一种基于酒花信号的智能声纹防伪方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于酒花信号的智能声纹防伪方法、装置及设备，通过将酒花撞击瓶壁产生的声纹信号进行采集，然后对声纹信号进行去噪处理后提取PLP特征，将特征信号输入CNN

【技术实现步骤摘要】
一种基于酒花信号的智能声纹防伪方法、装置及设备


[0001]本专利技术属于防伪
，涉及数字信息化防伪技术，具体涉及一种基于酒花信号的智能声纹防伪方法、装置及设备。

技术介绍

[0002]随着生活水平的不断提高，白酒市场规模逐渐增长，同时假冒伪劣白酒的现象也日益增多。为更好的辨别白酒的真伪，白酒的防伪技术得到了广泛应用。目前，白酒防伪的主流方式多为基于包装的物理防伪手段，如标签、瓶盖、识别码等方式，存在容易被仿造、识别困难等问题，从而导致假冒伪劣产品在市场上的流通。
[0003]信息技术防伪作为一种利用计算机技术、信息安全技术等手段的防伪方式具有隐蔽性强、可扩展性和可视化等优势。目前已出现使用数字水印、加密技术、二维码等数字信息化技术制作防伪标识和图案以提高白酒包装的防伪性能，但是，上述数字信息化技术防伪方式中，无论是数字水印还是加密技术亦或是二维码普遍存在容易被攻击、破解或篡改的缺陷。

技术实现思路

[0004]本专利技术的目的在于克服上述现有技术的缺点，提供一种基于酒花信号的智能声纹防伪方法、装置及设备，基于白酒酒花独特的声纹信号来辨别白酒真假，具有更安全、可靠、高效的优点。
[0005]为了实现上述目的，本专利技术采用以下技术方案。
[0006]一种基于酒花信号的智能声纹防伪方法，包括如下步骤：
[0007]步骤1：采集若干条原始声纹信号；
[0008]步骤2：将采集的声纹信号通过自编码器进行去噪预特征化处理；
[0009]自编码器为堆叠稀疏自编码器，将采集的原始声纹信号输入进由多层稀疏自编码器组成的深度神经网络模型SAE中进行训练；然后去除解码层；将经过第一次训练特征处理的信号作为第二次SAE训练的输入，产生第二次特征，然后进行解码输出，得到预特征化处理后的数据；
[0010]步骤3：将步骤2中预特征化处理后的数据使用语音特征提取工具提取PLP特征，然后将其输入CNN
‑
GMM
‑
HMM声纹模型中进行学习训练，得到CNN
‑
GMM
‑
HMM声纹模型标准数据库；
[0011]CNN
‑
GMM
‑
HMM声纹模型包括：CNN模块，用于通过卷积层、池化层和全连接层对PLP特征进行提取和分类；GMM模块，用于计算经过CNN模块卷积后的PLP特征向量的均值和方差；HMM模块，用于训练声纹信号样本的初始概率、状态转移概率A和最终的输出概率B；
[0012]步骤4：对需要检测的白酒通过声振动传感器多次反复采集，得到样本酒花声纹信号；
[0013]步骤5：将收集到的样本酒花声纹信号通过步骤2中的堆叠稀疏自编码器进行同样
的去噪预特征化处理；
[0014]步骤6：将经步骤5预处理后的声纹信号输入至步骤3中标准数据库中进行识别比对；
[0015]步骤7：对识别核验结果进行显示输出。
[0016]进一步，所述步骤3中将步骤2中预特征化处理后使用语音特征提取工具OpenSMILE提取PLP特征，首先对声纹数据进行分帧加窗处理，截取采集声纹信号片段，然后进行快速傅里叶变换得到频谱，然后进行幅值平方操作进行放大处理，接着使用Bark滤波器组处理随后进行等响度预加重、强度
‑
响度转换，之后进行逆傅里叶变换进行线性预测得到PLP特征。
[0017]进一步，所述步骤6中将PLP特征在声纹模型中，先使用单独的卷积层以幅度谱作为输入，在每个通道上独立操作，并跨通道进行最大池化，选择每个节点中响应最大的通道，对PLP特征进行提取和分类；然后使用提取的PLP特征进入GMM模型中进行聚类训练，之后要将音素表示为隐藏变量导入HMM模型中进行训练；
[0018]GMM
‑
HMM训练开始，首先采用平均分配的方式初始化GMM模型，然后利用对隐藏变量的现有估计值计算其最大似然估计值，即样本的均值μ和方差σ2：
[0019][0020][0021]然后通过统计的方式得到状态转移概率；接着进行重新对齐，根据上述得到的转移概率、均值、方差对声纹信号进行对齐，基本参数设定后，设置重复训练次数进行训练直到收敛，即得到CNN
‑
GMM
‑
HMM声纹模型标准数据库。
[0022]进一步，所述步骤6中识别比对具体为：
[0023]首先、计算经过步骤5预处理后的声纹信号每个阈值点对应的错误接受率和错误拒绝率；
[0024]然后、根据计算得到的每个阈值点准确率和召回率绘制出ROC曲线；
[0025]最后、查找ROC曲线与ROC空间中对角线的交点对应的横坐标X值，该值越小说明所检测白酒样品真实度越高。
[0026]一种基于酒花信号的智能声纹防伪装置，包括：
[0027]酒花声纹信号激发单元，通过电磁感应产生的循环交替的磁场，利用吸引/排斥的磁力使测试样品进行反复晃动，从而产生酒花声纹信号；
[0028]酒花声纹信号获取单元，为由压电陶瓷、阻尼材料构成的声振动传感器，用于检测酒瓶中酒花与瓶壁内部局域产生的振动，得到样本酒花声纹信号；
[0029]酒花声纹信号识别单元，被配置执行所述声纹防伪方法根据所述酒花声纹信号获取单元采集的声纹特征与标准数据库进行识别，得到所述酒花声纹信号的验证结果。
[0030]进一步，所述酒花声纹信号激发单元包括第一制动框架(1)和第二制动框架(2)；
[0031]所述第一制动框架1作为整体支架由水平移动座(11)和竖直驱动架(12)构成，竖直驱动架(12)安装在水平移动座(11)上，第二制动框架2悬挂在竖直驱动架(12)上；放置白酒样品的第二制动框架(2)由白酒瓶口卡槽(21)、可通交流电的线圈(22)和白酒瓶承托(23)组成，可通交流电的线圈(22)设置在白酒瓶承托(23)的一端，白酒瓶口卡槽(21)设置
在白酒瓶承托(23)另一端，磁铁13设置在竖直驱动架(12)上靠近可通交流电的线圈(22)的一侧，酒花声纹信号获取单元的声振动传感器放置在白酒瓶口卡槽(21)中心处。
[0032]一种基于酒花信号的智能声纹防伪设备，包括：云服务器ECS和文件存储NAS；
[0033]所述云服务器ECS，用于执行如权利要求1
‑
4任一项所述基于酒花信号的智能声纹防伪方法的程序；
[0034]所述文件存储NAS，用于存储计算机程序以及存储构建的CNN
‑
GMM
‑
HMM声纹模型标准数据库，所述计算机程序被处理器执行时实现如权利要求1～4中任一项所述的方法。
[0035]本公开的实施例提供的技术方案至少带来以下有益效果：
[0036]本专利技术的一种基于酒花信号的智能声纹防伪、装置及设备，通过将酒花撞击瓶壁产生的声纹信号进行采集，然后对声纹信号进行去噪处理后提取PLP特征，将特征信号输入CNN
‑
GM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于酒花信号的智能声纹防伪方法，其特征在于包括如下步骤：步骤1：采集若干条原始声纹信号；步骤2：将采集的声纹信号通过自编码器进行去噪预特征化处理；自编码器为堆叠稀疏自编码器，将采集的原始声纹信号输入进由多层稀疏自编码器组成的深度神经网络模型SAE中进行训练；然后去除解码层；将经过第一次训练特征处理的信号作为第二次SAE训练的输入，产生第二次特征，然后进行解码输出，得到预特征化处理后的数据；步骤3：将步骤2中预特征化处理后的数据使用语音特征提取工具提取PLP特征，然后将其输入CNN
‑
GMM
‑
HMM声纹模型中进行学习训练，得到CNN
‑
GMM
‑
HMM声纹模型标准数据库；CNN
‑
GMM
‑
HMM声纹模型包括：CNN模块，用于通过卷积层、池化层和全连接层对PLP特征进行提取和分类；GMM模块，用于计算经过CNN模块卷积后的PLP特征向量的均值和方差；HMM模块，用于训练声纹信号样本的初始概率、状态转移概率A和最终的输出概率B；步骤4：对需要检测的白酒通过声振动传感器多次反复采集，得到样本酒花声纹信号；步骤5：将收集到的样本酒花声纹信号通过步骤2中的堆叠稀疏自编码器进行同样的去噪预特征化处理；步骤6：将经步骤5预处理后的声纹信号输入至步骤3中标准数据库中进行识别比对；步骤7：对识别核验结果进行显示输出。2.如权利要求1所述的基于酒花信号的智能声纹防伪方法，其特征在于：所述步骤3中将步骤2中预特征化处理后使用语音特征提取工具OpenSMILE提取PLP特征，首先对声纹数据进行分帧加窗处理，截取采集声纹信号片段，然后进行快速傅里叶变换得到频谱，然后进行幅值平方操作进行放大处理，接着使用Bark滤波器组处理随后进行等响度预加重、强度
‑
响度转换，之后进行逆傅里叶变换进行线性预测得到PLP特征。3.如权利要求1所述的基于酒花信号的智能声纹防伪方法，其特征在于：所述步骤6中将PLP特征在声纹模型中，先使用单独的卷积层以幅度谱作为输入，在每个通道上独立操作，并跨通道进行最大池化，选择每个节点中响应最大的通道，对PLP特征进行提取和分类；然后使用提取的PLP特征进入GMM模型中进行聚类训练，之后要将音素表示为隐藏变量导入HMM模型中进行训练；GMM
‑
HMM训练开始，首先采用平均分配的方式初始化GMM模型，然后利用对隐藏变量的现有估计值计算其最大似然估计值，即样本的均值μ和方差σ2：：然后...

【专利技术属性】
技术研发人员：刘国栋，张卓清，李志健，吴家豪，孟卿君，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：