CN109300483A - 一种智能化音频异音检测方法 - Google Patents
一种智能化音频异音检测方法 Download PDFInfo
- Publication number
- CN109300483A CN109300483A CN201811071307.5A CN201811071307A CN109300483A CN 109300483 A CN109300483 A CN 109300483A CN 201811071307 A CN201811071307 A CN 201811071307A CN 109300483 A CN109300483 A CN 109300483A
- Authority
- CN
- China
- Prior art keywords
- audio
- data
- audio data
- abnormal sound
- file
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 33
- 230000005236 sound signal Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 206010016256 fatigue Diseases 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0272—Voice signal separating
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种智能化音频异音检测方法,其特征在于,包括以下步骤:步骤一、WAV格式转换:将待分析音频文件使用WAV文件标准进行整理,以转换为标准的WAV格式文件;步骤二、分割音频数据,提取有效的音频数据;步骤三、对音频数据的结构化数据的提取:步骤四、分割音频数据,使用机器学习中有监督学习算法提取出混合状态下静音房内的音频数据,步骤五、VAD动态提取有效音频数据:步骤六、机器学习检测音频数据的异音:机器学习算法用来完成对步骤五中最后的音频数据的分析建模,并检测音频数据中是否有异音,并返回检测结果。解决了传统的基于噪音分贝人工检测存在易疲劳易误判的问题。
Description
技术领域
本发明属于音频分析技术领域,涉及一种利用机器学习技术来实现对音频数据智能检测的方法。
背景技术
现代音视频产品已经进入到了每个人的生活中,不断追求产品的音频表现是整个音频行业的持续追求。如何衡量一个产品音频指标的好坏,这往往需要对其进行音频性能测试。常见的音频测试的项目可以粗略的分类为:动态范围,频率响应,灵敏度,谐波失真,互调失真,信噪比,最大输入输出电平等。
例如某家电生产企业旗下厂区生产线通过对产品逐件进行噪音分贝人工检测,以评判产品是否合格。但是该方法无法识别产品运行中的异音,同时快节奏、高强度的装配流水线工作使得检测工人听取噪音时间过长,易疲劳和误判,导致不合格产品流入下线。
发明内容
本发明的目的是提供基于音频数据的智能化音频异音检测方法,解决了传统的基于噪音分贝人工检测存在易疲劳易误判的问题,通过对音频文件的WAV格式转换、音频分割并降噪、使用MFCC提取特征、VAD端点检测技并使用机器学习算法,实现音频异音的智能化检测。
为达到上述目的,本发明的技术方案如下:
一种智能化音频异音检测方法,其特征在于,包括以下步骤:
步骤一、WAV格式转换:将待分析音频文件使用WAV文件标准进行整理,以转换为标准的WAV格式文件,完成真实音频信号到模拟信号的转换;
WAV格式文件,也称为波形文件,可直接存储声音波形,还原的波形曲线十分逼真,其优点是可获得高质量的音频信息,
步骤二、分割音频数据:对步骤一转换后的WAV音频文件计算统计特征,使用区间阈值法进行音频文件分割,分割出音频文件中的无关音频数据,提取有效的音频数据,得到纯度较高的音频数据。
步骤三、对音频数据的结构化数据的提取:
对有效的音频数据进行傅里叶变换,通过MFCC算法完成对音频数据的结构化数据的提取;
步骤四、分割音频数据:
基于步骤三中提取的结构化数据,使用机器学习中有监督学习算法提取出混合状态下静音房内的音频数据;所述混合状态指代静音房内的音频与静音房外的音频;
步骤五、VAD动态提取有效音频数据:
基于步骤四获取的音频数据,使用VAD端点检测算法,动态识别并过滤待分析音频文件未工作状态下的的静音数据,提取待分析的有效音频数据;
步骤六、机器学习检测音频数据的异音:
机器学习算法用来完成对步骤五中最后的音频数据的分析建模,并检测音频数据中是否有异音。
在本发明的一个优选实施例中,所述步骤二中的无关音频数据包括设备故障信号数据,所述设备产生待分析音频文件。
在本发明的一个优选实施例中,所述步骤二中的无关音频数据还包括高低噪音数据,所述高低噪音数据处理的音频数据为分割设备故障信号数据后的音频数据。
在本发明的一个优选实施例中,所述高低噪音数据处理包括采用噪声滤波算法,对音频数据进行滤波降噪,过滤掉与设备运行无关的噪声数据。
在本发明的一个优选实施例中,所述步骤三中,通过傅里叶变化将时域的音频信号数据转换为频域的音频信号数据,使用MFCC算法中更符合人耳听觉的三角滤波器对音频数据信号进行过滤(在实施过程中同时进行三角滤波及对数转换),将一维连续的信号数据转换为多维的结构化数据,完成对音频数据的结构化数据的提取。
在本发明的一个优选实施例中,所述机器学习中有监督学习算法具体包括,根据历史数据中静音房内外的音频数据特征对音频数据打正负标签,正样本代表静音房外的音频数据,负样本代表静音房内的数据,建立多种分类模型,使用查准率和查全率评估优选最优的模型,对于未知的音频数据提取出混合状态下静音房的音频数据。
在本发明的一个优选实施例中,所述步骤六中机器学习算法,采用机器学习多种分类算法对VAD动态提取出来的音频数据,根据历史数据中已经标记好的正负样本标签,建立多种分类模型,使用查准率和查全率评估优选最优的模型,对于未知的音频数据完成音频异音的智能化检测。
通过上述技术方案,本方法的有益效果是:
对此,本发明采用数字滤波技术在软件算法中实现声音信号降噪,同时将声音信号数据转换为结构化数据,使用VAD端点检测技术,准确定位产品检测起止时间。
将音频数据处理与机器学习结合起来,充分利用MFCC数据特征提取的能力,将音频文件转换成结构化的数据,并使用VAD端点检测技术动态提取有效音频数据,使用机器学习多种分类算法对音频数据建模并进行智能化检测;对声音数据积累过程中,借助机器学习模型循环积累,逐步帮助企业业务进入人工智能阶段。
附图说明
为了更清楚地说明本方法实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本方法的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本方法的智能化音频异音检测的整体流程;
图2是本方法的音频数据处理流程;
图3是本方法的机器学习模型训练流程。
具体实施方式
为了使本方法实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本方法。
机器学习是指使计算机系统使用统计技术学习数据的过程,而不需要具体的编程程序。该方法是一个主动学习的算法,使得它能够从数据中学习并进行预测。机器学习与计算统计、数学优化以及数据学习密切相关,通常被用来进行预测、分析等任务。
MFCC(Mel-frequency cepstral coefficients):梅尔频率倒谱系数。梅尔频率是基于人耳听觉特性提出来的,它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系,计算得到的Hz频谱特征。主要用于音频数据特征提取和降低运算维度。
VAD(Voice Activity Detection)端点检测是音频数据处理的一个基本环节,也是音频检测研究的一个热点领域。VAD端点检测技术的主要目的是从输入的音频数据中对目标音频数据和非目标音频数据进行区分,其主要功能有:去掉音频数据中的静音成分、获取输入音频数据中的有效音频、去除音频数据中的噪声以增强有效音频数据。
一种智能化音频异音检测方法,其特征在于,包括以下步骤:步骤一、WAV格式转换:将待分析音频文件使用WAV文件标准进行整理,以转换为标准的WAV格式文件,完成真实音频信号到模拟信号的转换;WAV格式文件,也称为波形文件,可直接存储声音波形,还原的波形曲线十分逼真,其优点是可获得高质量的音频信息,
步骤二、分割音频数据:对步骤一转换后的WAV音频文件计算统计特征,使用区间阈值法进行音频文件分割,分割出音频文件中的无关音频数据,提取有效的音频数据,得到纯度较高的音频数据。
步骤三、对音频数据的结构化数据的提取:对有效的音频数据进行傅里叶变换,通过MFCC算法完成对音频数据的结构化数据的提取;
步骤四、分割音频数据:基于步骤三中提取的结构化数据,使用机器学习中有监督学习算法提取出混合状态下静音房内的音频数据;所述混合状态指代静音房内的音频与静音房外的音频;
步骤五、VAD动态提取有效音频数据:基于步骤四获取的音频数据,使用VAD端点检测算法,动态识别并过滤待分析音频文件未工作状态下的的静音数据,提取待分析的有效音频数据;
步骤六、机器学习检测音频数据的异音:机器学习算法用来完成对步骤五中最后的音频数据的分析建模,并检测音频数据中是否有异音。
进一步地,智能化音频异音检测方法整体流程如图1所示,主要包含:音频读取部分(包括音频文件的接入、WAV文件标准格式转换)、音频数据处理、机器学习模型智能识别、检测结果输出。具体如下:
开始执行音频分析任务时,需要获取读取相应路径下的音频文件,对音频文件进行WAV格式转换、分割、滤波降噪、结构化数据提取(MFCC)、VAD端点检测。
该部分整体流程如图2所示。
首先需要设计音频的传输形式即对各种音频文件的格式使用WAV文件标准进行转换,将待分析处理的音频文件均转换为WAV格式;
之后,由于传输的音频中包含许多与设备无关的音频信号,为了保证结果的准确性,需要使用音频分割算法对传入的音频文件进行分割,分割出设备故障的音频数据,提取出与设备有关的音频信号数据,返回结果为有效的设备信号数据;
然后使用高低噪声滤波对提取出来的音频信号数据进行滤波降噪,过滤掉与设备运行无关的噪声数据,返回纯度较高的设备信号数据;
然后通过傅里叶变化将时域的音频信号数据转换为频域的音频信号数据,进一步的使用梅尔频率倒谱系数(MFCC)提取音频数据的特征,将一维连续的信号数据转换为多维的结构化数据。
将音频转换成多维的结构化数据之后,由于音频文件在静音房里的信号数据易于识别和分析,对音频进行分割,提取出静音房状态下的音频数据;
然后,使用VAD端点检测算法,动态识别设备正常工作的音频数据,过滤设备未开始工作的静音数据,提取待分析的音频数据。
进一步地,机器学习算法用来完成对音频数据的分析建模,如采用异常检测算法对音频中出现的异音进行检测,对历史数据中所有的正常样本通过异常检测算法在高维空间中拟合一个超球体,当新的音频数据在高维空间中落在超球体的内部则判断为正常音频,否则,判断为异常音频。或采用分类识别算法对音频中通过VAD端点检测技术提取的音频数据中出现的异音进行检测,将历史音频数据划分为正常和异常两类,建立多种分类模型,基于查准率和查全率等模型评价指标,优选精度最高的模型作为对音频数据异音检测的模型,从而实现对音频异音的自动分析,并进一步可形成报警信息,为决策提供支撑。
该部分整体流程如图3所示。
具体音频分析算法在python(一种面向对象的解释型计算机程序设计语言)中实现,对于已经处理好的音频数据,使用傅里叶变换将时域信号转换为频域分析信号,使用三角滤波器进行信号数据的处理,使用基于梅尔频率倒谱系数MFCC和音频帧和音频段的分析,从不同粒度对音频数据进行多维特征的提取,然后对提取出的多维特征数据进行标准化处理,使之在同一量纲上可分析。
最终,根据特征工程的数据输出,基于处理的音频数据,对比使用机器学习中多种分类算法、异常检测算法,进行模型的训练学习,为了方便模型调优时根据业务逻辑选择查全率最高的模型,因此分类算法主要采用可以输出预测概率的算法,该类算法主要有逻辑回归算法、随机森林算法、神经网络算法等;由于音频数据的分布形式未知,因此异常检测算法主要采用One-Class SVM算法,该算法可以捕获未知数据分布的空间形状,其对于强非高斯数据有较高的预测精度。从模型的参数、数据特征等多个角度不断调试,结合模型输出的混淆矩阵、查准率、查全率、准确率、F1值等模型评价指标完成模型的预测精度评判,根据本发明所涉及的业务逻辑,在模型评估时以查全率的阈值为基准,首先选择查全率为100%的模型,然后在保证查全率的基础上,通过模型的多次调参和对数据特征的不断优化,逐步提高模型的查准率,最终选择出以查全率为100%并且查准率在已有样本数据量的基础上达到最高的模型即为音频异音的最优检测模型,用于对未知音频进行智能化检测,以改变目前工人听取噪音时间过长,易疲劳和误判,导致不合格产品流入下线的问题。
以上显示和描述了本方法的基本原理和主要特征和本方法的优点。本行业的技术人员应该了解,本方法不受上述实施例的限制,上述实施例和说明书中描述的只是说明本方法的原理,在不脱离本方法精神和范围的前提下,本方法还会有各种变化和改进,这些变化和改进都落入要求保护的本方法范围内。本方法要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种智能化音频异音检测方法,其特征在于,包括以下步骤:
步骤一、WAV格式转换:
将待分析音频文件使用WAV文件标准进行整理,以转换为标准的WAV格式文件;
步骤二、分割音频数据:
对步骤一转换后的WAV音频文件计算统计特征,使用区间阈值法进行音频文件分割,分割出音频文件中的无关音频数据,提取有效的音频数据;
步骤三、对音频数据的结构化数据的提取:
对有效的音频数据进行傅里叶变换,通过MFCC算法完成对音频数据的结构化数据的提取;
步骤四、分割音频数据:
基于步骤三中提取的结构化数据,使用机器学习中有监督学习算法提取出混合状态下静音房内的音频数据;所述混合状态指代静音房内的音频与静音房外的音频;
步骤五、VAD动态提取有效音频数据:
基于步骤四获取的音频数据,使用VAD端点检测算法,动态识别并过滤待分析音频文件未工作状态下的的静音数据,提取待分析的音频数据;
步骤六、机器学习检测音频数据的异音:
机器学习算法用来完成对步骤五中最后的音频数据的分析建模,并检测音频数据中是否有异音,并返回检测结果。
2.根据权利要求1所述的智能化音频异音检测方法,其特征在于,所述步骤二中的无关音频数据包括设备故障信号数据,所述设备产生待分析音频文件。
3.根据权利要求2所述的智能化音频异音检测方法,其特征在于,所述步骤二中的无关音频数据还包括高低噪音数据,所述高低噪音数据处理的音频数据为分割设备故障信号数据后的音频数据。
4.根据权利要求3所述的智能化音频异音检测方法,其特征在于,所述高低噪音数据处理包括采用噪声滤波算法,对音频数据进行滤波降噪,过滤掉与设备运行无关的噪声数据。
5.根据权利要求1所述的智能化音频异音检测方法,其特征在于,所述步骤三中,通过傅里叶变化将时域的音频信号数据转换为频域的音频信号数据,使用MFCC算法中更符合人耳听觉的三角滤波器对音频数据信号进行过滤,将一维连续的信号数据转换为多维的结构化数据。
6.根据权利要求1所述的智能化音频异音检测方法,其特征在于,所述机器学习中有监督学习算法具体包括,根据历史数据中静音房内外的音频数据特征对音频数据打正负标签,正样本代表静音房外的音频数据,负样本代表静音房内的数据,建立多种分类模型,使用查准率和查全率评估优选最优的模型,对于未知的音频数据提取出混合状态下静音房的音频数据。
7.根据权利要求1或6所述的智能化音频异音检测方法,其特征在于,所述步骤六中机器学习算法,采用机器学习多种分类算法对VAD动态提取出来的音频数据,根据历史数据中已经标记好的正负样本标签,建立多种分类模型,使用查准率和查全率评估优选最优的模型,对于未知的音频数据完成音频异音的智能化检测。
8.根据权利要求1所述的智能化音频异音检测方法,其特征在于,针对步骤一中音频文件的WAV格式转换,对不同格式的音频文件使用WAV文件标准对其进行整理,转换成可用于分析的音频文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811071307.5A CN109300483B (zh) | 2018-09-14 | 2018-09-14 | 一种智能化音频异音检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811071307.5A CN109300483B (zh) | 2018-09-14 | 2018-09-14 | 一种智能化音频异音检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109300483A true CN109300483A (zh) | 2019-02-01 |
CN109300483B CN109300483B (zh) | 2021-10-29 |
Family
ID=65167066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811071307.5A Active CN109300483B (zh) | 2018-09-14 | 2018-09-14 | 一种智能化音频异音检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300483B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110425710A (zh) * | 2019-08-30 | 2019-11-08 | 盈盛智创科技(广州)有限公司 | 一种空调的故障检测方法、装置、设备及存储介质 |
CN111192600A (zh) * | 2019-12-27 | 2020-05-22 | 北京网众共创科技有限公司 | 声音数据的处理方法及装置、存储介质和电子装置 |
CN112908307A (zh) * | 2021-01-29 | 2021-06-04 | 云从科技集团股份有限公司 | 一种音频特征提取方法、系统、设备及介质 |
CN113409818A (zh) * | 2021-08-18 | 2021-09-17 | 宁波帅特龙集团有限公司 | 一种基于声音传感器的生产设备预测性维修方法与系统 |
CN114627891A (zh) * | 2022-05-16 | 2022-06-14 | 山东捷瑞信息技术产业研究院有限公司 | 一种动圈扬声器质量检测方法和装置 |
CN114974301A (zh) * | 2022-04-15 | 2022-08-30 | 北京瑞森新谱科技股份有限公司 | 一种异音检测方法、计算机可读存储介质及电子设备 |
TWI778437B (zh) * | 2020-10-23 | 2022-09-21 | 財團法人資訊工業策進會 | 用於音頻裝置的瑕疵檢測裝置及瑕疵檢測方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN105989854A (zh) * | 2015-02-27 | 2016-10-05 | 佳能株式会社 | 冲击声检测装置和冲击声检测方法 |
US20170103776A1 (en) * | 2015-10-12 | 2017-04-13 | Gwangju Institute Of Science And Technology | Sound Detection Method for Recognizing Hazard Situation |
CN108231067A (zh) * | 2018-01-13 | 2018-06-29 | 福州大学 | 基于卷积神经网络与随机森林分类的声音场景识别方法 |
-
2018
- 2018-09-14 CN CN201811071307.5A patent/CN109300483B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN105989854A (zh) * | 2015-02-27 | 2016-10-05 | 佳能株式会社 | 冲击声检测装置和冲击声检测方法 |
US20170103776A1 (en) * | 2015-10-12 | 2017-04-13 | Gwangju Institute Of Science And Technology | Sound Detection Method for Recognizing Hazard Situation |
CN108231067A (zh) * | 2018-01-13 | 2018-06-29 | 福州大学 | 基于卷积神经网络与随机森林分类的声音场景识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110425710A (zh) * | 2019-08-30 | 2019-11-08 | 盈盛智创科技(广州)有限公司 | 一种空调的故障检测方法、装置、设备及存储介质 |
CN111192600A (zh) * | 2019-12-27 | 2020-05-22 | 北京网众共创科技有限公司 | 声音数据的处理方法及装置、存储介质和电子装置 |
TWI778437B (zh) * | 2020-10-23 | 2022-09-21 | 財團法人資訊工業策進會 | 用於音頻裝置的瑕疵檢測裝置及瑕疵檢測方法 |
CN112908307A (zh) * | 2021-01-29 | 2021-06-04 | 云从科技集团股份有限公司 | 一种音频特征提取方法、系统、设备及介质 |
CN113409818A (zh) * | 2021-08-18 | 2021-09-17 | 宁波帅特龙集团有限公司 | 一种基于声音传感器的生产设备预测性维修方法与系统 |
CN114974301A (zh) * | 2022-04-15 | 2022-08-30 | 北京瑞森新谱科技股份有限公司 | 一种异音检测方法、计算机可读存储介质及电子设备 |
CN114627891A (zh) * | 2022-05-16 | 2022-06-14 | 山东捷瑞信息技术产业研究院有限公司 | 一种动圈扬声器质量检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109300483B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300483A (zh) | 一种智能化音频异音检测方法 | |
US11646018B2 (en) | Detection of calls from voice assistants | |
CN102163427B (zh) | 一种基于环境模型的音频异常事件检测方法 | |
CN107204195A (zh) | 一种基于情绪分析的智能质检方法 | |
CN107293309B (zh) | 一种基于客户情绪分析提升舆情监控效率的方法 | |
CN111370027B (zh) | 一种离线嵌入式异常声音检测系统和方法 | |
CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
CN111354366A (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN105118511A (zh) | 一种雷声识别方法 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN112261230A (zh) | 快递电话接听率考核方法、装置、设备、系统及存储介质 | |
CN115512688A (zh) | 异音检测方法及装置 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN115687969A (zh) | 一种基于声音特征分析的低压变压器故障诊断方法 | |
CN115222303A (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN114184870A (zh) | 非侵入式负荷识别方法及设备 | |
CN114116168A (zh) | 一种虚拟网络流量采集的方法 | |
CN101950564A (zh) | 一种远程数字化语音采集分析识别系统 | |
CN114067829A (zh) | 一种电抗器故障诊断方法、装置、计算机设备及存储介质 | |
CN116840743A (zh) | 电力变压器故障处理方法、装置、电子设备及存储介质 | |
CN116448234A (zh) | 一种电力变压器运行状态声纹监测方法及系统 | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
CN111292748B (zh) | 一种可适应多种频率的语音录入系统 | |
CN114566185A (zh) | 一种异响自动检测方法、设备及计算机可读存储介质 | |
CN111310697B (zh) | 设备运转周期检测及健康度分析方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |