基于鳴聲組合特征與CNN的電網(wǎng)危害鳥(niǎo)種識(shí)別

邱志斌 王海祥 廖才波 盧祖文 況燕軍 張宇

摘要：為了輔助電網(wǎng)涉鳥(niǎo)故障的差異化防治，提出一種基于組合特征和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的電網(wǎng)危害鳥(niǎo)種鳴聲識(shí)別方法.根據(jù)歷史涉鳥(niǎo)故障的鳥(niǎo)種信息及輸電線路周邊鳥(niǎo)種調(diào)查結(jié)果，選擇13種高危鳥(niǎo)類(lèi)、8種微害鳥(niǎo)類(lèi)和2種無(wú)害鳥(niǎo)類(lèi)建立鳴聲樣本集；對(duì)鳥(niǎo)種鳴聲信號(hào)進(jìn)行分幀、加窗、降噪和剪裁等預(yù)處理，提取鳥(niǎo)鳴Mel倒譜系數(shù)（Mel-frequency Cepstrum Coefficients，MFCC）、Gammatone倒譜系數(shù)（Gammatone Frequency Cepstrum Coefficients，GFCC）和短時(shí)能量（Short-term Energy，STE）特征.針對(duì)單一特征表達(dá)能力不足的問(wèn)題，將MFCC及其一階差分、GFCC及其一階差分和STE歸一化后進(jìn)行組合，生成新的鳴聲特征集.搭建卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)組合特征進(jìn)行訓(xùn)練和識(shí)別，鳥(niǎo)種鳴聲測(cè)試集的識(shí)別正確率達(dá)91.8%，較單一MFCC和GFCC特征表現(xiàn)更為優(yōu)異.

關(guān)鍵詞：輸電線路；卷積神經(jīng)網(wǎng)絡(luò)；涉鳥(niǎo)故障；鳥(niǎo)鳴識(shí)別；組合特征

中圖分類(lèi)號(hào)：TM726.3文獻(xiàn)標(biāo)志碼：A

Identification of Harmful Bird Species in Power Grid Based on Combined Sound Features and CNN

QIU Zhibin1，WANG Haixiang1，LIAO Caibo1，LU Zuwen1，KUANG Yanjun2，ZHANG Yu2

（1. School of Information Engineering，Nanchang University，Nanchang 330031，China；2. Electric Power Research Institute of State Grid Jiangxi Electric Power Co.，Ltd.，Nanchang 330096，China）

Abstract：In order to assist differentiated prevention of bird-related faults in power grid，this paper proposes a method for the identification of bird species related to power grid faults based on combined features and a Convolutional Neural Network （CNN）. Firstly，based on the information from historical bird-related faults in the power grid and the investigation results of bird species around transmission lines，13 high-risk，8 low-risk，and 2 harmless bird species were selected to build a sound sample set. Then，the Mel-frequency Cepstrum Coefficients （MFCC），Gammatone Frequency Cepstrum Coefficients（GFCC），and Short-term Energy （STE）features of bird sounds were extractedafter preprocessing such as framing，windowing，noise reduction，and clipping. To solve the problem of insufficient expression ability of a single feature set，a new sound feature set was generated combining MFCC，GFCC，their first- order differences，and STE features after normalization. Finally，a CNN was built to train and recognize the combined features. The identification accuracy of the test set reaches 91.8%，which is better than those with a single MFCC and GFCC feature set.

Key words：transmission lines；convolutional neural networks；bird-related fault；birdsong recognition；combined features

隨著生態(tài)環(huán)境的不斷改善，鳥(niǎo)類(lèi)活動(dòng)與電網(wǎng)運(yùn)行的矛盾日益突出，涉鳥(niǎo)故障已成為導(dǎo)致輸電線路跳閘的重要原因[1-3].引起電網(wǎng)故障的危害鳥(niǎo)種具有地區(qū)差異，且鳥(niǎo)種體型、習(xí)性、活動(dòng)范圍各異，所造成的故障類(lèi)型與故障機(jī)理也各不相同[4]為了提高鳥(niǎo)害防治的有效性，電網(wǎng)運(yùn)維人員需要了解并識(shí)別輸電線路周邊活動(dòng)的鳥(niǎo)種，針對(duì)不同鳥(niǎo)種可能引起的故障類(lèi)型采取差異化的防治措施.

鳥(niǎo)種識(shí)別的方法包括圖像識(shí)別和鳴聲識(shí)別，近年來(lái)，研究人員針對(duì)影響電網(wǎng)安全的鳥(niǎo)種開(kāi)展了圖像或鳴聲識(shí)別研究.通過(guò)提取巡檢圖像中的鳥(niǎo)類(lèi)形狀、顏色和紋理等特征信息作為輸入量，利用智能學(xué)習(xí)算法構(gòu)建分類(lèi)器[5]，或者通過(guò)大樣本數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)目標(biāo)檢測(cè)算法[6-7]，可以實(shí)現(xiàn)鳥(niǎo)種圖像識(shí)別.由于夜間活動(dòng)或飛行中的鳥(niǎo)類(lèi)圖像采集存在一定困難，有必要將圖像與鳴聲信息共同作為電網(wǎng)危害鳥(niǎo)種識(shí)別的手段.鳴聲識(shí)別是以鳥(niǎo)鳴信號(hào)作為特征提取對(duì)象，利用不同鳥(niǎo)類(lèi)鳴叫聲的差異性進(jìn)行分類(lèi).

通過(guò)鳴聲信息進(jìn)行鳥(niǎo)種識(shí)別一般包括信號(hào)預(yù)處理、特征提取、算法識(shí)別等過(guò)程.常用的鳥(niǎo)類(lèi)鳴聲特征參數(shù)包含Mel倒譜系數(shù)（Mel-frequency Cepstrum Coefficients，MFCC）[8-10]、Gammatone倒譜系數(shù)（Gammatone Frequency Cepstrum Coefficients，GFCC）[11]、線性預(yù)測(cè)倒譜系數(shù)[12-13]、功率譜密度[14]、Mel子帶參數(shù)[15]和時(shí)頻譜圖特征[16-17]等.鳥(niǎo)種分類(lèi)算法包括高斯混合模型[18-19]、隱馬爾科夫模型[20-22]、隨機(jī)森林[14，16，23]、支持向量機(jī)[15，24-25]，以及卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）等深度學(xué)習(xí)算法[17-18，26-27].文獻(xiàn)［15］通過(guò)Mel濾波器組輸出各個(gè)子帶的能量序列，然后基于自回歸模型分別對(duì)各個(gè)子帶輸出的隨時(shí)間變化的能量序列進(jìn)行建模，得到野外環(huán)境下11種鳥(niǎo)類(lèi)的鳴聲參數(shù)化特征，并利用支持向量機(jī)進(jìn)行分類(lèi).文獻(xiàn)［17］利用動(dòng)態(tài)系統(tǒng)擴(kuò)充數(shù)據(jù)集，生成替代訓(xùn)練的數(shù)據(jù)，提取鳥(niǎo)鳴信號(hào)的時(shí)頻譜圖特征，結(jié)合CNN對(duì)6種鳥(niǎo)類(lèi)進(jìn)行分類(lèi).文獻(xiàn)［19］以MFCC作為特征參數(shù)，結(jié)合高斯混合模型對(duì)陜西省8 種鳥(niǎo)類(lèi)的鳴叫聲和鳴唱聲分別進(jìn)行建模識(shí)別.文獻(xiàn)［27］利用較容易獲取的鳥(niǎo)類(lèi)鳴聲數(shù)據(jù)集和環(huán)境聲音對(duì)ResNet-50網(wǎng)絡(luò)進(jìn)行訓(xùn)練，把訓(xùn)練好的模型遷移到鳴聲獲取較為困難的小數(shù)據(jù)集上進(jìn)行分類(lèi)，獲得了79%的準(zhǔn)確率.文獻(xiàn)［28］對(duì)MFCC和GFCC進(jìn)行融合，利用CNN對(duì)環(huán)境聲音進(jìn)行分類(lèi)，結(jié)果表明融合特征分類(lèi)模型具有更高的識(shí)別精度.目前，對(duì)鳥(niǎo)類(lèi)鳴聲的識(shí)別研究多是在較小的數(shù)據(jù)集上進(jìn)行種類(lèi)較少的鳥(niǎo)種分類(lèi)，且使用單一的鳥(niǎo)鳴特征.由于輸電線路跨越距離較長(zhǎng)，沿線經(jīng)過(guò)不同的地理環(huán)境，涉及的危害鳥(niǎo)種具有多樣化特點(diǎn).為了輔助涉鳥(niǎo)故障防治，提高危害鳥(niǎo)種的識(shí)別準(zhǔn)確率，有必要在多種類(lèi)大數(shù)據(jù)集上開(kāi)展鳥(niǎo)種鳴聲識(shí)別研究.

本文針對(duì)與輸電線路相關(guān)的23種鳥(niǎo)類(lèi)，通過(guò)對(duì)收集的鳴聲信號(hào)進(jìn)行降噪與剪輯等預(yù)處理，構(gòu)建了包含3 290段鳴聲信號(hào)的數(shù)據(jù)集，然后計(jì)算鳥(niǎo)鳴信號(hào)的MFCC、GFCC和短時(shí)能量（Short-term Energy，STE）特征，經(jīng)過(guò)組合與歸一化后得到新的特征集，將其作為CNN模型的輸入，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用Soft- max 層進(jìn)行分類(lèi)識(shí)別.算例結(jié)果表明，本文所提出的方法對(duì)涉鳥(niǎo)故障相關(guān)鳥(niǎo)種具有較高的識(shí)別率，可為運(yùn)維人員開(kāi)展輸電線路鳥(niǎo)種識(shí)別與涉鳥(niǎo)故障防治提供參考.

1鳥(niǎo)種鳴聲信號(hào)處理

1.1鳴聲信號(hào)降噪與剪裁

由于鳥(niǎo)種鳴聲信號(hào)大多是在野外條件下采集的，其中含有大量噪聲，為了獲取更加清晰的鳴聲信號(hào)特征，提高鳥(niǎo)種鳴聲識(shí)別的準(zhǔn)確率，需要對(duì)鳥(niǎo)鳴信號(hào)進(jìn)行降噪處理.鳥(niǎo)鳴信號(hào)中含有的噪聲多為風(fēng)聲和流水聲，可以看作加性噪聲.本文采用改進(jìn)譜減法去除鳥(niǎo)鳴信號(hào)中的這類(lèi)背景噪聲.

譜減法[29-30]是一種有效的降噪方法，在噪聲處理與語(yǔ)音增強(qiáng)方面應(yīng)用廣泛.其基本原理是采用帶噪鳥(niǎo)鳴信號(hào)的功率譜減去噪聲段的平均能量值，從而得到降噪后的鳥(niǎo)鳴信號(hào).已知鳥(niǎo)鳴信號(hào)前導(dǎo)噪聲段對(duì)應(yīng)的幀數(shù)為T(mén)，采用X_i（k）表示經(jīng)過(guò)快速傅里葉變換后的鳥(niǎo)鳴信號(hào)，則噪聲段的平均能量值D（k）可表示為：

式（2）利用每一幀的值進(jìn)行譜減，降噪效果較差，為得到較小的譜估算方差，提高鳥(niǎo)鳴音頻中環(huán)境噪聲的降噪效果，改進(jìn)譜減法采用鳥(niǎo)鳴信號(hào)相鄰幀之間的平均值Y_i（k）代替式（2）中的X_i（k）進(jìn)行譜減計(jì)算.Y_i（k）的表達(dá)式為：

對(duì)于第i幀，在X_i-p（i），…，X_i（k），…，X_i+P（k）之間計(jì)算其平均值Y_i（k）.

此外，由于鳥(niǎo)鳴信號(hào)中噪聲是隨機(jī)的，在降噪過(guò)程中會(huì)存在噪聲譜線的譜值大于a·D（k）的情況，若按式（2）進(jìn)行計(jì)算會(huì)導(dǎo)致噪聲不能被完全消除.改進(jìn)譜減法在降噪過(guò)程中從前導(dǎo)噪聲段保留了噪聲的最大值，利用噪聲最大值對(duì)含噪聲頻進(jìn)行譜減，從而在譜減過(guò)程中盡可能減少噪聲殘留.本文將功率譜作為譜減對(duì)象，取式（3）中的P=1，即在相鄰3幀之間取平均值Y（k）進(jìn)行譜減計(jì)算.以高危鳥(niǎo)種大杜鵑的一段鳴聲信號(hào)為例，原始大杜鵑鳴聲信號(hào)如圖（a）所示，經(jīng)過(guò)改進(jìn)譜減法降噪后的鳴聲信號(hào)波形如圖1（b）所示.可見(jiàn)，改進(jìn)譜減法有效濾除了原始鳴聲信號(hào)中的噪聲，使得鳥(niǎo)鳴信號(hào)更加清晰.

降噪后的鳥(niǎo)種鳴聲信號(hào)大多持續(xù)時(shí)間較長(zhǎng)，而且可能包含其他鳥(niǎo)類(lèi)鳴聲的干擾，為了節(jié)約計(jì)算資源并減少干擾，需要對(duì)降噪后的鳥(niǎo)鳴信號(hào)進(jìn)行剪裁.自然界中，絕大多數(shù)鳥(niǎo)類(lèi)一聲?shū)Q叫的時(shí)間都在1 s以內(nèi).因此，本文將鳥(niǎo)鳴信號(hào)樣本均剪裁為1 s，構(gòu)建鳥(niǎo)鳴樣本集，用于特征提取.以圖1 （b）中的大杜鵑信號(hào)為例，剪裁為1s后的信號(hào)波形如圖1（c）所示.

1.2涉鳥(niǎo)故障相關(guān)鳥(niǎo)種鳴聲樣本集

根據(jù)電網(wǎng)運(yùn)行部門(mén)關(guān)于歷史涉鳥(niǎo)故障及相關(guān)鳥(niǎo)種的統(tǒng)計(jì)結(jié)果，本文以某省電網(wǎng)引起輸電線路涉鳥(niǎo)故障的13種高危鳥(niǎo)類(lèi)、8種微害鳥(niǎo)類(lèi)和2種無(wú)害鳥(niǎo)類(lèi)為對(duì)象，構(gòu)建23種鳥(niǎo)類(lèi)的鳴聲信號(hào)樣本集，每種鳥(niǎo)類(lèi)的樣本數(shù)目為106～209個(gè)不等，共計(jì)3 290個(gè)樣本，其中高危、微害和無(wú)害鳥(niǎo)種樣本數(shù)量分別為1 848、1 193和249，每個(gè)樣本時(shí)長(zhǎng)均為1 s，采樣頻率為16 kHz.上述用以鳴聲識(shí)別研究的電網(wǎng)涉鳥(niǎo)故障相關(guān)鳥(niǎo)種樣本數(shù)量及導(dǎo)致的故障類(lèi)型如圖2所示. 為保證數(shù)據(jù)集的可信度和真實(shí)性，采用不同噪聲環(huán)境和錄音條件下的鳥(niǎo)類(lèi)鳴聲構(gòu)建數(shù)據(jù)集，同一段鳴聲不重復(fù)使用.

2鳥(niǎo)種鳴聲特征提取

2.1短時(shí)能量

短時(shí)能量是鳥(niǎo)鳴信號(hào)時(shí)域特征，由于不同的鳥(niǎo)鳴音節(jié)之間能量差別十分顯著，因此可以通過(guò)短時(shí)能量的變化來(lái)分析不同鳥(niǎo)種的發(fā)音特點(diǎn).已知降噪后并進(jìn)行分幀加窗處理的鳥(niǎo)鳴時(shí)域信號(hào)為x_i（u），短時(shí)能量E_sl（i）的計(jì)算公式為：

式中：R表示幀長(zhǎng)；I表示鳥(niǎo)鳴音頻總幀數(shù).

2.2MFCC特征參數(shù)

MFCC特征是聲音識(shí)別領(lǐng)域最常用的特征之一，它將時(shí)域信號(hào)轉(zhuǎn)化為頻域，然后基于人耳的聽(tīng)覺(jué)機(jī)理來(lái)分析語(yǔ)音頻譜，具有特征表達(dá)準(zhǔn)確、特征維度低的優(yōu)點(diǎn).MFCC提取流程如下：

1）計(jì)算每一幀信號(hào)的線譜能量E_i（k），即

E_i（k）=[X_i（k）]²（5）

2）將每一幀信號(hào)的線譜能量通過(guò)Mel濾波器組，計(jì)算在Mel濾波器組中的能量S_i（m），即

式中：m表示濾波器編號(hào)；M為濾波器的個(gè)數(shù)；H_m（k）為濾波器的頻率響應(yīng)；N為譜線條數(shù).

3）將通過(guò)Mel濾波器的能量取對(duì)數(shù)后進(jìn)行離散余弦變換（Discrete Cosine Transform，DCT），得到鳥(niǎo)鳴信號(hào)的MFCC特征參數(shù)，即

式中：d為進(jìn)行DCT后的譜線，1≤d≤D，D為MFCC特征維數(shù).通過(guò)式（7）計(jì)算得到的MFCC特征參數(shù)為二維矩陣，將其轉(zhuǎn)化為圖像，橫、縱坐標(biāo)分別表示幀數(shù)和特征維度，采用顏色深淺代表參數(shù)值大小，即可得到鳥(niǎo)鳴信號(hào)的MFCC特征圖.

2.3GFCC特征參數(shù)

鳥(niǎo)鳴信號(hào)的GFCC特征與MFCC特征提取流程的主要差別在于使用的濾波器不同，GFCC特征是將鳥(niǎo)鳴信號(hào)輸入n通道的Gammatone濾波器[31]，其表達(dá)式為：

g（f，t）=At^n-1e^-2πstcos（2πft+φ）u（t）（8）

式中：f、t、φ分別為頻率、時(shí)間和相位；A為濾波器增益的常數(shù)；n為濾波器的階數(shù)；u（t）為單位階躍函數(shù)；s為濾波器帶寬，其計(jì)算式為：

式中：B_ER（f）為等效矩形帶寬.

Gammatone濾波器對(duì)鳥(niǎo)種鳴聲信號(hào)的濾波過(guò)程可以表示為：

式中：S_i（g）為第g個(gè)濾波器輸出的對(duì)數(shù)能量值；H_g（k）為Gammatone濾波器頻率響應(yīng)；g為濾波器編號(hào)；G為濾波器的個(gè)數(shù)-對(duì)每個(gè)濾波器的輸出取對(duì)數(shù)后進(jìn)行離散余弦變換，其表達(dá)式為：

式中：G_i（q）為第q維GFCC特征參數(shù)，1≤q≤Q，Q為GFCC特征維數(shù).

2.4組合特征

鳥(niǎo)鳴識(shí)別相較于人類(lèi)聲音識(shí)別更為困難，單一類(lèi)型特征往往無(wú)法對(duì)鳥(niǎo)鳴特點(diǎn)進(jìn)行完全表達(dá)，故需要進(jìn)行特征的組合.由于GFCC特征與MFCC特征使用不同的濾波器組，二者組合能夠有效改善MFCC 特征能量泄漏問(wèn)題，而GFCC和MFCC特征都是頻域特征，引入短時(shí)能量可以增加時(shí)域信息.所以本文將MFCC特征及其一階差分、GFCC特征及其一階差分和短時(shí)能量特征進(jìn)行組合，然后刪除差分為零的幀，經(jīng)過(guò)歸一化得到鳥(niǎo)種鳴聲的組合特征集.組合特征計(jì)算流程如圖3所示，相關(guān)計(jì)算參數(shù)如表1所示.

MFCC和GFCC特征都屬于靜態(tài)特征，為了獲取鳥(niǎo)鳴信號(hào)的動(dòng)態(tài)特性，對(duì)MFCC和GFCC特征的一階差分進(jìn)行計(jì)算.同時(shí)，為了降低信號(hào)中的毛刺對(duì)一階差分動(dòng)態(tài)特征的影響，計(jì)算相鄰三幀的一階差分并求取其平均值.以MFCC特征為例，一階差分特征的計(jì)算方法為：

以圖2所示的大杜鵑鳴聲信號(hào)為例，取MFCC和GFCC特征維數(shù)均為12，通過(guò)上述方法計(jì)算所得的MFCC特征圖、GFCC特征圖、二者的一階差分特征圖以及組合特征圖如圖4所示.

將上述不同特征進(jìn)行組合，可以對(duì)鳥(niǎo)種鳴聲包含的聽(tīng)覺(jué)信息進(jìn)行綜合表征.組合特征集的維數(shù)由MFCC，GFCC和短時(shí)能量特征維數(shù)決定.由于一階差分是通過(guò)對(duì)不同幀進(jìn)行差分運(yùn)算，差分前后特征維數(shù)不變，而短時(shí)能量特征只有一維，故組合特征維數(shù)為2（D+Q）+1，不同特征的維度如表2所示.由于采用相鄰三幀計(jì)算差分的方法，導(dǎo)致首尾兩幀一階差分值為不包含信息的零值，因此將首尾兩幀刪除.

鳥(niǎo)種鳴聲的短時(shí)能量、MFCC特征與GFCC特征的計(jì)算方法不同，導(dǎo)致數(shù)值上存在較大差異，為防止特征尺度與量綱不同對(duì)識(shí)別結(jié)果造成影響，需要將各個(gè)特征量歸一化到［0，1］.特征量歸一化方法為：

式中：F_max和F_min分別表示特征量F的最大值和最小值.以大杜鵑的鳴聲信號(hào)為例，將各個(gè)特征量進(jìn)行歸一化后，組合特征如圖4（e）所示.

3電網(wǎng)危害鳥(niǎo)種鳴聲識(shí)別算例

3.1卷積神經(jīng)網(wǎng)絡(luò)

本文構(gòu)建24層卷積神經(jīng)網(wǎng)絡(luò)用于鳥(niǎo)種鳴聲特征的訓(xùn)練與鳥(niǎo)種識(shí)別，網(wǎng)絡(luò)主要包含5個(gè)卷積層+ ReLU、5個(gè)批量歸一化層和4個(gè)池化層.卷積核和池化核大小分別為［3×3］和［2×2］，設(shè)置卷積步幅為1，池化步幅為2.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示.

網(wǎng)絡(luò)輸入大小為224×224×3，將保存為相同大小的組合特征作為網(wǎng)絡(luò)的輸入，經(jīng)Conv_1、Conv_2、Conv_3卷積層進(jìn)行卷積，通道數(shù)分別為12、24和48，卷積前后特征大小保持不變.在每次卷積之后進(jìn)行池化操作，池化以后通道數(shù)目不變，特征大小變?yōu)樵瓉?lái)的1/2.Conv_4和Conv_5的卷積核個(gè)數(shù)都為48，卷積前后特征圖大小和通道數(shù)均保持不變，卷積后的池化層使特征大小變?yōu)樵瓉?lái)的1/2，最終輸出大小為14×14×48，經(jīng)過(guò)全連接層后輸出一個(gè)包含23種鳥(niǎo)類(lèi)可能性的概率分布.

3.2仿真環(huán)境與參數(shù)設(shè)置

本文開(kāi)展的電網(wǎng)危害鳥(niǎo)種鳴聲識(shí)別算例是在Matlab 2021a的軟件環(huán)境以及CPU為AMD Core R7- 5800H、主頻3.2 GHz，16 GB內(nèi)存，GPU為NVIDIA GeForce RTX3060、顯存大小為6 GB的硬件環(huán)境下完成.采用小批量梯度下降法（Mini-Batch Gradient Descent，MBGD）進(jìn)行網(wǎng)絡(luò)優(yōu)化，設(shè)置批大小為16，最大輪數(shù)為8，初始學(xué)習(xí)率為0.000 3，每經(jīng)6輪訓(xùn)練學(xué)習(xí)率降低為原來(lái)的50%，由此對(duì)23種鳥(niǎo)類(lèi)鳴聲信號(hào)進(jìn)行分類(lèi)識(shí)別.

3.3算例及結(jié)果分析

利用本文構(gòu)建的涉鳥(niǎo)故障相關(guān)鳥(niǎo)種鳴聲樣本集對(duì)CNN進(jìn)行訓(xùn)練，識(shí)別鳥(niǎo)種鳴聲，具體流程如圖6 所示.

由于不同的數(shù)據(jù)集劃分比例會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生影響，分別按照訓(xùn)練集、驗(yàn)證集和測(cè)試集比例為8：1：1、7：1：2、7：2：1和6：2：2劃分?jǐn)?shù)據(jù)集，設(shè)置組合特征維度為57維時(shí)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，識(shí)別結(jié)果如表3所示. 可見(jiàn)，當(dāng)數(shù)據(jù)集劃分比例為8：1：1時(shí)驗(yàn)證準(zhǔn)確率最高為91.49%，測(cè)試準(zhǔn)確率最高為91.21%.

為了探究組合特征集的識(shí)別效果，設(shè)置數(shù)據(jù)集劃分比例為8：1：1，同時(shí)以MFCC、GFCC、MFCC+STE、GFCC+STE、MFCC+GFCC作為CNN模型的輸入，將其作為對(duì)照組.當(dāng)MFCC和GFCC的特征維數(shù)D、Q均取12時(shí)，以驗(yàn)證集準(zhǔn)確率作為評(píng)價(jià)指標(biāo).上述各組特征集對(duì)應(yīng)的CNN訓(xùn)練結(jié)果如圖7所示.

由圖7可知，采用單一MFCC和GFCC特征作為輸入對(duì)CNN進(jìn)行8輪訓(xùn)練后，驗(yàn)證準(zhǔn)確率分別為88.75%和88.14%；引入短時(shí)能量STE特征后，驗(yàn)證準(zhǔn)確率提升為89.06%和89.67%.采用MFCC+GFCC 組合特征作為網(wǎng)絡(luò)輸入后，驗(yàn)證準(zhǔn)確率可進(jìn)一步提升至91.50%.以本文組合特征作為輸入時(shí)，CNN模型的驗(yàn)證準(zhǔn)確率達(dá)到了92.40%，相比于5個(gè)對(duì)照組分別提高了3.65%、4.26%、3.34%、2.73%和0.9%，這一結(jié)果表明，采用組合特征作為網(wǎng)絡(luò)輸入，可使CNN 取得更好的訓(xùn)練效果.

MFCC和GFCC特征包含的鳥(niǎo)種鳴聲信息量受到特征維數(shù)D和Q的影響，特征維數(shù)低，包含的鳥(niǎo)鳴信息較少；特征維數(shù)高，則干擾更為嚴(yán)重且計(jì)算量增大，占用更多計(jì)算資源.為了研究組合特征維數(shù)對(duì)識(shí)別結(jié)果的影響，設(shè)置數(shù)據(jù)集劃分比例為8：1：1，D=Q且分別取值6、10、14、18、22、26，即組合特征維數(shù)分別為25、41、57、73、89和105，比較不同特征維數(shù)下CNN模型的驗(yàn)證集準(zhǔn)確率，結(jié)果如圖8所示.可見(jiàn)，當(dāng)組合特征維數(shù)從25增加至73時(shí)，驗(yàn)證準(zhǔn)確率逐漸增大，分別增大至86.63%、90.58%、91.50%、93.31%；當(dāng)特征維數(shù)增加至89和105時(shí)，驗(yàn)證準(zhǔn)確率反而下降，分別下降至91.79%和90.58%.因此，本文取73維組合特征訓(xùn)練后的CNN模型用以測(cè)試集的鳥(niǎo)種識(shí)別.

采用訓(xùn)練后的CNN模型對(duì)23種鳥(niǎo)類(lèi)鳴聲測(cè)試集進(jìn)行識(shí)別，結(jié)果如圖9所示.由圖9可知，識(shí)別正確率分布在61.1%～100%內(nèi)，總體識(shí)別正確率可達(dá)92.2%. 13種高危鳥(niǎo)類(lèi)和8種微害鳥(niǎo)類(lèi)的平均識(shí)別正確率分別為94.3%和89.9%，高危鳥(niǎo)種鳴聲的識(shí)別效果表現(xiàn)更為優(yōu)異，其中大杜鵑、戴勝、蒼鷺等8種高危鳥(niǎo)種，大天鵝、松鴉、翠鳥(niǎo)3種微害鳥(niǎo)種的測(cè)試樣本識(shí)別正確率均為100%，其余5種高危鳥(niǎo)種和5種微害鳥(niǎo)種的識(shí)別正確率為61%～80%的有2種，為81%～ 90%的有5種，在90%以上（不包含100%）的有3種. 無(wú)害鳥(niǎo)種作為干擾選項(xiàng)仍然具有較好的識(shí)別效果，鵪鶉和環(huán)頸斑鳩的識(shí)別正確率分別為92.3%和83.3%.

在樣本預(yù)測(cè)類(lèi)別結(jié)果中，大嘴烏鴉對(duì)其他鳥(niǎo)種識(shí)別的干擾最為嚴(yán)重，5個(gè)禿鼻烏鴉、2個(gè)赤麻鴨樣本均被錯(cuò)誤識(shí)別為大嘴烏鴉.禿鼻烏鴉識(shí)別正確率最低，這是由于同科鳥(niǎo)種鳴聲非常相似，造成了識(shí)別難度增大.以蒼鷹、鶻、風(fēng)頭麥雞、喜鵲、大杜鵑、大天鵝6種鳥(niǎo)類(lèi)的其中一個(gè)鳴聲樣本為例，其識(shí)別結(jié)果如圖10所示.由圖10可知，確定概率均在83%以上，說(shuō)明網(wǎng)絡(luò)模型對(duì)測(cè)試集具有較好的識(shí)別效果.

4結(jié)論

本文提出了一種用以電網(wǎng)涉鳥(niǎo)故障危害鳥(niǎo)種識(shí)別的方法.通過(guò)對(duì)鳥(niǎo)種鳴聲信號(hào)進(jìn)行降噪等預(yù)處理，提取MFCC、GFCC與短時(shí)能量等構(gòu)成鳴聲組合特征集.采用CNN構(gòu)建鳥(niǎo)種識(shí)別模型，按照8：1：1比例劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，以73維組合特征作為模型輸入時(shí)可取得最優(yōu)識(shí)別效果.對(duì)23種輸電線路涉鳥(niǎo)故障相關(guān)鳥(niǎo)種的整體識(shí)別正確率可達(dá)92.2%，其中高危鳥(niǎo)種可達(dá)94.3%.本文研究可為電網(wǎng)運(yùn)維人員開(kāi)展鳥(niǎo)種智能識(shí)別與差異化防治提供參考.

參考文獻(xiàn)

[1]張宇，況燕軍，陳銘業(yè)，等.架空輸電線路絕緣子在典型鳥(niǎo)糞污染條件下的閃絡(luò)特性[J].高電壓技術(shù)，2018，44（6）：18001805.

ZHANG Y，KUANG Y J，CHEN MY，et al. Flashover performance of insulator for overhead transmission line under typical bird contamination conditions [J]. High Voltage Engineering，2018，44 （6）：1800-1805. （In Chinese）

[2]周軍，張祥全，王勝輝，等.±400 kV青藏直流線路鳥(niǎo)糞閃絡(luò)故障分析及治理[J].電網(wǎng)技術(shù)，2020，44（3）：1168-1174.

ZHOU J，ZHANG X Q，WANG SH，et al. Fault analysis and treatment of bird dropping flashover on ±400 kV Qinghai-Tibet DC transmission line [J]. Power System Technology，2020，44（3）：1168-1174.（In Chinese）

[3] IEEE Guide for reducing bird-related outages：IEEE Std 16512010[S]. New York，USA：IEEE，2011：3-9.

[4]李陽(yáng)林，張宇，郭志鋒，等.架空輸電線路涉鳥(niǎo)故障防治[M].北京：中國(guó)電力出版社，2018：1-35.

LI Y L，ZHANG Y，GUO Z F，et al. Bird-related outage prevention of overhead transmission lines [M]. Beijing：China Electric Power Press，2018：1-35. （In Chinese）

[5]陳林波.基于圖像處理與支持向量機(jī)的輸電線路相關(guān)鳥(niǎo)種智能識(shí)別[D].南昌：南昌大學(xué)，2020：24-32.

CHEN L B. Transmission lines based on image processing and support vector machines intelligent identification of related bird species[D]. Nanchang：Nanchang University，2020：24-32.（In Chinese）

[6]陳詠秋，孫凌卿，張永澤，等.基于YOLO v3的輸電線路鳥(niǎo)類(lèi)檢測(cè)技術(shù)研究[J].計(jì)算機(jī)工程，2020，46（4）：294-300.

CHEN Y Q，SUN L Q，ZHANG Y Z，et al. Research on bird detection technology for electric transmission line based on YOLO v3[J]. Computer Engineering，2020，46（4）：294-300.（In Chinese）

[7]邱志斌，朱軒，廖才波，等.基于目標(biāo)檢測(cè)的電網(wǎng)涉鳥(niǎo)故障相關(guān)鳥(niǎo)種智能識(shí)別[J].電網(wǎng)技術(shù)，2022，46（1）：369-377.

QIU Z B，ZHU X，LIAO C B，et al. Intelligent recognition of bird species related to power grid faults based on object detection[J]. Power System Technology，2022，46（1）：369-377. （In Chinese）

[8]徐淑正，孫憶南，皇甫麗英，等.基于MFCC和時(shí)頻圖等多種特征的綜合鳥(niǎo)聲識(shí)別分類(lèi)器設(shè)計(jì)[J].實(shí)驗(yàn)室研究與探索，2018，37（9）：81-86.

XU S Z，SUN Y N，HUANGFU L Y，et al. Design of synthesized bird sounds classifier based on multi feature extraction classifiers and time-frequency chat[J]. Research and Exploration in Laboratory，2018，37（9）：81-86. （In Chinese）

[9]VENTURA T M，DE OLIVEIRA A G，GANCHEV T D，et al. Audio parameterization with robust frame selection for improved bird identification[J]. Expert Systems with Applications，2015，42 （22）：8463-8471.

[10] KUCUKTOPCU O，MASAZADE E，UNSALAN C，et al. A realtime bird sound recognition system using a low-cost microcon- troller[J]. Applied Acoustics，2019，148：194-201.

[11]王浩安.基于多層能量檢測(cè)的動(dòng)物聲音檢測(cè)與識(shí)別[D].福州：福州大學(xué)，2013：23-26.

WANG H A. Animal sounds detection and recognition based on multilayer energy detection [D]. Fuzhou：Fuzhou University，2013：23-26. （In Chinese）

[12] JUANG C F，CHEN T M. Birdsong recognition using predictionbased recurrent neural fuzzy networks[J]. Neurocomputing，2007，71（1/2/3）：121-130.

[13] LIU H Z，BERGMANN N W. An FPGA softcore based implementation of a bird call recognition system for sensor networks [C]//2010 Conference on Design and Architectures for Signal and Image Processing（DASIP）.Edinburgh：IEEE，2010：1-6.

[14]況燕軍，邱志斌，李陽(yáng)林，等.基于鳥(niǎo)鳴功率譜密度的輸電線路涉鳥(niǎo)故障相關(guān)鳥(niǎo)種智能識(shí)別[J].水電能源科學(xué)，2021，39（2）：156-159.

KUANG YJ，QIUZB，LIYL，et al. Intelligent recognition of bird species related to transmission line bird faults based on power spectrum density of birdsong [J]. Water Resources and Power，2021，39⑵：156-159. （In Chinese）

[15]張賽花，趙兆，許志勇，等.基于Mel子帶參數(shù)化特征的自動(dòng)鳥(niǎo)鳴識(shí)別[J].計(jì)算機(jī)應(yīng)用，2017，37（4）：1111-1115.

ZHANG S H，ZHAO Z，XU Z Y，et al. Automatic bird vocalization identification based on Mel-subband parameterized feature [J]. Journal of Computer Applications，2017，37（4）：1111- 1115.（In Chinese）

[16]魏靜明，李應(yīng).利用抗噪紋理特征的快速鳥(niǎo)鳴聲識(shí)別[J].電子學(xué)報(bào)，2015，43（1）：185-190.

WEI J M，LI Y. Rapid bird sound recognition using anti-noise texture features[J]. Acta Electronica Sinica，2015，43（1）：185- 190.（In Chinese）

[17] TUBARO P L，MINDLIN G B. A dynamical system as the source of augmentation in a deep learning problem[J]. Chaos，Solitons & Fractals，2019，2：100012.

[18] MOHANTY R，MALLIK B K，SOLANKI S S. Automatic bird species recognition system using neural network based on spike [J]. Applied Acoustics，2020，161：107177.

[19]王恩澤，何東健.基于MFCC和雙重GMM的鳥(niǎo)類(lèi)識(shí)別方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（5）：1868-1871.

WANG E Z，HE D J. Bird recognition based on MFCC and dual- GMM[J]. Computer Engineering and Design，2014，35（5）：1868-1871.（In Chinese）

[20] DE OLIVEIRA A G，VENTURA T M，GANCHEV T D，et al. Speeding up training of automated bird recognizers by data reduction of audio features[J]. Peerj，2020，8：e8407.

[21] STASTNY J，MUNK M，JURANEK L. Automatic bird species recognition based on birds vocalization[J].EURASIP Journal on Audio，Speech，and Music Processing，2018（1）：1-7.

[22] JANCOVIC P，KOKUER M. Bird species recognition using unsupervised modeling of individual vocalization elements [J]. IEEE/ACM Transactions on Audio，Speech，and Language Processing，2019，27（5）：932-947.

[23]陳莎莎，李應(yīng).結(jié)合時(shí)-頻紋理特征的隨機(jī)森林分類(lèi)器應(yīng)用于鳥(niǎo)聲識(shí)別[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（1）：154-157.

CHEN S S，LI Y. Applying random forest classifier combined with time-frequency texture features to bird sounds recognition [J]. Computer Applications and Software，2014，31（1）：154-157.（In Chinese）

[24] ZHAO Z，ZHANG S H，XU Z Y，et al. Automated bird acoustic event detection and robust species classification[J]. Ecological Informatics，2017，39：99-108.

[25]陳唯實(shí)，閆軍，張潔，等.基于支持向量機(jī)的機(jī)場(chǎng)智能驅(qū)鳥(niǎo)決策[J].北京航空航天大學(xué)學(xué)報(bào)，2018，44（7）：1547-1553.

CHEN W S，YAN J，ZHANG J，et al. Intelligent decision making for airport bird-repelling with support vector machine[J]. Journal of Beijing University of Aeronautics and Astronautics，2018，44 （7）：1547-1553.（In Chinese）

[26] XIE J，HU K，ZHU M Y，et al. Investigation of different CNNbased models for improved bird sound classification[J]. IEEE Access，2019，7：175353-175361.

[27] EFREMOVA D B，SANKUPELLAY M，KONOVALOV D. Data- efficient classification of birdcall through convolutional neural networks transfer learning[C]//2019 Digital Image Computing：Techniques and Applications （DICTA）. Perth，Australia：IEEE，2019：294-301.

[28]張科，蘇雨，王靖宇，等.基于融合特征以及卷積神經(jīng)網(wǎng)絡(luò)的環(huán)境聲音分類(lèi)系統(tǒng)研究[J].西北工業(yè)大學(xué)學(xué)報(bào)，2020，38（1）：162-169.

ZHANG K，SU Y，WANG J Y，et al. Environment sound classification system based on hybrid feature and convolutional neural network[J]. Journal of Northwestern Polytechnical University，2020，38（1）：162-169.（In Chinese）

[29]趙力.語(yǔ)音信號(hào)處理[M].北京：機(jī)械工業(yè)出版社，2009：271-283.

ZHAO L. Speech signal processing[M]. Beijing：China Machine Press，2009：271-283.（In Chinese）

[30]吳曉文，周年光，裴春明，等.特高壓交流變電站可聽(tīng)噪聲分離方法[J].高電壓技術(shù)，2016，42（8）：2625-2632.

WU X W，ZHOU N G，PEI C M，et al. Separation methodology of audible noises of UHV AC substations[J]. High Voltage Engineering，2016，42（8）：2625-2632.（In Chinese）

[31]耿琪深，王豐華，金霄.基于Gammatone濾波器倒譜系數(shù)與鯨魚(yú)算法優(yōu)化隨機(jī)森林的干式變壓器機(jī)械故障聲音診斷[J].電力自動(dòng)化設(shè)備，2020，40（8）：191-196.

GENG Q S，WANG F H，JIN X. Mechanical fault sound diagnosis based on GFCC and random forest optimized by whale algorithm for dry type transformer[J]. Electric Power Automation Equipment，2020，40（8）：191-196.（In Chinese）