一种装修事件检测方法、装置、计算机设备及介质制造方法及图纸

本发明专利技术公开了一种装修事件检测方法、装置、计算机设备及介质，所述方法包括麦克风或麦克风阵列实时采集声音获取待检测的声音信息；提取声音信息的声学特征；构建ResCNN神经网络模型；将所述声学特征输入所述ResCNN神经网络模型，获得装修声概率p；将所述装修声概率p与真实的结果进行比较，构造交叉熵损失函数；根据所述交叉熵损失函数对所述ResCNN神经网络模型进行训练；利用训练好的ResCNN神经网络模型进行装修声预测，若判断为装修声，则根据麦克风的设备编号识别装修事件发生的位置。本发明专利技术可有效地判断是否发生装修及识别装修地，通过联合ResCNN神经网络架构和交叉熵损失函数，不但提高装修声识别率，精确地识别某段声音是否为装修声，而且减小整个模型大小。

【技术实现步骤摘要】
一种装修事件检测方法、装置、计算机设备及介质
本专利技术涉及装修领域，具体涉及一种装修事件检测方法、装置、计算机设备及介质。
技术介绍
营造良好的家居生活，装修是其中一个重要的环节。人们根据自己的喜好去对雇用装修公司来对房屋进行装修，装修成自己喜欢的风格，以提升房屋的美感以及自己居住的舒适感。然而，装修的同时会影响到邻居休息，导致因为社区装修而发生很多的争吵事件。为了避免这一情况的再次发生，现在很多小区有明确规定时间段进行房屋装修，但并不是所有的装修公司都会按照小区规定的时间进行装修，有些装修公司会因为赶进度悄悄装修，进而影响到楼层近的居民的休息。为了防止不正当的装修行为造成扰民的影响，有必要对装修事件进行监测。
技术实现思路
本专利技术的目的在于对非装修期间的装修行为进行有效、精准地定位，以便及时制止装修行为，避免装修噪声扰民。鉴于此，本专利技术提供一种装修事件检测方法及装置，通过音频事件检测以及声源定位技术，及时检测到具体是哪个房间在进行装修，并能通知物业及时去处理。为此，本专利技术提供的一种装修事件检测方法，包括如下步骤：步骤一，通过麦克风或麦克风阵列实时采集声音获取待检测的声音信息；步骤二，从所述声音信息提取声音信息的声学特征；步骤三，构建ResCNN神经网络模型；步骤四，将所述声学特征输入所述ResCNN神经网络模型，获得装修声预测概率p；步骤五，将所述装修声预测概率p与真实的结果进行比较，构造交叉熵损失函数；步骤六，根据所述交叉熵损失函数对所述ResCNN神经网络模型进行训练；步骤七，利用训练好的ResCNN神经网络模型进行装修声预测，判断装修声预测概率p是否大于等于设定阈值，若是则所述声音信息判断为装修声，若概率p小于设定阈值，则所述声音信息判断为非装修声。进一步的，所述提取声音信息的声学特征过程包括将时域信号转换成时域-频域信息。在专利技术实施例中，优选地，采用短时傅里叶变换和梅尔频率倒谱系数将时域信号转换成时域-频域信息。优选的，步骤四后，还将所述装修声预测概率p进行softmax分类(1-p，p)，即概率p为0～1的二分类。在本专利技术实施例中，按照如下构建ResCNN神经网络模型，卷积网络核的层数为16层：第1层使用5×5的卷积核，通道数为64，步长为2；3-8层为3个ResBlock残差块，卷积核为3×3，通道数为64，步长为1；第9层使用5×5的卷积核，通道数为128，步长为2；10-15层为3个ResBlock残差块，卷积核为3×3，通道数为128，步长为1；接着在时间轴方向上做平均；第16层为全连接层，输出节点数为512。进一步的，所述构造交叉熵损失函数具体为：每一批训练样本包含M段声音样本，将预测的结果和真实的结果做比较构造一个交叉熵损失函数L，所述交叉熵损失函数公式为如下：其中，yi为第i段声音的真实的结果，为第i段声音的预测的结果，M表示声音样本数量，M为正整数且M≥1。为了更快地收敛，本专利技术还在根据所述交叉熵损失函数对所述ResCNN神经网络模型进行训练后，还利用随机梯度下降算法进行神经网络训练。在本专利技术实施例中，利用训练好的ResCNN神经网络模型进行装修声预测，具体为，判断装修声预测概率p是否大于等于设定阈值，若是则所述声音信息判断为装修声，若概率p小于设定阈值，则所述声音信息判断为非装修声。在本专利技术一实施例中，优选地，所述的设定阈值为0.5。在本专利技术实施例中，进一步的，所述麦克风或麦克风阵列设置在楼层，用于实时采集楼层或房间的声音；麦克风或麦克风阵列的每个麦克风对应有设备编号，所述麦克风的设备编号对应有位置信息；步骤一中，在正常装修期间外，通过麦克风或麦克风阵列实时采集声音获取待检测的声音信息以及待检测的声音信息所对应的麦克风的设备编号；若利用训练好的ResCNN神经网络模型进行装修声预测判断所述声音信息判断为装修声，获取所述声音信息的麦克风的设备编号，并根据麦克风的设备编号获取装修发生地的位置信息。进一步的，每个麦克风的设备编号绑定有楼层信息和/或房号信息；若利用训练好的ResCNN神经网络模型进行装修声预测判断所述声音信息判断为装修声，获取所述声音信息的麦克风的设备编号，并根据麦克风的设备编号查找对应的楼层信息或房间信息，并发送提醒消息反馈至物业管理中心。本专利技术另一实施例中，还提供了所述装修事件检测装置包括麦克风或麦克风陈列、计算机设备，所述麦克风或麦克风陈列用户实时获取环境的声音并发送至计算机设备，所述计算机设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述的装修事件检测方法。本专利技术另一实施例中，还提供了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述的装修事件检测方法。另外，本专利技术另一实施例中，还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现上述的装修事件检测方法。本专利技术提供的装修事件检测方法、计算机设备及介质，与现有技术相比，本专利技术有效、精准地识别是否发生装修行为，并根据麦克风或麦克风阵列定位装修行为发生地，并可以监测在非装修期间的装修行为，一旦识别装修声，则立即反馈至物业管理中心或管理员进行处理，可以有效避免装修噪声扰民，本专利技术方法是通过联合上述ResCNN深度神经网络架构和交叉熵损失函数，不但可以提高声音的装修声识别率，精确的识别某段装修声，而且减小整个模型大小。附图说明此处所说明的附图用来提供对专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1本专利技术实施例1提供了一种装修事件检测方法的流程示意图。具体实施方式为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本专利技术第一实施例提供了一种装修事件检测方法，如附图1所示，包括如下步骤：步骤一，通过麦克风或麦克风阵列实时采集声音获取待检测的声音信息；步骤二，从所述声音信息提取声音信息的声学特征；所述提取声音信息的声学特征过程包括将时域信号转换成时域-频域信息，在在专利技术实施例中，优选地，采用短时傅里叶变换和梅尔频率倒谱系数将时域信号转换成时域-频域信息。需要说明的是，本专利技术从所述声音信息提取声音信息的声学特征还可以采用其它方式进行，不限于本专利技术所指的优选方式。步骤三，构建ResCNN神经网络模型；其中，按照如下构建ResCNN神经网络模型，卷积网络核的层数为16层：第1层使用5×5的卷积核，通道数为64，步长为2；3-8层为3个ResBlock残差块，卷积核为3×3，通道数为64，步长为1；第9层使用5×5的卷积核，通道数为128，步长为2；10-15层为3个ResBlock残差块，卷积核为3×3，通道数为128，步长为1；接着在时间轴方向上做平均；第16层为全本文档来自技高网...

【技术保护点】
1.一种装修事件检测方法，其特征在于，包括如下步骤：步骤一，通过麦克风或麦克风阵列实时采集声音获取待检测的声音信息；步骤二，从所述声音信息提取声音信息的声学特征；步骤三，构建ResCNN神经网络模型；步骤四，将所述声学特征输入所述ResCNN神经网络模型，获得装修声预测概率p；步骤五，将所述装修声预测概率p与真实的结果进行比较，构造交叉熵损失函数；步骤六，根据所述交叉熵损失函数对所述ResCNN神经网络模型进行训练；步骤七，利用训练好的ResCNN神经网络模型进行装修声预测，判断装修声预测概率p是否大于等于设定阈值，若是则所述声音信息判断为装修声，若概率p小于设定阈值，则所述声音信息判断为非装修声。

【技术特征摘要】
1.一种装修事件检测方法，其特征在于，包括如下步骤：步骤一，通过麦克风或麦克风阵列实时采集声音获取待检测的声音信息；步骤二，从所述声音信息提取声音信息的声学特征；步骤三，构建ResCNN神经网络模型；步骤四，将所述声学特征输入所述ResCNN神经网络模型，获得装修声预测概率p；步骤五，将所述装修声预测概率p与真实的结果进行比较，构造交叉熵损失函数；步骤六，根据所述交叉熵损失函数对所述ResCNN神经网络模型进行训练；步骤七，利用训练好的ResCNN神经网络模型进行装修声预测，判断装修声预测概率p是否大于等于设定阈值，若是则所述声音信息判断为装修声，若概率p小于设定阈值，则所述声音信息判断为非装修声。2.根据权利要求1所述的装修事件检测方法，其特征在于，所述麦克风或麦克风阵列设置在楼层，用于实时采集楼层或房间的声音；麦克风或麦克风阵列的每个麦克风对应有设备编号，所述麦克风的设备编号对应有位置信息；步骤一中，在正常装修期间外，通过麦克风或麦克风阵列实时采集声音获取待检测的声音信息以及待检测的声音信息所对应的麦克风的设备编号；若利用训练好的ResCNN神经网络模型进行装修声预测判断所述声音信息判断为装修声，获取所述声音信息的麦克风的设备编号，并根据麦克风的设备编号获取装修发生地的位置信息。3.根据权利要求2所述的装修事件检测方法，其特征在于，每个麦克风的设备编号绑定有楼层信息和/或房号信息；若利用训练好的ResCNN神经网络模型进行装修声预测判断所述声音信息判断为装修声，获取所述声音信息的麦克风的设备编号，并根据麦克风的设备编号查找对应的楼层信息或房间信息，并发送提醒消息反馈至物业管理中心。4.根据权利要求1所述的装修事件检测方法，其特征在于，步骤四后，还将所述装修声预测概率p进行softmax分类(1-p，p)，即概率p为0～1的二分类。5.根据权利要求1所述的装修事件检测方法，其特征在于，所述构造交叉熵损失函数具体为：每一批训练...

【专利技术属性】
技术研发人员：叶志坚，李稀敏，肖龙源，蔡振华，刘晓葳，谭玉坤，
申请(专利权)人：厦门快商通信息技术有限公司，
类型：发明
国别省市：福建,35