基于特征融合和B-SVM的鸟鸣声识别算法

为了实现在野外通过低成本嵌入式系统识别鸟类,提出了基于特征融合和B-SVM的鸟鸣声识别方法。对鸟鸣声信号提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、短时能量和短时过零率组成特征参数,通过线性判别算法对特征参数进行特征融合。利用黑寡妇算法通过测试集对支持向量机模型的核参数和损失值进行优化得到B-SVM模型。利用Xeno-canto鸟鸣声数据集对本文算法进行了测试,结果表明该方法的识别准确率为93.23%。算法维度参数的大小和融合特征维度的高低是影响算法识别效果的重要因素。在相同条件下,文中所提的基于特征融合和B-SVM模型的鸟鸣声识别算法相较于其他特征参数和模型,识别的准确率更高,为野外鸟类识别提供了参考。

城市公园鸟鸣声持续时间对交通噪声烦恼度的影响研究

鸟鸣声作为城市绿色空间中生物声景的主导成分之一,对减缓城市居民压力起到关键的作用。本研究目的在于探究城市公园中鸟鸣声持续时间对交通声造成心理压力的恢复作用以及鸟鸣声驱动因素与交通噪声烦恼度的内在联系。以加拿大温哥华市的3个城市公园为例,对41个观测点进行实验研究。通过让受试者先后倾听交通噪声和鸟鸣声,比较受试者交通噪声烦恼度的数值变化。研究结果表明:1~4 kHz的倍频带频率与鸟鸣声持续时间以及交通噪声烦恼度具有较强的相关性;持续时间超过20秒的鸟鸣声均可降低交通噪声烦恼度,但超过120秒后效果将减弱;鸟鸣声持续时间达到60秒和80秒时效果最优,交通噪声烦恼度减缓率可达26.67%和22.22%。在实际应用中可增加浆果类植物吸引鸣禽,并增设可调控时长的鸟鸣声播放设备,以期有效降低城市公园交通噪声烦恼度。

视听交互下城市绿地鸟鸣声景对感知偏好的影响

自然声景往往被认为是典型的具有健康效益的声景类型,其中鸟鸣声被视为最受欢迎和最具恢复性的声源之一。文章在生态审美理念的基础上,以鸟类生境为原型,对合肥市绿地常见植物景观空间类型进行归纳,并构建虚拟现实场景,通过主观偏好问卷与客观生理实验相结合的方法,利用既有景观偏好模型和熵值法进行数据处理,对如何构建鸟鸣声景场景以增强最佳感知体验进行探讨。结果表明:鸟鸣和视觉场景的结合可以显著影响感知偏好;不同偏好度的鸟鸣与视觉景观环境匹配时会带来不同效果;感知偏好较高的组合为北红尾鸲鸣声与灌丛场景、珠颈斑鸠鸣声与疏林草地或密林场景、红头长尾山雀鸣声与密林场景、灰喜鹊鸣声与疏林草地场景。因此,未来绿地景观营造应注意不同植物群落和鸟类栖息地的有机结合,以提升观赏者的感知偏好程度,获得更好的游赏体验。

基于微信小程序的鸟鸣声识别系统的研究与实现

鸟类是生态系统中的重要组成部分,传统的鸟类调查与监测需耗费大量的人力物力,效率十分低下。对此,基于微信小程序,利用Flask框架和深度神经网络,研究设计了一个鸟鸣声识别系统,通过声音识别技术实现了鸟鸣声的自动识别和分类。用户可通过微信小程序录制或上传鸟鸣声音频文件,系统将自动对音频进行预处理和特征提取,然后使用训练好的CNN模型对鸟鸣声进行识别。同时系统还提供了鸟类字典、数据监测可视化等相关信息的查询和展示。

基于U-Conformer的多特征融合鸟鸣声分离方法

针对多个鸟类个体同时发声导致的鸣声混叠问题,本文提出了一种融合录音通道间空间特征的鸟类鸣声分离方法.该方法将混叠鸣声信号的声谱特征和空间特征作为分离模型的输入,提出深度学习模型U-Conformer来预测每个鸣声源方向的幅值谱掩膜(spectral magnitude mask,SMM),通过模型估计的SMM从混叠鸣声信号中恢复每个鸣声源信号.由多源混叠鸟类鸣声数据的实验结果表明,本文提出的分离方法较其他深度学习模型结构具有更好的分离效果,有助于更好地分析野外鸟类鸣声录音.

复杂环境下基于听觉子带能量特征的鸟鸣声端点检测

为了检测野外复杂噪声环境中的鸟鸣声信号,提出一种基于人耳听觉特性的听觉子带能量特征鸟鸣声端点检测方法。利用反映人耳听觉特征的Mel频率尺度变换,将鸟鸣声信号在频域划分为24个子带(称为Mel子带),分析鸟鸣声信号的Mel子带能量分布特征,选取能量值最高的Mel子带能量作为特征量进行端点检测。通过仿真和野外实测数据对比了基于短时能量法的端点检测性能,结果表明Mel子带能量法在信噪比(SNR)为-10 dB条件下仍能检测到鸟鸣声信号,对风声、海浪声等海岛环境噪声也具有较强的抗干扰性能,性能优于短时能量法。

利用抗噪纹理特征的快速鸟鸣声识别

针对非平稳噪声下的鸟鸣声识别问题,提出一种利用抗噪纹理特征的快速鸟鸣声识别方法,该方法也解决了纹理特征提取过程中灰度共生矩阵(GLCM)占用空间大,以及计算量大、耗时的问题.该方法分三个步骤,首先,通过短时谱估计算法对鸟鸣声带噪功率谱进行音频增强;然后,采用和差统计法(SDH)对增强功率谱快速提取纹理特征;最后,由随机森林进行分类.在实验部分,设计了两组对比实验,结果表明,该方法有良好的识别性能、较少的时耗,且具有噪声鲁棒性.

基于自注意力机制时频谱同源特征融合的鸟鸣声分类

目前深度学习模型大都难以应对复杂背景噪声下的鸟鸣声分类问题。考虑到鸟鸣声具有时域连续性、频域高低性特点,提出了一种利用同源谱图特征进行融合的模型用于复杂背景噪声下的鸟鸣声分类。首先,使用卷积神经网络(CNN)提取鸟鸣声梅尔时频谱特征;然后,使用特定的卷积以及下采样操作,将同一梅尔时频谱特征的时域和频域维度分别压缩至1,得到仅包含鸟鸣声高低特性的频域特征以及连续特性的时域特征。基于上述提取频域以及时域特征的操作,在时域和频域维度上同时对梅尔时频谱特征进行提取,得到具有连续性以及高低特性的时频域特征。然后,将自注意力机制分别用于得到的时域、频域、时频域特征以加强其各自拥有的特性。最后,将这三类同源谱图特征决策融合后的结果用于鸟鸣声分类。所提模型用于Xeno-canto网站的8种鸟类音频分类,并在分类对比实验中取得了平均精确率(MAP)为0.939的较好结果。实验结果表明该模型能应对复杂背景噪声下的鸟鸣声分类效果较差的问题。

圆形阵列无线传感器的鸟鸣声检测方法

针对海岛湿地自然保护区鸟类等发声动物监测困难的问题,开发了基于物联网的圆形阵列无线传感器实时在线监测系统。鉴于保护区现场环境条件的特殊性,为保障传感器系统在野外长期稳定运行,需减少无鸣声数据的传输量来减轻系统负担,该文提出了基于子带能量谱熵比的动态双门限鸟类鸣声端点检测算法,对监测数据的有效鸣声段检测后实时回传到云平台。经过仿真和野外实测数据对比了不同信噪比下的鸣声检测性能,结果表明在暴风雨、风浪等海岛自然环境噪声下,鸟鸣声端点检测算法的准确率达90%以上,基本可实现海岛环境中的有效鸣声端点检测,提升了圆形阵列无线传感器系统的可靠性。

基于C-LSTM的鸟鸣声识别方法

基于深度学习的鸟鸣声识别是当前研究的热点,现有基于语谱图的识别方法无法提取帧间的时序信息,文章提出了一种基于C-LSTM(CNN-Long Short-Term Memory)的鸟鸣声识别方法,该方法以梅尔语谱图为输入,通过CNN提取谱图特征后,输入到LSTM模型中,进一步提取不同帧之间的时序特征,基于该特征实现鸟鸣声的分类。选择Xeno-Canto中的5种鸟类作为研究对象,对比了VGG16模型和C-LSTM模型的平均识别准确率(Mean Average Precision,MAP)值。结果表明,以VGG16和C-LSTM作为识别模型时,测试集的MAP值分别为0.8628和0.9147,文章提出模型的MAP提升5.19%。说明文章提出的C-LSTM更适合于鸟类物种识别,具有更高的识别性能。

守得一山鸟鸣声

如果问什么动物最美?许思朝一定会毫不犹豫地说,那一定是鸟类。鸟类的羽毛最丰富,鸟类的鸣唱最婉转,鸟类与人类最亲近……“一座座山来一道道梁,山坡之上林荫长。哥哥牵妹山沟沟走,美丽晓天我可爱的家乡。”这写的哪里呢?它就是位于大别山腹地的安徽省舒城县晓天镇。崇山峻岭的晓天镇,山多、树多、鸟多,其中鸟是最受欢迎的。这些大山精灵穿越于山林之间,追风逐日,忽而结伴远游,忽而栖于树巅窃窃私语。

小城上空的鸟鸣声

天刚朦朦亮，我就从梦中惊醒了。因为院子上空不时传来阵阵“叽叽喳喳”的鸟鸣声，接着院内院外到处鸟鸣声汇成了一大片，犹如弹奏一曲欢快的赞歌。

古柏发出鸟鸣声 奥秘未揭添新谜

继去年洛阳孟津汉光帝陵园出现“游 人拍手、古柏啁啾”这一奇观后,近日人们 在鸟柏区又发现了一个新谜:只要用手轻 轻地碰一下柏树,柏树也会发出“啁啾”“啁 啾”的鸟叫声。今年四月下旬汉陵管理处导 游员张雁雁在鸟柏区给英国旅游团讲解 时,无意之中手掌碰到了一棵柏树,这棵 柏树奇迹般地发出了一声“啁啾”

每当他听到鸟鸣声……

清新悦耳、婉转流畅,如汩汩山泉叮咚作响,又恰似梵阿铃上奏出的名曲——这是小鸟啁啾发出的鸣声。每当听到鸟鸣声,肖家类会别有一番感慨:“你听!鸟鸣声声,给大自然增添了无穷的乐趣。这是鸟儿以自己特有的方式回报大自然的哺育之恩。党和人民如此重视教育。

面向鸟鸣声识别任务的深度学习技术

在生态系统中,鸟类是重要的组成部分,对调节生态环境和监测生物多样性至关重要,甚至可以通过监测鸟群动向与监听鸟群异常鸣声对地震、海啸等自然灾害进行辅助预测和防范,为此,鸟鸣声识别和异常鸣声监测成为热门的研究方向。然而,由于传统鸟鸣声识别方法存在特征提取不充分等问题,导致识别率不高。本文采用融合特征的方法结合深度学习技术提取鸟鸣声特征,融合特征选择改良后的对数梅尔谱差分参数同原始信号参数拼接所得的特征;深度学习方法是基于Dense Net121网络结构,并融入自注意力模块与中心损失函数进行鸟鸣声识别。自注意力模块部分提高了关键通道的特征表达能力;中心损失函数可解决类内特征不紧凑问题。我们通过消融实验对比验证,对在Xeno-Canto世界野生鸟类声音公开数据集上选取的10种鸟类声音进行识别,准确率达到96.9%。代码已开源至Github:https://github.com/Carrie X6/-Xeno-Canto-.git。

鸟鸣叫声特征提取方法的研究

鸟鸣叫声的研究和分析方法对开展鸟类学工作有极其重要的作用.通过对鸟鸣叫声进行功率谱分析、声谱分析、Mel倒谱分析和主成分分析,从而对鸟鸣叫声特征参数进行提取,为鸟鸣叫声的个体识别以及鸣叫声与鸟类行为的关系研究提供了有力的技术支持.

基于Inception-CSA深度学习模型的鸟鸣分类

为进一步提高通过声音识别鸟类的精确度,本研究提出基于Inception-CSA深度学习模型的鸟鸣声分类方法,包含鸟鸣声音频样本预处理、特征提取、分类器分类等步骤。首先将鸟鸣声样本预处理成尺寸相同的梅尔频谱图,作为鸟鸣声特征图;其次利用Inception-CSA模型对鸟鸣声特征图进行特征提取,其中Inception模块提取鸟鸣声特征图中的多尺度局部时频域特征,CSA模块获取鸟鸣声特征图的全局注意力权重,将二者的输出结合得到更强的特征图,再次利用最大池化层对特征图进行下采样;最后利用全连接层进行分类,得到最终的分类结果。以采集的华南地区自然环境中的10种野生鸟类的鸣叫声构建数据集,用于实验部分以验证方法的有效性。结果表明,本研究提出的方法在自建数据集上准确率达到了93.11%,相比于基于其他经典模型的分类方法,基于Inception-CSA模型的分类方法在拥有较少模型参数量的同时达到了更高的准确率。

被动声学监测技术在九里湖湿地公园鸟类监测中的应用研究

该文以徐州九里湖采煤塌陷地国家湿地公园自然栖居野生鸟类为对象,基于生物声学记录仪实采的野外鸟鸣声数据,开展了基于鸟鸣声的物种识别试验性研究。在构建徐州地区塌陷地湿地公园14种常见鸟类鸣声数据库的基础上,对比分析了物种识别试验结果和相应人工野外调查情况,结果表明所研物种识别系统可实现95%以上的鸟类物种识别准确率,并且能够在植被茂密的栖息地环境下弥补人工调查监测盲区,从而显著提高鸟类监测工作的有效性和便利性。研究成果对于被动声学监测技术在鸟类物种多样性监测与保护领域的广泛应用具有良好的推动作用。

林间,一吨重的鸟鸣声

一滴鸟鸣声能揉醒几双花萼的眼睛？ 一两鸟鸣声能催开几树迟到的邀请？ 一公斤的鸟鸣声可以压弯几坡野棘？ 一吨重的鸟鸣声是否可以挽留清晨？