特征构建音频峭度关联契合度,根据音频信号的不同短时段帧的音频峭度关联契合度构建音频关联契合矩阵,基于音频关联契合矩阵获取音频契合序列;根据不同短时段帧的音频特征分析结果和音频关联契合矩阵、音频契合序列构建音频峭度特征系数;
根据音频信号的不同短时段帧对应的音频峭度特征系数获取森林盗猎监测特征向量;基于森林盗猎监测特征向量获取森林盗猎的监测结果。
2.根据权利要求1所述的基于机器学习的森林盗猎监测方法,其特征在于,所述获取森林盗猎监测的音频信号,对采集的音频信号进行分帧处理的方法为:
在森林保护区域设置预设数量的盗猎监测点,利用声音采集装置获取每个盗猎监测点的森林盗猎监测的音频信号,对每个盗猎监测点采集的森林盗猎监测的音频信号进行分帧处理。
3.根据权利要求1所述的基于机器学习的森林盗猎监测方法,其特征在于,所述根据每个短时段帧的不同模态分量的峰值形状和分布特征构建音频峭度关联契合度的方法为:
将森林盗猎监测的音频信号进行分帧处理后的每帧信号作为一个短时段帧,利用模态分解算法获取音频信号的每个短时段帧的模态分量,采用傅里叶变换获取所述每个短时段帧的每个模态分量的频谱图,获取每个模态分量的频谱图中的峰值和峰值对应的峭度值,根据每个模态分量频谱图的峭度值和峰值反映的峰值形状和分布特征计算每个模态分量的音频峭度关联契合度。
4.根据权利要求3所述的基于机器学习的森林盗猎监测方法,其特征在于,所述根据每个模态分量频谱图的峭度值和峰值反映的峰值形状和分布特征计算每个模态分量的音频峭度关联契合度的具体方法为:
将每个模态分量的频谱图中所有峰值按照峰值对应的频率由小到大的顺序进行排序组成的序列作为每个模态分量的峭度特征分析序列,将每个模态分量的峭度特征分析序列中最后一个元素与第一个元素对应的频率差值的绝对值作为第一契合系数;将每个模态分量的峭度特征分析序列中相邻两个元素差值的绝对值与相邻两个元素对应的峭度值的最大值的乘积作为第二契合系数,将第二契合系数在每个模态分量的峭度特征分析序列上的累加结果的均值作为第三契合系数,将第一契合系数与第三契合系数的乘积作为每个模态分量的音频峭度关联契合度。
5.根据权利要求1所述的基于机器学习的森林盗猎监测方法,其特征在于,所述根据音频信号的不同短时段帧的音频峭度关联契合度构建音频关联契合矩阵,基于音频关联契合矩阵获取音频契合序列的方法为:
对于森林盗猎监测的音频信号的每个短时段帧,计算每个短时段帧的每个模态分量的频谱图的中心频率,将每个短时段帧对应的所有模态分量按照中心频率由小到大进行排序,根据不同短时段帧对应的模态分量的排序结果和对应的音频峭度关联契合度构建音频关联契合矩阵,将音频关联契合矩阵的对角线上的元素组成的序列作为不同短时段帧之间的音频契合序列。
6.根据权利要求5所述的基于机器学习的森林盗猎监测方法,其特征在于,所述根据不同短时段帧对应的模态分量的排序结果和对应的音频峭度关联契合度构建音频关联契合矩阵的方法为:
对于森林盗猎检测的音频信号的任意两个短时段帧,将任意两个短时段帧分别作为第一短时段帧、第二短时段帧,将第一短时段帧每个模态分量与第二短时段帧每个模态分量对应的音频峭度关联契合度的和作为第一短时段帧每个模态分量的峭度关联系数,将第一短时段帧每个模态分量对应的所有峭度关联系数组成的序列作为矩阵中的一列元素,将第一短时段帧所有模态分量对应的峭度关联系数组成的矩阵作为任意两个短时段帧的音频关联契合矩阵。
7.根据权利要求1所述的基于机器学习的森林盗猎监测方法,其特征在于,所述根据不同短时段帧的音频特征分析结果和音频关联契合矩阵、音频契合序列构建音频峭度特征系数的方法为:
对于森立盗猎监测的音频信号的每个短时段帧,获取每个短时段帧中每个频率对应的梅尔倒谱系数,将所有所述梅尔倒谱系数组成的集合作为每个短时段帧的音频特征集合,根据不同短时段帧的音频特征集合、音频契合序列、音频关联契合矩阵获取音频峭度特征系数。
8.根据权利要求7所述的基于机器学习的森林盗猎监测方法,其特征在于,所述根据不同短时段帧的音频特征集合、音频契合序列、音频关联契合矩阵获取音频峭度特征系数的具体方法为:
式中,表示第/>个和第/>个短时段帧之间的音频峭度特征系数;/>和/>分别表示第/>个和第/>个短时段帧的音频特征集合,/>表示/>和/>之间的杰卡德系数;/>表示第/>个和第/>个短时段帧对应的音频契合序列中所有元素的和;/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵中第/>行第/>列的元素,/>表示第/>个和第/>个短时段帧对应的音频关联契合矩阵中第/>行第/>列的元素;/>和/>分别表示元素所在的行数和列数;/>表示第/>个和第个短时段帧对应的音频关联契合矩阵所有行的数量或所有列的数量。
9.根据权利要求1所述的基于机器学习的森林盗猎监测方法,其特征在于,所述根据音频信号的不同短时段帧对应的音频峭度特征系数获取森林盗猎监测特征向量,基于森林盗猎监测特征向量获取森林盗猎的监测结果的方法为:
对于森林保护区域内每个盗猎监测点,将采集的森林盗猎监测的音频信号中所有不同短时段帧之间的音频峭度特征系数按照由小到大的顺序排序组成的向量作为森林盗猎监测特征向量,将每个盗猎监测点的森林盗猎监测的音频信号和对应的森林盗猎监测特征向量作为循环神经网络模型的输入,利用循环神经网络模型获取森林中盗猎行为的监测结果。
10.基于机器学习的森林盗猎监测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述基于机器学习的森林盗猎监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179323.5A CN117746904B (zh) | 2024-02-18 | 2024-02-18 | 基于机器学习的森林盗猎监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179323.5A CN117746904B (zh) | 2024-02-18 | 2024-02-18 | 基于机器学习的森林盗猎监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117746904A true CN117746904A (zh) | 2024-03-22 |
CN117746904B CN117746904B (zh) | 2024-04-26 |
Family
ID=90279609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179323.5A Active CN117746904B (zh) | 2024-02-18 | 2024-02-18 | 基于机器学习的森林盗猎监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117746904B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664004A (zh) * | 2012-03-22 | 2012-09-12 | 重庆英卡电子有限公司 | 森林盗窃行为识别方法 |
CN107018362A (zh) * | 2017-03-29 | 2017-08-04 | 中国科学院上海高等研究院 | 反盗猎监控方法及系统 |
CN109258509A (zh) * | 2018-11-16 | 2019-01-25 | 太原理工大学 | 一种生猪异常声音智能监测系统与方法 |
CN114358082A (zh) * | 2022-01-06 | 2022-04-15 | 东南大学 | 一种基于多传感器特征融合的火电厂风机设备故障诊断方法 |
WO2022121139A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
-
2024
- 2024-02-18 CN CN202410179323.5A patent/CN117746904B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664004A (zh) * | 2012-03-22 | 2012-09-12 | 重庆英卡电子有限公司 | 森林盗窃行为识别方法 |
CN107018362A (zh) * | 2017-03-29 | 2017-08-04 | 中国科学院上海高等研究院 | 反盗猎监控方法及系统 |
CN109258509A (zh) * | 2018-11-16 | 2019-01-25 | 太原理工大学 | 一种生猪异常声音智能监测系统与方法 |
WO2022121139A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
CN114358082A (zh) * | 2022-01-06 | 2022-04-15 | 东南大学 | 一种基于多传感器特征融合的火电厂风机设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
尚雪梅;徐远纲;: "PSO优化的最大峭度熵反褶积齿轮箱故障诊断", 电子测量与仪器学报, no. 07, 15 July 2020 (2020-07-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117746904B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108597496B (zh) | 一种基于生成式对抗网络的语音生成方法及装置 | |
CN106874833B (zh) | 一种振动事件的模式识别方法 | |
CA2786803C (en) | Method and apparatus for multi-sensory speech enhancement | |
CA1172362A (en) | Continuous speech recognition method | |
CN109599124A (zh) | 一种音频数据处理方法、装置及存储介质 | |
CN108701469B (zh) | 咳嗽声音识别方法、设备和存储介质 | |
CN105608823B (zh) | 基于主成分分析的光纤安防方法及系统 | |
US5761639A (en) | Method and apparatus for time series signal recognition with signal variation proof learning | |
CN111429932A (zh) | 语音降噪方法、装置、设备及介质 | |
CN102881289A (zh) | 一种基于听觉感知特性的语音质量客观评价方法 | |
KR100655953B1 (ko) | 웨이블릿 패킷 변환을 이용한 음성 처리 시스템 및 그 방법 | |
CN110010155A (zh) | 基于卷积神经网络和mfcc的颤振识别方法和系统 | |
CN103514877A (zh) | 振动信号特征参数提取方法 | |
CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
CN117076941A (zh) | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 | |
CN117724042B (zh) | 基于声学双谱的鸟鸣声源定位方法及系统 | |
CN116013276A (zh) | 一种基于轻量化ecapa-tdnn神经网络的室内环境音自动分类方法 | |
CN114861835A (zh) | 一种基于非对称卷积的噪声性听力损失预测系统 | |
CN115310477A (zh) | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 | |
CA2595349A1 (en) | Method of generating a footprint for an audio signal | |
CN117688305A (zh) | 基于改进降噪自编码器的异常检测方法及系统 | |
CN117746904B (zh) | 基于机器学习的森林盗猎监测方法及系统 | |
KR100621076B1 (ko) | 마이크로폰 어레이 방법 및 시스템 및 이를 이용한 음성인식 방법 및 장치 | |
CN110865375B (zh) | 一种水中目标检测方法 | |
CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断系统 |
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 |