گزارشهای اخیر از کاهش جمعیت پرندگان در سرتاسر جهان بر اهمیت نظارت بر جمعیت پرندگان وحشی و حفاظت از تنوع زیستی تاکید کرده است. با این نیاز فزاینده، ضبطکنندههای صوتی خودکار ضبط سیستماتیک صداهای محیطی را امکانپذیر میکنند و اخیراً فرصتهای جدیدی را برای تحقیقات زیستمحیطی و اقدامات حفاظتی باز کردهاند. از آنجایی که بسیاری از گونه های پرندگان دارای فعالیت های صوتی بالایی هستند، بیوآکوستیک به یکی از روش های ایده آل برای مطالعه آنها تبدیل شده است. نظارت آکوستیک غیرفعال (PAM) صداهای بیولوژیکی می تواند داده های بلندمدت و استانداردی از ترکیب و پویایی جوامع حیوانی ارائه دهد. بسیاری از گونه های پرندگان صداهای واضح و ثابتی تولید می کنند، بنابراین بررسی های صوتی را به روشی قابل اعتماد برای تخمین فراوانی، تراکم و اشغال گونه ها تبدیل می کنند. علاوه بر این، نظارت بصری برای بسیاری از پرندگان کوچک و گریزان، برای گونههای مرموز، و برای گونههایی که در اکوسیستمها یافت میشوند، برای بومشناسان دشوار است. نظارت صوتی پرندگان همچنین برای سایر فعالیتهای حفاظتی، مانند اندازهگیری احیای جنگل و مطالعه تأثیر آتشسوزیهای وحشی، مفید است.
با افزایش حجم ضبطهای صوتی موجود و توسعه الگوریتمهای یادگیری ماشین، طبقهبندی مستقل صداهای حیوانات اخیراً طیف گستردهای از علاقهمندیها را به خود جلب کرده است. قبل از اینکه یادگیری عمیق محبوبیت گستردهای پیدا کند، کار قبلی بر استخراج ویژگیها از ضبطهای صوتی خام متمرکز شده بود و به دنبال آن برخی از مدلهای طبقهبندی مانند Hidden Markov Model9،10، Random Forest11 و Support Vector Machines12 تمرکز داشتند. در حالی که این روشها استفاده موفقیتآمیز از رویکردهای یادگیری ماشینی را نشان میدهند، محدودیت اصلی آنها این بوده است که بیشتر ویژگیها باید به صورت دستی توسط متخصص حوزه شناسایی شوند تا الگوها برای کارکرد الگوریتمهای یادگیری بیشتر قابل مشاهده باشند. در مقایسه، الگوریتمهای یادگیری عمیق سعی میکنند ویژگیهای سطح بالا را از دادهها به روشی افزایشی بیاموزند، که نیاز به تخصص دامنه و تلاشهای استخراج ویژگی هسته سخت را از بین میبرد. شبکه های یادگیری عمیق نیازی به مداخله انسانی ندارند، زیرا چندین لایه در شبکه های عصبی داده ها را در سلسله مراتبی از مفاهیم مختلف قرار می دهد، که در نهایت از اشتباهات خود درس می گیرد.
استفاده از یادگیری عمیق برای تشخیص صدا دامنه های مختلفی را شامل می شود، از طبقه بندی موسیقی 15،16 تا طبقه بندی/تشخیص حیوانات (به عنوان مثال، گونه های دریایی 17،18، frogs19، 20،21 پرندگان، و غیره). در میان کارهای مربوط به تشخیص تماس و طبقهبندی گونهها در زمینه بیوآکوستیک، اکثر آنها روش استفاده از شبکههای عصبی کانولوشنال (CNN) را برای طبقهبندی طیفنگارها یا طیفنگارهای مل استخراجشده از کلیپهای صوتی خام اتخاذ کردند. این کارها موفقیت زیادی به دست آوردند و مدلهای یادگیری عمیق با دقت طبقهبندی بالا برای تشخیص وجود یا عدم وجود تماس از یک گونه خاص یا طبقهبندی تماسها از گونههای مختلف به خوبی عمل کردند. در حالی که این روش با تبدیل صوت خام به طیفنگار و سپس در نظر گرفتن آن به عنوان یک کار طبقهبندی تصویر به خوبی کار میکند، ویژگیهای وابستگی زمانی فراخوان گونهها را در نظر نمیگیرد. شایان ذکر است که، متفاوت از تصاویر با اجسام واقعی، محور x و y طیفنگارها پیامدهای خاصی دارند (یعنی زمان و فرکانس، به ترتیب، به شکل 1 مراجعه کنید)، و مؤلفه زمان تعبیه شده در دادههای آکوستیک باید حاوی اطلاعات مهم برای وظایف طبقه بندی مربوطه باشد. برخی از تکنیکهای متداول تقویت دادهها برای طبقهبندی تصویر، مانند چرخش و چرخش، ممکن است هنگام اعمال طیفنگاریهای تولید شده از دادههای آکوستیک، منطقی نباشند.
برای دانلود پروژه نمونه شناسایی گونه های پرنده با استفاده از شبکه های عصبی کانولوشنال به همراه شبیه سازی، اینجا کلیک کنید.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ و سروش می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
09392265610
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.