46、基于梅尔频谱图和MFCC特征的深度学习技术实现树木砍伐声音检测

基于梅尔频谱图和MFCC特征的深度学习技术实现树木砍伐声音检测

1. 引言

森林声音事件检测（FSED）是诸多应用的初始步骤，像非法砍伐监测、动物物种识别等。本文的主要目标是监测非法砍伐，这在多数森林地区是亟待解决的重大问题，传统监测方式需要大量人力。

目前，计算机视觉和机器学习方法都被用于解决这一问题。计算机视觉方案成本较高，相比之下，机器学习方法更具成本效益。研究中采用了如K - 均值聚类、高斯混合模型（GMM）、主成分分析（PCA）等方法，结合多种特征提取技术，如MFCC、梅尔频谱图、均方根（RMS）和频谱质心等，以提高预测率。

在森林环境中，持续产生的多种声音会形成噪声，这使得特征提取变得更具挑战性。一些研究采用了基于机器学习的声音事件检测模型，如CRNN、SVM、随机森林和K - 均值等。神经网络模型如CNN和RNN取得了较好的效果，并且可以进一步提升预测率。

为了检测森林中的声音事件，需要创建一个合适的树木砍伐相关数据集，该数据集应包含树木敲击声和森林环境中的各种声音。

2. 文献综述

以下是部分相关研究的总结：
| 参考文献 | 数据集 | 模型 | 特征提取 | 关键技术 | F1分数 | 错误率 |
| — | — | — | — | — | — | — |
| Adavanne et al. (2018) | TUT - SED 2017 development dataset | C3RNN | Log mel - band energy + generalized cross correlation with phase transform | GRU | 93.