CN111024215A - 噪声监测方法、装置、电子设备及计算机可读存储介质 - Google Patents
噪声监测方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111024215A CN111024215A CN201811174111.9A CN201811174111A CN111024215A CN 111024215 A CN111024215 A CN 111024215A CN 201811174111 A CN201811174111 A CN 201811174111A CN 111024215 A CN111024215 A CN 111024215A
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- audio data
- neural network
- convolutional neural
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000012806 monitoring device Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000005034 decoration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及噪声处理技术领域，公开了一种噪声监测方法、装置、电子设备及计算机可读存储介质，其中，噪声监测方法包括：在预设范围内通过声音传感器采集预设时长的音频数据；通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据；如果是噪声数据，则进行相应提示。本申请实施例的方法，通过训练后的卷积神经网络，能够准确地判断采集到的音频数据是否为噪声数据，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷，在检测到噪声数据时进行相应提示，从而在检测到噪声数据时及时发出预警提示，实现了对噪声的全天候无人远程监控和警示，大大提高了工作效率，降低人力成本。
Description
技术领域
本申请涉及噪声处理技术领域，具体而言，本申请涉及一种噪声监测方法、装置、电子设备及计算机可读存储介质。
背景技术
一方面，随着城市的不断发展，城市噪声对于居民的干扰和危害日益严重，已经成为城市环境的一大公害，城市噪声主要有：交通噪声、工业噪声、建筑施工噪声、社会生活噪声，城市噪声干扰居民的工作、学习、休息和睡眠，严重的还会危害人体的健康。
另一方面，随着人们生活水平的提高，人们的业余生活也越来越丰富，其中，在小区绿地或路边的广场舞作为一种大众健身运动，深受广大人民，尤其是中老年人的喜爱，广场舞在丰富群众业余文化生活等方面起到了很好的作用。但是广场舞给人们带来快乐与健康的同时，由于其播放的音乐噪声太大，对附近居民的生活带来严重影响，尤其是深夜严重打扰附近居民的正常休息，给社区生活带来不便。
另外，随着城市人口的不断增加以及土地资源的越发紧张，小区也在朝向密集型居住小区发展，导致小区中可能的噪声污染也越来越严重，例如装修噪声、楼上楼下的吵闹声以及其他影响人们正常休息的声音等。
现有的解决办法是小区物业或执法部门在接收到居民的投诉后，深夜进行劝阻，及时性效果不好，而且有关部门无法及时知道到噪音的大小，噪声制造者以及附近的居民也无法及时知晓噪声的大小，不便于进行噪声分贝值认定。于是，如何准确地确定是否构成噪声，并及时对噪声源进行制止成为迫在眉睫的问题。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：
第一方面，提供了一种噪声监测方法，包括：
在预设范围内通过声音传感器采集预设时长的音频数据；
通过训练后的卷积神经网络，检测音频数据是否为噪声数据；
如果是噪声数据，则进行相应提示。
具体地，在通过训练后的卷积神经网络，检测音频数据是否为噪声数据之前，还包括：
对音频数据进行特征提取，得到相应的声纹特征；
其中，通过训练后的卷积神经网络，检测音频数据是否为噪声数据，包括：
通过训练后的卷积神经网络，检测声纹特征是否为噪声声纹特征。
进一步地，对音频数据进行特征提取，得到相应的声纹特征，包括：
对音频数据进行频率变换，得到一张具有相应的声纹特征的二维图片。
进一步地，在通过训练后的卷积神经网络，检测音频数据是否为噪声数据之前，还包括：
通过第一预设数量的包括噪声声纹特征的二维图片以及第二预设数量的包括非噪声声纹特征的二维图片，对卷积神经网络进行训练。
进一步地，二维图片中的噪声声纹特征与非噪声声纹特征是预先基于预定标准手工标注的，或者是预先基于二分类方法通过数据标注的方式标注的。
进一步地，进行相应提示，包括以下至少一项：
触发报警器响铃；
触发预警灯以预定频率闪烁；
自助拨打通过后台服务器预设的电话号码。
进一步地，在进行相应提示之后，还包括：
通过定位模块向后台服务器发送当前的地理位置信息。
第二方面，提供了一种噪声监测装置，包括：
采集模块，用于在预设范围内通过声音传感器采集预设时长的音频数据；
检测模块，用于通过训练后的卷积神经网络，检测音频数据是否为噪声数据；
提示模块，用于当是噪声数据时，进行相应提示。
具体地，还包括提取模块；
提取模块，用于对音频数据进行特征提取，得到相应的声纹特征；
其中，检测模块具体用于通过训练后的卷积神经网络，检测声纹特征是否为噪声声纹特征。
进一步地，提取模块具体用于对音频数据进行频率变换，得到一张具有相应的声纹特征的二维图片。
进一步地，还包括训练模块；
训练模块，用于通过第一预设数量的包括噪声声纹特征的二维图片以及第二预设数量的包括非噪声声纹特征的二维图片，对卷积神经网络进行训练。
进一步地，二维图片中的噪声声纹特征与非噪声声纹特征是预先基于预定标准手工标注的，或者是预先基于二分类方法通过数据标注的方式标注的。
进一步地，提示模块具体用于触发报警器响铃，和/或触发预警灯以预定频率闪烁，和/或自助拨打通过后台服务器预设的电话号码。
进一步地，还包括发送模块；
发送模块用于通过定位模块向后台服务器发送当前的地理位置信息。
第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述的噪声监测方法。
第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的噪声监测方法。
本申请实施例提供的噪声监测方法，在预设范围内通过声音传感器采集预设时长的音频数据，为后续的噪声检测提供前提保障，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据，能够准确地判断采集到的音频数据是否为噪声数据，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷，在检测到噪声数据时进行相应提示，从而在检测到噪声数据时及时发出预警提示，实现了对噪声的全天候无人远程监控和警示，大大提高了工作效率，降低人力成本。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的噪声监测方法的流程示意图；
图2为本申请实施例的噪声监测装置的基本结构示意图；
图3为本申请实施例的噪声监测装置的详细结构示意图；
图4为本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
随着城市人口的不断增加以及土地资源的越发紧张，小区也在朝向密集型居住小区发展，导致小区中可能的噪声污染也越来越严重，例如装修噪声、楼上楼下的吵闹声以及其他影响人们正常休息的声音等。
现有的解决办法是小区物业或执法部门在接收到居民的投诉后，深夜进行劝阻，及时性效果不好，而且有关部门无法及时知道到噪音的大小，噪声制造者以及附近的居民也无法及时知晓噪声的大小，不便于进行噪声分贝值认定。于是，如何准确地确定是否构成噪声，并及时对噪声源进行制止成为迫在眉睫的问题。
本申请提供的噪声监测方法、装置、电子设备及计算机可读存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种噪声监测方法，该噪声监测方法可以应用于噪声监测仪或其它噪声监测设备中，下面以噪声监测仪为例对本申请实施例的噪声监测方法进行简要介绍，如图1所示，包括：
步骤S110，在预设范围内通过声音传感器采集预设时长的音频数据。
具体地，噪声监测仪可以安装于预定位置，例如安装于小区广场、小区路边、小区每栋楼的墙体上等等，噪声监测仪中内置声音传感器，该噪声监测仪可以在其覆盖的预设范围内，通过声音传感器采集预设时长的音频数据，为后续的噪声检测提供前提保障，其中，噪声监测仪根据其声音传感器的采集性能，可以覆盖5米、10米、20米等的预设范围，还可以是其它的覆盖范围，本申请不对其做限定，此外，预设时长可以是2分钟、5分钟、10分钟等，本申请也不对其做限定。
步骤S120，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据。
具体地，噪声监测仪在预设范围内通过声音传感器采集预设时长的音频数据之后，可以将采集到的音频数据输入到预先训练后的卷积神经网络，以通过该训练后的卷积神经网络对接收到的音频数据进行噪声检测，即检测接收到的音频数据是否为噪声数据，从而能够准确地判断采集到的音频数据是否为噪声数据，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷。
步骤S130，如果是噪声数据，则进行相应提示。
具体地，噪声监测仪通过训练后的卷积神经网络检测到噪声数据时，进行相应提示，从而在检测到噪声数据时及时发出预警提示，实现了对噪声的全天候无人远程监控和警示，大大提高了工作效率，降低人力成本。
本申请实施例提供的噪声监测方法，与现有技术相比，在预设范围内通过声音传感器采集预设时长的音频数据，为后续的噪声检测提供前提保障，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据，能够准确地判断采集到的音频数据是否为噪声数据，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷，在检测到噪声数据时进行相应提示，从而在检测到噪声数据时及时发出预警提示，实现了对噪声的全天候无人远程监控和警示，大大提高了工作效率，降低人力成本。
本申请实施例提供了另一种可能的实现方式，其中，
在步骤S120之前还包括步骤S101(图中未标注)：对音频数据进行特征提取，得到相应的声纹特征。此时，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据，包括：通过训练后的卷积神经网络，检测声纹特征是否为噪声声纹特征。
另外，对音频数据进行特征提取，得到相应的声纹特征，包括：对音频数据进行频率变换，得到一张具有相应的声纹特征的二维图片。
具体地，由于声纹不仅具有特定性，而且有相对稳定性的特点，所以噪声监测仪在预设范围内通过声音传感器采集预设时长的音频数据后，可以根据现有的方法对该音频数据进行特征提取，得相应的声纹特征，例如音强、波形等声纹特征，即得到采集到的音频数据的声纹特征。
进一步地，在得到采集到的音频数据的声纹特征之后，通过训练后的卷积神经网络，检测该声纹特征是否为噪声声纹特征，即将该声纹特征与噪声声纹特征进行比对，以判断采集到的音频数据的声纹特征是否与噪声声纹特征相一致，如果相一致，则确定采集到的音频数据为噪声，如果不一致，则确定采集到的音频数据不是噪声，从而能够准确地判断采集到的音频数据是否为噪声数据。
进一步地，在对采集到的音频数据进行声纹特征提取的过程中，可以通过对采集到的音频进行频率变换，来得到一张二维图片，该二维图片为声纹特征的图片，即通过对采集到的音频数据进行频率变换，得到一张具有相应的声纹特征的二维图片，从而在通过训练后的卷积神经网络，检测该声纹特征是否为噪声声纹特征时，可以通过训练后的卷积神经网络，检测二维图片中的声纹特征是否为噪声声纹特征即可。
对于本申请实施例，通过对采集到的音频数据进行声纹特征的提取，从而依据声纹特征准确判断采集到的音频数据是否为噪声，极大提高判断准确性。
本申请实施例提供了另一种可能的实现方式，其中，
在步骤S120之前还包括步骤S102(图中未标注)：通过第一预设数量的包括噪声声纹特征的二维图片以及第二预设数量的包括非噪声声纹特征的二维图片，对卷积神经网络进行训练。
其中，二维图片中的噪声声纹特征与非噪声声纹特征是预先基于预定标准手工标注的，或者是预先基于二分类方法通过数据标注的方式标注的。
具体地，在通过训练后的卷积神经网络，检测该声纹特征是否为噪声声纹特征之前，需要预先对卷积神经网络进行训练，从而后续能够通过该训练后的卷积神经网络，检测采集到的音频数据是否为噪声数据。其中，在对卷积神经网络进行训练的过程中，可以通过第一预设数量的包括噪声声纹特征的二维图片以及第二预设数量的包括非噪声声纹特征的二维图片，对卷积神经网络进行训练，即将第一预设数量的包括噪声声纹特征的二维图片以及第二预设数量的包括非噪声声纹特征的二维图片作为样本数据，输入至卷积神经网络中，进行神经网络进行噪声检测的训练和优化，例如调整神经网络的权重。在完成一阶段的训练后，可以将根据只包括噪声数据得到的声纹特征的二维图片，输入到训练后的神经网络，以检测训练后的神经网络的准确度，当准确度达到预定阈值(例如98％、99％等)以后，可以停止训练该神经网络，可用于后续对实时采集到的音频数据进行噪声检测，否则，需要继续对神经网络进行优化，直到准确度达到预定阈值。
进一步地，用于训练神经网络的二维图片(即上述的样本数据)中的噪声声纹特征与非噪声声纹特征是预先基于预定标准手工标注的，或者是预先基于二分类方法通过数据标注的方式标注的，其中，技术人员可以根据需要重点监测的几种噪声以及实际环境中被认定为噪声的数据的不同，例如白天的噪声数据与夜晚的噪声数据会不同，又例如，广场的噪声数据与居民楼的噪声数据会不同等，对二维图片中的声纹进行手工标注，即基于预定标准在二维图片中对噪声声纹及非噪声声纹进行手工标注，也即依据不同场景、环境等的噪声的判断标准，对二维图片中对噪声声纹及非噪声声纹进行手工标注，从而能够根据不同场景及环境进行动态调整判断标注。
进一步地，技术人员还可以依据不同场景、环境等的噪声的判断标准，采用二分类方法，对二维图片中的声纹特征进行划分，例如用1代表噪声，用0代表非噪声，即基于二分类方法通过数据标注的方式标注二维图片中的噪声声纹及非噪声声纹，并将根据二分类方法划分后的二维图片作为样本数据，输入到神经网络，以对神经网络进行训练，使得神经网络能够根据不同场景及环境进行动态调整判断标准。
本申请实施例，通过基于预定标准对二维图片中的噪声声纹特征与非噪声声纹特征进行手工标注，或者通过基于二分类方法对二维图片中的噪声声纹特征与非噪声声纹特征进行数据标注，极大提高了神经网络识别噪声数据与非噪声数据的准确性，而且能够根据不同场景及环境进行动态调整，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷。
本申请实施例提供了另一种可能的实现方式，其中，
进行相应提示，包括以下至少一项：
触发报警器响铃；
触发预警灯以预定频率闪烁；
自助拨打通过后台服务器预设的电话号码。
另外，在步骤S130之后还包括步骤S140(图中未标注)：通过定位模块向后台服务器发送当前的地理位置信息。
具体地，噪声监测仪在监测到噪声时，可以通过触发本身携带的报警器响铃来对噪声进行预警，以提示附近的噪声制造者及时停止噪声的产生，其中，在对噪声进行提示时，还可以根据噪声等级设定不同的响铃声音大小或响铃声音频率，例如噪声比较大时，可以以较大声音或以较短的间隔频率进行响铃，又例如噪声比较小时，可以以较小声音或以较长的间隔频率进行响铃。
进一步地，还可以通过触发本身携带的预警灯以预定频率闪烁，来提示附近的噪声制造者及时停止噪声的产生，其中，在对噪声进行提示时，还可以根据噪声等级设定不同的闪烁频率或闪烁颜色，例如噪声比较大时，可以以比较刺目的闪烁颜色或以较短的闪烁频率间隔进行闪烁，又例如噪声比较小时，可以以不太刺目的闪烁颜色或以较长的闪烁频率间隔进行闪烁。
进一步地，还可以自助拨打通过后台服务器预设的电话号码，其中电话号码可以为小区物业的电话号码，也可以负责该地理位置的执法部门的电话号码，以向小区物业或相关执法部门进行报警，提示小区物业人员或相关执法人员第一时间到场进行制止。
进一步地，噪声监测仪内置定位模块，例如GPS定位模块、北斗定位模块等，以对噪声监测仪所处位置(即发生噪声干扰的地点)进行实时定位，并将获取到的地理位置信息发送到后台服务器，以使得小区物业人员或相关执法人员快速、准确地找到产生噪声干扰的地点。
本申请实施例，通过对监测到的噪声进行提示，实现了对噪声的全天候无人远程监控和警示，同时使得相关执法人员能够第一时间对噪声源进行制止，大大提高了工作效率，降低人力成本。
实施例二
图2为本申请实施例提供的一种噪声监测装置的结构示意图，如图2所示，该装置20可以包括采集模块21、检测模块22以及提示模块23，其中，
采集模块21用于在预设范围内通过声音传感器采集预设时长的音频数据；
检测模块22用于通过训练后的卷积神经网络，检测音频数据是否为噪声数据；
提示模块23用于当是噪声数据时，进行相应提示。
具体地，该装置还包括提取模块24，如图3所示，提取模块23用于对音频数据进行特征提取，得到相应的声纹特征；其中，检测模块具体用于通过训练后的卷积神经网络，检测声纹特征是否为噪声声纹特征。
进一步地，提取模块具体用于对音频数据进行频率变换，得到一张具有相应的声纹特征的二维图片。
进一步地，该装置还包括训练模块25，如图3所示，训练模块25用于通过第一预设数量的包括噪声声纹特征的二维图片以及第二预设数量的包括非噪声声纹特征的二维图片，对卷积神经网络进行训练。
进一步地，二维图片中的噪声声纹特征与非噪声声纹特征是预先基于预定标准手工标注的，或者是预先基于二分类方法通过数据标注的方式标注的。
进一步地，提示模块具体用于触发报警器响铃，和/或触发预警灯以预定频率闪烁，和/或自助拨打通过后台服务器预设的电话号码。
进一步地，还包括发送模块26，如图3所示，发送模块26用于通过定位模块向后台服务器发送当前的地理位置信息。
本申请实施例提供的装置，与现有技术相比，在预设范围内通过声音传感器采集预设时长的音频数据，为后续的噪声检测提供前提保障，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据，能够准确地判断采集到的音频数据是否为噪声数据，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷，在检测到噪声数据时进行相应提示，从而在检测到噪声数据时及时发出预警提示，实现了对噪声的全天候无人远程监控和警示，大大提高了工作效率，降低人力成本。
实施例三
本申请实施例提供了一种电子设备，如图4所示，图4所示的电子设备400包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。进一步地，电子设备400还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
其中，处理器401应用于本申请实施例中，用于实现图2或图3所示的采集模块、检测模块及提示模块的功能，以及图3所示的提取模块、训练模块及发送模块的功能。
处理器401可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器403用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现图2或图3所示实施例提供的噪声监测装置的动作。
本申请实施例提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，与现有技术相比，可实现：在预设范围内通过声音传感器采集预设时长的音频数据，为后续的噪声检测提供前提保障，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据，能够准确地判断采集到的音频数据是否为噪声数据，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷，在检测到噪声数据时进行相应提示，从而在检测到噪声数据时及时发出预警提示，实现了对噪声的全天候无人远程监控和警示，大大提高了工作效率，降低人力成本。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现实施例一所示的方法。与现有技术相比，在预设范围内通过声音传感器采集预设时长的音频数据，为后续的噪声检测提供前提保障，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据，能够准确地判断采集到的音频数据是否为噪声数据，有效避免了传统方法中单纯依靠分贝值来确定是否为噪声的局限性及缺陷，在检测到噪声数据时进行相应提示，从而在检测到噪声数据时及时发出预警提示，实现了对噪声的全天候无人远程监控和警示，大大提高了工作效率，降低人力成本。
本申请实施例提供的计算机可读存储介质适用于上述方法的任一实施例。在此不再赘述。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种噪声监测方法，其特征在于，包括：
在预设范围内通过声音传感器采集预设时长的音频数据；
通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据；
如果是噪声数据，则进行相应提示。
2.根据权利要求1所述的方法，其特征在于，在通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据之前，还包括：
对所述音频数据进行特征提取，得到相应的声纹特征；
其中，通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据，包括：
通过训练后的卷积神经网络，检测所述声纹特征是否为噪声声纹特征。
3.根据权利要求2所述的方法，其特征在于，对所述音频数据进行特征提取，得到相应的声纹特征，包括：
对所述音频数据进行频率变换，得到一张具有相应的声纹特征的二维图片。
4.根据权利要求2或3所述的方法，其特征在于，在通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据之前，还包括：
通过第一预设数量的包括噪声声纹特征的二维图片以及第二预设数量的包括非噪声声纹特征的二维图片，对所述卷积神经网络进行训练。
5.根据权利要求4所述的方法，其特征在于，所述二维图片中的噪声声纹特征与非噪声声纹特征是预先基于预定标准手工标注的，或者是预先基于二分类方法通过数据标注的方式标注的。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述进行相应提示，包括以下至少一项：
触发报警器响铃；
触发预警灯以预定频率闪烁；
自助拨打通过后台服务器预设的电话号码。
7.根据权利要求1-5任一项所述的方法，其特征在于，在进行相应提示之后，还包括：
通过定位模块向后台服务器发送当前的地理位置信息。
8.一种噪声监测装置，其特征在于，包括：
采集模块，用于在预设范围内通过声音传感器采集预设时长的音频数据；
检测模块，用于通过训练后的卷积神经网络，检测所述音频数据是否为噪声数据；
提示模块，用于当是噪声数据时，进行相应提示。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的噪声监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述的噪声监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811174111.9A CN111024215A (zh) | 2018-10-09 | 2018-10-09 | 噪声监测方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811174111.9A CN111024215A (zh) | 2018-10-09 | 2018-10-09 | 噪声监测方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111024215A true CN111024215A (zh) | 2020-04-17 |
Family
ID=70190898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811174111.9A Pending CN111024215A (zh) | 2018-10-09 | 2018-10-09 | 噪声监测方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111024215A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179486A (zh) * | 2020-11-10 | 2021-01-05 | 国网北京市电力公司 | 噪声监控方法、装置及系统、处理器、电子设备 |
| CN112985582A (zh) * | 2021-04-29 | 2021-06-18 | 四川虹美智能科技有限公司 | 冰箱噪音检测方法及装置 |
| CN116086596A (zh) * | 2022-12-09 | 2023-05-09 | 广州声博士声学技术有限公司 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104964738A (zh) * | 2015-06-10 | 2015-10-07 | 国家电网公司 | 一种基于噪声分离的电力变压器噪声评估方法 |
| CN108073856A (zh) * | 2016-11-14 | 2018-05-25 | 华为技术有限公司 | 噪音信号的识别方法及装置 |
-
2018
- 2018-10-09 CN CN201811174111.9A patent/CN111024215A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104964738A (zh) * | 2015-06-10 | 2015-10-07 | 国家电网公司 | 一种基于噪声分离的电力变压器噪声评估方法 |
| CN108073856A (zh) * | 2016-11-14 | 2018-05-25 | 华为技术有限公司 | 噪音信号的识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 朱可卿;田杰;黄海宁;张扬帆;: "基于深度学习的船舶辐射噪声识别研究", 应用声学, no. 02, 12 March 2018 (2018-03-12) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179486A (zh) * | 2020-11-10 | 2021-01-05 | 国网北京市电力公司 | 噪声监控方法、装置及系统、处理器、电子设备 |
| CN112985582A (zh) * | 2021-04-29 | 2021-06-18 | 四川虹美智能科技有限公司 | 冰箱噪音检测方法及装置 |
| CN116086596A (zh) * | 2022-12-09 | 2023-05-09 | 广州声博士声学技术有限公司 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
| CN116086596B (zh) * | 2022-12-09 | 2023-10-27 | 广州声博士声学技术有限公司 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106912015B (zh) | 一种基于移动网络数据的人员出行链识别方法 | |
| US8478587B2 (en) | Voice analysis device, voice analysis method, voice analysis program, and system integration circuit | |
| CN111024215A (zh) | 噪声监测方法、装置、电子设备及计算机可读存储介质 | |
| CN105764059B (zh) | 一种基于终端位置信息来识别伪基站的方法 | |
| CN106662628A (zh) | 定位装置、方法、移动设备和计算机程序 | |
| CN110602438B (zh) | 一种基于路网的视频监控布局优化方法及装置 | |
| CN109688532B (zh) | 一种划分城市功能区域的方法及装置 | |
| CN103516912B (zh) | 一种移动终端定位省电方法 | |
| CN102821194B (zh) | 基于多种传感器的手机室内定位装置及方法 | |
| CN111294742B (zh) | 基于信令cdr数据识别伴随手机号码的方法与系统 | |
| CN106203498A (zh) | 一种城市场景垃圾检测方法及系统 | |
| CN105472644A (zh) | 基于用户行为特征的深度覆盖网络质量评估方法和系统 | |
| CN105208528A (zh) | 一种用于识别同行人员的系统及方法 | |
| CN106709840B (zh) | 一种基于移动网络数据的城市常住人口估算方法 | |
| CN103577662A (zh) | 确定家用电器的用电状况或环境状况的方法及设备 | |
| CN112632354A (zh) | 一种imsi和人脸深度拟合方法、装置、设备及系统 | |
| CN109034624B (zh) | 一种基于位置服务数据的城市空气污染暴露评估方法 | |
| CN110516023A (zh) | 一种基于移动感知的噪声地图绘制方法 | |
| CN111163490B (zh) | 一种基于手机mac进行家庭住户分析方法 | |
| CN110322322A (zh) | 商业信息推送方法、装置及电子设备 | |
| WO2018233593A1 (zh) | 一种网络态势感知方法、装置、系统及机器可读介质 | |
| CN105280000A (zh) | 预警处理方法和装置 | |
| CN111131599B (zh) | 一种安全检测方法及装置、终端、云服务器及存储介质 | |
| CN106548439A (zh) | 一种用于住宅小区生态环境评价的系统 | |
| CN103220314A (zh) | 用于采集和获取雨量分布信息的方法和设备 |
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 |