本发明专利技术公开了一种噪声识别方法、装置以及计算机可读存储介质，方法包括分别从仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域进行音频采集，得到样本音频数据；对所述样本音频数据进行信号处理和特征提取，得到待训练数据集；根据所述待训练数据集对深度卷积神经网络模型进行训练，得到声源识别模型；根据所述声源识别模型对待识别区域的噪声进行识别，确定所述待识别区域的噪声声源类型。本发明专利技术能够区分城市区域中的主要噪声源，从而识别出其中主要受道路交通噪声影响的区域，帮助开展交通噪声污染的有效防治，可广泛应用于计算机技术领域。计算机技术领域。计算机技术领域。
【技术实现步骤摘要】
一种噪声识别方法、装置以及计算机可读存储介质
[0001]本专利技术涉及计算机
，尤其是一种噪声识别方法、装置以及计算机可读存储介质。
技术介绍
[0002]城市的声环境是多种声源共同作用的结果，其中社会生活噪声和交通噪声的分布范围远大于工业生产噪声和建筑施工噪声，并且不同于工业生产区域和建筑施工区域具备的数量相对较少、易于封闭、工作时间可控等特点，社会生活噪声和交通噪声的声源个体众多，往往难以通过物理设施与周围环境分隔开来，且影响持续时间长。因此，在大部分城市区域中，交通噪声和社会生活噪声是最主要的噪声污染源。而道路交通噪声的来源是城市道路，相比于社会生活噪声又具有声源区域固定、易于控制等特点，因此，在现阶段的城市声环境治理中，以交通噪声的防治为主。
[0003]目前国内外的噪声污染评估中，主要以噪声的等效声级大小以及超出环境噪声限值的大小为指标评价噪声污染的程度。现阶段主要以交通噪声为主要防治目标，对噪声污染的治理措施以建设声屏障、限速、限流、铺设降噪路面等为主，对社会生活噪声的影响微乎其微。根据声源的噪声频谱特征，判断主要的噪声污染源，对现阶段城市环境噪声污染的治理具有指导作用。
[0004]对于城市的一些区域，其主要噪声污染源可能是交通噪声，也可能是社会生活噪声，因此需要形成一种基于噪声数据的声源分类判别方法，以区分道路交通噪声和社会生活噪声。
技术实现思路
[0005]有鉴于此，本专利技术实施例提供一种噪声识别方法、装置以及计算机可读存储介质，以区分城市区域中的主要噪声源，从而识别出其中主要受道路交通噪声影响的区域，帮助开展交通噪声污染的有效防治。
[0006]本专利技术实施例的一方面提供了一种噪声识别方法，包括：
[0007]分别从仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域进行音频采集，得到样本音频数据；
[0008]对所述样本音频数据进行信号处理和特征提取，得到待训练数据集；
[0009]根据所述待训练数据集对深度卷积神经网络模型进行训练，得到声源识别模型；
[0010]根据所述声源识别模型对待识别区域的噪声进行识别，确定所述待识别区域的噪声声源类型。
[0011]可选地，所述分别从仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域进行音频采集，得到样本音频数据，包括：
[0012]选取仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域，进行环境噪声的采集以及音频录制，得到样本音频信号；
[0013]对所述样本音频信号进行数据增强操作，得到样本音频数据；
[0014]其中，所述数据增强操作包括增加高斯白噪声的操作、波形位移的操作和波形拉伸的操作。
[0015]可选地，所述对所述样本音频数据进行信号处理和特征提取，得到待训练数据集，包括：
[0016]对所述样本音频数据进行切分，得到时间长度为5秒的多个音频片段；
[0017]对切分后的音频片段做短时傅里叶变换，得到各音频片段的频谱；
[0018]构建梅尔滤波器，对音频片段的频谱进行滤波，得到梅尔对数声谱；
[0019]把所述梅尔对数声谱进行离散余弦变换后，选取梅尔倒谱系数，得到MFCC特征；
[0020]把所述梅尔对数声谱和所述MFCC特征渲染成图，得到道路交通噪声和社会生活噪声的梅尔对数声谱图和MFCC特征图。
[0021]可选地，所述根据所述待训练数据集对深度卷积神经网络模型进行训练，得到声源识别模型，包括：
[0022]通过二维卷积层和最大池化层的堆叠，构建深度卷积神经网络模型；
[0023]分别以道路交通噪声、社会生活噪声的梅尔对数声谱图和MFCC特征图作为输入，训练模型。
[0024]可选地，所述根据所述声源识别模型对待识别区域的噪声进行识别，确定所述待识别区域的噪声声源类型，包括：
[0025]在待识别区域内采集环境噪声的音频数据，对音频数据进行滤波，生成梅尔对数声谱图和MFCC特征图；
[0026]将所述梅尔对数声谱图和MFCC特征图输入到训练好的声源识别模型中，识别声谱图和MFCC特征图的特征，进而对识别到的特征判别声源类别；
[0027]根据声源类别判别结果中道路交通噪声和社会生活噪声的识别数量对比，判断待识别区域的主要环境噪声声源。
[0028]可选地，所述对所述样本音频数据进行信号处理和特征提取，得到待训练数据集，还包括：
[0029]根据人耳的听阈范围，确定音频信号处理的赫兹频率范围；
[0030]根据梅尔频率与赫兹频率之间的对应关系，确定梅尔滤波器的起止频率；
[0031]构造具有100个中心频率的梅尔滤波器，对音频信号进行滤波处理，把连续频率的音频信号转换为100个梅尔中心频率下的离散音频信号，得到梅尔对数声谱；
[0032]对梅尔对数声谱进行离散余弦变换，并取变换后的第2～13个系数，作为梅尔倒谱系数；
[0033]绘制梅尔对数谱的声谱图和MFCC系数特征图，从而得到分别代表道路交通噪声和社会生活噪声的梅尔对数声谱图和MFCC特征图。
[0034]本专利技术实施例的另一方面还提供了一种噪声识别装置，包括：
[0035]第一模块，用于分别从仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域进行音频采集，得到样本音频数据；
[0036]第二模块，用于对所述样本音频数据进行信号处理和特征提取，得到待训练数据集；
[0037]第三模块，用于根据所述待训练数据集对深度卷积神经网络模型进行训练，得到声源识别模型；
[0038]第四模块，用于根据所述声源识别模型对待识别区域的噪声进行识别，确定所述待识别区域的噪声声源类型。
[0039]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0040]所述存储器用于存储程序；
[0041]所述处理器执行所述程序实现如前面所述的方法。
[0042]本专利技术实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0043]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0044]本专利技术的实施例分别从仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域进行音频采集，得到样本音频数据；对所述样本音频数据进行信号处理和特征提取，得到待训练数据集；根据所述待训练数据集对深度卷积神经网络模型进行训练，得到声源识别模型；根据所述声源识别模型对待识别区域的噪声进行识别，确定所述待识别区域的噪声声源类型。本专利技术能够区分城市区域中的主要噪声源，从而识别出其中主要受道路交通噪声影响的区域，帮助开展交通噪声污染的有效本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种噪声识别方法，其特征在于，包括：分别从仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域进行音频采集，得到样本音频数据；对所述样本音频数据进行信号处理和特征提取，得到待训练数据集；根据所述待训练数据集对深度卷积神经网络模型进行训练，得到声源识别模型；根据所述声源识别模型对待识别区域的噪声进行识别，确定所述待识别区域的噪声声源类型。2.根据权利要求1所述的一种噪声识别方法，其特征在于，所述分别从仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域进行音频采集，得到样本音频数据，包括：选取仅受道路交通噪声影响的区域和仅受社会生活噪声影响的区域，进行环境噪声的采集以及音频录制，得到样本音频信号；对所述样本音频信号进行数据增强操作，得到样本音频数据；其中，所述数据增强操作包括增加高斯白噪声的操作、波形位移的操作和波形拉伸的操作。3.根据权利要求1所述的一种噪声识别方法，其特征在于，所述对所述样本音频数据进行信号处理和特征提取，得到待训练数据集，包括：对所述样本音频数据进行切分，得到时间长度为5秒的多个音频片段；对切分后的音频片段做短时傅里叶变换，得到各音频片段的频谱；构建梅尔滤波器，对音频片段的频谱进行滤波，得到梅尔对数声谱；把所述梅尔对数声谱进行离散余弦变换后，选取梅尔倒谱系数，得到MFCC特征；把所述梅尔对数声谱和所述MFCC特征渲染成图，得到道路交通噪声和社会生活噪声的梅尔对数声谱图和MFCC特征图。4.根据权利要求3所述的一种噪声识别方法，其特征在于，所述根据所述待训练数据集对深度卷积神经网络模型进行训练，得到声源识别模型，包括：通过二维卷积层和最大池化层的堆叠，构建深度卷积神经网络模型；分别以道路交通噪声、社会生活噪声的梅尔对数声谱图和MFCC特征图作为输入，训练模型。5.根据权利要求1所述的一种噪声识别方法，其特征在于，所述根据所述声源识别模型对待识别区域的噪声进行识别，确定所述待识别区域的噪声声源类型，包括：在待识别区域内采集环境噪声的音频...
【专利技术属性】
技术研发人员：杨炜俊，蔡铭，
申请(专利权)人：中山大学，
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。