智能被动声学监测：在 AudioMoth 微控制器上嵌入分类器
声音
2026-05-06 v1 人工智能
摘要
被动声学监测（PAM）是一种高效且非侵入性的生态系统调查方法，成本较低。通常情况下，自动录音器允许获取庞大的生物声学数据集，然后进行分析。然而，功耗和数据存储都有限，限制了采集活动的持续时间。为此，我们提出一种智能 PAM 系统，通过在 AudioMoth 微控制器上嵌入分类器实现声景的原位分析。具体而言，我们提出一种优化且简洁的 1D 卷积神经网络（1D-CNN）用于对原始音频进行分类。该模型专注于 Scopoli Shearwater 海鸥的特定叫声（濒危物种），并在真实世界数据集上训练，实现91% 的分类准确率（平衡准确率为89%）。我们还提出了一种优化模型以适应 AudioMoth 严苛资源限制的过程，实现约10kB 的 RAM 内存占用和20ms 的推理时间。最后，我们呈现了一个开源教程，展示了我们的模型优化与导出策略，可用于嵌入本研究范围之外的模型。我们修改后的 AudioMoth 固件添加了两个功能：(F1) 在检测到目标物种时选择性地记录数据，(F2) 实时记录连续分类结果。这一工作旨在促进智能传感器的构思，增强生物声学监测活动的效率和可扩展性。
引用
@article{arxiv.2605.03412,
title = {Smart Passive Acoustic Monitoring: Embedding a Classifier on AudioMoth Microcontroller},
author = {Louis Lerbourg and Paul Peyret and Juliette Linossier and Marielle Malfante},
journal= {arXiv preprint arXiv:2605.03412},
year = {2026}
}
备注
3 pages, 1 table, 2 figures. Video associated