[发明专利]一种基于GMM识别模型的鸟类智能识别方法及系统

说明书

本发明为克服直接利用鸟类鸣声进行鸟类识别存在识别效果差的缺陷，提出一种基于GMM识别模型的鸟类智能识别方法，以及一种基于GMM识别模型的鸟类智能识别系统，其中包括以下步骤：采集鸟类声音信号，同时采集声音源方向的图像信号；将采集的鸟类声音信号和图像信号进行预处理；将经过预处理的鸟类声音信号和图像信号分别输入用于识别鸟类声音的GMM识别模型，以及用于识别鸟类图像的卷积神经网络模型，分别输出鸟类声音识别结果和鸟类图像识别结果。本发明采用GMM识别模型和卷积神经网络模型对输电线路环境的鸟类声音和鸟类图像进行识别，有效提高鸟类识别准确率。

技术领域

本发明涉及声音识别技术领域，更具体地，涉及一种基于GMM识别模型的鸟类智能识别方法及系统。

背景技术

沿海丘陵地区鸟害覆盖时间久，输电线路经常会有鸟害发生。为了减少鸟害对输电线路的影响，输电线路运维人员会在鸟害高发时间段对线路进行高频率巡检，通过清除鸟巢或布置防鸟装置等措施减少鸟类在输电杆塔周围活动。虽然电力运维部门长期以来采取了多项防鸟害措施，但防鸟工作缺乏科学有效的方法发现并识别鸟类，使输电线路运维人员工作强度大且无法高效防范鸟害事故。

目前，已有一些针对鸟类分布情况和鸟害发生概率的研究工作，相比发展较为成熟的污区分布图和正在积极发展的冰区分布图，电力系统鸟害分布的相关技术研究进展缓慢。现有的针对输电线路的涉害鸟类研究，大多采用样线法等进行调研，同时与电网鸟害故障的统计信息和各地区的生态因素相结合，得到经验性的统计结果，但缺乏对广东沿海丘陵地区典型涉害鸟类的研究。现有的针对输电线路鸟类分布与生态环境关系的研究，只停留在简单的观察统计之中，也没有智能识别方法，无法有针对性的发现鸟害。目前应用于识别鸟类的方法有如公开号为CN110797033A(公开日：2020-02-14)提出的一种基于人工智能的声音识别方法，提出采集鸟类声音信号并进行特征提取后，输入到预先训练好的目标隐马尔可夫模型中进行识别，得到鸟类识别结果。然而，传统的利用鸟类鸣声进行鸟类识别的方法，一般是将鸟类的鸣声混在一起进行训练和识别，但是忽略了鸟类鸣声分为鸣叫声和鸣唱声的特点，而鸣叫声和鸣唱声是两种完全不同的鸣声类型，于是导致训练和识别的效果很差，存在鸟类识别准确率低的问题。

发明内容

本发明为克服上述现有技术所述的直接利用鸟类鸣声进行鸟类识别存在识别准确率低的缺陷，提供一种基于GMM识别模型的鸟类智能识别方法，以及一种基于GMM识别模型的鸟类智能识别系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于GMM识别模型的鸟类智能识别方法，包括以下步骤：

S1：采集鸟类声音信号，同时采集声音源方向的图像信号；

S2：将采集的鸟类声音信号和图像信号进行预处理；

S3：将经过预处理的鸟类声音信号和图像信号分别输入用于识别鸟类声音的GMM识别模型，以及用于识别鸟类图像的卷积神经网络模型，分别输出鸟类声音识别结果和鸟类图像识别结果，并分别存储在声纹库和图像库中；

S4：将待识别的鸟类声音信号和图像信号分别与所述声纹库和图像库中的样本进行比对，输出鸟类识别结果。

作为优选方案，所述S2步骤中，对图像信号进行预处理的具体步骤包括：

S2.1：将图像信号转换为灰度图；

S2.2：对图像进行边缘提取、图像降噪和归一化处理；

S2.3：对图像进行二进制化处理。

作为优选方案，所述S2.1步骤中，将图像信号转换为灰度图采用极值法、平均值法、加权法中的一种或多种。