广泛的数据工程来拯救:从不平衡的,非典型的训练数据集构建一个多种类的虫探测器

科学领域:

• 生物声学是一种生物声学.
• 生态生态学 生态生态学
• 机器学习 机器学习

背景情况:

• 被动声学监测 (PAM) 对生态系统研究有价值,但在热带昆虫监测方面面临挑战.
• 新热带虫的呼叫是复杂的,特定于物种,并且由于微妙的变化和环境噪音,很难使用传统的PAM进行区分.
• 训练数据有限且不平衡,进一步使自动物种识别复杂化.

研究的目的:

• 开发基于深度学习的解决方案,用于在巴拿马生物多样性森林中自动识别31种虫.
• 为了应对复杂的虫声调,低源水平,环境噪音和有限的训练数据所带来的挑战.
• 创建一个开源工具箱 (Koogu) 用于先进的生物声学分析.

主要方法:

• 应用严格的数据工程,包括控制的播放重录和基于物理的数据增强,以增强输入差异.
• 为定制深度学习解决方案调整信号处理,模型和训练参数.
• 将开发的方法纳入Koogu,这是一个开源的Python工具箱用于生物声学分析.

主要成果:

• 成功开发了一种深度学习模型,用于自动识别31种虫物种.
• 通过先进的数据工程和增强,克服了小型,不平衡和域不匹配的数据集的局限性.
• 开发的方法集成到Koogu工具箱中,为生物声学分析提供了实用的解决方案.

结论:

• 这项研究提出了一种强大的深度学习方法,用于使用PAM进行自动化虫物种识别.
• 库古工具箱为加强热带生态系统中的昆虫生物多样性监测提供了宝贵的资源.
• 这项工作有助于开发用于监测昆虫生物多样性的全球工具包.