1.一种基于深度学习鸟声识别的智能超声波驱鸟装置，其特征在于，包括：
电源模块、传感器模块、控制模块、超声波发生器和安装支架，
所述电源模块为所述超声发生器提供电力；
所述传感器模块，用于采集鸟类的声音并将信号传递给所述控制模块；
所述控制模块，用于对声音预处理并通过MFCC得到鸟声的声学特征，对声学特征进行识别并深度学习；
所述超声波发生器，用于产生超声信号；
所述安装支架，用于将所述智能超声波驱鸟装置安装在输电线路上。
2.根据权利要求1所述的一种基于深度学习鸟声识别的智能超声波驱鸟装置，其特征在于，所述控制模块还包括远程通信模块，能够将所述智能超声波驱鸟装置的工作状态传输到远程监控中心。
3.根据权利要求2所述的一种基于深度学习鸟声识别的智能超声波驱鸟装置，其特征在于，所述超声波发生器包括多个超声探头，能够向不同方向发射超声信号；
所述超声波发生器能够发出多种不同频率和强度的超声信号，以适应不同种类的鸟类；
所述超声波发生器能够深度学习驱赶不同鸟类的最佳频率区间，并自动在区间内改变频率，避免该鸟类的适应性。
4.根据权利要求3所述的一种基于深度学习鸟声识别的智能超声波驱鸟装置，其特征在于，所述传感器模块包括声音传感器、运算放大器、A/D转换电路；所述声音传感器将声音的变化波形转化成电平信号输入至所述运算放大器，经放大处理后得到0‑10V的模拟电压信号，送至所述A/D转换电路，经所述A/D转换电路将电压信号转换成0‑4096的数字量信号得到原始鸟类声音样本。
5.如权利要求1‑4任一项所述的基于深度学习鸟声识别的智能超声波驱鸟装置的智能超声波驱鸟方法，其特征在于，包括以下步骤：
S1：通过传感器模块构建鸟类声音样本采集系统；
S2：通过控制模块构建鸟声识别特征提取模型；
S3：基于卷积神经网络CNN构建鸟声识别模型；
S4：通过超声波发生器构建超声波智能变频驱鸟模块。
6.如权利要求5所述的智能超声波驱鸟方法，其特征在于，构建所述鸟声识别特征提取模型的具体步骤包括：
S21：研制基于Conv‑STFT和Conv‑iSTFT的鸟声频谱特征的卷积编解码器；
S22：建立鸟声多窗谱估计的谱减法，对同一个鸟声数据序列经过STFT变化后进行分段处理，通过多个正交的数据窗分别求出各段的功率谱，然后以各段的平均值作为谱估计，这样便能得到较小的估计方差，最后通过ISTFT将频域还原到时域，得到增强后的鸟声数据；
S23：将增强后的鸟声数据采用梅尔倒谱系数MFCC特征提取，得到鸟声的声学特征。
7.如权利要求5所述的智能超声波驱鸟方法，其特征在于，所述卷积编解码器通过Conv‑STFT将其转换到频域，然后通过频谱压缩调整频段清晰度，再通过复编码器进一步提取特征；并且提取两个不同通道的相位差，输入到基于复卷积网络的角相位编码器中，进一步提取其相位空间信息；在特征融合后进行滤波，并将滤波后的特征叠加到滤波前的特征上，达到增强有效特征的目的；最后将特征送入解码器，反变换回频域，并通过iSTFT变换到时域。
8.如权利要求5所述的智能超声波驱鸟方法，其特征在于，所述卷积神经网络CNN包括卷积层、循环层、前馈层和阈值化。
9.如权利要求5所述的智能超声波驱鸟方法，其特征在于，所述鸟声识别模型在训练过程中，随着学习次数的增加，网络中的误差逐步减小直至收敛；为防止多轮迭代造成鸟声识别模型过拟合，在训练过程中把一部分鸟声训练样本作为验证集，对每次迭代后的网络进行验证；训练过程结束后，将待测的鸟声的声学特征输入已训练好的网络模型，便可得到未知鸟声的分类结果。
10.如权利要求5所述的智能超声波驱鸟方法，其特征在于，构建所述超声波智能变频驱鸟模块的具体步骤包括：
S41：通过鸟声识别模型中的分类结果为鸟类这一信号启动超声波发生器，开始以一定的频率工作；
S42：工作短暂时间，若分类结果信号未改变且仍然存在，改变超声波的频率；重复改变不同的频率，直至分类结果信号改变或消失；
S43：存储器存储驱赶该鸟类最佳频率区间，并反馈给鸟类识别模型，让其在识别出该鸟类时能使超声波工作在最佳频率区间，并自动在区间内改变频率，避免该鸟类的适应性。