改进RepVGG的鸟类识别分类算法

鸟类生活在多样的生态环境中,其羽毛、体型、颜色等特征具有较大的随机性和多样性,因此需要有效的算法来实现精确的鸟类识别,有效识别各种鸟类目标,这具有重要的生态环境保护意义。本文使用改进后的RepVGG网络对鸟类图像进行分类。为了提取到更有效的特征表示,在RepVGG的特征提取网络中插入了CBAM注意力机制模块。这个模块能够自适应地调整特征图的通道和空间注意力,从而增强重要特征的表达能力。另外,由于数据样本存在不平衡问题,本文还引入了IB Loss的类平衡损失函数。该损失函数基于样本对模型训练的影响,为不同样本分配不同的权重,以实现类平衡化。经过一系列实验表明,基于RepVGG网络和CBAM注意力机制的算法能够在识别不同种类的鸟类图像时取得较好的准确度。这表明本文的算法具备一定的实用性和准确性,对于鸟类目标的识别和生态环境的保护具有重要意义。

鸟类识别与野外工作方法虚拟仿真实习教学系统的设计

为减少师资、物候、天气、经费、教学学时等因素对野外实习的影响,构建了鸟类识别与野外工作方法虚拟仿真实习教学系统。该系统由路线导览、背景知识、鸟类识别、样线调查和鸟类环志5个模块组成,有学习和考核两种模式。学生可通过网络平台学习鸟类的识别特征和鸟类野外研究的工作方法,交互式虚拟操作更能激发学生的学习兴趣,实现优秀教学资源开放共享,取得了较好的实习效果,提高了实习教学质量。

基于MFCC和双重GMM的鸟类识别方法

针对鸟类鸣声信号变化丰富和复杂的特点,提出一种基于MFCC和鸣叫、鸣唱声GMM模型的鸟类识别方法。该方法拟采用将鸟鸣声分为鸟叫声和鸟唱声的策略,分别提取其特征参数MFCC,提出双重GMM模型进行训练和识别。用8种鸟的鸣叫声和鸣唱声1077个样本进行实验,实验结果表明,双重GMM模型的识别率达到90%以上,与单一鸣声模型相比具有更高的识别率。

基于卷积神经网络语义检测的细粒度鸟类识别

细粒度识别的主要目的是在相同基本类别下对其繁多的子类别进行区分。不只局限于头和躯干的定位现状,提出了一种基于Faster RCNN联合语义提取和检测的分类方法。通过引入自上而下的方法来生成七个小语义部位,既大大减少了候选区域的个数,又提高了分类的效率。检测子网可以和区域候选生成网络(RPN)共享卷积特征,结果使得区域建议几乎不花时间,从而可以生成高质量并且具有局部特征的区域建议框,便于Fast RCNN的检测。相对于其他鸟类识别研究,实验中鸟类识别准确率达到了88.37%,提高了识别效率。说明联合语义的Faster RCNN网络适用于鸟类的细粒度识别。

基于跨层精简双线性网络的细粒度鸟类识别

细微的类间差异和显著的类内变化使得细粒度图像分类极具挑战性。为了对鸟类图像进行细粒度识别,提出一种基于跨层精简双线性池化的深度卷积神经网络模型。首先,根据Tensor Sketch算法计算出多组来自不同卷积层的精简双线性特征向量;其次,将归一化后的特征向量级联送至softmax分类器;最后,引入成对混淆对交叉熵损失函数进行正则化以优化网络。提出的模型无需额外的部件标注,可进行端到端的训练。结果表明,在公开的CUB-200—2011鸟类数据集上,该模型取得了较好的性能,识别正确率为86.6%,较BCNN提高2.5%。与多个先进细粒度分类算法的对比,验证了提出模型的有效性和优越性。

融合声纹信息的能量谱图在鸟类识别中的研究

常用的梅尔倒谱系数结合高斯混合模型(MFCC+GMM)方法的鸟鸣声识别技术难适应噪声环境,模型难以收敛,且计算复杂度高。该文提出一种融合声纹信息的能量谱图的鸟类识别方法(VPS-BR),该方法利用鸟类鸣声在能量谱图上所表现的多维差异性,定量识别鸣声声纹特征。通过对分贝能量进行颜色映射得到能量谱图,提取其视觉特征所表达的声学特征,分析归纳得到鸟类特有鸣声模式。在特征提取步骤中,选用识别速度快的局部二值模式、识别鲁棒性高的方向梯度直方图两个参数表征鸟鸣声谱图的边缘声纹;在识别步骤中,用局部二值模式和方向梯度直方图两种特征分别与支持向量机、K最近邻和随机森林3种分类器算法进行两两组合构建识别模型测试。对15种原始带噪鸟类鸣声数据集进行交叉验证,VPS-BR模型的平均识别率比MFCC+GMM组合模型高出11.3%,方向梯度直方图特征与K最近邻分类器的组合模型识别率达90.5%,表现出较好的抗噪性能和识别性能。最后针对样本数据集缺乏问题,使用生成对抗网络进行图像增强,进一步将识别率提升1.48%。

基于语义信息跨层特征融合的细粒度鸟类识别

有效识别各种鸟类目标具有重要的生态环境保护意义。针对不同种类鸟类之间差别细微、识别难度大等问题,提出一种基于语义信息跨层特征融合的细粒度鸟类识别模型。该模型由区域定位网络、特征提取网络和一种跨层特征融合网络(Cross-layer Feature Fusion Network,CFF-Net)组成。区域定位网络在没有局部语义标注的情况下,自动定位出局部有效信息区域;特征提取网络提取局部区域图像特征和全局图像特征;CFF-Net对多个局部和全局特征进行融合,提高最终分类性能。结果表明,该方法在Caltech-UCSD Birds200-2011(CUB200-2011)鸟类公共数据集上,取得了87.8%的分类准确率,高于目前主流的细粒度鸟类识别算法,表现出优异的分类性能。

《岭南鸟类识别》校本课程的开发与应用研究

为了实现我国教育事业的多样化发展,我国的教育单位加强了对自然教育课程的设置,并以此为基础促进多元化教学体系的构建,实现校本课程的完善,保障学生综合素质的提升。目前,我国的中小学学校在课程教学过程中逐步形成三级课程体系,从而实现了课程教学效率、质量的提升。目前,许多学校都依据当地的特色实现了校本课程的研发,从而促进课程教学特色的突出。基于此,着重分析了《岭南鸟类识别》校本课程的开发与应用研究,希望由此为我国教育改革工作的开展提供经验借鉴。

基于移动端的嵌入式鸟类识别系统设计与开发

针对基于深度学习的识别方法对数据量要求较高、应用比较困难,对于鸟类数据有限的情况,本文开发一种基于深度学习的移动端嵌入式鸟类识别系统,利用单通道盲源分离对鸣声进行预处理,输入到迁移学习VGG-16模型进图像特征提取实现鸟类物种的分类。采用基于MFCC的双模态决策级特征并训练Mobilenet轻量化模型,将算法移植到Android客户端,以18种鸟类为研究对象进行测试,实验结果表明,该方法在识别准确率达到99%以上,软件推动了鸟类个体自动识别在鸟类调查和监测领域的广泛应用。

基于深度学习的鸟声识别技术研究——以北京翠湖国家城市湿地公园为例

鸟类是生态系统的重要组成部分,在评估生态系统状态方面具有不可忽视的作用,因此鸟类的调查和监测对于保护生态环境和维护生物多样性至关重要。传统的鸟类监测手段需要消耗大量人力物力,并且结果的准确性和可靠性有限。针对这一问题,提出一种基于深度学习的鸟类声音数据分析识别系统,并在北京翠湖国家城市湿地公园进行应用示范,以验证系统的性能和准确性。该系统首先使用传统声音信号处理方法对前端拾音器采集的音频进行预处理,然后使用残差神经网络提取音频特征并进行分类,从而实现对目标声音所包含物种信息的自动识别。在系统运行期间,成功监测到有效鸟类声音片段共计200044条,其识别准确率达到93%。系统共识别出野生鸟类9目16科52种,其中,属于国家Ⅱ级重点保护野生动物有6种,分别是大天鹅、鸿雁、红角鸮、纵纹腹小鸮、蓝喉歌鸲、游隼;属于北京市重点保护野生动物共计22种,分别是苍鹭、夜鹭、普通鸬鹚、绿头鸭等。监测到音频片段中相对多度较高的前5个物种依次是苍鹭(26%)、鸿雁(16%)、夜鹭(13%)、白头鹎(11%)、普通鸬鹚(8%)。实验结果表明,该系统实现了对鸟类声音的自动采集和分析,显著提高了鸟类监测的效率,为风景园林的合理规划、生态节点的保留以及景观可持续性的提升提供了有力支持。

一种基于生成式对抗网络的数据集扩充方法在湿地鸟类图像识别中的应用

已有的天津大黄堡湿地鸟类数据集存在样本数量少、样本分布不均衡等问题,严重影响鸟类智能识别的精度.本文提出一种基于生成式对抗网络的数据集扩充方法,通过使用旋转、缩放、添加噪声等方式进行初步扩充,然后输入条件对抗网络进行学习,通过使用生成器生成新的鸟类样本.对大黄堡湿地鸟类数据集进行扩充处理,并使用目标检测算法SSD、YOLOv3-SPP-Net、RetinaNet进行测试,结果表明识别的精度显著提高,基本满足本区鸟类目标识别的需求.

鸟类全景观测系统中的人工智能识别技术

随着数字化基础设施建设的推进,采用人工智能技术对鸟类观测影像进行实时识别,以期为湿地监控与生物多样性保护提供新的手段。2020年,在长兴仙山湖国家湿地公园,根据鸟类监测、识别场景的特点,利用级联分类器和卷积神经网络人工智能识别技术对鸟类进行监测、识别。结果表明,该鸟类检测和分类模型在验证集中分类精度达到87.75%以上。该分类检测方法适用于广角、远景监测下的鸟类观测识别,可以在实际的鸟类观测中达到自动化监测目标鸟类、人工智能辅助发现未知鸟类的效果,未来随着数据的积累,可以持续优化模型并提高检测精度。

逆合成孔径激光雷达鸟类目标压缩感知识别方法

鸟类目标的实时探测与准确识别具有重要意义。提出一种基于压缩感知的逆合成孔径激光雷达鸟类目标探测、成像与识别方法。该方法先利用光外差手段和压缩感知采样来大幅降低鸟类目标逆合成孔径激光雷达回波信号距离向上的采样率,再利用时频分析方法来判别鸟类目标运动状态,然后利用压缩感知重构算法来获得鸟类目标高分辨二维像以及利用拟合算法来提取鸟类目标微多普勒特征。结合获得的高分辨二维像和微多普勒特征可共同进行鸟类目标的鉴别和识别。仿真结果验证了文中方法的有效性。

利用抗噪幂归一化倒谱系数的鸟类声音识别

针对真实环境中各种背景噪声下的鸟类声音识别问题,提出了一种基于新型抗噪特征提取的鸟类声音识别技术.首先,根据适用于高度非平稳环境下的噪声估计算法求出噪声功率谱.其次,使用多频带谱减法对声音功率谱进行降噪处理.接着,结合降噪的声音功率谱提取抗噪幂归一化倒谱系数(APNCC).最后,采用支持向量机(SVM)分别对提取的APNCC,幂归一化倒谱系数(PNCC)和Mel频率倒谱系数(MFCC)对34种鸟类声音进行不同环境和信噪比情况下的对比实验.实验表明,提取的APNCC具有较好的平均识别效果及较强的噪声鲁棒性,更适用于信噪比低于30dB环境下的鸟类声音识别.

基于Radon和平移不变性小波变换的鸟类声音识别

针对低信噪比(SNR)环境下鸟叫声识别率不够高的问题,提出一种对声谱图进行Radon变换(RT)和平移不变性离散小波变换(TIDWT)的抗噪型鸟类声音识别技术。首先,使用改进的多频带谱减法对鸟叫声进行降噪处理;其次,利用短时能量检测降噪后的鸟叫声的静音段,并去除静音段;接着,将去除静音段的声音信号转化为声谱图,并对声谱图进行RT和TIDWT,提取特征值;最后,采用支持向量机(SVM)分类器对提取的特征值进行分类识别。实验结果表明,该方法在信噪比为10 dB及以下仍可以达到较好的识别效果。

多特征融合的鸟类物种识别方法

深度学习输入特征的选择直接影响其分类性能,为了进一步提高基于深度学习的鸟类物种识别模型的分类性能,该文提出一种多特征融合识别方法。该方法首先通过短时傅里叶变换、梅尔倒谱变换和线性调频小波变换分别计算得到鸣声信号的3种语图样本集,然后分别利用3种语图样本集训练3个基于VGG16迁移的单一特征模型,将3个模型的输出进行自适应加权求和实现融合,并修正了加权交叉熵函数以克服样本不平衡的问题,最后对语图进行分类实现鸟类物种的识别。以ICML4B鸣声库的35种鸟类为研究对象,对比了4种模型的平均识别准确率(MAP),结果表明特征融合模型较单一特征模型的MAP最大提高了0.307;选择输入语图的持续时间分别为100 ms、300 ms以及500 ms,对比不同持续时间下4种模型的测试MAP值,结果表明持续时间为300 ms时4种模型的MAP值均为最高;对比了不同信噪比下4种模型的识别效果,多特征融合模型的识别准确率随着信噪比的下降降低最少。说明在选择合适的语图持续时间后,该文提出的特征融合模型能得到更高的识别准确率,具有一定的抗噪能力,且训练参数少,更适合于少样本鸟类的识别。

云南野生鸟类图像自动识别系统

目前鸟类识别和管理主要依靠人工与经验积累,效率不高。为此,基于最新的人工智能技术和云南野生鸟类数据集,提出以云南省野生鸟类信息化数据库为核心,云南省野生鸟类信息管理子系统、云南省野生鸟类图像分类网络为平台构建云南野生鸟类图像自动识别系统。该系统直接面向社会服务,作用于鸟类的原始数据,从而避免人工提取特征的困难和问题。该系统不仅能够准确识别鸟类种类,还能给出鸟类所属的概率和该鸟类种类对应的目、科、属、外形特征等相关信息素,具有较好的实用价值。

基于SVM的湿地鸟类物种识别方法

随着图像识别技术与物联网技术的迅速发展,对于动植物进行联网物种识别成为一个备受关注的研究热点。将闽江口湿地水鸟在线监测保护作为研究对象,把图像分析处理技术引入到鸟类物种在线识别的研究中,通过分析,利用鸟类彩色图像的颜色、形状和纹理等特征,提出了一个基于SVM决策树的分类方法。该方法的分类能力、泛化性能和分类正确率都较过去方法有所提高。经过多次试验,验证了这个方法可解决多类多分问题,并实现了对闽江口多种鸟类的有效分类识别。

融合全域与局域特征的深度卷积网络鸟类种群识别

【目的】基于鸟类影像数据,探讨全域与局域特征融合手段,结合深度卷积神经网络理论,建构鸟类种群识别模型,以期为森林与湿地的监控与治理提供新的手段。【方法】首先,依据人类识别物体从整体到局部的生理过程,采用跳跃结构实现物体整体信息与局部信息的交互,该模型主要采用2个模型框架提取鸟类的全域和局域部件特征,并采用跳跃结构,提出融合模块(Fusion block)结构进行特征融合,将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息,而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次,探讨不同鸟类局部影像信息对模型的影响,最后,通过对比不同网络分类模型和鸟类数据集,验证模型的有效性和适用性。【结果】该鸟类种群分类模型具有较高的分类精度,总体分类精度达90%以上;对于不同的鸟类局部影像信息,其分类精度表现出一定的差异性,其中基于鸟类头部局部影像的网络分类模型总体分类精度最高;Faster R-CNN模型对鸟类局部影像定位精度较高,测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小;对比Inception-V1、Res Net-101、Dense Net-121以及Bilinear CNN等网络分类模型总体分类精度,该模型总体分类精相对较高,具有一定的有效性;对比使用NABirds鸟类数据集的分类效果,该模型总体分类表现较好,具有一定的适用性。【结论】该鸟类种群分类模型具有较好的识别效果以及有效性,可为森林与湿地的监控和治理提供合理有效的依据。