林業(yè)鉆蛀性害蟲生活隱蔽、對寄主的危害時間長且危害性較為嚴重,早期受害狀難以察覺,但擴散速度快且極易爆發(fā)成災,在中后期可以通過外部損害特征進行蟲情判斷,但往往已經(jīng)造成無法挽回的損失。目前多采用人工觀察或遙感圖像的方式在成蟲期對蛀干害蟲進行監(jiān)測,大量消耗人力、物力和財力,無法在蟲害發(fā)生早期實現(xiàn)精準預警�；诖�,本文探索了基于深度學習的鉆蛀性害蟲聲音識別,針對無噪和含噪兩種蟲聲數(shù)據(jù)設計識別模型和降噪模型實現(xiàn)了蟲聲識別和降噪,探索真實環(huán)境下害蟲自動識別預警的可能性。一方面,本文設計實現(xiàn)了四個輕量級神經(jīng)網(wǎng)絡變種Insect Frames＿1-4,通過調(diào)整網(wǎng)絡結構提取不同維度的鉆蛀振動特征,并對比了平均池化降維對特征提取及鉆蛀振動識別效果的影響;本文分別提取對數(shù)梅爾聲譜和小波包分解譜圖作為卷積神經(jīng)網(wǎng)絡的輸入,對比不同網(wǎng)絡輸入對識別效果的影響。實驗結果表明,對數(shù)梅爾聲譜更適用于鉆蛀性害蟲的聲音識別任務;Insect Frames＿1-4利用對數(shù)梅爾聲譜進行識別的精度均達到90%以上,在CPU上平均識別時間為0.1s-1.3s;其中,最佳模型Insect Frames＿2識別精度達到95.83%。另一...

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究目的與意義
    1.2 國內(nèi)外研究進展
        1.2.1 害蟲聲音監(jiān)測
        1.2.2 深度學習技術
        1.2.3 基于深度學習的聲音識別
    1.3 研究內(nèi)容
    1.4 組織結構
2 數(shù)據(jù)集獲取與建立
    2.1 實驗材料與設備
    2.2 鉆蛀振動錄音
    2.3 本章小結
3 鉆蛀性害蟲識別
    3.1 鉆蛀振動信號預處理
        3.1.1 有效片段提取
        3.1.2 蟲聲信號特征提取
    3.2 基于Insect Frames的鉆蛀振動識別
        3.2.1 Insect Frames識別模型
        3.2.2 害蟲聲音識別流程
        3.2.3 實驗環(huán)境
    3.3 基于GMM的鉆蛀振動識別
    3.4 基于Res Net18 的鉆蛀振動識別
    3.5 實驗與結果
    3.6 討論與分析
    3.7 本章小結
4 蟲聲降噪識別
    4.1 數(shù)據(jù)集加噪
    4.2 蟲聲降噪方法
    4.3 結果與分析
        4.3.1 評價指標
        4.3.2 結果與分析
    4.4 本章小結
5 結論與展望
    5.1 結論
    5.2 展望
參考文獻
個人簡介
導師簡介
獲得成果目錄
致謝



本文編號：3809228