基于鸣声组合特征与CNN的电网危害鸟种识别

为了辅助电网涉鸟故障的差异化防治,提出一种基于组合特征和卷积神经网络 （Convolutional Neural Network,CNN）的电网危害鸟种鸣声识别方法 . 根据历史涉鸟故障的鸟 种信息及输电线路周边鸟种调查结果,选择13种高危鸟类、8种微害鸟类和2种无害鸟类建立 鸣声样本集;对鸟种鸣声信号进行分帧、加窗、降噪和剪裁等预处理,提取鸟鸣 Mel 倒谱系数 （Mel-frequency Cepstrum Coefficients,MFCC）、Gammatone 倒 谱 系 数（Gammatone Frequency Cepstrum Coefficients,GFCC）和短时能量（Short-term Energy,STE）特征 . 针对单一特征表达能 力不足的问题,将MFCC及其一阶差分、GFCC及其一阶差分和STE归一化后进行组合,生成新 的鸣声特征集 . 搭建卷积神经网络模型对组合特征进行训练和识别,鸟种鸣声测试集的识别 正确率达91.8%,较单一MFCC和GFCC特征表现更为优异.     

基于Mel频谱图和CNN的电网涉鸟故障鸟声识别

为了提高电网渉鸟故障防治的针对性，提出了一种基于Mel频谱图和卷积神经网络(CNN)的鸟声识别方法。建立常见渉鸟故障对应的40类代表性鸟种的鸣声样本集，对鸟鸣信号进行分帧、加窗与降噪等预处理，计算每帧信号在各个Mel滤波器中的能量，根据能量大小与颜色深浅的映射关系提取鸟鸣信号的Mel频谱图。以电网涉鸟故障相关鸟种的Mel频谱图作为输入，通过CNN反复执行卷积-池化过程提取Mel频谱图特征，并进行多次迭代训练调整网络内部参数，得到最优模型用于鸟种识别。算例结果表明，40类鸟种的识别准确率达96.1%,识别效果优于其他迁移学习模型。文中研究结果可为输电线路运维人员正确识别相关鸟种、开展渉鸟故障差异化防治提供参考。