基于卷積神經(jīng)網(wǎng)絡(luò)的自動昆蟲聲音識別系統(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，準確判斷農(nóng)業(yè)昆蟲的種類和數(shù)量將是一個重要課題。隨著人工智能的興起和發(fā)展，自動昆蟲識別成為農(nóng)業(yè)科技方面的一個突出成果。農(nóng)業(yè)昆蟲識別技術(shù)的兩大領(lǐng)域是昆蟲圖像識別和昆蟲聲音識別。在昆蟲聲音識別方面，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行增強。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對照實驗組，進行昆蟲識別過程，增強后的語譜圖在識別率上超過了傳統(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在聲音識別方面應(yīng)用最為廣泛，但在大規(guī)模數(shù)據(jù)量的識別工作中，其效率較低，準確率的提升緩慢?；谌斯ぶ悄芎蜋C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)，搭建了包含兩個卷積層，兩個池化層，兩個全連接層和一個ReLU層的卷積神經(jīng)網(wǎng)絡(luò)模型。將MFCC、彩色語譜圖和增強語譜圖作為網(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，做了三組對照實驗。卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練速度和識別精度方面都表現(xiàn)出了強大優(yōu)勢。
　　通過若干組對照試驗，我們最終將增強語譜圖和卷積神經(jīng)網(wǎng)絡(luò)的組合作為最終的識別方法，得到了平均0.0798553的網(wǎng)絡(luò)誤差和平均97.8723％的識別率，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