一种噪声特征词典的处理方法、装置及处理设备制造方法及图纸

本申请提供了一种噪声特征词典的处理方法、装置及处理设备，用于为CRNN深度神经网络来处理噪声特征词典的应用需求提供一套更为便捷的处理架构，来实现效率显著提高的样本配置效率，如此在具体应用上具有较佳的便利性。方法包括：在板坯轧制过程中，采集现场环境的声音，得到初始音频数据；对初始音频数据进行PCM编码，并处理为时频图数据；将时频图数据输入预先配置的CRNN深度神经网络，以使得CRNN深度神经网络对时频图数据进行异常音频检测；将时频图数据输入预先配置的AutoEncoder无监督学习网络，以使得CRNN深度神经网络对时频图数据进行异常音频检测；若CRNN深度神经网络和AutoEncoder无监督学习网络都检测为异常音频，则将时频图数据对应的音频特征加入到目标特征词典中。特征词典中。特征词典中。

【技术实现步骤摘要】
一种噪声特征词典的处理方法、装置及处理设备


[0001]本申请涉及声音识别领域，具体涉及一种噪声特征词典的处理方法、装置及处理设备。

技术介绍

[0002]随着智慧制造在企业的大力推进，生产操控逐步由传统的分布式转变为集中式。
[0003]当主控人员全部集中到操控中心后，虽然可以通过视频观看现场的生产画面，但是无法准确听得到关键工艺环节的声音。
[0004]为了能够实时方便听到现场声音，并且快速准确判断异常声音，音频人工智能(Artificial Intelligence，AI)技术便应用而生，音频AI分析系统分为集中式、边缘服务器式、混合式等方式。
[0005]而本申请专利技术人发现，信号检测是对已经经过预处理以及特征提取的特征分量进行模式判断的关键步骤，应用于具体的生产环境，实际目的则是检测采样的声音信号中是否含有异常噪声分量，而基于CRNN深度神经网络的检测算法适用于设备噪声情况的正负样本较为充足，且正负样本数量较为平衡的噪声检测条件，缺点则是负样本少，难以监测，因此相应的噪声特征模型的建立比较缓慢，在实际应用中影响到了具体应用的便利性。

技术实现思路

[0006]本申请提供了一种噪声特征词典的处理方法、装置及处理设备，用于为CRNN深度神经网络来处理噪声特征词典的应用需求提供一套更为便捷的处理架构，来实现效率显著提高的样本配置效率，如此在具体应用上具有较佳的便利性。
[0007]第一方面，本申请提供了一种噪声特征词典的处理方法，方法包括：
[0008]在板坯轧制过程中，采集现场环境的声音，得到初始音频数据；
[0009]对初始音频数据进行PCM编码，并处理为时频图数据；
[0010]将时频图数据输入预先配置的CRNN深度神经网络，以使得CRNN深度神经网络对时频图数据进行异常音频检测；
[0011]将时频图数据输入预先配置的AutoEncoder无监督学习网络，以使得CRNN深度神经网络对时频图数据进行异常音频检测；
[0012]若CRNN深度神经网络和AutoEncoder无监督学习网络都检测为异常音频，则将时频图数据对应的音频特征加入到目标特征词典中，完成一次对目标特征词典中噪声音频特征的更新处理。
[0013]结合本申请第一方面，在本申请第一方面第一种可能的实现方式中，若CRNN深度神经网络和AutoEncoder无监督学习网络都检测为异常音频，则将时频图数据对应的音频特征加入到目标特征词典中，包括：
[0014]在都检测为异常音频时，对CRNN深度神经网络识别的靠近目标特征词典中噪声音频特征的异常等级和AutoEncoder无监督学习网络识别的靠近目标特征词典中噪声音频特
征的异常等级两者进行加权平均处理；
[0015]若加权平均处理结果大于预设异常等级，则将时频图数据对应的音频特征加入到目标特征词典中。
[0016]结合本申请第一方面第一种可能的实现方式，在本申请第一方面第二种可能的实现方式中，CRNN深度神经网络和AutoEncoder无监督学习网络进行的异常音频检测，基于输入的时频图数据的音频特征和目标特征词典中噪声音频特征的比对来实现。
[0017]结合本申请第一方面第二种可能的实现方式，在本申请第一方面第三种可能的实现方式中，CRNN深度神经网络对时频图数据进行异常音频检测的过程中，包括以下内容：
[0018]对时频图数据进行图像的转录、卷积和循环，最后的特征与目标特征词典中噪声音频特征进行比对，匹配程度大于80％则检测为异常音频。
[0019]结合本申请第一方面第二种可能的实现方式，在本申请第一方面第四种可能的实现方式中，AutoEncoder无监督学习网络对时频图数据进行异常音频检测的过程中，包括以下内容：
[0020]对时频图数据进行压缩、解压，实现特征值提取，再实现聚类，聚类后的特征与目标特征词典中噪声音频特征进行比对，匹配程度大于80％则检测为异常音频。
[0021]结合本申请第一方面，在本申请第一方面第五种可能的实现方式中，在板坯轧制过程中，采集现场环境的声音，得到初始音频数据，包括：
[0022]在板坯轧制过程中，通过工业物联网网关接入的拾音器，采集现场环境的声音，得到初始音频数据其中，拾音器采用音频线的接入方式或者网口接入方式。
[0023]结合本申请第一方面第五种可能的实现方式，在本申请第一方面第六种可能的实现方式中，将时频图数据对应的音频特征加入到目标特征词典中之后，方法还包括：
[0024]以目标特征词典中噪声音频特征为基础，在生产管控系统中进行板胚轧制过程中的噪声检测，并当检测到噪声时触发工业物联网网关进行相应的响应处理。
[0025]第二方面，本申请提供了一种噪声特征词典的处理装置，装置包括：
[0026]采集单元，用于在板坯轧制过程中，采集现场环境的声音，得到初始音频数据；
[0027]预处理单元，用于对初始音频数据进行PCM编码，并处理为时频图数据；
[0028]第一检测单元，用于将时频图数据输入预先配置的CRNN深度神经网络，以使得CRNN深度神经网络对时频图数据进行异常音频检测；
[0029]第二检测单元，用于将时频图数据输入预先配置的AutoEncoder无监督学习网络，以使得CRNN深度神经网络对时频图数据进行异常音频检测；
[0030]更新单元，用于若CRNN深度神经网络和AutoEncoder无监督学习网络都检测为异常音频，则将时频图数据对应的音频特征加入到目标特征词典中，完成一次对目标特征词典中噪声音频特征的更新处理。
[0031]结合本申请第二方面，在本申请第二方面第一种可能的实现方式中，更新单元，具体用于：
[0032]在都检测为异常音频时，对CRNN深度神经网络识别的靠近目标特征词典中噪声音频特征的异常等级和AutoEncoder无监督学习网络识别的靠近目标特征词典中噪声音频特征的异常等级两者进行加权平均处理；
[0033]若加权平均处理结果大于预设异常等级，则将时频图数据对应的音频特征加入到
目标特征词典中。
[0034]结合本申请第二方面第一种可能的实现方式，在本申请第二方面第二种可能的实现方式中，CRNN深度神经网络和AutoEncoder无监督学习网络进行的异常音频检测，基于输入的时频图数据的音频特征和目标特征词典中噪声音频特征的比对来实现。
[0035]结合本申请第二方面第二种可能的实现方式，在本申请第二方面第三种可能的实现方式中，CRNN深度神经网络对时频图数据进行异常音频检测的过程中，包括以下内容：
[0036]对时频图数据进行图像的转录、卷积和循环，最后的特征与目标特征词典中噪声音频特征进行比对，匹配程度大于80％则检测为异常音频。
[0037]结合本申请第二方面第二种可能的实现方式，在本申请第二方面第四种可能的实现方式中，AutoEncoder无监督学习网络对时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种噪声特征词典的处理方法，其特征在于，所述方法包括：在板坯轧制过程中，采集现场环境的声音，得到初始音频数据；对所述初始音频数据进行PCM编码，并处理为时频图数据；将所述时频图数据输入预先配置的CRNN深度神经网络，以使得所述CRNN深度神经网络对所述时频图数据进行异常音频检测；将所述时频图数据输入预先配置的AutoEncoder无监督学习网络，以使得所述CRNN深度神经网络对所述时频图数据进行异常音频检测；若所述CRNN深度神经网络和所述AutoEncoder无监督学习网络都检测为异常音频，则将所述时频图数据对应的音频特征加入到目标特征词典中，完成一次对所述目标特征词典中噪声音频特征的更新处理。2.根据权利要求1所述的方法，其特征在于，若所述CRNN深度神经网络和所述AutoEncoder无监督学习网络都检测为异常音频，则将所述时频图数据对应的音频特征加入到目标特征词典中，包括：在都检测为异常音频时，对所述CRNN深度神经网络识别的靠近所述目标特征词典中噪声音频特征的异常等级和所述AutoEncoder无监督学习网络识别的靠近所述目标特征词典中噪声音频特征的异常等级两者进行加权平均处理；若加权平均处理结果大于预设异常等级，则将所述时频图数据对应的音频特征加入到目标特征词典中。3.根据权利要求2所述的方法，其特征在于，所述CRNN深度神经网络和所述AutoEncoder无监督学习网络进行的异常音频检测，基于输入的所述时频图数据的音频特征和所述目标特征词典中噪声音频特征的比对来实现。4.根据权利要求3所述的方法，其特征在于，所述CRNN深度神经网络对所述时频图数据进行异常音频检测的过程中，包括以下内容：对所述时频图数据进行图像的转录、卷积和循环，最后的特征与所述目标特征词典中噪声音频特征进行比对，匹配程度大于80％则检测为异常音频。5.根据权利要求3所述的方法，其特征在于，所述AutoEncoder无监督学习网络对所述时频图数据进行异常音频检测的过程中，包括以下...

【专利技术属性】
技术研发人员：李雪强，谈莹青，
申请(专利权)人：宝信软件武汉有限公司，
类型：发明
国别省市：