《Scientific Reports》：Deep-learning-enabled distributed acoustic monitoring of bird activity on overhead transmission lines
编辑推荐：
为解决输电线路鸟害防治的迫切需求与现有监测方法时空局限性之间的不匹配，并支持运维（O&M）单位实施针对性缓解策略，研究人员提出了一种基于分布式声学传感（DAS）的架空输电线路鸟鸣事件检测与鸟鸣分类方法。为解决复杂噪声条件下鸟鸣检测困难，研究人员开发了融合时频特
为解决输电线路鸟害防治的迫切需求与现有监测方法时空局限性之间的不匹配，并支持运维（O&M）单位实施针对性缓解策略，研究人员提出了一种基于分布式声学传感（DAS）的架空输电线路鸟鸣事件检测与鸟鸣分类方法。为解决复杂噪声条件下鸟鸣检测困难，研究人员开发了融合时频特征提取与时频联合注意力的鸟鸣事件检测模型。以对数梅尔（log-Mel）频谱图作为输入，该模型在单个0.5 s窗口上达到97.48 ± 0.12%的检测准确率，检测延迟为7.3 ms。随后将检测到的信号进一步转换为梅尔频率倒谱系数（MFCC）热图，并利用多尺度卷积主干从中提取时域倒谱特征。结合基于去噪自编码器（DAE）的特征增强，该框架能够在严重环境噪声下实现鸟鸣分类。消融实验表明，每个模块对整体分类性能均有显著贡献。在固定独立测试集上五次独立运行中，完整分类模型取得95.67 ± 0.16%的平均准确率，较适配后的TSAM-Net高出5.61个百分点。这些结果证明了所提方法在具有复杂噪声的模拟输电线路条件下的可行性、准确性和鲁棒性，并为未来沿长距离输电线路监测鸟类活动提供了有前景的技术基础。
论文围绕基于分布式声学传感（DAS）的架空输电线路鸟活动监测展开。随着电网持续扩展和输电走廊覆盖增加，输电线路鸟害防治日益受到电力部门关注。统计证据表明，鸟类活动已成为除雷击和外部机械损坏之外输电线路故障的重要原因之一，并被视为此类故障的三类主要原因之一。现有研究和运维实践通常将鸟相关故障分为鸟巢、鸟粪、鸟体短路和啄损四类。为减轻鸟相关故障威胁，国内外学者和电网运维人员已开展大量研究与实践。目前鸟刺、防鸟盒、鸟挡板和驱鸟装置等防鸟措施广泛用于输电线路保护。这些驱鸟装置通过改变输电设施物理构型、安装排除结构或通过视觉或声学刺激干扰鸟类行为，从而减少鸟线相互作用。然而，由于鸟类行为模式和故障类型高度多样，单一类型防鸟装置往往不足以应对复杂场景，现有措施通常缺乏针对高风险鸟种的特异性。此外，有效鸟种识别工具仍然有限，防鸟装置部署常具有一定盲目性，实际保护性能因此不理想。因此，准确识别和监测输电线路附近高风险鸟种，并据此制定针对性缓解策略，仍是输电系统鸟害防治的关键挑战。近年来，基于计算机视觉的鸟类图像识别取得显著进展，利用无人机、线路侧监测系统和相关平台获取输电线路附近鸟类活动图像或视频，并应用深度学习模型进行物种分类和识别，已成为可行且有效的技术路线。鸟声同样包含丰富的物种特异性信息，收集和分析输电线路附近鸟声数据并结合人工智能算法进行物种分类，为输电线路环境鸟类监测提供了新途径。随着分布式光纤传感快速发展，该技术已广泛应用于电力系统监测。与传统点式传感器相比，分布式光纤传感具有多项优势，许多研究已探索利用架空地线内嵌通信光纤监测输电线路覆冰、舞动和弧垂等事件。已有研究将分布式声学传感与深度学习算法结合，开发输电线路沿线鸟活动监测方法，实现鸟鸣事件检测、声源定位和鸟种识别的一体化高准确率分析，但在高噪声条件下识别准确率和模型鲁棒性验证仍不充分。针对这些问题，研究人员基于分布式声学传感研究输电线路鸟活动监测，并提出基于深度学习的输电线路鸟活动分布式监测框架。研究人员分析鸟鸣声波在输电线路结构-光纤系统中的耦合响应机制，建立由鸟鸣事件检测后接鸟种分类组成的两阶段识别框架。第一阶段将连续时序信号分段为切片以构建候选时间窗，再转换为视觉表示作为深度学习数据基础；为捕捉长距离输电线路产生的大量数据中时间和频率维度上的强依赖关系，引入时频联合注意力（TF-JA）机制进行快速鸟鸣事件检测。检测阶段识别的正样本随后重构为梅尔频率倒谱系数（MFCC）热图。分类网络前端嵌入去噪自编码器（DAE）进行特征增强，并使用多尺度卷积主干在不同感受野下提取时域倒谱结构特征，从而实现对11种高风险鸟种的分类。最后，通过模拟实验验证所提方法的可行性。
关键技术方法（不超过250字）：研究人员构建缩比输电线路模型，传感目标为置于架空地线复合光缆（OPGW）内的工程级单模光纤，采用空间分辨率5 m、采样频率20 kHz的DAS单元采集；鸟鸣由高保真扬声器播放预采集并标注样本，麦克风阵列作参考通道进行声压校准和事件起止标注。连续监测信号以0.5 s窗口、0.25 s滑动步长切分。样本来源为11种与输电线路故障相关的高风险鸟种，每类1500个样本，共16500个分类样本；每种鸟准备三个相互独立原始源录音，分别独占训练、验证和测试子集，比例7:2:1；负样本179850个。检测模型以log-Mel频谱图为输入，含时频感知卷积、TF-JA、自适应特征融合和双向长短期记忆网络（BiLSTM）时序建模；分类模型采用MFCC+ΔMFCC双通道热图、DAE和多尺度卷积主干。
研究结果如下。
模拟实验与数据集构建：研究人员构建缩比线路模型，采集OPGW实测信号，使用麦克风阵列同步录音作为参考，标注鸟鸣事件起止。共构建鸟鸣事件检测数据集和鸟种分类数据集。正样本按11种高危鸟种标注，每种1500个，总计16500个；每个物种三个独立原始源录音分别分配给训练、验证和测试，训练、验证、测试比例为7:2:1，每类对应1050、300、150个样本。测试中每类150个窗口来自独占测试子集的单一独立源录音，因此当前实验未量化同种不同独立录音间差异，仍需更多鸟鸣录音训练和验证。负样本共179850个，按采集时间划分训练11550、验证3300、测试165000，相邻子集间隔5个样本。训练和验证集保持正负样本均衡，测试集正负比设为1:1、1:10、1:50、1:100，以模拟长期监测中递增类别不平衡。结论是数据集构建支持后续检测与分类评估，且录音级划分避免同一源录音跨子集，但测试集物种内录音多样性有限。
鸟鸣事件检测结果：
性能指标：采用窗口级二分类，使用准确率、精确率、召回率、F1分数，并引入平均检测延迟、吞吐量和实时因子（RTF）评价检测速度。
性能分析：最佳运行在3300个平衡测试窗口上达到准确率97.61%、精确率97.75%、召回率97.45%、F1 97.60%。单窗口延迟测试中，log-Mel特征提取和归一化平均1.6 ms，神经网络推理5.7 ms，端到端延迟7.3 ms/0.5 s窗口，吞吐约137窗口/s，RTF为0.0146，满足算法层面实时处理需求。不同正负比从1:1到1:100时，准确率、召回率和假阳性率变化较小，但精确率随负样本比例增加而下降，1:100时降至30.54%；在假阳性率2.22%下，24 h每通道约产生7596个假阳性窗口，可通过多窗口确认和事件时长约束合并或抑制孤立假阳性。
对比与消融实验：五次独立运行、固定测试集下，完整模型平均准确率97.48%；移除TF-JA后降至96.64%；以标准卷积替换时频感知卷积后降至93.64%。阈值-变分模态分解（Threshold-VMD）准确率93.15%，卷积循环神经网络（CRNN）平均92.42%。完整模型优于基线，说明二维时频表示、时频感知卷积和TF-JA联合使用更有效。
鸟鸣分类结果：
分类性能：将数据集重建为MFCC热图后，模型以学习率0.001、批大小32训练50轮，五次独立运行，固定测试集。随机种子200的运行作代表。模型约20轮收敛，混淆矩阵主对角线识别率高，主频集中、谐波清晰、节律一致物种更稳定；频带分布相似、时长较短或节律相近物种存在有限混淆。总体上11种高危鸟种表现良好，误分类主要源于声学相似性。
消融与对比实验：完整模型五次独立运行准确率95.67±0.16%、宏精确率95.95±0.12%、宏召回率95.67±0.16%、宏F1 95.69±0.17%。移除DAE降至93.27±0.19%，移除多尺度模块降至94.10±0.16%。Baseline卷积神经网络（CNN）仅85.61±0.16%准确率、F1 85.71±0.17%；适配为11类的TSAM-Net为90.06±0.23%准确率、F1 90.21±0.20%。完整模型较TSAM-Net平均准确率高5.61个百分点，说明MFCC+ΔMFCC双通道输入、DAE特征增强和多尺度卷积特征提取提升分类准确性和稳定性。
讨论与结论翻译：本研究针对输电线路鸟害防治需求，基于DAS研究鸟鸣事件检测和鸟种识别。通过将基于OPGW的传感与深度学习模型结合，研究人员实现了输电线路附近鸟鸣事件检测和鸟种分类，并通过模拟实验验证可行性。1）为应对长距离输电线路大量监测数据和线路故障相关鸟种多样性带来的实际挑战，研究人员根据鸟鸣信号特征，分析鸟鸣声波在输电线路结构-光纤系统中的耦合响应机制，并建立由事件检测后接物种分类的两阶段识别框架。2）研究人员提出基于时频联合注意力的鸟鸣事件检测方法。通过集成时频感知卷积、时频联合注意力和时序建模，该模型能在复杂背景条件下有效检测鸟鸣事件。模拟实验表明总体检测平均准确率为97.48%。3）研究人员进一步开发基于MFCC热图的多尺度卷积鸟种分类模型，并结合去噪自编码器实现高噪声条件下鸟鸣分类。实验结果表明二维热图表示有效捕获噪声条件下的时域倒谱特征，所提完整模型在固定独立测试集上五次独立运行平均准确率为95.67±0.16%。总体而言，所提方法在模拟输电线路平台上在鸟鸣事件检测和鸟种识别方面表现良好，展示基于DAS鸟类活动监测的良好潜力。未来将纳入真实输电线路现场数据，在真实鸟鸣流行率、多空间通道联合分析和在线部署条件下进一步验证和优化模型；进一步研究关注长期在线监测误报抑制；为满足实际工程需求，将扩展鸟种范围以包括更多与输电线路相关的主要高风险物种。
