一种带式输送机监控数据冗余过滤方法技术

本发明专利技术属于音视频数据冗余过滤技术领域，公开了了一种带式输送机监控数据冗余过滤方法，包括音频数据冗余过滤方法和视频数据冗余过滤方法，音频数据过滤通过提取音频MFCC加权特征，利用材料生成算法优化支持向量机分类器，然后对冗余音频和关键音频进行分类，可实现冗余音频的筛选过滤，而且可提高运算速度和精度。视频数据过滤采用RepVGG

【技术实现步骤摘要】
一种带式输送机监控数据冗余过滤方法


[0001]本专利技术属于音视频数据冗余过滤
，特别涉及一种带式输送机监控数据冗余过滤方法。

技术介绍

[0002]带式输送机又称为胶带运输机或皮带输送机，是一种摩擦驱动以连续方式运输物料的机械，矿用带式输送机的安全、稳定运行对煤矿生产至关重要。带式输送机运行过程中由于负载不均匀、废钢铁或矸石等异物或障碍物刺伤输送带、长期在恶劣环境下使用，再加上使用不当或不及时检修和维护，很容易出现故障，不仅会毁坏设备，有时还会出现人身事故。因此需要对工作中的带式输送机进行实时监控，以尽早发现带式输送机机器故障。煤矿井下环境复杂，无线传输环境较差。实时采集的带式输送机音视频数据使通讯容量负担过重，且大量的冗余数据，影响故障识别效果，为减少通信压力以及提高故障识别效果，需要对其中的冗余数据进行过滤。
[0003]数据的冗余过滤实现主要是通过数据间的相似度对比，音频数据相似度对比主要分两种方法：一是利用图形技术，将标准音频和被测音频同时转换为相同时间轴的波形，再利用图形识别技术来实现音频比对。利用图形技术进行音频比对，容易误判，准确率较差；二是利用提取音频特征参数，通过计算特征参数之间的相似度来进行音频相似度比对。梅尔倒谱系数(MFCC)作为一种有效的音频特征，具有优秀的表征能力，广泛应用于音频分类领域。相似度比对方法有欧氏距离、神经网络、支持向量机(SVM)等。欧氏距离计算速度快，但精度较差。神经网络训练音频需要大样本，且易过拟合，泛化能力差，不适合带式输送机工作时的音频环境。支持向量机(SVM)是一种典型的分类算法，具有泛化能力强、处理速度快、分类效果好等优势，但参数选择会极大地影响其效果。
[0004]视频数据冗余过滤主要是对前后视频帧即图像进行相似度比对。颜色直方图算法是一种传统的图像相似度计算方法，该算法采用颜色特征进行比对，计算简单，但由于未考虑纹理特征，容易产生误差。哈希算法是一种利用图片哈希值来计算相似度的算法，速度快，但冗余过多。图像信息熵是一种表征图像灰度分布的特征，信息熵法适合运动量较大的视频，但存在冗余。尺度不变特征变换(SIFT)具有尺度不变、旋转不变、光变不敏感等优点，但处理速度较慢。
[0005]因此，需要对现有技术中的带式输送机监控数据冗余过滤方法进行改进。

技术实现思路

[0006]为了解决现有技术中音频冗余处理容易误判，视频冗余处理方法计算量大、实时性差的问题，本专利技术提供一种带式输送机监控音频数据和视频数据冗余过滤方法，以提高带式输送机监控数据冗余过滤的准确率和速度。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：一种带式输送机监控数据冗余过滤方法，包括音频数据冗余过滤方法和视频数据冗余过滤方法；
[0008]所述音频数据冗余过滤方法包括以下步骤：
[0009]S101、采集音频样本数据并进行分段处理，得到多个音频段；
[0010]S102、提取各音频段样本的MFCC特征，并根据MFCC特征计算各个音频段样本的MFCC加权特征；
[0011]S103、将各个音频段样本对应的MFCC加权特征输入支持向量机分类器，通过材料生成算法优化支持向量机分类器的惩罚因子c与核函数参数g，得到优化后的支持向量机分类器；
[0012]S104、获取待测试数据，并通过步骤S102计算待测数据的MFCC加权特征后输入优化后的支持向量机分类器，通过支持向量机分类器对各个音频段进行分类，得到关键音频和冗余音频，进而过滤冗余音频；
[0013]所述视频数据冗余过滤方法包括以下步骤：
[0014]S201、采集视频数据并进行分帧处理，得到多个视频帧样本并对其进行标注，然后将样本数据训练集；
[0015]S202、将训练集输入孪生神经网络模型进行训练，训练方法为：
[0016]提取各个视频帧样本的特征；
[0017]计算两个视频帧样本特征的距离向量D，并对距离向量D进行两次全连接，对结果取sigmoid函数，得到任意两个视频帧的相似度，通过损失函数计算损失，利用梯度下降算法更新模型参数；
[0018]S203、在训练完成的孪生神经网络模型中输入待测试的带式输送机视频帧数据，计算相似度，过滤掉相似度较高的冗余帧。
[0019]所述步骤S202中，损失函数采用二值交叉熵损失函数，其表达式如下：
[0020][0021]其中，N表示样本对数，z
(n)
表示第n个样本对的真实标签，表示第n个样本对的预测标签。
[0022]所述步骤S102中，MFCC加权特征的计算公式为：
[0023][0024]其中，W(l)为第l阶MFCC加权特征，dC(l)为其一阶差分系数，DC(l)为其二阶差分系数。
[0025]所述步骤S102中，各音频段的MFCC特征的提取过程如下：
[0026](1)对音频信号进行预加重，得到预加重后的音频信号x
′
(n)：
[0027][0028](2)将音频信号划分为帧，将每一帧信号乘以汉明窗，汉明窗的窗函数W(n)为：
[0029][0030]式中：N为帧长。
[0031](3)对每一帧信号进行FFT快速傅里叶变换，将时域信号转换为频域信号，经FFT后的频域信号s
i
(k)为：
[0032][0033]式中：s
i
’
(n)表示第n帧经加窗后的时域信号，i代表第i帧信号，k代表频域中FFT的第k条谱线；K为总的谱线数；
[0034](4)将傅里叶变换后的频域信号进行滤波处理后，再利用离散余弦变换获取其MFCC特征。
[0035]所述步骤S101中，提取各音频段的频域信号的前12个MFCC特征计算MFCC加权特征。
[0036]所述步骤S101中，将傅里叶变换后的频域信号通过梅尔滤波器组进行滤波处理。
[0037]所述步骤S103中，通过材料生成算法优化支持向量机分类器的惩罚因子c与核函数参数g的具体步骤为：
[0038]S1031、初始化材料生成算法参数，设置最大迭代次数、种群数量、惩罚因子c与核函数参数g的范围；
[0039]S1032、在惩罚因子c与核函数参数g的范围中随机初始化种群；
[0040]S1033、通过化合物概念和化学反应概念模拟生成新材料，得到新的候选解；
[0041]S1034、将MFCC加权特征作为分类特征，以SVM对MFCC加权特征分类的准确率为适应度函数，将新的候选解与初始解进行比较对支持向量机分类器的参数进行优化，重复迭代S1033～S1034，得到优化后的支持向量机分类器。
[0042]所述步骤S1033中，新的候选解为：
[0043][0044][0045]其中，Mnew1和Mnew2表示新的候选解，c
new1
为通过化合物概念寻优得到新的惩罚因子c，g
new1
为通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带式输送机监控数据冗余过滤方法，其特征在于，包括音频数据冗余过滤方法和视频数据冗余过滤方法；所述音频数据冗余过滤方法包括以下步骤：S101、采集音频样本数据并进行分段处理，得到多个音频段；S102、提取各音频段样本的MFCC特征，并根据MFCC特征计算各个音频段样本的MFCC加权特征；S103、将各个音频段样本对应的MFCC加权特征输入支持向量机分类器，通过材料生成算法优化支持向量机分类器的惩罚因子c与核函数参数g，得到优化后的支持向量机分类器；S104、获取待测试数据，并通过步骤S102计算待测数据的MFCC加权特征后输入优化后的支持向量机分类器，通过支持向量机分类器对各个音频段进行分类，得到关键音频和冗余音频，进而过滤冗余音频；所述视频数据冗余过滤方法包括以下步骤：S201、采集视频数据并进行分帧处理，得到多个视频帧样本并对其进行标注，然后将样本数据训练集；S202、将训练集输入孪生神经网络模型进行训练，训练方法为：提取各个视频帧样本的特征；计算两个视频帧样本特征的距离向量D，并对距离向量D进行两次全连接，对结果取sigmoid函数，得到任意两个视频帧的相似度，通过损失函数计算损失，利用梯度下降算法更新模型参数；S203、在训练完成的孪生神经网络模型中输入待测试的带式输送机视频帧数据，计算相似度，过滤掉相似度较高的冗余帧。2.根据权利要求1所述的一种带式输送机监控数据冗余过滤方法，其特征在于，所述步骤S202中，损失函数采用二值交叉熵损失函数，其表达式如下：其中，N表示样本对数，z
(n)
表示第n个样本对的真实标签，表示第n个样本对的预测标签。3.根据权利要求1所述的一种带式输送机监控数据冗余过滤方法，其特征在于，所述步骤S102中，MFCC加权特征的计算公式为：其中，W(l)为第l阶MFCC加权特征，dC(l)为其一阶差分系数，DC(l)为其二阶差分系数。4.根据权利要求1所述的一种的带式输送机监控数据冗余过滤方法，其特征在于，所述步骤S102中，各音频段的MFCC特征的提取过程如下：(1)对音频信号进行预加重，得到预加重后的音频信号x
′
(n)：
(2)将音频信号划分为帧，将每一帧信号乘以汉明窗，汉明窗的窗函数W(n)为：式中：N为帧长。(3)对每一帧信号进行FFT快速傅里叶变换，将时域信号转换为频...

【专利技术属性】
技术研发人员：李军霞，吴启航，张伟，刘少伟，秦志祥，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：