一种声音识别分蜂方法技术

本发明专利技术公开了一种声音识别分蜂方法，该方法采用基于python语言的TensorFlow机器学习框架和Keras机器学习库进行卷积神经网络模型的构建，并进行模型训练，模型经过迭代训练，得到训练集识别准确率为100％，利用训练好的模型对其余状态蜂群声音样本与分蜂状态蜂群声音样本进行预测，模型对总体蜂群声音预测样本达到了99％的预测准确率，分蜂状态蜂群声音样本的预测准确率为98％，能够更加准确有效的识别蜂群分蜂状态。别蜂群分蜂状态。别蜂群分蜂状态。

【技术实现步骤摘要】
一种声音识别分蜂方法


[0001]本专利技术属于声音识别
，具体涉及一种声音识别分蜂方法。

技术介绍

[0002]传统判断蜂群分蜂需要蜂农依据经验观察或定期开箱检查，该方法费时费力且准确性低。2011年，有研究者提出了一种基于统计学的蜂群声音分析方法，该方法中认为，与其他类型的有色噪声一样，蜂群产生的噪声是有规律的统计学行为，可以被检测。实验设置在春季与夏季，从午夜到凌晨，共采集12个蜂箱的声音数据，采集到的数据被分割为1s长的片段，并进行归一化(normalized)处理，对原始数据序列采用高斯内核(Gaussiankernel)的最佳线性平滑程序(Procedure ofOptimal Linear Smoothing)进行处理，最后对波形的振幅序列进行估计，给出了蜂群声音的统计指标。结果显示，当蜜蜂将要分蜂时波形会发生变化，这种变化可以在分蜂前几天被发现，用来预测分蜂，该方法的缺点在于，大部分记录的信号只有噪声，不适用于某些特殊情况。
[0003]2015年，有研究者提出了一个完整的蜜蜂检测平台。在这项研究中，麦克风只作为安装在蜂巢内的传感器之一，其他参数包括CO2浓度，温度，湿度以及加速度，此外还安装了蜂巢内的红外摄像机以及蜂巢外的热成像仪。声音被用来以非常简单的方式检测可能的分蜂事件，声音信号经过系统滤波后，估算记录到的声音包络，如果信号的振幅快速上升，系统就会向养蜂人发送报警信息。该系统部署在简单的硬件上用于蜂群监测，同时也降低了功耗，但同时，由于判断方法过于简单，容易产生假阳性警告。/>[0004]2018年，研究者提出基于蜂群声音子带功率比的分蜂预测以中华蜜蜂为研究对象，利用人为分蜂的方式实现分蜂，分析了分蜂蜂群与正常蜂群声音信号的功率谱密度。试验场地设置在合肥市蜀山区蜀山湖路，试验蜂群为两群健康中华蜜蜂，采用全指向性麦克风进行声音采集，放置在蜂群中部，试验共记录到5组分蜂现象，研究人员利用软件将声音信号裁剪为1s的声音片段进行分析。声音的预处理采用巴特沃斯低通滤波器，截止频率为2000Hz，采用汉明窗进行加窗分帧处理，采用功率谱密度提取信号的特征向量，然后利用分类回归决策树(CART)算法进行分类。结果表明，正常状态下的蜜蜂声音和准备分蜂时的蜂群声音在频率分布上有明显差异，基于CART决策树算法构建的声音分类识别器预测分蜂的先验概率达99.04％。但由于子带划分较粗略，子带选取的分段主要依靠经验来确定，因此计算得到的子带功率比可能存在人为造成的误差。
[0005]2020年，有研究者提出基于声音信号的蜂群健康状态监测方法研究，利用音频识别技术，收集并分析蜂群的各种状态，最后得到相应蜂群的状态识别率。实验数据采集地点位于重庆某蜂场，声音采集系统包括太阳能电池板，蓄电池，ADC模块，RPi2控制器及全向麦克风，并将该系统嵌入到特制木框中，放置在蜂箱主体和支座中间。实验分别采集了各种状态下的蜜蜂声音数据各10G左右。研究人员对实验数据进行了预处理，分析了风声、蟋蟀声等噪声的时域特征与频谱图，对比分析了谱减法、小波阈值降噪法，自适应滤波抵消算法进行降噪，通过分析各种降噪算法原理，最后选择自适应滤波抵消算法对蜂群声音信号进行
降噪。对降噪后的蜂群音频信号进行特征提取，分别提取出时域特征参数、LPCC特征参数以及MFCC特征参数。最后通过构建支持向量机模型对蜂群异常状态进行分类识别，包括有蜂王蜂群、无蜂王蜂群、无蜂王且蜜蜂数量逐渐减少蜂群以及感染瓦螨病的蜂群。结果表明，MFCC+ΔMFCC的特征参数组合，识别效果最佳，平均识别率可达到93％以上。
[0006]所以，提出一种采用MFCC特征参数输入到卷积神经网络分类模型当中时，能够有效的识别蜂群分蜂状态，且识别准确率更高的声音识别分蜂方法。

技术实现思路

[0007]为了解决上述技术问题，本专利技术提出了一种声音识别分蜂方法，该方法采用基于python语言的TensorFlow机器学习框架和Keras机器学习库进行卷积神经网络模型的构建，并进行模型训练，模型经过迭代训练，得到训练集识别准确率为100％，利用训练好的模型对其余状态蜂群声音样本与分蜂状态蜂群声音样本进行预测，模型对总体蜂群声音预测样本达到了99％的预测准确率，分蜂状态蜂群声音样本的预测准确率为98％，能够更加准确有效的识别蜂群分蜂状态。
[0008]为了达到上述技术目的，本专利技术是通过以下技术方案实现的：一种声音识别分蜂方法，包括以下步骤：
[0009]S1：采集获得蜂群声音数据集；
[0010]S2：对声音信号预处理，提取蜂群声音信号的MFCC特征参数；
[0011]S3：采用基于python语言的TensorFlow机器学习框架和Keras机器学习库进行卷积神经网络模型的构建；
[0012]S4：对模型进行训练，使用模型进行蜂群声音的预测。
[0013]优选的，所述S1中使用带有金属网罩的麦克风对群势相近的健康中蜂蜂群进行声音采集。
[0014]优选的，所述S2中声音信号预处理利用Sonic Visualiser.exe软件提供的声音信号可视化功能及标签功能对数据集进行注释区分杂音区域与无杂音区域，将杂音区域从数据集中去除，对无杂音区域的音频片段作等时长分割处理；并对声音信号进行预加重处理，再进行分帧加窗处理；进而利用基于python的librosa、numpy、matplotlib.pyplot等工具包对蜂群声音特征进行可视化对比。
[0015]优选的，所述声音信号预加重处理使用传递函数：
[0016]H(z)＝1
‑
az
‑
1 (1)
[0017]采用的系数为0.95，设x(n)为原始蜂群声音信号，y(n)为经过预加重处理后的蜂群声音信号，则有：
[0018]y(n)＝x(n)
‑
ax(n
‑
1) (2)
[0019]加帧时使用的python代码设置的帧长n_fft等于2048，帧移hop_length等于512；加窗即与一个窗函数相乘，将预加重处理后的声音信号y(n)与窗函数w(n)相乘，得到S
w
：
[0020]S
w
＝y(n)*w(n) (3)
[0021]采用汉明窗对蜂群声音信号进行加窗处理。
[0022]优选的，所述S2中提取蜂群声音信号的MFCC特征参数的步骤为声音信号预处理后进行快速傅里叶变换(FFT)、Mel滤波器组滤波、对数运算、离散余弦变换(DCT)。
[0023]优选的，所述快速傅里叶变换(FFT)：设第i帧蜂群声音信号为x
i
(m)，X(i,k)为第i帧蜂群声音信号频谱，k为第i帧声音信号对应的谱线，则有对应关系：
[0024]X(i,k)＝FFT[x
i
(m)]ꢀꢀꢀꢀꢀꢀ
(4)
[0025]将X(i,k)取绝对值平方后得到每一帧信号的功率谱，设功率谱为E本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.声音识别分蜂方法，其特征在于，包括以下步骤：S1：采集获得蜂群声音数据集；S2：对声音信号预处理，提取蜂群声音信号的MFCC特征参数；S3：采用基于python语言的TensorFlow机器学习框架和Keras机器学习库进行卷积神经网络模型的构建；S4：对模型进行训练，使用模型进行蜂群声音的预测。2.根据权利要求1所述声音识别分蜂方法，其特征在于，所述S1中使用带有金属网罩的麦克风对群势相近的健康中蜂蜂群进行声音采集。3.根据权利要求1所述声音识别分蜂方法，其特征在于，所述S2中声音信号预处理利用SonicVisualiser.exe软件提供的声音信号可视化功能及标签功能对数据集进行注释区分杂音区域与无杂音区域，将杂音区域从数据集中去除，对无杂音区域的音频片段作等时长分割处理；并对声音信号进行预加重处理，再进行分帧加窗处理；进而利用基于python的librosa、numpy、matplotlib.pyplot等工具包对蜂群声音特征进行可视化对比。4.根据权利要求3所述声音识别分蜂方法，其特征在于，所述声音信号预加重处理使用传递函数：H(z)＝1
‑
az
‑
1 (1)采用的系数为0.95，设x(n)为原始蜂群声音信号，y(n)为经过预加重处理后的蜂群声音信号，则有：y(n)＝x(n)
‑
ax(n
‑
1) (2)加帧时使用的python代码设置的帧长n_fft等于2048，帧移hop_length等于512；加窗即与一个窗函数相乘，将预加重处理后的声音信号y(n)与窗函数w(n)相乘，得到S
w
：S
w
＝y(n)*w(n) (3)采用汉明窗对蜂群声音信号进行加窗处理。5.根据权利要求1所述声音识别分蜂方法，其特征在于，所述S2中提取蜂群声音信号的MFCC特征参数的步骤为声音信号预处理后进行快速傅里叶变换、Mel滤波器组滤波、对数运算、离散余弦变换。6.根据权利要求5所述声音识别分蜂方法，其特征在于，所述快速傅里叶变换：设第i帧蜂群声音信号为x
i
(m)，X(i,k)为第i帧蜂群声音信号频谱，k为第i帧声音信号对应的谱线，则有对应关系：X(i,k)＝FFT[x
i
(m)] (4)将X(i,k)取绝对值平方后得到每一帧信号的功率谱，设功率谱为E(i,k)，则有：E(i,k)＝|X(i,k)|
2 (5)Mel滤波器组滤波：使用Mel滤波器组对E(i,k)计算得到声音信号在Mel频域的能量S(i,m)，则有：式中m表示第m个滤波器，H
m
...

【专利技术属性】
技术研发人员：王锐刚，董坤，赵文正，周宁，田亚凯，汪建明，周丹银，
申请(专利权)人：云南农业大学，
类型：发明
国别省市：