林业科学

作者：冯慧敏,金崑*

单位：中国林业科学研究院森林生态环境与自然保护研究所 中国林业科学研究院自然保护地研究所 生物多样性保护国家林业和草原局重点实验室 北京 100091

关键词：海南长臂猿,海南热带雨林国家公园,声谱图,卷积神经网络,声纹识别

基金：中国林业科学研究院中央级公益性科研院所基本科研业务费专项(重点项目)(CAFYBB2019ZB010);国家林业和草原局项目(21302112021-4023);国家林业和草原局项目(21302112019-4017);国家林业和草原局项目(21302102021-4106)

目的: 利用鸣叫声对雄性海南长臂猿个体进行识别，为海南长臂猿种群智能感知和监测及海南热带雨林国家公园智慧保护地建设提供支撑。方法: 许多研究证明某些物种鸣叫的声音具有个体差异，这种差异可以作为一种声音指纹来对物种个体进行识别。本研究基于雄性海南长臂猿鸣叫声谱的特征以及声纹识别的基本原理，提出基于卷积神经网络的声纹识别的方法，通过采用主动声学监测和被动声学监测2种方法收集海南长臂猿鸣叫的原始数据，对原始数据进行预处理，将7只雄性海南长臂猿鸣叫短语中的调频音符组合的声谱图作为输入。通过搭建卷积神经网络和残差卷积神经网络2种模型，7只雄性海南长臂猿鸣叫声谱中提取声纹特征并进行分类，实现个体识别。结果: 通过五折交叉验证得出卷积神经网络模型识别正确率为91.2%，识别效果标准差为4.24%。残差卷积神经网络模型识别正确率为95.04%，识别效果标准差为2.97%。相比卷积神经网络，残差卷积神经网络识别准确率更高，且分类效果更加稳定，但是计算耗时更长。结论: 利用卷积神经网络模型和残差卷积神经网络模型对雄性海南长臂猿鸣叫声谱图进行分类并实现个体识别是可靠的，本方法可以应用于对海南长臂猿的声纹识别。相比卷积神经网络，残差卷积神经网络模型识别的稳定性更好，且分类效果提高3.84%，达到95.04%。但从应用性上而言，对比残差卷积神经网络，卷积神经网络模型训练成本更低，推理计算速度更快，且准确率和预测稳定性达到应用要求。基于卷积神经网络的声纹识别方法克服了许多现有方法中存在的计算和数据集的限制，为将来其他物种的声纹识别研究提供了更好的解决方案。

来源：2023年第1期

《林业科学》期刊编辑部

查看林业科学杂志2023年第1期