基于时频谱图的声学部件检测提升自动物种识别精度10%

自动物种识别在环境监测中的应用日益受到重视，因为它可以作为衡量生物多样性、丰富度和生态环境健康的重要指标。本文主要探讨了利用时频谱图形状进行声学部件检测的新方法，这对于准确识别动物叫声至关重要。作者创新性地将可听的声音信号通过快速傅里叶变换转化为可视的时频谱图，这种转化使得复杂的声学特征能够直观地展示出来。 文章详细介绍了三种基于时频谱图形状的声学部件检测算法：warble（颤音）、stacked harmonic（叠置谐波）和oscillation（振动）。Warble检测关注的是叫声中的不规则周期变化，stacked harmonic则着重于分析连续的和谐音调组合，而oscillation则是捕捉叫声中的持续波动模式。通过分析母考拉叫声的实例，作者深入阐述了这三种算法的工作原理，并将其识别结果与Raven和Song Scope两种现有工具进行了对比。 实验结果显示，相比于Raven和Song Scope，本文提出的这三种算法在识别精度方面显著提升，达到了10%。这一改进表明，通过时频谱图形状分析，可以更精确地识别出不同动物的叫声特征，从而提高自动物种识别的准确性，为环境保护和生物多样性研究提供了有力的技术支持。 总结来说，本文的核心贡献在于提出了一种基于时频谱图形状的声学部件检测方法，通过图像处理技术提升了自动物种识别的性能，对于环境监测和野生动物保护具有实际应用价值。未来的研究可以进一步优化这些算法，以便在更大规模和复杂环境中实现更高效的物种识别。