HOWLish：基于CNN的狼嚎自动检测模型及其在被动声学监测中的应用与性能评估

本研究开发了首个开源的狼嚎自动检测深度学习模型HOWLish，通过微调VGGish卷积神经网络（CNN），利用50,137小时野外录音数据（含841次标记狼嚎事件）实现77%召回率与1.74%假阳性率。该模型在实地测试中减少15倍人工处理时间，为狼群非侵入式大尺度监测（PAM）提供可靠工具，填补了食肉动物声学自动检测的技术空白。

　　

引言

被动声学监测（PAM）已成为野生动物大尺度监测的重要工具，但现有自动化声音事件检测工具多集中于蝙蝠和鸟类等类群。灰狼（Canis lupus）作为管理需求复杂的物种，其自发嚎叫行为适用于长距离通讯，使其成为PAM的理想目标。然而目前缺乏开源、预训练的狼嚎自动检测工具。机器学习（ML）作为声音事件检测的最先进框架，其中卷积神经网络（CNN）因其能从输入数据中直接提取特征而成为生物声学中的主流架构。本研究通过迁移学习微调VGGish网络，开发了专门用于狼嚎检测的模型HOWLish。

材料与方法

数据收集

研究在2020年8月至2024年7月期间，于伊比利亚半岛26个推定狼群领地内采集50,137小时声景数据。使用Audiomoth记录器（版本1.1.0和1.2.0）配置8 kHz采样率、高增益和低电压截止功能。所有操作均获自然保护主管部门许可（许可证号725/2021/PERTURBA??O等）。

信号特征

狼嚎是响亮的和声信号（107.8 dBA at 2m），持续时间可达14秒，基频范围为150–1000 Hz，传播距离可达3公里。狼既可单独嚎叫（伴随静默间隔），也可进行合唱（所有成员参与形成渐强式嚎叫）。

数据标注

通过Audacity（v3.6.3）检查声景谱图进行人工标注，使用Mel刻度（200–2000 Hz）和Hanning窗口（2048样本）。共标注841次独特嚎叫事件， refined后获得8.27小时有效嚎叫数据，划分为3334个连续时间区间（称为howling）。

预训练CNN

选择在Audioset上预训练的VGGish网络，其输入为96×64对数梅尔谱图（0.96秒音频），适配本研究8 kHz数据时调整窗口大小为0.05秒（400样本），频率轴上限设为2000 Hz。

保留数据

预留3789小时声景数据（来自3个狼群领地）用于最终模型评估，包含80次自发狼嚎事件。

数据准备

将46,348小时声景分割为0.96秒片段，获得25,298个wolf类样本和173,754,022个not-wolf类样本。按70-10-20划分训练/验证/测试集，为避免伪重复，按地理区域分配数据（加利西亚为测试集，葡萄牙东北部为验证集）。为应对极端类别不平衡（7124:1），对训练和验证集进行随机下采样。

模型训练

保留VGGish原架构但增加带批量归一化的Sigmoid输出层。使用Adam优化器和二元交叉熵损失函数，初始以10^?5学习率进行200轮迁移学习（基权重冻结），随后逐步解冻深层（渐进解冻）。最后通过optuna（v3.5.0）优化批大小（32-256）和学习率（10^?6–10^?4）。所有实验基于TensorFlow（v2.10.1）在RTX 3080 Ti工作站完成。

检测流程

开发包含前后处理规则的检测流程：音频分段→HOWLish预测→移动平均（窗口W）→阈值T排除→输出110秒候选片段。通过灵敏度分析选择W=3、T=0.9作为操作条件（召回率0.846，精确度0.0341）。

案例研究

将检测流程应用于保留数据集（7592个WAV文件），输出片段经人工质检评估性能，同时通过视觉计数成狼和听觉判断幼狼存在来评估生态数据完整性。

结果

最佳模型仅微调VGGish最后17M参数，测试集表现：召回率77%，假阳性率1.74%，AUC 0.939。但因类别极度不平衡，精确度仅0.006。案例研究中，流程处理3789小时数据输出169小时候选片段（22倍数据缩减），质检确认73段真阳性（含65次嚎叫事件），总体召回率81.3%，精确度0.012。生态数据无损失：3个狼群、10只成狼和3窝幼狼均被检测。不同部署点精确度波动显著（R171安静山区接近0.778，R183近道路村庄仅0.004）。

讨论

HOWLish在实地测试中实现81.3%召回率，同时减少15倍人工时间，为狼群远程传感提供可行方案。假阳性多源于与狼嚎时频特征相似的信号（风机噪声、引擎声、牛铃等）。相比前人研究（St?hli等召回率21%，BirdNET野外测试失败），HOWLish表现出更优的野外适用性。精确度低主要源于类别不平衡，但1.44假阳性/小时的操作效率显著优于纯人工处理。模型可能推广至其他灰狼亚种（伊比利亚狼与北美狼嚎叫结构相似），但仍建议本地化验证。未来可通过延长时序窗口、采用序列模型进一步提升性能。

结论

本研究建立了开源狼嚎自动检测的基准，HOWLish能有效突破声景分析瓶颈，推动狼群保护中的大规模声学监测应用。