一种基于卷积神经网络的机场噪声识别与测量装置
1.本发明属于语音信息处理技术领域，尤其涉及一种基于卷积神经网络的机场噪声识别与测量装置。
背景技术：
2.近年来，随着民航业的发展迅速，机场吞吐能力及占地规模不断扩大，与此同时，机场周边地区的城镇化进程加速发展，由于机场用地与城镇用地越来越近，由机场的噪声污染所引起的矛盾、纠纷越来越多，随着人们生活质量的提高，人们的法律维权意识越来越强。有的机场已经出现了附近居民因难以忍受机场噪声而闯入机场阻止飞机起降的事件，严重影响飞机的飞行安全。因此，在大力倡导机场可持续性发展的前提下，飞机噪声识别研究成为民航各级行政主管部门、机场当局、航空公司面临的重要课题。
3.传统的噪声识别设备基于pc机，功耗大、体积笨重、移动困难、容易死机且价格昂贵，同时其主要通过识别音频数据的强度以及持续时间的长短，判断噪声是否由飞机产生，并不考虑实际的声源，因此存在误识别问题。
技术实现要素：
4.针对现有技术存在的问题，本发明提出一种基于卷积神经网络的机场噪声识别与测量装置，基于卷积神经网络的方法提取音频中复杂的特征信息，降低了误识别的概率。同时通过历史音频数据训练实现不同噪声类型的特征提取和分类过程，网络模型可以提取到不容易注意到的特征，具有很强的实用性和通用性。同时，通过分贝仪对飞机的噪声强度进行测试，并在显示屏上输出，可以更好地进行机场噪声监测。
5.本发明的目的是提供一种基于卷积神经网络的机场噪声识别与测量装置，包括：
6.模型构建模块，构建基于卷积神经网络的噪声分类模型；具体构建过程为：
7.采集机场飞机噪声与非飞机噪声的历史音频数据，经过预处理操作后得到特征矢量；将所述特征矢量输入到卷积神经网络中，输出噪声数据属于飞机噪声与非飞机噪声的概率，即类别矩阵；根据输出与标注信息计算损失，反向传播更新模型参数，最终得到基于卷积神经网络的噪声分类模型；
8.装置搭建模块，搭建噪声识别装置；具体搭建过程为：
9.将麦克风、分贝仪和显示屏通过usb直插的方式与树莓派连接，组成噪声识别装置；
10.移植模块，将所述噪声分类模型进行压缩后移植到树莓派中，得到飞机噪声识别装置；
11.音频获取模块，使用麦克风收集机场噪声数据，获取待测音频；
12.噪声数据预处理模块；具体为：
13.将采集到的噪声信号进行分段，归一化，去除干扰噪声，除去无用背景噪声，增强信噪比，突出噪声中的特征信息；
14.特征提取模块；具体为：
15.借助于1/3倍频程滤波算法，用声压级谱分析法从噪声主频分布的角度对录制的噪声提取特征，获取待测噪声音频数据的特征矢量；
16.分类识别模块；具体为：
17.使用所述噪声分类模型对所述特征矢量进行分类，从而判断该噪声是否由飞机产生。
18.优选地，还包括：结果输出模块，若该噪声由飞机产生，使用分贝仪测试噪声强度，最终在显示屏上输出噪声强度大小，否则，不做处理。
19.综上所述，本发明的优点及积极效果为：
20.本发明通过卷积神经网络对噪声类型进行识别，进一步对飞机产生的噪声测试声音强度。采用卷积神经网络，即cnn对原始音频数据进行特征提取得到cnn噪声识别模型，并将模型植入树莓派。同时将树莓派mini麦克风、分贝仪通过usb直插的方式与树莓派连接，组成噪声识别装置。噪声识别装置通过实时采集噪声音频数据，对采集到的噪声信号进行处理，将预处理后的特征矢量送入卷积神经网络进行分类，得到该噪声数据属于不同类别属性的概率。其中预处理操作将采集到的噪声信号进行分段，归一化，去除干扰噪声，除去无用背景噪声，增强信噪比，突出噪声中的特征信息，优化识别效果。如果发现噪声由飞机产生，则使用分贝仪对该噪声声音强度进行监测，最终在显示屏上输出。本发明实现了对不同机场噪声类别的实时检测，降低了误识别概率，提高了飞机噪声识别的准确性。
21.本发明可以对机场内的噪声进行实时采集并同时识别该噪声是否由飞机产生，大大减少了机场的人力资源消耗，提高了噪声识别的效率。
附图说明
22.图1为本发明优选实施例中cnn飞机噪声识别流程图；
23.图2为本发明优选实施例中飞机噪声识别装置示意图；
24.图3为本发明优选实施例的流程图。
具体实施方式
25.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明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仅用以解释本发明，并不用于限定本发明。
26.基于卷积神经网络的噪声识别实质上是分类问题，通过对历史音频进行特征提取和分类可以检测到当前音频的声源。对于历史噪声音频数据则需要根据特征建立分类模型，对音频数据进行分类。将历史音频数据预处理后得到的特征矢量送入卷积神经网络进行特征提取并训练得到cnn噪声分类器，通过预训练得到的cnn噪声分类模型可以对不同噪声音频数据进行分类。
27.这里提出的飞机噪声识别方法是为了有效评价机场噪声以及避免噪声监测点因存储和发送大量的非飞机噪声数据造成的资源浪费。飞机噪声具有以下几个特点：
①
飞机噪声音量高，飞机发动机作为主要的噪声源，在飞机起飞时，可能超过140分贝；
②
飞机噪声的声源组成复杂，飞机噪声的声源有三个来源：机械噪音，即发动机零件的旋转；空气动力
学噪声，即来自飞机表面周围的气流，尤其是在高速低速飞行时；飞机系统，即驾驶舱和机舱增压与调节系统以及辅助动力装置产生的噪；
③
不同类型的飞机各噪声源的贡献值不同，喷气式飞机主要噪声源是喷流噪声，直升机的主要噪声是飞机的螺旋桨，现代大型客机主要噪声源是风扇和机体。
28.根据机场不同噪声的特征，本发明实现了对不同噪声类别的实时检测，降低了误识别概率，提高了飞机噪声识别的准确性。
29.请参阅图1至图3，一种基于卷积神经网络的机场噪声识别与测量装置，共需要两个实现阶段，分别是卷积神经网络训练阶段和飞机噪声识别装置检测阶段。包括：
30.模型构建模块，采集机场飞机噪声与非飞机噪声的历史音频数据，经过预处理操作后得到特征矢量。特征矢量输入到卷积神经网络(cnn)中，最终输出该噪声数据属于飞机噪声与非飞机噪声的概率，即类别矩阵。根据输出与标注信息计算损失，反向传播更新模型参数，最终得到基于卷积神经网络的噪声分类模型。
31.装置搭建模块，如附图2所示，将树莓派mini麦克风、分贝仪和显示屏通过usb直插的方式与树莓派连接，组成噪声识别装置。
32.移植模块，将该噪声分类模型进行压缩后移植到树莓派中，得到飞机噪声识别装置，该装置中树莓派mini麦克风作为输入，噪声分类模型用于处理噪声音频数据，分贝仪用于显示飞机噪声对应的声音强度大小。
33.音频获取模块，使用树莓派mini麦克风收集机场噪声数据，以获取待测音频；
34.噪声数据预处理模块，将采集到的噪声信号进行分段，归一化，去除干扰噪声，除去无用背景噪声，增强信噪比，突出噪声中的特征信息；
35.特征提取模块，为了从噪声事件中获取足够的信息，借助于1/3倍频程滤波算法，用声压级谱分析法从噪声主频分布的角度对录制的噪声提取特征，获取待测噪声音频数据的特征矢量；
36.分类识别模块，使用训练好的噪声分类模型对待检测音频数据进行分类，从而判断该噪声是否由飞机产生；
37.结果输出模块，若该噪声由飞机产生，使用分贝仪测试噪声强度，最终在显示屏上输出噪声强度大小。
38.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
39.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
技术特征：
1.一种基于卷积神经网络的机场噪声识别与测量装置，其特征在于，包括：模型构建模块，构建基于卷积神经网络的噪声分类模型；具体构建过程为：采集机场飞机噪声与非飞机噪声的历史音频数据，经过预处理操作后得到特征矢量；将所述特征矢量输入到卷积神经网络中，输出噪声数据属于飞机噪声与非飞机噪声的概率，即类别矩阵；根据输出与标注信息计算损失，反向传播更新模型参数，最终得到基于卷积神经网络的噪声分类模型；装置搭建模块，搭建噪声识别装置；具体搭建过程为：将麦克风、分贝仪和显示屏通过usb直插的方式与树莓派连接，组成噪声识别装置；移植模块，将所述噪声分类模型进行压缩后移植到树莓派中，得到飞机噪声识别装置；音频获取模块，使用麦克风收集机场噪声数据，获取待测音频；噪声数据预处理模块；具体为：将采集到的噪声信号进行分段，归一化，去除干扰噪声，除去无用背景噪声，增强信噪比，突出噪声中的特征信息；特征提取模块；具体为：借助于1/3倍频程滤波算法，用声压级谱分析法从噪声主频分布的角度对录制的噪声提取特征，获取待测噪声音频数据的特征矢量；分类识别模块；具体为：使用所述噪声分类模型对所述特征矢量进行分类，从而判断该噪声是否由飞机产生。2.基于权利要求1所述的基于卷积神经网络的机场噪声识别与测量装置，其特征在于：还包括：结果输出模块，若该噪声由飞机产生，使用分贝仪测试噪声强度，最终在显示屏上输出噪声强度大小，否则，不作处理。3.基于权利要求1所述的基于卷积神经网络的机场噪声识别与测量装置，其特征在于：所述麦克风为树莓派mini麦克风。
技术总结
本发明公开了一种基于卷积神经网络的机场噪声识别与测量装置，属于语音信息处理技术领域，包括：模型构建模块，构建基于卷积神经网络的噪声分类模型；装置搭建模块，搭建噪声识别装置；移植模块；音频获取模块，使用麦克风收集机场噪声数据，获取待测音频；噪声数据预处理模块；特征提取模块；分类识别模块。本发明基于卷积神经网络的方法提取音频中复杂的特征信息，降低了误识别的概率。同时通过历史音频数据训练实现不同噪声类型的特征提取和分类过程，网络模型可以提取到不容易注意到的特征，具有很强的实用性和通用性。同时，通过分贝仪对飞机的噪声强度进行测试，并在显示屏上输出，可以更好地进行机场噪声监测。可以更好地进行机场噪声监测。可以更好地进行机场噪声监测。
