一种基于深度卷积循环神经网络的钻蛀振动信号增强方法技术

本发明专利技术公开了一种基于深度卷积循环神经网络的钻蛀振动信号增强方法。方法使用基于深度学习的语音增强技术，构建了钻蛀振动信号增强模型，用于对常见环境中采集到的钻蛀振动信号进行增强。发明专利技术包括以下步骤：(1)挑选并砍伐受钻蛀性害虫侵害树木，(2)采集树干中钻蛀振动信号，(3)采集环境噪声，(4)将钻蛀振动信号与环境噪声混合制作数据集，(5)构造深度卷积循环神经网络，(6)利用数据集训练深度卷积循环神经网络。本发明专利技术提供的方法能够有效抑制随钻蛀振动信号一同采集的噪声，保留较纯净的钻蛀振动信号，运行速度较快，显著提升了检测模型对钻蛀振动信号识别准确率，为提高钻蛀性害虫的早期预警能力提供了技术支撑。虫的早期预警能力提供了技术支撑。虫的早期预警能力提供了技术支撑。

【技术实现步骤摘要】
一种基于深度卷积循环神经网络的钻蛀振动信号增强方法


[0001]本专利技术涉及数字信号处理和深度学习领域，具体而言，涉及一种基于深度卷积循环神经网络的钻蛀振动信号增强方法。

技术介绍

[0002]森林是地球上可再生资源及陆地生态系统的主体。林业不仅是重要的基础产业部门，而且也是重要的公共事业部门，其发展一直受到全社会的关注。对林业资源进行高效、准确监测是保证林业生态安全和经济效益的关键。近年来，森林火灾和森林病虫害已经成为我国较为严重的自然灾害。林业虫害中的蛀干害虫幼虫期在树干木质部或树皮韧皮部下营钻蛀生活,形成密集的坑道,破坏树木的分生和输导组织,阻断寄主植物养分和水分运输,导致树势衰弱甚至死亡。此类害虫受外界环境影响小，危害极具隐蔽性，是我国林业上最难防治的一类害虫。一旦林木表现出明显的被害症状时，往往已失去有利治理时机，给防治工作带来很大困难。
[0003]为了应对这种害虫难以被检测到的情况，一种方便快捷的检测方法是使用传感器采集树木中害虫取食时的振动信号，再使用模型判断树木是否已受虫害。但噪声对模型的识别准确率有较大影响。信噪比越低，模型识别准确率降低幅度越大。因此，带噪钻蛀振动需要经过增强处理，才能尽量减少甚至消除噪声对后续识别过程的影响，保证对钻蛀振动的准确识别。现有的钻蛀振动信号识别模型中缺少增强的环节，在识别过程前先对钻蛀振动信号进行增强尤为必要。
[0004]钻蛀振动信号与语音信号有一定相似性，可以对其使用语音领域的技术进行处理。随着计算机硬件性能的提升和深度学习技术的发展，基于深度学习的语音增强方法得到了广泛的研究，进步迅速。在基于深度学习的语音增强方法中，基于波形映射的方法直接对原始音频进行增强，不依赖语音信号的频域表示，因而避免了相位信息的丢失以及重构增强后的语音时使用带噪语音相位而可能引发的降噪效果不佳的问题。同时，它也减少了语音信号的处理工序，避免了信号在时域和频域的来回转换，使得处理流程更加简洁，满足钻蛀振动信号增强的实际需求。

技术实现思路

[0005]本专利技术提供一种基于深度卷积循环神经网络的钻蛀振动增强方法，用以抑制和去除自然环境中所采集的钻蛀振动信号中的噪声。
[0006]为达到上述目的，本专利技术提供了一种基于深度卷积循环神经网络的钻蛀振动增强方法，对钻蛀振动信号进行增强。该方法包括以下步骤：
[0007](1)采集钻蛀振动信号和环境噪声，制作数据集：
[0008]①
挑选并砍伐受钻蛀性害虫侵害的树木，将树干锯为等长木段。
[0009]②
向害虫活跃的木段中嵌入压电式传感器，对采集木段中的钻蛀振动信号。
[0010]③
向未受侵害的木段中嵌入压电式传感器，将木段和传感器放置在噪声环境中，
采集传播到木段中的噪声。
[0011]④
对钻蛀振动信号和噪声进行筛选，去除钻蛀振动信号中混入的杂音，去除噪声片段中噪声较弱部分。
[0012]⑤
使用谱减法对钻蛀振动信号和噪声片段去除仪器底噪。
[0013]⑥
将钻蛀振动信号和噪声片段裁剪为5秒的片段。
[0014]⑦
随机将钻蛀振动信号和噪声中94％的片段划分为训练集，其余为测试集。
[0015]⑧
随机分别将测试集和训练集中的钻蛀振动信号片段和噪声片段以
‑
10dB的SNR混合，制成数据集。
[0016](2)构造深度卷积循环神经网络：
[0017]所述深度卷积神经网络由编码器、序列建模模块、解码器三部分顺序串联构成，其中编码器有5层，解码器有5层，吗，每个编码器层通过跨层连接将本层输出数据传递至对应解码器层，序列建模模块有两层，网络以波形信号作为输入，输出增强后的波形信号。
[0018]①
编码器设计
[0019]编码器以带噪钻蛀振动的波形信号作为输入，输出片段的隐层空间表示，5个编码器层顺序串联，每个编码器层通过跨层连接额外将本层数据传递至对应解码器层。每个编码器层由两个卷积层和每个卷积层之后的激活层构成，所有编码器层中第一个卷积层的卷积核大小8
×
8，步长为4，其后的激活层为ReLu，所有编码器层中第二个卷积层的卷积核大小为1
×
1，步长为1，其后的激活层为GLU，每个编码器层中的卷积输入输出通道数如下：
[0020]第一层的第一个卷积：输入通道数为1，输出通道数为48。第一层的第二个卷积：输入通道数为48，输出通道数为96。
[0021]第二层的第一个卷积：输入通道数为48，输出通道数为96；第二层的第二个卷积：输入通道数为96，输出通道数为192。
[0022]第三层的第一个卷积：输入通道数为96，输出通道数为192；第三层的第二个卷积：输入通道数为192，输出通道数为384。
[0023]第四层的第一个卷积：输入通道数为192，输出通道数为384；第四层的第二个卷积：输入通道数为384，输出通道数为768。
[0024]第五层的第一个卷积：输入通道数为384，输出通道数为768；第五层的第二个卷积：输入通道数为768，输出通道数为1536。
[0025]②
序列建模模块设计
[0026]序列建模模块由两层SRU++构成。每层SRU++输入尺寸和输出尺寸都为768。SRU++中注意力机制的第一层的输入尺寸为768，输出尺寸为192。注意力机制的第二层饿输入尺寸为192，输出尺寸为384。注意力机制的第三层的输入尺寸为192，输出尺寸为2304；
[0027]③
解码器设计
[0028]解码器以序列建模模块的输出作为输入，输出增强后的钻蛀振动波形信号。5个解码器层顺序串联，每层通过跨层连接接收对应编码器层的输出数据，每个解码器层由一个卷积层，一个反卷积层和它们之后的分别的激活层构成，所有解码器层中的卷积层的卷积核大小为1
×
1，步长为1，反卷积层的卷积核大小为8
×
8，步长为4，卷积层后的激活层为GLU，反卷积层后的激活层为ReLu，最后一个解码器层无Relu激活层，每个解码器层中的卷积输入输出通道数如下：
[0029]第一层的卷积层：输入通道数为768，输出通道数为1536；第一层的反卷积层：输入通道数为768，输出通道数为384。
[0030]第二层的卷积层：输入通道数为384，输出通道数为768；第二层的反卷积层：输入通道数为384，输出通道数为192。
[0031]第三层的卷积层：输入通道数为192，输出通道数为384；第三层的饭卷积层：输入通道数为192，输出通道数为96。
[0032]第四层的卷积层：输入通道数为96，输出通道数为192；第四层的反卷积层：输入通道数为96，输出通道数为48。
[0033]第五层的卷积层：输入通道数为48，输出通道数为96；第五层的反卷积层：输入通道数为48，输出通道数为1。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积循环神经网络的钻蛀振动信号增强方法，对钻蛀振动信号进行增强，以抑制和去除钻蛀振动信号中包含的噪声，其特征在于，包括以下步骤：(1)采集钻蛀振动信号和环境噪声，制作数据集；(2)构造深度卷积循环神经网络；所述深度卷积神经网络由编码器、序列建模模块、解码器三部分顺序串联构成，其中编码器有5层，解码器有5层，序列建模模块有两层，每个对应的编码器层和解码器层之间有跨层连接，网络以波形信号作为输入，输出增强后的波形信号；(3)利用数据集，结合基于mini
‑
batch的随机梯度下降算法训练深度卷积循环神经网络，采用log
‑
cosh损失函数作为整个深度卷积循环神经网络的损失函数；(4)使用训练完成的深度卷积循环神经网络对带噪钻蛀振动信号进行增强。2.根据权利要求1所述的害虫图像自动识别方法，其特征在于，步骤(1)中，包括：(1
‑
1)挑选并砍伐受钻蛀性害虫侵害的树木，将树干锯为等长木段；(1
‑
2)向害虫活跃的木段中嵌入压电式传感器，对采集木段中的钻蛀振动信号；(1
‑
3)向未受侵害的木段中嵌入压电式传感器，将木段和传感器放置在噪声环境中，采集传播到木段中的噪声；(1
‑
4)对钻蛀振动信号和噪声进行筛选，去除钻蛀振动信号中混入的杂音，去除噪声片段中噪声较弱部分；(1
‑
5)使用谱减法对钻蛀振动信号和噪声片段去除仪器底噪；(1
‑
6)将钻蛀振动信号和噪声片段裁剪为5秒的片段；(1
‑
7)随机将钻蛀振动信号和噪声中94％的片段划分为训练集，其余为测试集；(1
‑
8)随机分别将测试集和训练集中的钻蛀振动信号片段和噪声片段以
‑
10dB的SNR混合，制成数据集。3.根据权利要求1中所述的害虫图像自动识别方法，其特征在于，步骤(2)中：编码器以带噪钻蛀振动的波形信号作为输入，输出片段的隐层空间表示，5个编码器层顺序串联，每层都通过跨层连接将本层输出数据额外输出到与对应解码器的解码器层，，每个编码器层由两个卷积层和每个卷积层之后的激活层构成，所有编码器层中第一个卷积层的卷积核大小8
×
8，步长为4，其后的激活层为ReLu，所有编码器层中第二个卷积层的卷积核大小为1
×
...

【专利技术属性】
技术研发人员：陈志泊，张海燕，李巨虎，崔晓晖，师昊鹏，刘璇昕，蔡高辕，张兴，姜维正，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：