【技术实现步骤摘要】
本专利技术涉及噪声检测，尤其涉及一种噪声区域检测识别方法。
技术介绍
1、在建筑垃圾治理环境中，由于建筑垃圾处置设备数量众多，噪声问题往往较为复杂，可能来源于各种设备的运作，例如破碎机、上料机、挖机等工程设备；这些设备在运行时会产生不同频率和强度的噪声，进而影响到周围环境；为了有效解决因噪声引发的纠纷，如企业内部的投诉、企业之间的噪声争端，或企业与周围居住区之间的噪声问题，准确测量和评估噪声的来源显得尤为重要；通过对噪声源进行详细的分析和定位，可以明确噪声的具体来源及其对周围环境的影响，并帮助制定相应的噪声控制措施；因此，对噪声产生的区域进行准确定位是非常必要的。
2、传统的噪声源定位方法是基于信号模型和信号处理技术；尽管这些方法在该领域取得了显著进展，但在噪声源较多以及混响等常见且复杂的场景中，它们的表现较差，噪声定位准确性较差；在过去几年中，数据驱动的深度学习技术在处理这些困难场景方面的潜力引起了越来越多的关注；因此，近年来逐渐提出了基于深度神经网络的噪声源定位方法；而且根据已有的研究表明，基于深度神经网络的噪声源定位方法优于传统的基于信号处理的噪声源定位方法。
3、虽然深度神经网络在噪声源定位中具有良好的表现，但在实际的建筑垃圾治理环境中，多种噪声与正常生活中声音混杂在一起，建筑垃圾处置设备工作的环境以及所处位置也在不断变化，在一种工作环境下训练的噪声源定位深度模型应用于不同的工作环境时效果变差，噪声识别以及定位准确性会显著降低；因此，需要提供一种具有较强环境适应能力，并且能够准确进行多个噪声源定位
技术实现思路
1、针对现有方法的不足，本专利技术解决现有技术中噪声源定位方法环境适应性差、难以同时准确进行多个噪声源定位等问题。
2、本专利技术所采用的技术方案是：一种噪声区域检测识别方法包括以下步骤：
3、步骤一、采集建筑垃圾处置设备运行时的音频信号，并进行短时傅里叶变换，得到音频信号的功率谱和相位谱；
4、作为本专利技术的一种优选实施方式，音频信号采用麦克风阵列采集。
5、步骤二、构建多层次音频特征提取器，提取源域和目标域中建筑垃圾处置设备的多层次音频特征；
6、多层次音频特征提取器包括：由第一卷积层和多层次卷积块组成；其中，
7、第一卷积层的卷积核大小为7×7，通道数为16，步长为2，并采用bn和relu函数；
8、多层次卷积块采用三个卷积分支；其中，第一个分支卷积层数为1，卷积核大小为1×1，通道数为512；第二个分支卷积层数为2，第1层卷积核大小为1×1，通道数为64，第2层卷积核大小为3×3，通道数为512；第三个分支卷积层数为3，第1层卷积核大小为1×1，通道数为64，第2层卷积核大小为5×5，通道数为128，第3层卷积核大小为5×5，通道数为512；
9、对每个分支得到的512个通道中各个通道的特征图进行全局平均池化；对三个分支特征向量进行拼接，输出特征向量大小为1×1536。
10、步骤三、建立声源位置识别器，预测音频的声源位置；
11、作为本专利技术的一种优选实施方式，声源位置识别器由三层全连接层和sigmoid激活函数组成，三层全连接层中的神经元数量分别为1024，1024，360；输出为一个360维度的预测概率={ g1、 g2、… g i…、 g360}；其中， gi对应于平面360维度第 i个方位上出现声源的概率。
12、步骤四、建立噪声判别器，对各方位声源音频是否属于噪声进行判别；
13、作为本专利技术的一种优选实施方式，噪声判别器由三层全连接层和sigmoid激活函数组成，三层全连接层中的神经元数量分别为2048，2048，360；输出为一个360维度的预测概率={ u1、 u2、… u i…、 u360}；其中， u i对应于平面360维度第 i个方位上的声源属于噪声的概率。
14、步骤五、将多层次音频特征提取器、声源位置识别器和噪声判别器组合为噪声区域检测模型，通过优化算法对模型进行训练；
15、作为本专利技术的一种优选实施方式，步骤五具体包括：
16、步骤51、将多层次音频特征提取器与声源位置识别器组成第一前馈神经网络，多层次音频特征提取器与噪声判别器组成第二前馈神经网络；
17、步骤52、多层次音频特征提取器用于提取源域特征，声源位置识别器用于识别特征的声源位置并使预测结果正确拟合真实的音频方位；噪声判别器用于识别特征是否属于噪声；利用最小化声源位置识别器预测结果的损失 l c和噪声判别器预测结果的损失 l d来优化模型，公式为：
18、；
19、式中， l c为声源位置识别器预测结果的平均绝对误差损失， l d为噪声判别器预测结果的平均绝对误差损失，表示平均绝对误差值，表示绝对值，和分别是声源位置识别器的预测概率和真实的声源位置，和分别是在第 i个维度方位上噪声判别器的预测概率和真实的噪声结果，是权重参数；
20、步骤53、对多层次音频特征提取器提取的源域和目标域特征进行协方差对齐；
21、作为本专利技术的一种优选实施方式，协方差对齐损失的公式为：
22、；
23、式中，表示frobenius范数，表示协方差计算，和分别表示源域和目标域的特征矩阵，表示特征维度。
24、步骤54、结合优化目标函数损失和协方差对齐损失得到总的损失函数，利用总的损失函数进行反向传播优化；
25、作为本专利技术的一种优选实施方式，总的损失函数的公式为：
26、
27、式中，为损失函数权衡参数， ls为优化目标函数损失，为协方差对齐损失。
28、步骤六、将目标域测试样本集输入训练完成的噪声区域检测模型，在线预测建筑垃圾处置设备噪声方位。
29、作为本专利技术的一种优选实施方式，步骤六具体包括：
30、通过结合声源位置识别器和噪声判别器的预测结果，设本文档来自技高网...
【技术保护点】
1.一种噪声区域检测识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的噪声区域检测识别方法，其特征在于，声源位置识别器由三层全连接层和Sigmoid激活函数组成，三层全连接层中的神经元数量分别为1024，1024，360；输出为一个360维度的预测概率={g1、g2、…gi…、g360}；其中，gi对应于平面360维度第i个方位上出现声源的概率。
3.根据权利要求1所述的噪声区域检测识别方法，其特征在于，噪声判别器由三层全连接层和Sigmoid激活函数组成，三层全连接层中的神经元数量分别为2048，2048，360；输出为一个360维度的预测概率={u1、u2、…ui…、u360}；其中，ui对应于平面360维度第i个方位上的声源属于噪声的概率。
4.根据权利要求1所述的噪声区域检测识别方法，其特征在于，步骤五具体包括：
5.根据权利要求4所述的噪声区域检测识别方法，其特征在于，协方差对齐损失的公式为：
6.根据权利要求5所述的噪声区域检测识别方法，其特征在于，总的损失函数的公式为：
7.根据权利
8.根据权利要求1所述的噪声区域检测识别方法，其特征在于，音频信号采用麦克风阵列采集。
9.噪声区域检测识别系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的噪声区域检测识别方法。
10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的噪声区域检测识别方法。
...【技术特征摘要】
1.一种噪声区域检测识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的噪声区域检测识别方法，其特征在于，声源位置识别器由三层全连接层和sigmoid激活函数组成，三层全连接层中的神经元数量分别为1024，1024，360；输出为一个360维度的预测概率={g1、g2、…gi…、g360}；其中，gi对应于平面360维度第i个方位上出现声源的概率。
3.根据权利要求1所述的噪声区域检测识别方法，其特征在于，噪声判别器由三层全连接层和sigmoid激活函数组成，三层全连接层中的神经元数量分别为2048，2048，360；输出为一个360维度的预测概率={u1、u2、…ui…、u360}；其中，ui对应于平面360维度第i个方位上的声源属于噪声的概率。
4.根据权利要求1所述的噪声区域检测识...
【专利技术属性】
技术研发人员：王伟杰，堵海斌，祁萍萍，
申请(专利权)人：江苏绿和环境科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。