CN111276157B - 一种基于雨声的降雨强度识别、模型训练的方法及装置 - Google Patents
一种基于雨声的降雨强度识别、模型训练的方法及装置 Download PDFInfo
- Publication number
- CN111276157B CN111276157B CN202010071320.1A CN202010071320A CN111276157B CN 111276157 B CN111276157 B CN 111276157B CN 202010071320 A CN202010071320 A CN 202010071320A CN 111276157 B CN111276157 B CN 111276157B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- rainfall intensity
- sound
- mobile terminal
- rain
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005236 sound signal Effects 0.000 claims abstract description 82
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
-
- 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
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Telephone Function (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于雨声的降雨强度识别、模型训练的方法及装置，其中，该基于雨声的降雨强度识别装置包括：降雨音频信号获取模块，用于获取移动终端设备采集的降雨音频信号；环境数据获取模块，用于获取移动终端设备所处的环境数据；雨声特征提取模块，用于根据降雨音频信号提取雨声特征；降雨强度识别模块，用于将雨声特征和环境数据输入基于雨声的降雨强度识别模型，得到降雨强度。通过实施本发明，通过移动终端采集的降雨音频信号及移动终端设备所处的环境数据即可获取用户当前所处位置的降雨强度，测量工具简单，弥补了专业水文站和气象站测雨空间稀疏且分布不均的问题。
Description
技术领域
本发明涉及声音识别技术领域，具体涉及一种基于雨声的降雨强度识别、模型训练的方法及装置。
背景技术
目前，对某个地区的降雨强度大多是通过天气预报得知的，但是降雨强度具有空间不均匀性，通过天气预报无法准确获取某一位置的精确降雨强度。现有的对降雨强度的较为准确的测量是通过专业的测量工具(如雨量计等)完成的，虽然专业的测量工具能够测量到较为准确的降雨强度，但是测量工具价格昂贵，仅在水文站和气象站有安装，测量站点空间分布稀疏且不均匀，而且测量数据不共享，不适宜大众用户普及使用，也不方便科研人员使用。另外，通过测雨雷达可以获得半径几十至上百公里范围内的降雨强度，但是测雨雷达价格昂贵，难以普及。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的无法快速准确获取某一位置的精确的降雨强度的缺陷，从而提供一种基于雨声的降雨强度识别、模型训练的方法及装置。
本发明第一方面提供了一种基于雨声的降雨强度识别装置，包括：降雨音频信号获取模块，用于获取移动终端设备采集的降雨音频信号；环境数据获取模块，用于获取移动终端设备所处的环境数据；雨声特征提取模块，用于根据降雨音频信号提取雨声特征；降雨强度识别模块，用于将雨声特征和环境数据输入基于雨声的降雨强度识别模型，得到降雨强度。
可选地，环境数据获取模块包括：下垫面条件获取子模块，用于获取降雨音频信号的下垫面条件；移动终端高度获取子模块，用于获取移动终端距离下垫面的距离。
可选地，基于雨声的降雨强度识别装置还包括：定位模块、数据传输模块、云端数据存储模块；定位模块用于获取降雨音频信号获取模块的位置信息；数据传输模块用于将降雨音频信号、环境数据、位置信息、降雨强度上传至云端数据存储模块；云端数据存储模块用于将降雨音频信号、环境数据、位置信息、降雨强度对应存储。
可选地，基于雨声的降雨强度识别装置还包括：显示模块，用于实时显示各时刻的降雨强度。
本发明第二方面提供了一种基于雨声的降雨强度识别方法，包括：获取移动终端设备采集的降雨音频信号及移动终端设备所处的环境数据；根据降雨音频信号提取雨声特征；将雨声特征和环境数据输入基于雨声的降雨强度识别模型，得到降雨强度。
本发明第三方面提供了一种基于雨声的降雨强度识别模型训练方法，包括：获取移动终端设备采集的降雨音频信号训练样本、移动终端设备所处的环境数据训练样本及降雨音频信号训练样本所对应的降雨强度；根据降雨音频信号训练样本提取雨声特征；将雨声特征、环境数据训练样本及降雨强度输入神经网络模型进行训练，得到基于雨声的降雨强度识别模型。
可选地，基于雨声的降雨强度识别模型训练方法还包括：获取移动终端设备采集的降雨音频信号测试样本、移动终端设备所处的环境数据测试样本；根据降雨音频信号测试样本、环境数据测试样本及基于雨声的降雨强度识别模型得到测试结果；根据测试结果判断基于雨声的降雨强度识别模型的准确率是否高于预设阈值；如果基于雨声的降雨强度识别模型的准确率高于预设阈值，将基于雨声的降雨强度识别模型确定为可用的基于雨声的降雨强度识别模型。
本发明第四方面提供了一种基于雨声的降雨强度识别模型训练装置，包括：训练数据获取模块，用于获取降雨音频信号、降雨音频信号的环境数据及降雨音频信号所对应的降雨强度；训练数据特征提取模块，用于根据降雨音频信号提取雨声特征；基于雨声的降雨强度识别模型训练模块，用于将雨声特征、环境数据及降雨强度输入神经网络模型进行训练，得到基于雨声的降雨强度识别模型。
本发明第五方面提供了一种移动终端设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行如本发明第二方面提供的基于雨声的降雨强度识别方法，或，如本发明第三方面提供的基于雨声的降雨强度识别模型训练方法。
本发明第五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存储有计算机指令，计算机指令用于使计算机执行如本发明第二方面提供的基于雨声的降雨强度识别方法，或，如本发明第三方面提供的基于雨声的降雨强度识别模型训练方法。
本发明技术方案，具有如下优点：
1.本发明提供的基于雨声的降雨强度识别装置，通过移动终端采集的降雨音频信号及移动终端设备所处的环境数据即可获取用户当前所处位置的降雨强度，测量工具简单，且克服了降雨强度的空间不均匀性的问题。
2.本发明提供的基于雨声的降雨强度识别装置，通过定位模块获取移动终端设备的位置信息，并通过数据传输设备将降雨音频信号和位置信息上传至云端数据存储模块，随着使用本发明提供的基于雨声的降雨强度识别装置的用户数量增多，用户覆盖范围变广，更多的降雨信息被上传至云端数据存储模块，用户可以通过本发明提供的基于雨声的降雨强度识别装置随时获取任一位置的降雨强度，弥补了专业水文站和气象站测雨空间稀疏且分布不均的问题。
4.本发明提供的基于雨声的降雨强度识别方法，通过移动终端设备获取降雨音频信号和移动终端设备所处的环境数据，根据降雨音频信号提取雨声特征，然后将雨声特征和环境数据输入基于雨声的降雨强度识别模型，得到降雨强度，在本发明实施例提供给的基于雨声的降雨强度识别方法中，获取数据方式、设备较为简单，可以快速获取用户所处位置的精确降雨强度。
5.本发明提供的基于雨声的降雨强度识别模型训练方法，对神经网络模型进行训练时所应到的数据为移动终端设备采集的将与音频信号训练样本、移动终端所处的环境数据训练样本以及降雨音频信号训练样本所处的降雨强度，因此训练得到的基于雨声的降雨强度识别模型仅通过移动终端获取的降雨音频信号以及移动终端信号所处的环境数据即可获取降雨强度，因此通过本发明提供的基于雨声的降雨强度识别模型训练方法获取的基于雨声的降雨强度识别模型可以简单快速地获取用户所处位置的降雨强度。
6.本发明提供的基于雨声的降雨强度识别模型训练装置，对神经网络模型进行训练时所应到的数据为移动终端设备采集的将与音频信号训练样本、移动终端所处的环境数据训练样本以及降雨音频信号训练样本所处的降雨强度，因此训练得到的基于雨声的降雨强度识别模型仅通过移动终端获取的降雨音频信号以及移动终端信号所处的环境数据即可获取降雨强度，因此通过本发明提供的基于雨声的降雨强度识别模型训练装置获取的基于雨声的降雨强度识别模型可以简单快速地获取用户所处位置的降雨强度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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-图4为本发明实施例提供的基于雨声的降雨强度识别装置的原理框图；
图5为本发明实施例提供的基于雨声的降雨强度识别方法的流程图；
图6-图7为本发明实施例提供的基于雨声的降雨强度识别模型训练方法的流程图；
图8为本发明实施例提供的基于雨声的降雨强度识别模型训练装置的原理框图；
图9为本发明实施例提供的移动终端设备的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
由于降雨强度具有空间不均匀性，因此通过天气预报无法准确获取某一位置的精确降雨强度，虽然专业的测量工具能够测量到较为准确的降雨强度，但是测量工具价格昂贵，不适宜大众用户普及使用，且无法实时进行数据的传输，用户想了解自己所处位置的降雨强度较为困难。
本发明实施例提供了一种基于雨声的降雨强度识别装置，如图1所示，包括：
降雨音频信号获取模块110，用于获取移动终端设备采集的降雨音频信号，在一具体实施例中，获取降雨音频信号的移动终端设备可以为任意有录音功能的智能移动设备，例如手机、平板电脑等。
环境数据获取模块120，用于获取移动终端设备所处的环境数据。在一具体实施例中，环境数据可以是下垫面条件、移动终端设备距离地面高度等会影响降雨音频信号的环境数据。
雨声特征提取模块130，用于根据降雨音频信号提取雨声特征，在一具体实施例中，雨声特征包括A级声压、C级声压、Z级声压、主频率、主频率对应的声能谱密度、次频率、次频率对应的声能谱密度、90％最大声能谱密度对应的频率范围等声波参数。
降雨强度识别模块140，用于将雨声特征和环境数据输入基于雨声的降雨强度识别模型，得到降雨强度。
本发明实施例提供的基于雨声的降雨强度识别装置，通过移动终端采集的降雨音频信号及移动终端设备所处的环境数据即可获取用户当前所处位置的降雨强度，测量工具简单，可随时随地进行降雨强度的测量，克服了降雨强度的空间不均匀性的问题。
在一可选实施例中，如图2所示，环境数据获取模块120包括：
下垫面条件获取子模块121，用于获取降雨音频信号的下垫面条件，下垫面条件是指雨滴落下时接触的物质，例如可以是大片硬地(水泥、柏油、地砖等)、大片裸露土地、大片树林、大片水面等，雨滴下落时接触的物质不同，发出的声音也有所不同，因此进行降雨强度识别时，下垫面条件是一项不可或缺的数据。下垫面条件可以通过用户输入，也可以通过移动终端的拍摄装置获取周围图像信息，根据图像信息提取下垫面条件。
移动终端高度获取子模块122，用于获取移动终端距离下垫面的距离。在一具体实施例中，为了使基于雨声的降雨强度识别装置获取的识别结果更为精确，移动终端设备与下垫面之间的距离应小于1m，且移动终端与下垫面之间没有大的遮挡物。移动终端与下垫面之间的距离可以通过用户输入，也可通过移动终端内部传感器感应获得。
在一具体实施例中，如图3所示，基于雨声的降雨强度识别装置还包括：定位模块150、数据传输模块160、云端数据存储模块170；
定位模块150用于获取移动终端设备的位置信息，在一具体实施例中，移动终端的位置信息是指移动终端所处的经纬度。
数据传输模块160用于将降雨音频信号、环境数据、位置信息、降雨强度上传至云端数据存储模块170。
云端数据存储模块170用于将降雨音频信号、环境数据、位置信息、降雨强度对应存储。
本发明实施例提供的基于雨声的降雨强度识别装置，通过定位模块150获取移动终端设备的位置信息，并通过数据传输设备将降雨音频信号和位置信息上传至云端数据存储模块170，随着使用本发明提供的基于雨声的降雨强度识别装置的用户数量增多，用户覆盖范围变广，更多的降雨信息被上传至云端数据存储模块170，用户可以通过本发明实施例提供的基于雨声的降雨强度识别装置随时获取任一位置的降雨强度，实现了“众包测雨”，弥补了专业水文站和气象站测雨空间稀疏且分布不均的问题。
在一具体实施例中，如图4所示，基于雨声的降雨强度识别装置还包括：
显示模块180，用于实时显示各时刻的降雨强度。在一具体实施例中，降雨强度数据可以以多形式在显示模块180上展示，例如，可以以曲线的形式在手机上实时展示某一位置在不同时刻的降雨强度，用户可以通过所显示的曲线预估下一时刻降雨强度的趋势。
实施例2
本实施例提供一种基于雨声的降雨强度识别方法，如图5所示，包括：
步骤S110：获取移动终端设备采集的降雨音频信号及移动终端设备所处的环境数据，详细描述见上述实施例1中对降雨音频信号获取模块110和环境数据获取模块120的描述。
步骤S120：根据降雨音频信号提取雨声特征，详细描述见上述实施例1中对雨声特征提取模块130的描述。
步骤S130：将雨声特征和环境数据输入基于雨声的降雨强度识别模型，得到降雨强度，详细描述见上述实施例1中对降雨强度识别模块140的描述。
本发明实施例提供的基于雨声的降雨强度识别方法，通过移动终端设备获取降雨音频信号和移动终端设备所处的环境数据，根据降雨音频信号提取雨声特征，然后将雨声特征和环境数据输入基于雨声的降雨强度识别模型，得到降雨强度，在本发明实施例提供给的基于雨声的降雨强度识别方法中，获取数据方式、设备较为简单，可以快速获取用户所处位置的精确降雨强度。
实施例3
本发明实施例提供了一种基于雨声的降雨强度识别模型训练方法，如图6所示，包括：
步骤S210：获取移动终端设备采集的降雨音频信号训练样本、移动终端设备所处的环境数据训练样本及降雨音频信号训练样本所对应的降雨强度，在一具体实施例中，上述实施例1中的云端数据存储模块170还用于存储有训练样本，训练样本中包括移动终端设备采集的降雨音频信号、移动终端所处的环境数据、以及降雨音频信号所对应的降雨强度，对基于雨声的降雨强度识别模型进行训练时，可以通过云端数据存储模块170获取训练样本。
步骤S220：根据降雨音频信号训练样本提取雨声特征，详细描述见上述实施例1中对雨声特征提取模块130的描述。
步骤S230：将雨声特征、环境数据训练样本及降雨强度输入神经网络模型进行训练，得到基于雨声的降雨强度识别模型。在一具体实施例中，神经网络优选卷积神经网络。
本发明实施例提供的基于雨声的降雨强度识别模型训练方法，对神经网络模型进行训练时所应到的数据为移动终端设备采集的将与音频信号训练样本、移动终端所处的环境数据训练样本以及降雨音频信号训练样本所处的降雨强度，因此训练得到的基于雨声的降雨强度识别模型仅通过移动终端获取的降雨音频信号以及移动终端信号所处的环境数据即可获取降雨强度，因此通过本发明提供的基于雨声的降雨强度识别模型训练方法获取的基于雨声的降雨强度识别模型可以简单快速地获取用户所处位置的降雨强度。
在一具体实施例中，如图7所示，本发明实施例提供的基于雨声的降雨强度识别模型训练方法还包括：
步骤S240：获取移动终端设备采集的降雨音频信号测试样本、移动终端设备所处的环境数据测试样本，在一具体实施例中，训练降雨强度识别模块140时所用到的测试样本也存储与上述实施例1中的云端数据存储模块170。
步骤S250：根据降雨音频信号测试样本、环境数据测试样本及基于雨声的降雨强度识别模型得到测试结果。
步骤S260：根据测试结果判断基于雨声的降雨强度识别模型的准确率是否高于预设阈值，预设阈值可以根据实际需求进行调整。如果准确率高于预设阈值，则执行步骤S270。
步骤S270：将基于雨声的降雨强度识别模型确定为可用的基于雨声的降雨强度识别模型。
如果准确率低于预设阈值，则返回步骤S210，重新选择大量训练样本输入神经网络进行训练，直到训练得到的基于雨声的降雨强度识别模型的准确率高于预设阈值。
在一具体实施例中，即使基于雨声的降雨强度识别模型已经投入使用，还会有更多的训练样本和测试样本被持续被上传至云端数据存储模块170，当训练样本数量累加到一定值时，或，降雨识别模型的使用时间达到一定值时，会再次根据训练样本和测试样本对基于雨声的降雨强度识别模型进行校准。在基于雨声的降雨强度识别模型投入使用后，不断对其进行更新改进，使得基于雨声的降雨强度识别模型的识别精度、准确度不断提高。在一具体实施例中，对基于雨声的降雨强度识别模型的更新改进周期可以根据实际需求进行调整。
实施例4
本发明实施例提供了一种基于雨声的降雨强度识别模型训练装置，如图8所示，包括：
训练数据获取模块210，用于获取降雨音频信号、降雨音频信号的环境数据及降雨音频信号所对应的降雨强度，详细描述见上述实施例3中对步骤S210的描述。
训练数据特征提取模块220，用于根据降雨音频信号提取雨声特征，详细描述见上述实施例3中对步骤S220的描述。
基于雨声的降雨强度识别模型训练模块230，用于将雨声特征、环境数据及降雨强度输入神经网络模型进行训练，得到基于雨声的降雨强度识别模型，详细描述见上述实施例3中对步骤S230的描述。
本发明实施例提供的基于雨声的降雨强度识别模型训练装置，对神经网络模型进行训练时所应到的数据为移动终端设备采集的将与音频信号训练样本、移动终端所处的环境数据训练样本以及降雨音频信号训练样本所处的降雨强度，因此训练得到的基于雨声的降雨强度识别模型仅通过移动终端获取的降雨音频信号以及移动终端信号所处的环境数据即可获取降雨强度，因此通过本发明提供的基于雨声的降雨强度识别模型训练装置获取的基于雨声的降雨强度识别模型可以简单快速地获取用户所处位置的降雨强度。
实施例5
本发明实施例提供了一种移动终端设备，如图9所示，该计算机设备可以包括处理器71和存储器72，其中处理器71和存储器72可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器71可以为中央处理器(Central Processing Unit，CPU)。处理器71还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器72作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于雨声的降雨强度识别方法，或，基于雨声的降雨强度识别模型训练方法对应的程序指令/模块。处理器71通过运行存储在存储器72中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于雨声的降雨强度识别方法，或，上述方法实施例中的基于雨声的降雨强度识别模型训练方法。
存储器72可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器71所创建的数据等。此外，存储器72可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器72可选包括相对于处理器71远程设置的存储器，这些远程存储器可以通过网络连接至处理器71。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器72中，当被所述处理器71执行时，执行如图5所示实施例中的基于雨声的降雨强度识别方法，或者，执行图6或图7所示实施例中的基于雨声的降雨强度识别模型训练方法。
实施例6
本发明提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于雨声的降雨强度识别装置，其特征在于，包括：
降雨音频信号获取模块，用于获取移动终端设备采集的降雨音频信号；
环境数据获取模块，用于获取所述移动终端设备所处的环境数据；
雨声特征提取模块，用于根据所述降雨音频信号提取雨声特征，所述雨声特征包括A级声压、C级声压、Z级声压、主频率、主频率对应的声能谱密度、次频率、次频率对应的声能谱密度、90％最大声能谱密度对应的频率范围；
降雨强度识别模块，用于将所述雨声特征和所述环境数据输入基于雨声的降雨强度识别模型，得到降雨强度；
所述环境数据获取模块包括：
下垫面条件获取子模块，用于获取所述降雨音频信号的下垫面条件，所述下垫面条件为硬地、裸露土地、树林或水面；
移动终端高度获取子模块，用于获取所述移动终端距离下垫面的距离，所述移动终端与所述下垫面之间没有遮挡物。
2.根据权利要求1所述的基于雨声的降雨强度识别装置，其特征在于，还包括：定位模块、数据传输模块、云端数据存储模块；
所述定位模块用于获取所述移动终端设备的位置信息；
所述数据传输模块用于将所述降雨音频信号、环境数据、位置信息、降雨强度上传至所述云端数据存储模块；
所述云端数据存储模块用于将所述降雨音频信号、环境数据、位置信息、降雨强度对应存储。
3.根据权利要求1所述的基于雨声的降雨强度识别装置，其特征在于，还包括：
显示模块，用于实时显示各时刻的降雨强度。
4.一种基于雨声的降雨强度识别方法，其特征在于，包括：
获取移动终端设备采集的降雨音频信号及所述移动终端设备所处的环境数据，所述环境数据包括所述降雨音频信号的下垫面条件和所述移动终端距离下垫面的距离，所述下垫面条件为硬地、裸露土地、树林或水面，所述移动终端与所述下垫面之间没有遮挡物；
根据所述降雨音频信号提取雨声特征，所述雨声特征包括A级声压、C级声压、Z级声压、主频率、主频率对应的声能谱密度、次频率、次频率对应的声能谱密度、90％最大声能谱密度对应的频率范围；
将所述雨声特征和所述环境数据输入基于雨声的降雨强度识别模型，得到降雨强度。
5.一种基于雨声的降雨强度识别模型训练方法，其特征在于，包括：
获取移动终端设备采集的降雨音频信号训练样本、所述移动终端设备所处的环境数据训练样本及所述降雨音频信号训练样本所对应的降雨强度，所述环境数据包括所述降雨音频信号的下垫面条件和所述移动终端距离下垫面的距离，所述下垫面条件为硬地、裸露土地、树林或水面，所述移动终端与所述下垫面之间没有遮挡物；
根据所述降雨音频信号训练样本提取雨声特征，所述雨声特征包括A级声压、C级声压、Z级声压、主频率、主频率对应的声能谱密度、次频率、次频率对应的声能谱密度、90％最大声能谱密度对应的频率范围；
将所述雨声特征、所述环境数据训练样本及所述降雨强度输入神经网络模型进行训练，得到所述基于雨声的降雨强度识别模型。
6.根据权利要求5所述的基于雨声的降雨强度识别模型训练方法，其特征在于，还包括：
获取移动终端设备采集的降雨音频信号测试样本、所述移动终端设备所处的环境数据测试样本；
根据所述降雨音频信号测试样本、环境数据测试样本及所述基于雨声的降雨强度识别模型得到测试结果；
根据所述测试结果判断所述基于雨声的降雨强度识别模型的准确率是否高于预设阈值；
如果所述基于雨声的降雨强度识别模型的准确率高于所述预设阈值，将所述基于雨声的降雨强度识别模型确定为可用的基于雨声的降雨强度识别模型。
7.一种基于雨声的降雨强度识别模型训练装置，其特征在于，包括：
训练数据获取模块，用于获取降雨音频信号、所述降雨音频信号的环境数据及所述降雨音频信号所对应的降雨强度，所述环境数据包括所述降雨音频信号的下垫面条件和移动终端距离下垫面的距离，所述下垫面条件为硬地、裸露土地、树林或水面，所述移动终端与所述下垫面之间没有遮挡物；
训练数据特征提取模块，用于根据所述降雨音频信号提取雨声特征，所述雨声特征包括A级声压、C级声压、Z级声压、主频率、主频率对应的声能谱密度、次频率、次频率对应的声能谱密度、90％最大声能谱密度对应的频率范围；
基于雨声的降雨强度识别模型训练模块，用于将所述雨声特征、所述环境数据及所述降雨强度输入神经网络模型进行训练，得到所述基于雨声的降雨强度识别模型。
8.一种移动终端设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求4所述的基于雨声的降雨强度识别方法，或，如权利要求5或6所述的基于雨声的降雨强度识别模型训练方法。
9.一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存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求4所述的基于雨声的降雨强度识别方法，或，如权利要求5或6所述的基于雨声的降雨强度识别模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010071320.1A CN111276157B (zh) | 2020-01-21 | 2020-01-21 | 一种基于雨声的降雨强度识别、模型训练的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010071320.1A CN111276157B (zh) | 2020-01-21 | 2020-01-21 | 一种基于雨声的降雨强度识别、模型训练的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111276157A CN111276157A (zh) | 2020-06-12 |
| CN111276157B true CN111276157B (zh) | 2023-06-27 |
Family
ID=71002248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010071320.1A Active CN111276157B (zh) | 2020-01-21 | 2020-01-21 | 一种基于雨声的降雨强度识别、模型训练的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111276157B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693139B (zh) * | 2020-06-19 | 2022-04-22 | 浙江讯飞智能科技有限公司 | 声音强度测量方法、装置、设备及存储介质 |
| CN111738435B (zh) * | 2020-06-22 | 2024-03-29 | 上海交通大学 | 一种基于移动设备的在线稀疏训练方法及系统 |
| CN112541306B (zh) * | 2020-12-09 | 2024-07-16 | 清华大学 | 一种水文业务操作方法、装置、计算机设备和存储介质 |
| WO2022236783A1 (zh) * | 2021-05-13 | 2022-11-17 | 深圳市大疆创新科技有限公司 | 雨量检测方法、装置及存储介质、无人机调度系统 |
| CN117908168A (zh) * | 2024-03-18 | 2024-04-19 | 深圳市九天睿芯科技有限公司 | 一种基于声音的降雨状态检测装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06119451A (ja) * | 1992-10-09 | 1994-04-28 | Hitachi Ltd | パターン認識装置およびそれを用いたシステム |
| JP2004279255A (ja) * | 2003-03-17 | 2004-10-07 | Cti Science System Co Ltd | 降水状態観測装置および観測方法 |
| CN101609172A (zh) * | 2009-07-14 | 2009-12-23 | 国家海洋局第三海洋研究所 | 一种基于雨声谱的水面降雨强度测量方法及其装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648764B (zh) * | 2018-05-14 | 2021-06-01 | 南京信息工程大学 | 基于雨水敲击声识别的雨量测量系统及其测量方法 |
| CN109298642B (zh) * | 2018-09-20 | 2021-08-27 | 三星电子（中国）研发中心 | 采用智能音箱进行监控的方法及装置 |
| CN110263876B (zh) * | 2019-06-27 | 2023-06-30 | 南京信息工程大学 | 一种雨声信号降噪处理方法和系统 |
-
2020
- 2020-01-21 CN CN202010071320.1A patent/CN111276157B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06119451A (ja) * | 1992-10-09 | 1994-04-28 | Hitachi Ltd | パターン認識装置およびそれを用いたシステム |
| JP2004279255A (ja) * | 2003-03-17 | 2004-10-07 | Cti Science System Co Ltd | 降水状態観測装置および観測方法 |
| CN101609172A (zh) * | 2009-07-14 | 2009-12-23 | 国家海洋局第三海洋研究所 | 一种基于雨声谱的水面降雨强度测量方法及其装置 |
Non-Patent Citations (1)
| Title |
|---|
| 降雨对噪声自动监测数据的影响分析;徐辉;马俊文;;环境监控与预警(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111276157A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111276157B (zh) | 一种基于雨声的降雨强度识别、模型训练的方法及装置 | |
| De Vos et al. | The potential of urban rainfall monitoring with crowdsourced automatic weather stations in Amsterdam | |
| CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
| CN107290744B (zh) | 冰厚水深综合探测雷达系统及方法 | |
| CN110570021B (zh) | 径流模拟方法、装置以及计算机设备 | |
| CN109917402B (zh) | 一种车载激光雷达仿真模块仿真精度测定方法及系统 | |
| CN109444206B (zh) | 沥青路面质量检测方法及装置 | |
| CN110045441B (zh) | 基于雷达回波图的天气分析方法及装置 | |
| CN110990505B (zh) | 一种基于神经网络的Loran-C ASF修正方法 | |
| CN105227249A (zh) | 一种短波发射天线辐射效率自动监测方法及监测系统 | |
| CN112543470B (zh) | 基于机器学习的终端定位方法及系统 | |
| CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
| CN113711540B (zh) | 用于预测与蜂窝网络的连接质量的方法和装置 | |
| CN111860325A (zh) | 土壤水分反演方法、装置、计算机可读介质和电子设备 | |
| CN109579774B (zh) | 一种基于深度实例分割网络的天线下倾角测量方法 | |
| Rabiei et al. | Areal rainfall estimation using moving cars–computer experiments including hydrological modeling | |
| CN112965048B (zh) | 激光测距误差校正方法、装置、电子设备和存储介质 | |
| JPWO2018168165A1 (ja) | 気象予測装置、気象予測方法、およびプログラム | |
| CN108596380B (zh) | 一种海面台风风场的定量探测方法 | |
| CN114118544A (zh) | 一种城市积涝检测方法及装置 | |
| KR101504357B1 (ko) | 측정 데이터를 이용한 무선망 최적화용 지형 지물 정보 추출 방법 | |
| CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN117520466A (zh) | 一种可同类数据对比的地理信息采集系统 | |
| CN110441830B (zh) | 基于自动气象站的小区域天气预测方法及存储介质 | |
| CN116957143A (zh) | 村庄空心率预测方法、装置、电子设备及可读存储介质 |
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 |