1.输电线路鸟类声音识别模型优化方法，其特征在于，包括以下步骤：获取当前场景一段时间内的背景声音，并对背景声音进行预处理；依次利用前端服务器和云端分析服务器对背景声音进行分类检测，得到背景声音的分类检测结果，根据分类检测结果生成初步样本集；利用缓存的声音记录、预置的样本以及初步样本集进行样本扩充，在线生成训练样本集；利用扩充后的样本集微调终端设备侧运行的鸟类声音识别模型，其中，微调过程包括：固定鸟类声音识别模型参数层，新初始化一个层作为微调层，仅配置微调层用于扩充后的样本集训练；所述依次利用前端服务器和云端分析服务器对背景声音进行分类检测的具体步骤为：利用前端服务器对预处理后的背景声音与预设告警声音对比分类，判断是否达到模型优化标准；当预处理后的背景声音达到模型优化标准时，利用云端分析服务器对背景声音进行二次分类检测，确定背景声音的告警种类；所述利用云端分析服务器对背景声音进行二次分类检测的具体步骤为：对鸟鸣声音信号进行预加重和滑窗均匀分割处理，通过声图变换方法转化为对应的图像特征信息，获得的图像特征信息作为输入，使用训练好的鸟类声音识别模型，最终实现通过鸟鸣声对鸟种进行预测识别；所述鸟类声音识别模型的训练过程为：首先对鸟叫音频数据提取鸟类叫声特征，同时将地域特征和声音特征拼接作为新特征，将新特征输入到模型中，模型使用新特征进行训练，具体的，模型结构构建好之后，模型内部参数随机初始化，然后通过数据及正反向传播算法在不断地训练中对参数进行迭代更新，学习到能够拟合输电场景声音数据分布的参数，最终使用该模型结构和相应的参数共同实现鸟类声音的识别；所述告警声音根据每个场景环境中不同的常见鸟类声音进行设置；根据不同地域及输电线路/输电网周围的鸟种分布信息构建鸟鸣数据库和地域鸟种分布信息库，同时结合鸟种分布地域性强的特点，通过地域网格化方式，将当前所处的地域环境信息联合鸟类叫声特征共同输入到模型中进行预测；所述鸟类声音识别模型结构采用Efficientnet网络；Efficientnet一共分为9个stage，stage 9由三部分组成，最后是一个全连接层；对于微调场景，固定神经网络前面层的参数，仅对全连接层最后一层用于微调。
2.如权利要求1所述的输电线路鸟类声音识别模型优化方法，其特征在于，对背景声音进行预处理的步骤包括：对所有采集的背景声音进行强变化检测，从声音的本身、时域及频域三个角度对采集的背景声音进行判断，计算声压级、帧最大能量、频域平均能量三个特征值，将特征值与预先设定阈值进行比较，当三个特征值超过预设阈值则保留下来，否则就将背景声音滤除。
3.如权利要求1所述的输电线路鸟类声音识别模型优化方法，其特征在于，鸟类叫声特征采用梅尔频谱图，给每个地域赋予数字代号，然后对代号进行编码得到地域特征，然后将地域特征与叫声特征拼接为新特征作为模型输入。
4.如权利要求1所述的输电线路鸟类声音识别模型优化方法，其特征在于，得到背景声音的分类检测结果后，通过监控平台对分类检测结果进行人工审核确认。
5.如权利要求1所述的输电线路鸟类声音识别模型优化方法，其特征在于，利用缓存的声音记录、预置的样本以及初步样本集进行样本扩充的具体步骤包括：利用混淆方法将标注样本与缓存的声音记录中的环境声音记录进行混合增强；将预置的样本中标注的目标类型片段随机加入初步样本集的样本中进一步增强样本数据。
6.如权利要求5所述的输电线路鸟类声音识别模型优化方法，其特征在于，预置的样本为已知的带标注的目标鸟类声音片段数据集。
7.输电线路鸟类声音识别模型优化系统，其特征在于，包括：数据获取模块，被配置为获取当前场景一段时间内的背景声音，并对背景声音进行预处理；分类检测模块，被配置为依次利用前端服务器和云端分析服务器对背景声音进行分类检测，得到背景声音的分类检测结果，根据分类检测结果生成初步样本集；样本扩充模块，被配置为利用缓存的声音记录、预置的样本以及初步样本集进行样本扩充，在线生成训练样本集；模型微调模块，被配置为利用扩充后的样本集微调终端设备侧运行的鸟类声音识别模型，其中，微调过程包括：固定鸟类声音识别模型参数层，新初始化一个层作为微调层，仅配置微调层用于扩充后的样本集训练；所述依次利用前端服务器和云端分析服务器对背景声音进行分类检测的具体步骤为：利用前端服务器对预处理后的背景声音与预设告警声音对比分类，判断是否达到模型优化标准；当预处理后的背景声音达到模型优化标准时，利用云端分析服务器对背景声音进行二次分类检测，确定背景声音的告警种类；所述利用云端分析服务器对背景声音进行二次分类检测的具体步骤为：对鸟鸣声音信号进行预加重和滑窗均匀分割处理，通过声图变换方法转化为对应的图像特征信息，获得的图像特征信息作为输入，使用训练好的鸟类声音识别模型，最终实现通过鸟鸣声对鸟种进行预测识别；所述鸟类声音识别模型的训练过程为：首先对鸟叫音频数据提取鸟类叫声特征，同时将地域特征和声音特征拼接作为新特征，将新特征输入到模型中，模型使用新特征进行训练，具体的，模型结构构建好之后，模型内部参数随机初始化，然后通过数据及正反向传播算法在不断地训练中对参数进行迭代更新，学习到能够拟合输电场景声音数据分布的参数，最终使用该模型结构和相应的参数共同实现鸟类声音的识别；所述告警声音根据每个场景环境中不同的常见鸟类声音进行设置；根据不同地域及输电线路/输电网周围的鸟种分布信息构建鸟鸣数据库和地域鸟种分布信息库，同时结合鸟种分布地域性强的特点，通过地域网格化方式，将当前所处的地域环境信息联合鸟类叫声特征共同输入到模型中进行预测；所述鸟类声音识别模型结构采用Efficientnet网络；Efficientnet一共分为9个stage，stage 9由三部分组成，最后是一个全连接层；对于微调场景，固定神经网络前面层的参数，仅对全连接层最后一层用于微调。
8.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的输电线路鸟类声音识别模型优化方法。
9.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-6中任一项所述的输电线路鸟类声音识别模型优化方法。
