一种鸟鸣声智能识别方法、装置、设备和介质与流程

技术特征：
1.一种鸟鸣声智能识别方法，其特征在于，包括：获取原始鸟鸣声信号；采用最大后验估计器对所述原始鸟鸣声信号进行降噪处理，得到目标鸟鸣声信号；从所述目标鸟鸣声信号中提取目标特征；根据所述目标特征训练得到目标分类模型；通过所述目标分类模型对待识别鸟鸣声进行识别，确定所述待识别鸟鸣声的识别结果。2.根据权利要求1所述的一种鸟鸣声智能识别方法，其特征在于，所述采用最大后验估计器对所述原始鸟鸣声信号进行降噪处理，得到目标鸟鸣声信号这一步骤之前，还包括：将所述原始鸟鸣声信号中幅度最大的点放大到设定阈值；记录所述放大过程中幅度最大的点的放大比例；根据所述放大比例，将所述原始鸟鸣声信号中所有点进行放大处理。3.根据权利要求1所述的一种鸟鸣声智能识别方法，其特征在于，所述采用最大后验估计器对所述原始鸟鸣声信号进行降噪处理，得到目标鸟鸣声信号，包括：计算所述原始鸟鸣声信号的先验信噪比，确定所述原始鸟鸣声信号中的鸟鸣声帧和噪声帧；通过最大后验估计器对所述噪声帧进行降噪处理，得到已降噪的目标鸟鸣声文件和每一帧鸟鸣声存在概率的文件。4.根据权利要求3所述的一种鸟鸣声智能识别方法，其特征在于，所述采用最大后验估计器对所述原始鸟鸣声信号进行降噪处理，得到目标鸟鸣声信号这一步骤之后，还包括：对所述目标鸟鸣声信号进行分割处理，去除所述目标鸟鸣声信号中的静音段；根据所述每一帧鸟鸣声存在概率的文件，将所述目标鸟鸣声进行分段处理，得到数据维度一致的多个鸟鸣声片段。5.根据权利要求1所述的一种鸟鸣声智能识别方法，其特征在于，从所述目标鸟鸣声信号中提取目标特征，包括：通过一阶高通滤波器对所述目标鸟鸣声信号进行预加重处理，得到第一鸟鸣声信号；按照预设的帧长，对所述第一鸟鸣声信号进行分帧处理，得到第二鸟鸣声信号；对所述第二鸟鸣声信号进行加窗处理，得到第三鸟鸣声信号；对所述第三鸟鸣声信号进行快速傅里叶变换处理，得到第四鸟鸣声信号；通过梅尔滤波器组对所述第四鸟鸣声信号进行平滑化处理，得到第五鸟鸣声信号；对所述第五鸟鸣声信号进行对数运算，得到对数能量；对所述对数能量进行离散余弦变换，得到mfcc参数；根据所述mfcc参数，对所述第五鸟鸣声信号进行差分变换，得到目标特征。6.根据权利要求1所述的一种鸟鸣声智能识别方法，其特征在于，根据所述目标特征训练得到目标分类模型，包括：获取所述目标特征中包含的mfcc参数作为分类模型的输入数据，并根据所述输入数据进行训练；所述分类模型采用densenet和blstm结合的网络结构；采用交叉熵函数作为所述分类模型的损失函数，将所述分类模型训练得到目标分类模型；
其中，所述densenet包括密集块和过渡层；所述密集块中的非线性组合函数包括批归一化结构、激活函数结构和3
×
3的卷积结构；所述densenet还包括1
×
1的卷积操作；所述过渡层包括两个相邻的密集块；所述blstm包括前向的长短时记忆网络和后向的长短时记忆网络。7.根据权利要求1所述的一种鸟鸣声智能识别方法，其特征在于，通过所述目标分类模型对待识别鸟鸣声进行识别，确定所述待识别鸟鸣声的识别结果，包括：通过所述目标分类模型对待识别鸟鸣声进行识别，得到初始识别结果；通过基于贝叶斯决策的数据融合规则，对所述初始识别结果进行归类验证，确定所述待识别鸟鸣声的识别结果。8.一种鸟鸣声智能识别装置，其特征在于，包括：获取模块，用于获取原始鸟鸣声信号；降噪模块，用于采用最大后验估计器对所述原始鸟鸣声信号进行降噪处理，得到目标鸟鸣声信号；特征提取模块，用于从所述目标鸟鸣声信号中提取目标特征；训练模块，用于根据所述目标特征训练得到目标分类模型；识别模块，用于通过所述目标分类模型对待识别鸟鸣声进行识别，确定所述待识别鸟鸣声的识别结果。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1
‑
7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1
‑
7中任一项所述的方法。