本發(fā)明涉及物種識(shí)別，尤其是涉及一種基于隨機(jī)森林模型的鳥(niǎo)鳴物種自動(dòng)識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、鳥(niǎo)類(lèi)作為生態(tài)系統(tǒng)中重要的組成部分，是生態(tài)系統(tǒng)健康水平的重要指標(biāo)類(lèi)群。鳥(niǎo)類(lèi)的調(diào)查和監(jiān)測(cè)是獲得鳥(niǎo)類(lèi)的種類(lèi)、數(shù)量、生活習(xí)性及生存環(huán)境質(zhì)量等信息的重要途徑，可以幫助人們更好地了解鳥(niǎo)類(lèi)的生活習(xí)性和遷徙模式，同時(shí)評(píng)估生態(tài)系統(tǒng)的穩(wěn)定性、生物多樣性的豐富度，為鳥(niǎo)類(lèi)資源以及生態(tài)環(huán)境的保護(hù)和管理提供科學(xué)依據(jù)。傳統(tǒng)鳥(niǎo)類(lèi)監(jiān)測(cè)方法主要依靠人工觀測(cè)，人力、物力成本高，監(jiān)測(cè)范圍有限，信息量少，連續(xù)性差，對(duì)鳥(niǎo)類(lèi)生境活動(dòng)造成人為干擾，無(wú)法適應(yīng)鳥(niǎo)類(lèi)物種監(jiān)測(cè)在時(shí)域維度下對(duì)準(zhǔn)確性、連續(xù)性、完整性的需求。

2、鳥(niǎo)類(lèi)鳴聲是鳥(niǎo)類(lèi)重要的生物學(xué)特征之一，具有較高的辨識(shí)度和較遠(yuǎn)的傳播距離，在鳥(niǎo)類(lèi)物種分類(lèi)研究中得到廣泛應(yīng)用。在此理論背景之下，利用錄音設(shè)備采集鳥(niǎo)類(lèi)鳴聲，可以通過(guò)算法對(duì)鳴聲的特征屬性展開(kāi)分析，并實(shí)現(xiàn)鳥(niǎo)類(lèi)物種的自動(dòng)分類(lèi)和識(shí)別，為鳥(niǎo)類(lèi)的自動(dòng)監(jiān)測(cè)提供了一種新途徑。

3、目前，隨著國(guó)內(nèi)外學(xué)者的深入研究，出現(xiàn)了許多基于鳥(niǎo)鳴聲的物種識(shí)別方法。

4、常見(jiàn)方法主要包括：

5、1、基于模板匹配的鳥(niǎo)鳴識(shí)別方法，常用的如動(dòng)態(tài)時(shí)間規(guī)整算法，該方法可以得到較高的識(shí)別效果，但是存在運(yùn)算量過(guò)大的問(wèn)題；

6、如公開(kāi)號(hào)為cn107393542b的專(zhuān)利中公開(kāi)了一種鳥(niǎo)類(lèi)物種識(shí)別方法，將預(yù)處理鳥(niǎo)鳴聲信號(hào)基于線性調(diào)頻小波變換生成信號(hào)語(yǔ)圖，將信號(hào)語(yǔ)圖作為第一通道的輸入信號(hào)、鳥(niǎo)鳴聲時(shí)域信號(hào)作為第二通道的輸入信號(hào)、鳥(niǎo)鳴聲信號(hào)對(duì)應(yīng)的鳥(niǎo)類(lèi)物種作為識(shí)別結(jié)果對(duì)初步識(shí)別模型進(jìn)行訓(xùn)練，得到鳥(niǎo)類(lèi)物種識(shí)別模型。該專(zhuān)利提供一種基于雙通道神經(jīng)網(wǎng)絡(luò)的鳥(niǎo)類(lèi)物種識(shí)別方法，能夠提高鳥(niǎo)類(lèi)物種識(shí)別的效率和準(zhǔn)確性，用于鳥(niǎo)類(lèi)物種識(shí)別。但該方法仍存在運(yùn)算量過(guò)大的問(wèn)題；

7、2、基于特征提取的鳥(niǎo)鳴識(shí)別方法，常用的特征如梅爾頻率倒譜系數(shù)(mel-frequency?cepstral?coefficients，mfcc)、線性預(yù)測(cè)編碼(linear?predictive?coding，lpc)系數(shù)、lpc反射系數(shù)等，可通過(guò)各類(lèi)機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法建立分類(lèi)模型從而實(shí)現(xiàn)對(duì)鳥(niǎo)類(lèi)物種進(jìn)行識(shí)別。然而，現(xiàn)有分類(lèi)識(shí)別方法常采用單一特征作為輸入，可能無(wú)法捕獲重要的音頻信息，從而導(dǎo)致識(shí)別效果不佳；

8、如公開(kāi)號(hào)cn114863937b的專(zhuān)利中公開(kāi)了一種基于深度遷移學(xué)習(xí)與xgboost的混合鳥(niǎo)鳴識(shí)別方法，通過(guò)計(jì)算log-mel頻譜圖的一階差分系數(shù)和二階差分系數(shù)，反映鳥(niǎo)鳴信號(hào)的變化過(guò)程。該發(fā)明采用深度遷移學(xué)習(xí)微調(diào)vgg16模型構(gòu)建特征提取器，提升了少樣本訓(xùn)練數(shù)據(jù)下深度卷積神經(jīng)網(wǎng)絡(luò)的泛化能力，減少了參數(shù)訓(xùn)練，提升了運(yùn)行效率。該發(fā)明將鳥(niǎo)鳴信號(hào)映射為鳥(niǎo)類(lèi)物種，對(duì)自然環(huán)境中多種鳥(niǎo)類(lèi)鳴聲均具有良好的識(shí)別性能。但該方法采用單一特征作為輸入，可能無(wú)法捕獲重要的音頻信息，從而導(dǎo)致識(shí)別效果不佳。

9、此外，現(xiàn)有方法還常需要手動(dòng)提取特征，導(dǎo)致處理周期長(zhǎng)，識(shí)別效率低，難以適用于實(shí)踐應(yīng)用場(chǎng)景中大范圍監(jiān)測(cè)和低時(shí)延的需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于隨機(jī)森林模型的鳥(niǎo)鳴物種自動(dòng)識(shí)別方法及系統(tǒng)。該鳥(niǎo)鳴物種自動(dòng)識(shí)別方法從采集的鳥(niǎo)類(lèi)鳴聲數(shù)據(jù)中提取生物聲學(xué)特征指數(shù)用來(lái)訓(xùn)練隨機(jī)森林模型，并用該模型進(jìn)行檢測(cè)某鳥(niǎo)類(lèi)鳴聲時(shí)都是目標(biāo)鳥(niǎo)類(lèi)物種。

2、本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：

3、根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于隨機(jī)森林模型的鳥(niǎo)鳴物種自動(dòng)識(shí)別方法，方法步驟包括：

4、s1、選定目標(biāo)物種，獲取包括目標(biāo)物種與非目標(biāo)物種在內(nèi)的不同鳥(niǎo)類(lèi)的鳴聲數(shù)據(jù)；

5、s2、對(duì)鳴聲數(shù)據(jù)進(jìn)行特征提取，得到生物聲學(xué)特征指數(shù)；

6、s3、基于鳥(niǎo)類(lèi)的物種分類(lèi)和生物聲學(xué)特征指數(shù)隨機(jī)構(gòu)建樣本數(shù)據(jù)集；

7、s4、基于s3中所構(gòu)建的樣本數(shù)據(jù)集，訓(xùn)練隨機(jī)森林模型；

8、s5、計(jì)算auc值作為預(yù)測(cè)精度的評(píng)價(jià)指標(biāo)，并基于訓(xùn)練后的隨機(jī)森林模型，輸入新的未知的鳥(niǎo)鳴數(shù)據(jù)進(jìn)行鳥(niǎo)類(lèi)物種識(shí)別，輸出預(yù)測(cè)結(jié)果；

9、s6、重復(fù)s3、s4、s5步驟，將得到的所有預(yù)測(cè)結(jié)果與預(yù)測(cè)指標(biāo)求平均值，所得到的兩個(gè)平均值即分別為最終的預(yù)測(cè)結(jié)果與最終的評(píng)價(jià)指標(biāo)；

10、s7、將s6中得到的最終的預(yù)測(cè)結(jié)果與最終的評(píng)價(jià)指標(biāo)共同組成鳥(niǎo)類(lèi)物種識(shí)別結(jié)果，并將其輸出。

11、作為優(yōu)選的技術(shù)方案，s1中選定目標(biāo)物種具體為：選定某種關(guān)注的鳥(niǎo)類(lèi)物種作為目標(biāo)物種；s1中鳴聲數(shù)據(jù)經(jīng)過(guò)處理，處理包括分段與降噪處理，使鳴聲數(shù)據(jù)音質(zhì)清晰、背景無(wú)干擾聲音。

12、作為優(yōu)選的技術(shù)方案，s2中生物聲學(xué)特征指數(shù)包括：聲學(xué)復(fù)雜程度指數(shù)、聲學(xué)多樣性指數(shù)、聲學(xué)均勻度指數(shù)、生物聲學(xué)指數(shù)和標(biāo)準(zhǔn)聲景差異指數(shù)。

13、進(jìn)一步地，s2中提取生物聲學(xué)特征指數(shù)的方法具體為：對(duì)于單聲道的鳴聲數(shù)據(jù)，直接計(jì)算其生物聲學(xué)特征指數(shù)；對(duì)于立體聲的鳴聲數(shù)據(jù)，分別計(jì)算雙聲道的生物聲學(xué)特征指數(shù)后求平均值作為其生物聲學(xué)特征指數(shù)。

14、作為優(yōu)選的技術(shù)方案，s3中構(gòu)建的樣本數(shù)據(jù)集中的數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)平衡，用以確保目標(biāo)物種與非目標(biāo)物種的樣本數(shù)據(jù)數(shù)量相近或相同。

15、進(jìn)一步地，s3中所構(gòu)建的樣本數(shù)據(jù)集包括訓(xùn)練集與測(cè)試集；

16、訓(xùn)練集作為訓(xùn)練樣本用于創(chuàng)建隨機(jī)森林模型；

17、測(cè)試集作為測(cè)試樣本用于隨機(jī)森林模型性能的評(píng)估。

18、作為優(yōu)選的技術(shù)方案，s5、s6中的預(yù)測(cè)結(jié)果為檢測(cè)的鳴聲數(shù)據(jù)是目標(biāo)物種的概率，以概率的形式表現(xiàn)。

19、作為優(yōu)選的技術(shù)方案，s5中auc值為預(yù)測(cè)精度的評(píng)價(jià)指標(biāo)即受試者工作特征曲線下面積值；其中，auc值越趨近于1則表示模型的預(yù)測(cè)性能越好；auc值越趨近于0.5則表示模型預(yù)測(cè)結(jié)果越差。

20、作為優(yōu)選的技術(shù)方案，s6中基于蒙特卡洛交叉驗(yàn)證對(duì)輸出的預(yù)測(cè)與評(píng)估的中間結(jié)果求平均值，得到并輸出預(yù)測(cè)與評(píng)估最終結(jié)果的具體步驟為：

21、基于蒙特卡洛交叉驗(yàn)證，重復(fù)s3、s4和s5的過(guò)程n次后，將這n次重復(fù)中得到的預(yù)測(cè)與評(píng)估的中間結(jié)果求平均值，該平均值即為最終物種鑒別的依據(jù)，并以其中受試者工作特征曲線下面積值作為預(yù)測(cè)精度的評(píng)價(jià)指標(biāo)，其中，n≥100。

22、根據(jù)本發(fā)明的另一個(gè)方面，提供了一種基于隨機(jī)森林模型的鳥(niǎo)鳴物種自動(dòng)識(shí)別系統(tǒng)，該系統(tǒng)應(yīng)用于如上所述的一種基于隨機(jī)森林模型的鳥(niǎo)鳴物種自動(dòng)識(shí)別方法所工作；

23、該系統(tǒng)包括數(shù)據(jù)采集模塊、分析模塊、結(jié)果展示模塊；

24、所述數(shù)據(jù)采集模塊用于采集鳥(niǎo)鳴數(shù)據(jù)；

25、所述分析模塊內(nèi)預(yù)設(shè)有訓(xùn)練后的隨機(jī)森林模型，將數(shù)據(jù)采集模塊采集到的鳥(niǎo)鳴數(shù)據(jù)輸入至訓(xùn)練后的隨機(jī)森林模型，輸出得到鳥(niǎo)類(lèi)物種識(shí)別結(jié)果；

26、所述結(jié)果展示模塊用于展示鳥(niǎo)類(lèi)物種識(shí)別結(jié)果。

27、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

28、1、本發(fā)明通過(guò)包括聲學(xué)復(fù)雜程度指數(shù)、聲學(xué)多樣性指數(shù)、聲學(xué)均勻度指數(shù)、生物聲學(xué)指數(shù)和標(biāo)準(zhǔn)聲景差異指數(shù)在內(nèi)的不同生物聲學(xué)特征指標(biāo)表征鳥(niǎo)類(lèi)鳴聲的聲學(xué)特性，并將其輸入隨機(jī)森林模型中，有效實(shí)現(xiàn)了對(duì)不同類(lèi)型鳥(niǎo)鳴信號(hào)的自動(dòng)識(shí)別和分類(lèi)，為鳥(niǎo)類(lèi)物種識(shí)別提供了一種有效方法。

29、2、本發(fā)明采用訓(xùn)練后的隨機(jī)森林模型，輸入新的未知的鳥(niǎo)鳴數(shù)據(jù)進(jìn)行鳥(niǎo)類(lèi)物種識(shí)別，輸出預(yù)測(cè)結(jié)果，并計(jì)算auc值作為預(yù)測(cè)精度的評(píng)價(jià)指標(biāo)，能夠提供較高的鳥(niǎo)類(lèi)物種識(shí)別的預(yù)測(cè)準(zhǔn)確性；

30、3、本發(fā)明中進(jìn)行重復(fù)s3、s4、s5步驟，將得到的所有預(yù)測(cè)結(jié)果與預(yù)測(cè)指標(biāo)求平均值，所得到的兩個(gè)平均值即分別為最終的預(yù)測(cè)結(jié)果與最終的評(píng)價(jià)指標(biāo)，方法的計(jì)算過(guò)程引入了隨機(jī)性，使用不同子集訓(xùn)練模型并計(jì)算最后平均結(jié)果，對(duì)于數(shù)據(jù)噪聲和異常值的魯棒性較強(qiáng)，過(guò)擬合風(fēng)險(xiǎn)較小，在不需要額外調(diào)參的情況下同樣能夠較好地通過(guò)鳥(niǎo)鳴特征進(jìn)行物種識(shí)別。

31、3、本發(fā)明僅需對(duì)鳥(niǎo)鳴數(shù)據(jù)進(jìn)行特征提取，得到生物聲學(xué)特征指數(shù)，并用其進(jìn)行森林模型的構(gòu)建；利用較易獲取的鳥(niǎo)類(lèi)鳴聲數(shù)據(jù)計(jì)算生物聲學(xué)指標(biāo)并用于構(gòu)建分類(lèi)模型，不需要采集任何其他數(shù)據(jù)，系統(tǒng)構(gòu)成清晰簡(jiǎn)單，便于操作。