CN116386649B 一种基于云边协同的野外鸟类监测系统和方法 (北京林业大学)_第1页
CN116386649B 一种基于云边协同的野外鸟类监测系统和方法 (北京林业大学)_第2页
CN116386649B 一种基于云边协同的野外鸟类监测系统和方法 (北京林业大学)_第3页
CN116386649B 一种基于云边协同的野外鸟类监测系统和方法 (北京林业大学)_第4页
CN116386649B 一种基于云边协同的野外鸟类监测系统和方法 (北京林业大学)_第5页
已阅读5页,还剩33页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于云边协同的野外鸟类监测系统和本申请提供了一种基于云边协同的野外鸟通过鸟类鸣声检测模型实现有效音频信息的筛2主控制器模块,分别与所述音频采集模块和所述环境数据采集模块连接云平台,用于接收所述主控制器模块发送的所述鸟类鸣声信息和所述当前环境数据,2.一种基于云边协同的野外鸟类监测方法通过主控制器获取目标鸟类所处监测区域的鸟鸣音频信息和当前环将预先存储的历史生态数据、所述鸟鸣音频信息和所述当前环境通过所述鸟类鸣声识别网络对所述鸟鸣音频信息进行处理,得根据所述历史生态数据和所述当前环境数据,通过所述生态位将每种鸟类对应的鸟类物种预测向量和鸟类物种存在先验向量相乘从所述待选物种预测值中选取大于预测值阈值的目标物种预测值,并将所将所述鸟鸣频谱图输入所述鸟类鸣声识别网络,得到所述鸟类鸣将所述特征图向量分别输入多个不同大小的卷积层,得到每个3将所述第一鸟鸣声区域特征分别输入各卷积层对应的反卷积层,对每个所述第二鸟鸣声区域特征进行向量相加后,再通过激活函将所述当前环境数据和所述历史生态数据输入物种分布预测模型,得预测模型输出的不同鸟类在所述监测区域存将不同鸟类的先验概率输入所述生态位信息网络,得到所述生态采用所述低级特征提取块对所述音频信息进行处理,提取所述音频信息中的低级特采用所述高级特征提取块对所述低级特征进行处理,提取所述音频信息中的高级特若所述概率值大于预设概率阈值,则确定所述音频信息中包含3*3深度可分离卷积层,与所述1*1的第一卷9.一种计算机可读存储介质,其特征在于,所述4[0012]通过主控制器获取目标鸟类所处监测区域的鸟鸣音频信息和当前环境数据,其5[0023]将所述鸟鸣频谱图依次输入1*1卷积层和3*3深度可分离卷积层,得到特征图向6[0046]当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优7[0055]图8为本申请实施例提供的一种基于云边协同的野外鸟类监测装置的结构示意[0061]步骤101:通过主控制器获取目标鸟类所处监测区域的鸟鸣音频信息和当前环境[0062]其中,主控制器通过鸟类鸣声检测模型确定接收到的音频信息是否包含鸟类鸣[0066]服务器将鸟鸣音频信息、当前环境数据和历史生态数据8[0071]步骤202:采用低级特征提取块对音频信息进行处理,提取音频信息中的低级特和一个转置层,其中,每个一维卷积层后连接一个BatchNormalization层(批量标准化BN层用于对特征进行降维,去除冗余信息;转置层用于对特征向量进行transpose(转置)操[0074]一维卷积层能够自适应地提取更好的区分性特征,避免了仅采用MFCC(Mel_FrequencyCepstralCoefficients,一种在自动语音和说话人识别中广泛使用的特征)或[0075]BatchNormalization层用于求取数据的均值和方差,从而对输入数据进行标准[0076]步骤203:采用高级特征提取块对低级特征进行处理,提取音频信息中的高级特[0077]主控制器将提取的低级特征输入高级特征提取块,高级特征提取块包括多个3*39[0078]示例性的,注意力模块可以为ESE(EffectiveSqueezeandExtraction)注意力模[0080]分类器由一个全连接层和一个softmax层组成,全连接层用于将低级特征和高级[0089]首先,服务器根据鸟鸣音频信息生成鸟鸣频谱图,鸟鸣频谱图可以通过现有的鸟类的鸟类物种预测向量包括:将鸟鸣频谱图依次输入1*1卷积层和3*3深度可分离卷积[0091]图5为倒残差块的放大示意图。鸟类鸣声识别网络由多个顺序连接的倒残差块组[0095]其次,服务器将每种鸟类对应的鸟类物种预测向量和鸟类物种存在先验向量相数据对鸟类生存概率的影响,可以避免在两种鸟类鸣声相似时容易出现识别错误的问题,[0103]主控制器模块采用Cortex_M7内核的微控制器,用于实现对边缘设备和其他各模鸟类鸣声检测模型检测音频信息中是否包含[0105]电源模块采用太阳能+锂电池的供电方式,在天气晴好时采用太阳能直接为设备[0114]S2、轻量化鸟类鸣声检测模型的低级特征提取块进行音频信息的低级特征的提[0115]S3、轻量化鸟类鸣声检测模型的高级特征提取块进行音频信息的高级特征的提[0119]云平台采用云服务器,用于接收和存储边缘设备上传的音频信息及当前环境数[0127]获取模块801,用于通过主控制器获取目标鸟类所处监测区域的鸟鸣音频信息和将目标物种预测值对应的鸟类物种作为目标[0157]1*1的第二卷积层与注意力模块的输出端连接,1*1的第二卷积层用于减少通道接口(SerialPeripheralInterface,简称SPI)总线或集成电路总线(Inter_称CPU)、微控制器(MicrocontrollerUnit,简称MCU)等;还可以是数字信号处理器[0162]根据本申请实施例的又一方面还提供了一种具有处理器可执行的非易失的程序数字信号处理设备(DSPDevice,DSPD)、可编程逻辑设备(ProgrammableLogicDevice,或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出[0174]以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论