基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)昆蟲聲音識(shí)別系統(tǒng).pdf

1、在農(nóng)業(yè)生產(chǎn)中，昆蟲起到了非常重要的影響作用，昆蟲的種類和數(shù)量將直接影響農(nóng)業(yè)的產(chǎn)量和經(jīng)濟(jì)效益。對于農(nóng)業(yè)害蟲的解決方案還是普遍使用噴灑農(nóng)藥的傳統(tǒng)方法，因此，農(nóng)藥的種類和用量的選擇顯得尤為重要。如此一來，準(zhǔn)確判斷農(nóng)業(yè)昆蟲的種類和數(shù)量將是一個(gè)重要課題。隨著人工智能的興起和發(fā)展，自動(dòng)昆蟲識(shí)別成為農(nóng)業(yè)科技方面的一個(gè)突出成果。農(nóng)業(yè)昆蟲識(shí)別技術(shù)的兩大領(lǐng)域是昆蟲圖像識(shí)別和昆蟲聲音識(shí)別。在昆蟲聲音識(shí)別方面，傳統(tǒng)的手工提取聲音特征的方法還在普遍應(yīng)用。但這種方

2、法不可避免的引入了由于研究員的主觀因素而產(chǎn)生的額外誤差，其主要原因是特征的選擇和特征的組合方法是兩大難以解決的難題。
　　本文研究了昆蟲聲音特征提取的重要方法，選擇了語譜圖這一基礎(chǔ)特征，取其R空間灰度圖，使用對比度限制的自適應(yīng)直方圖均衡化對該特征進(jìn)行增強(qiáng)。用以梅爾倒譜系數(shù)(MFCC)和彩色語譜圖作為輸入特征的兩個(gè)對照實(shí)驗(yàn)組，進(jìn)行昆蟲識(shí)別過程，增強(qiáng)后的語譜圖在識(shí)別率上超過了傳統(tǒng)的MFCC和彩色語譜圖。而且，在數(shù)據(jù)規(guī)模的方面，增強(qiáng)后的

3、語譜圖在維度和數(shù)據(jù)總量方面均體現(xiàn)出極大優(yōu)勢。
　　在分類技術(shù)方面，我們也做了深入的研究。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和SVM在聲音識(shí)別方面應(yīng)用最為廣泛，但在大規(guī)模數(shù)據(jù)量的識(shí)別工作中，其效率較低，準(zhǔn)確率的提升緩慢?；谌斯ぶ悄芎蜋C(jī)器學(xué)習(xí)技術(shù)的發(fā)展，我們使用卷積神經(jīng)網(wǎng)絡(luò)作為分類技術(shù)，搭建了包含兩個(gè)卷積層，兩個(gè)池化層，兩個(gè)全連接層和一個(gè)ReLU層的卷積神經(jīng)網(wǎng)絡(luò)模型。將MFCC、彩色語譜圖和增強(qiáng)語譜圖作為網(wǎng)絡(luò)輸入，分別用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和我

4、們的卷積神經(jīng)網(wǎng)絡(luò)模型作為分類方法，做了三組對照實(shí)驗(yàn)。卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練速度和識(shí)別精度方面都表現(xiàn)出了強(qiáng)大優(yōu)勢。
　　通過若干組對照試驗(yàn)，我們最終將增強(qiáng)語譜圖和卷積神經(jīng)網(wǎng)絡(luò)的組合作為最終的識(shí)別方法，得到了平均0.0798553的網(wǎng)絡(luò)誤差和平均97.8723％的識(shí)別率，相比于MFCC和卷積神經(jīng)網(wǎng)絡(luò)的組合的0.296177平均網(wǎng)絡(luò)誤差和93.617％平均識(shí)別率，彩色語譜圖和卷積神經(jīng)網(wǎng)絡(luò)組合的0.188119平均網(wǎng)絡(luò)誤差和95.7447％平