基于深度学习的钻蛀性害虫声音识别

发布时间：2023-05-06 06:35

　　林业钻蛀性害虫生活隐蔽、对寄主的危害时间长且危害性较为严重,早期受害状难以察觉,但扩散速度快且极易爆发成灾,在中后期可以通过外部损害特征进行虫情判断,但往往已经造成无法挽回的损失。目前多采用人工观察或遥感图像的方式在成虫期对蛀干害虫进行监测,大量消耗人力、物力和财力,无法在虫害发生早期实现精准预警。基于此,本文探索了基于深度学习的钻蛀性害虫声音识别,针对无噪和含噪两种虫声数据设计识别模型和降噪模型实现了虫声识别和降噪,探索真实环境下害虫自动识别预警的可能性。一方面,本文设计实现了四个轻量级神经网络变种Insect Frames＿1-4,通过调整网络结构提取不同维度的钻蛀振动特征,并对比了平均池化降维对特征提取及钻蛀振动识别效果的影响;本文分别提取对数梅尔声谱和小波包分解谱图作为卷积神经网络的输入,对比不同网络输入对识别效果的影响。实验结果表明,对数梅尔声谱更适用于钻蛀性害虫的声音识别任务;Insect Frames＿1-4利用对数梅尔声谱进行识别的精度均达到90%以上,在CPU上平均识别时间为0.1s-1.3s;其中,最佳模型Insect Frames＿2识别精度达到95.83%。另一...

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究目的与意义
    1.2 国内外研究进展
        1.2.1 害虫声音监测
        1.2.2 深度学习技术
        1.2.3 基于深度学习的声音识别
    1.3 研究内容
    1.4 组织结构
2 数据集获取与建立
    2.1 实验材料与设备
    2.2 钻蛀振动录音
    2.3 本章小结
3 钻蛀性害虫识别
    3.1 钻蛀振动信号预处理
        3.1.1 有效片段提取
        3.1.2 虫声信号特征提取
    3.2 基于Insect Frames的钻蛀振动识别
        3.2.1 Insect Frames识别模型
        3.2.2 害虫声音识别流程
        3.2.3 实验环境
    3.3 基于GMM的钻蛀振动识别
    3.4 基于Res Net18 的钻蛀振动识别
    3.5 实验与结果
    3.6 讨论与分析
    3.7 本章小结
4 虫声降噪识别
    4.1 数据集加噪
    4.2 虫声降噪方法
    4.3 结果与分析
        4.3.1 评价指标
        4.3.2 结果与分析
    4.4 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
个人简介
导师简介
获得成果目录
致谢



本文编号：3809228