33、利用深度卷积神经网络识别声景录音中的鸟鸣

利用深度卷积神经网络识别声景录音中的鸟鸣

一、引言

鸟类在生态系统中扮演着重要角色，但人类活动和环境变化使许多鸟类濒临灭绝。因此，监测鸟类物种多样性至关重要。目前主要有两种监测方式：实地观察和声学监测。

与实地观察相比，声学监测能收集大量鸟类数据，在研究扩展性方面具有显著优势。全球约有10000种鸟类，迫切需要根据鸟鸣自动分类鸟类物种。机器学习技术在这方面发挥了重要作用，如支持向量机、决策树、ResNet50等模型，但这些模型在处理有噪声和复杂环境的音频时，准确率会下降。

监测鸟类多样性的两种主要方法：
1. 实地审查 ：依赖专家的专业知识，如新西兰使用的五分钟鸟类统计法，但可能会遗漏一些物种，且在偏远地区维持专业人员成本较高。
2. 音频监测 ：利用独立录音设备，声学传感器可长时间工作，收集的声音能提供可靠的声景记录。然而，分析大量音频数据对环保主义者来说是一项艰巨任务，因此需要自动化工具。

近年来，字符识别技术被用于自动检测声学记录中的鸟鸣，商业软件如Raven和Song Scope可对鸟鸣进行分段和描述，但全自动分析技术的可靠性和准确性仍有待提高，因此半自动化方法也在被研究。

二、相关工作

基于卷积神经网络（CNN）的模型在鸟鸣识别中应用广泛，通常将鸟鸣的频谱图作为输入，将鸟鸣识别任务视为图像分类问题。因为鸟鸣的特征，如音高和音调，可在频谱图中观察到。

一些研究采用了不同的方法来优化CNN模型：
- 归一化处理 ：在整个训练数据集上计算均值和方差进行