CN112969134A - 麦克风异常检测方法、装置、设备及存储介质 - Google Patents
麦克风异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112969134A CN112969134A CN202110174376.4A CN202110174376A CN112969134A CN 112969134 A CN112969134 A CN 112969134A CN 202110174376 A CN202110174376 A CN 202110174376A CN 112969134 A CN112969134 A CN 112969134A
- Authority
- CN
- China
- Prior art keywords
- microphone
- frequency domain
- value
- sub
- band
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/004—Monitoring arrangements; Testing arrangements for microphones
Abstract
本申请提供了一种麦克风异常检测方法、装置、设备及存储介质,其方法包括:获取麦克风采集的音频信号数据;根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。该方法通过计算麦克风相对于麦克风阵列的时域特征值和频域特征值来判断麦克风阵列中的麦克风是否异常,此判断过程采用相对阈值,使得麦克风异常检测不受幅值大小和前端算法增益大小的影响,大大减少了漏检与虚警的现象,提高异常检测的可靠性和鲁棒性。
Description
技术领域
本申请属于监控设备技术领域,尤其涉及一种麦克风异常检测方法、装置、设备及存储介质。
背景技术
随着麦克风阵列信号处理技术的快速发展,智能听觉装置在越来越多的领域得到广泛的应用,例如智能语音交互、机器听觉、智能交通、智能安防、智慧城市等领域。在实际应用中,麦克风通常长时间暴露在恶劣的室外环境中,受室外的风雨日晒、尘土、电磁等因素干扰,容易导致阵列中单个或多个麦克风出现暂时性能失常甚至永久损坏,严重影响听觉装置的功能。针对上述情况,现有技术提出了一些关于麦克风异常的检测方法,通常是设计或选择一种或多种音频信号的时域特征阈值,通过信号检测的方式来实现麦克风的异常检测,以此实现设备维护操作。然而,发明人研究发现,此类检测方法中设计或选择的时域特征阈值往往依赖于采集信号的幅值大小,如若前端的信号增益发生改变时,阈值则失效,难以实现阈值自适应,容易出现漏检和虚警现象。
发明内容
有鉴于此,本申请实施例提供了一种麦克风异常检测方法、装置、设备及存储介质,可以避免麦克风的异常检测受采集信号的幅值大小和前端信号的增益大小影响,有效提高麦克风异常检测的鲁棒性和可靠性。
本申请实施例的第一方面提供了一种麦克风异常检测方法,所述麦克风异常检测方法包括:
获取麦克风采集的音频信号数据;
根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;
分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。
结合第一方面,在第一方面的第一种可能实现方式中,所述根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值的步骤,包括:
按照特征值计算算法中预先配置的算法参数对麦克风采集的音频信号数据进行预处理,其中,所述预处理包括加窗分帧处理和傅里叶变换处理。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所述根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值的步骤,包括:
计算所述麦克风相对于麦克风阵列的时域能量偏差百分比数值作为所述麦克风的时域特征值;及
计算所述麦克风相对于麦克风阵列的频域子带归一化的相对能量和偏差百分比数值作为所述麦克风的第一频域特征值;及
计算所述麦克风相对于麦克风阵列的频域归一化的对数频谱距离偏差百分比数值作为所述麦克风的第二频域特征值。
结合第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,所述计算所述麦克风相对于麦克风阵列的时域能量偏差百分比数值作为所述麦克风的时域特征值的步骤,包括:
通过加窗分帧处理将所述麦克风采集的音频信号数据划分成多个数据帧,获取每个数据帧对应的幅值;
根据所述麦克风采集的音频信号数据中每个数据帧对应的幅值数据,采用所述预设的特征值计算算法计算出所述麦克风阵列中每个麦克风对应的短时能量值;
结合每个麦克风对应的短时能量值确定所述麦克风阵列的短时能量均值;
将所述每个麦克风对应的短时能量值分别与所述麦克风阵列的短时能量均值进行比对,计算出所述每个麦克风对应的时域能量偏差百分比数值。
结合第一方面的第二可能实现方式,在第一方面的第四种可能实现方式中,所述计算所述麦克风相对于麦克风阵列的频域子带归一化的相对能量和偏差百分比数值作为所述麦克风的第一频域特征值的步骤,包括:
通过对所述麦克风采集的音频信号数据进行傅里叶变换获取所述麦克风对应的频谱;
按照特征值计算算法中预先配置的算法参数从所述频谱中选取对应的频段,并将所述频段平均分成若干个子带,获取各子带的幅值谱;
获取所述各子带的幅值谱中幅值最大的频点,按照所述各子带的幅值谱中幅值最大的频点对各子带进行归一化处理,获取所述各子带对应的平均幅值;
根据所述各子带对应的平均幅值计算出所述各子带归一化相对能量,将所述各子带归一化相对能量进行求和,以获得频域子带归一化相对能量和;
结合每个麦克风对应的频域子带归一化相对能量和确定所述麦克风阵列的频域子带归一化相对能量和均值;
将所述每个麦克风对应的频域子带归一化相对能量和分别与所述麦克风阵列的频域子带归一化相对能量和均值进行比对,计算出所述每个麦克风对应的频域子带归一化相对能量和偏差百分比数值。
结合第一方面的第二可能实现方式,在第一方面的第五种可能实现方式中,所述计算所述麦克风相对于麦克风阵列的频域归一化的对数频谱距离偏差百分比数值作为所述麦克风的第二频域特征值的步骤,包括:
通过对所述麦克风采集的音频信号数据进行傅里叶变换获取所述麦克风对应的频谱;
按照特征值计算算法中预先配置的算法参数从所述频谱中选取对应的频段,并将所述频段平均分成若干个子带,获取各子带的幅值谱;
获取所述各子带的幅值谱中幅值绝对值最大的频点,按照所述各子带的幅值谱中幅值绝对值最大的频点对各子带进行归一化处理,获取每个麦克风对应的幅值谱;
结合所述每个麦克风对应的幅值谱确定所述麦克风阵列的幅值谱均值;
根据所述每个麦克风对应的幅值谱和所述麦克风阵列的幅值谱均值,计算出所述每个麦克风对应的频域归一化对数频谱距离;
结合所述每个麦克风对应的频域归一化对数频谱距离确定所述麦克风阵列的频域归一化对数频谱距离均值;
将所述每个麦克风对应的频域归一化对数频谱距离分别与所述麦克风阵列的频域归一化对数频谱距离均值进行比对,计算出所述每个麦克风对应的频域归一化对数频谱距离偏差百分比数值。
结合第一方面,在第一方面的第六种可能实现方式中,所述分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常的步骤,包括:
基于麦克风阵列的预设数量个连续的检测数据帧,获取所述麦克风阵列中各麦克风对应的预设数量个连续的时域特征值和频域特征值;
按检测数据帧分批次将所述各麦克风对应的预设数量个连续的时域特征值与预设的时域标准阈值进行比对,获得预设数量次时域特征比对结果;
检测所述预设数量次时域特征比对结果中是否显示有相同的麦克风时域特征异常,若有,则将所述麦克风标记为时域异常并将所述麦克风信息反馈至异常检测系统,否则按检测数据帧分批次将所述各麦克风对应的预设数量个连续的频域特征值与预设的频域标准阈值进行比对,获得预设数量次频域特征比对结果;
检测所述预设数量次频域特征比对结果中是否显示有相同的麦克频域特征异常,若有,则将所述麦克风标记为频域异常并将所述麦克风信息反馈至异常检测系统,否则判断所述麦克风阵列中的各麦克风正常。
本申请实施例的第二方面提供了一种麦克风异常检测装置,所述麦克风异常检测装置包括:
获取模块,用于获取麦克风采集的音频信号数据;
计算模块,用于根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;
判断模块,用于分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。
本申请实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任意一项所述麦克风异常检测方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述麦克风异常检测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:
本申请通过获取麦克风采集的音频信号数据;根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。该方法通过计算麦克风相对于麦克风阵列的时域特征值和频域特征值来判断麦克风阵列中的麦克风是否异常,此判断过程采用相对阈值,使得麦克风异常检测不受幅值大小和前端算法增益大小的影响,大大减少了漏检与虚警的现象,提高异常检测的可靠性和鲁棒性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种麦克风异常检测方法的基本方法流程示意图;
图2为本申请实施例提供的麦克风异常检测方法中计算时域特征值时的一种方法流程示意图;
图3为本申请实施例提供的麦克风异常检测方法中计算第一频域特征值时的一种方法流程示意图;
图4为本申请实施例提供的麦克风异常检测方法中计算第二频域特征值时的一种方法流程示意图;
图5为本申请实施例提供的麦克风异常检测方法中判断所述麦克风是否异常的一种方法流程示意图;
图6为本申请实施例提供的一种麦克风异常检测装置的结构示意图;
图7为本申请实施例提供的一种实现麦克风异常检测方法的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
本申请的一些实施例中,请参阅图1,图1为本申请实施例提供的一种麦克风异常检测方法的基本方法流程示意图,详述如下:
步骤S11:获取麦克风采集的音频信号数据。
步骤S12:根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值。
本实施例中,特征值计算算法用于计算麦克风相对于麦克风阵列的时域特征值和频域特征值,在本实施例中,通过所述特征值计算算法计算得到的时域特征值和频域特征值表现为数据相对值,数据相对值是指一个指标的数据值相对于一个标准值的差值,可以用百分比表示。在本实施例中,所述特征值计算算法中预先配置有用于计算的算法参数,其中,所述算法参数包括音频信号数据的帧长FrameLen、频段FreqBand、子带数量Nband和子带频点数NfreqBand等。帧长FrameLen是指音频信号数据中每个数据帧的长度,表示音频信号数据基本单位的信息量,帧长越长,说明每个数据帧中传输的信息量越大。频段FreqBand是指音频信号数据的声音频率范围,例如频段范围配置为16KHz~48KHz范围,那么,16KHz、24KHz、32KHz、44.1kHz、48KHz等频段的音频信号数据均可采集。子带是指将原始的音频信号数据由时域通过傅里叶变换转变为频域后利用带通滤波器进行频带分割得到,子带数量Nband是指进行频带分割后得到的子频带的数量。子带频点数NfreqBand即为每个子带的频点数量,频点是指固定频率的编号,例如,频率间隔为200KHz,依照200KHz的频率间隔从890MHz到915MHz可划分为125个无线频率段,此时对该125个频率段进行编号为1到125,这些对固定频率段的编号即为频点。在采用特征值计算算法计算麦克风相对于麦克风阵列的时域特征值和频域特征值之前,需要按照上述特征值计算算法中预先配置的算法参数对该麦克风采集到的音频信号数据进行预处理,从而提取得到该音频信号数据中的音频特征。在本实施例中,预处理具体包括但不限于加窗分帧处理和傅里叶变换处理。需要说明的是,在本实施例中,上述算法参数可以由用户根据实际的检测精度需求进行设置。
在本实施例中,可以采用时域能量指标的偏差百分比作为音频信号数据的时域特征值,采用频域子带归一化的相对能量和指标的偏差百分比以及频域归一化的对数频谱距离指标的偏差百分比作为音频信号数据的频域特征值。具体地,在本实施例中,按照特征值计算算法配置的算法参数对麦克风采集到的音频信号数据进行预处理,进而对经过预处理后的音频信号数据,按照该特征值计算算法计算出所述麦克风相对于麦克风阵列的时域能量偏差百分比数值作为所述麦克风的时域特征值、计算出所述麦克风相对于麦克风阵列的频域子带归一化的相对能量和偏差百分比数值作为所述麦克风的第一频域特征值、计算出所述麦克风相对于麦克风阵列的频域归一化的对数频谱距离偏差百分比数值作为所述麦克风的第二频域特征值。
步骤S13:分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。
本实施例中,基于特征值计算算法对应获取的计算结果,预先通过大量的数据样本进行仿真训练,获得针对计算结果对应预设的标准阈值,包括为时域特征对应预设的标准阈值以及为频域特征对应预设的标准阈值。在本实施例中,将通过特征值计算算法计算得到的麦克风相对于麦克风阵列的时域特征值与为时域特征对应预设的标准阈值进行比对、将通过特征值计算算法计算得到的麦克风相对于麦克风阵列的频域特征值与为频域特征对应预设的标准阈值进行比对等,从而根据时域特征值与其对应预设的标准阈值之间的大小关系以及根据频域特征值与其对应预设的标准阈值之间的大小关系来判断该麦克风是否异常。
本实施例提供的麦克风异常检测方法结合了时域特征和频域特征,可以对麦克风阵列中的各个麦克风分别进行时域特征异常分析和频域特征异常分析,细化了异常分析的情况,大大减少了麦克风漏检和虚警的现象,提高麦克风异常检测的可靠性。而且,麦克风相对于麦克风阵列的时域特征值和频域特征值表现为数据相对值,数据相对值是指一个指标的数据值相对于一个标准值的差值,其对应预设的标准阈值为相对阈值,相对阈值不依赖于信号幅值的大小和前端信号增益的大小,即不会因为前端的信号增益发生改变而影响对麦克风异常的判断,可以有效提高麦克风异常检测的鲁棒性。
本申请的一些实施例中,请参阅图2,图2为本申请实施例提供的麦克风异常检测方法中计算时域特征值时的一种方法流程示意图。详细如下:
步骤S21:通过加窗分帧处理将所述麦克风采集的音频信号数据划分成多个数据帧,获取每个数据帧对应的幅值;
步骤S22:根据所述麦克风采集的音频信号数据中每个数据帧对应的幅值数据,采用所述预设的特征值计算算法计算出所述麦克风阵列中每个麦克风对应的短时能量值;
步骤S23:根据所述每个麦克风对应的短时能量值确定所述麦克风阵列的短时能量均值;
步骤S24:将所述每个麦克风对应的短时能量值分别与所述麦克风阵列的短时能量均值进行比对,计算出所述每个麦克风对应的时域能量偏差百分比数值。
本实施例中,麦克风阵列中的每一个麦克风对应一个通道进行音频信号数据采集操作。在本实施例中,对于麦克风阵列中每个麦克风采集到的音频信号数据,按照特征值计算算法中预先配置的帧长FrameLen这一算法参数进行加窗分帧预处理,可以将各麦克风采集到的音频信号数据划分成多个数据帧,然后按照数据帧提取每个麦克风对应的各个数据帧的幅值。进而,基于幅值特征,采用预设的特征值计算算法即可计算得到麦克风对应的短时能量值。获得每个麦克风对应的短时能量值后,针对麦克风阵列中所有麦克风对应的短时能量值进行平均值求取,获得该麦克风阵列的短时能量均值,具体可以将麦克风阵列中所有麦克风对应的短时能量值按照大小进行排序,然后选取中间的一半麦克风对应的短时能量值进行平均值求取,将获得的平均值确定为确定该麦克风阵列的短时能量均值。最后,通过将每个麦克风对应的短时能量值分别与该麦克风阵列的短时能量均值进行比对,即可计算出每个麦克风对应的时域能量偏差百分比数值。
在本实施例中,计算麦克风对应的短时能量值时,特征值计算算法具体采用的计算公式为:
其中,i表示麦克风通道号,j表示帧号,m表示采样点,x表示幅值。
在本实施例中,计算麦克风阵列的短时能量均值时,特征值计算算法具体采用的计算公式为:
在本实施例中,计算每个麦克风对应的时域能量偏差百分比数值时,特征值计算算法具体采用的计算公式为:
在本实施例中,通过大量的数据样本进行仿真训练获得为时域特征对应预设一个表征为时域能量偏差百分比的标准阈值,配置为时域标准阈值rth,通过比较计算获得的麦克风对应的时域能量偏差百分比数值ri与时域标准阈值rth的大小,若ri>rth,则判断该麦克风异常。
本申请的一些实施例中,请参阅图3,图3为本申请实施例提供的麦克风异常检测方法中计算第一频域特征值时的一种方法流程示意图。详细如下:
步骤S31:通过对所述麦克风采集的音频信号数据进行傅里叶变换获取所述麦克风对应的频谱;
步骤S32:按照特征值计算算法中预先配置的算法参数从所述频谱中选取对应的频段,并将所述频段平均分成若干个子带,获取各子带的幅值谱;
步骤S33:获取所述各子带的幅值谱中幅值最大的频点,按照所述各子带的幅值谱中幅值最大的频点对各子带进行归一化处理,获取所述各子带对应的平均幅值;
步骤S34:根据所述各子带对应的平均幅值计算出所述各子带归一化相对能量,将所述各子带归一化相对能量进行求和,以获得频域子带归一化相对能量和;
步骤S35:结合每个麦克风对应的频域子带归一化相对能量和确定所述麦克风阵列的频域子带归一化相对能量和均值;
步骤S36:将所述每个麦克风对应的频域子带归一化相对能量和分别与所述麦克风阵列的频域子带归一化相对能量和均值进行比对,计算出所述每个麦克风对应的频域子带归一化相对能量和偏差百分比数值。
本实施例中,对于麦克风阵列中每个麦克风采集到的音频信号数据,通过傅里叶变换获取每个麦克风对应的频谱。按照特征值计算算法中预先配置的频段FreqBand、子带数量Nband和子带频点数NfreqBand等算法参数,可以从频谱中选取得到对应的频段,并且通过将频段平均分成若干个子带,以获取各子带的幅值谱。获得各子带的幅值谱后,通过对各子带的幅值谱进行遍历识别,查找出各子带的幅值谱中幅值最大的频点,进而按照各子带的幅值谱中幅值最大的频点对各子带进行归一化处理,获取各子带对应的平均幅值。获取各子带对应的平均幅值后,根据各子带对应的平均幅值计算出所述各子带归一化相对能量,再将各子带归一化相对能量进行求和,从而获得对应的频域子带归一化相对能量和。结合每个麦克风对应的频域子带归一化相对能量和来确定所述麦克风阵列的频域子带归一化相对能量和均值。例如,针对麦克风阵列中所有麦克风对应的频域子带归一化相对能量和进行平均值求取,获得该麦克风阵列的频域子带归一化相对能量和均值,具体可以将麦克风阵列中所有麦克风对应的频域子带归一化相对能量和按照大小进行排序,然后选取中间的一半麦克风对应的频域子带归一化相对能量和进行平均值求取,将获得的平均值确定为确定该麦克风阵列的频域子带归一化相对能量和均值。最后,将所述每个麦克风对应的频域子带归一化相对能量和分别与所述麦克风阵列的频域子带归一化相对能量和均值进行比对,即可计算出所述每个麦克风对应的频域子带归一化相对能量和偏差百分比数值。
在本实施例中,获取各子带的幅值谱时,特征值计算算法具体采用的计算公式为:
在本实施例中,获取各麦克风对应的频域子带归一化相对能量和时,特征值计算算法具体采用的计算公式为:
其中,qij(k)表示为各子带归一化相对能量,qij表示为频域子带归一化相对能量和,βk表示为增益系数,βk>0,e=[1,1,...,1]T,H表示矩阵共轭转置。
在本实施例中,计算频域子带归一化相对能量和均值时,特征值计算算法具体采用的计算公式为:
在本实施例中,计算每个麦克风对应的频域子带归一化相对能量和偏差百分比数值时,特征值计算算法具体采用的计算公式为:
在本实施例中,通过大量的数据样本进行仿真训练获得为时域特征对应预设一个表征为频域子带归一化相对能量和偏差百分比的标准阈值,配置为第一频域标准阈值sth,通过比较计算获得的麦克风对应的频域子带归一化相对能量和偏差百分比数值sij与第一频域标准阈值sth的大小,若sij>sth,则判断该麦克风异常。
本申请的一些实施例中,请参阅图4,图4为本申请实施例提供的麦克风异常检测方法中计算第二频域特征值时的一种方法流程示意图。详细如下:
步骤S41:通过对所述麦克风采集的音频信号数据进行傅里叶变换获取所述麦克风对应的频谱;
步骤S42:按照特征值计算算法中预先配置的算法参数从所述频谱中选取对应的频段,并将所述频段平均分成若干个子带,获取各子带的幅值谱;
步骤S43:获取所述各子带的幅值谱中幅值绝对值最大的频点,按照所述各子带的幅值谱中幅值绝对值最大的频点对各子带进行归一化处理,获取每个麦克风对应的幅值谱;
步骤S44:结合所述每个麦克风对应的幅值谱确定所述麦克风阵列的幅值谱均值;
步骤S45:根据所述每个麦克风对应的幅值谱和所述麦克风阵列的幅值谱均值,计算出所述每个麦克风对应的频域归一化对数频谱距离;
步骤S46:结合所述每个麦克风对应的频域归一化对数频谱距离确定所述麦克风阵列的频域归一化对数频谱距离均值;
步骤S47:将所述每个麦克风对应的频域归一化对数频谱距离分别与所述麦克风阵列的频域归一化对数频谱距离均值进行比对,计算出所述每个麦克风对应的频域归一化对数频谱距离偏差百分比数值。
本实施例中,对于麦克风阵列中每个麦克风采集到的音频信号数据,通过傅里叶变换获取每个麦克风对应的频谱。按照特征值计算算法中预先配置的频段FreqBand、子带数量Nband和子带频点数NfreqBand等算法参数,可以从频谱中选取得到对应的频段,并且通过将频段平均分成若干个子带,以获取各子带的幅值谱。获得各子带的幅值谱后,通过对各子带的幅值谱进行遍历识别,查找出各子带的幅值谱中幅值绝对值最大的频点,进而按照各子带的幅值谱中幅值绝对值最大的频点对各子带进行归一化处理,获取麦克风对应的幅值谱。通过结合麦克风阵列中每个麦克风对应的幅值谱,以确定得到该麦克风阵列的幅值谱均值。进而,根据各麦克风对应的幅值谱以及麦克风阵列的幅值谱均值,计算出各麦克风对应的频域归一化对数频谱距离,再结合麦克风阵列中每个麦克风对应的频域归一化对数频谱距离来确定得到该麦克风阵列的频域归一化对数频谱距离均值。最后,通过将每个麦克风对应的频域归一化对数频谱距离分别与该麦克风阵列的频域归一化对数频谱距离均值进行比对,即可计算出各个麦克风对应的频域归一化对数频谱距离偏差百分比数值。
在本实施例中,获取各子带的幅值谱时,特征值计算算法具体采用的计算公式为:
在本实施例中,计算幅值谱均值时,特征值计算算法具体采用的计算公式为:
在本实施例中,计算麦克风对应的频域归一化对数频谱距离时,特征值计算算法具体采用的计算公式为:
其中,dij表示为麦克风对应的频域归一化对数频谱距离。
在本实施例中,计算麦克风对应的频域归一化对数频谱距离偏差百分比数值时,特征值计算算法具体采用的计算公式为:
在本实施例中,通过大量的数据样本进行仿真训练获得为时域特征对应预设一个表征为频域归一化对数频谱距离偏差百分比的标准阈值,配置为第二频域标准阈值sth,通过比较计算获得的麦克风对应的频域归一化对数频谱距离偏差百分比数值wi与第二频域标准阈值wth的大小,若wi>wth,则判断该麦克风异常。
本申请的一些实施例中,请参阅图5,图5为本申请实施例提供的麦克风异常检测方法中判断所述麦克风是否异常的一种方法流程示意图。详细如下:
步骤S51:基于麦克风阵列的预设数量个连续的检测数据帧,获取所述麦克风阵列中各麦克风对应的预设数量个连续的时域特征值和频域特征值;
步骤S52:按照检测数据帧分批次将所述各麦克风对应的预设数量个连续的时域特征值与预设的时域标准阈值进行比对,获得预设数量次时域特征比对结果;
步骤S53:检测所述预设数量次时域特征比对结果中是否显示有相同的麦克风时域特征异常,若有,则将所述麦克风标记为时域异常并将所述麦克风信息反馈至异常检测系统,否则按检测数据帧分批次将所述各麦克风对应的预设数量个连续的频域特征值与预设的频域标准阈值进行比对,获得预设数量次频域特征比对结果;
步骤S54:检测所述预设数量次频域特征比对结果中是否显示有相同的麦克频域特征异常,若有,则将所述麦克风标记为频域异常并将所述麦克风信息反馈至异常检测系统,否则判断所述麦克风阵列中的各麦克风正常。
本实施例中,在对麦克风阵列中的麦克风进行异常检测时,可以获取麦克风阵列的预设数量个连续的检测数据帧,然后从该预设数量个连续的检测数据帧中逐帧提取麦克风阵列中的各个麦克风的时域特征信息和频域特征信息,以此可以对应获得麦克风阵列中各麦克风对应的预设数量个连续的时域特征值和频域特征值。此时,按照检测数据帧分批次将各麦克风对应的预设数量个连续的时域特征值与预设的时域标准阈值进行比对,获得预设数量次时域特征比对结果。可以理解的是,一个检测数据帧对应获得一次时域特征比对结果,每次的时域特征比对结果中都包含有麦克风阵列所有麦克风当次的时域特征异常情况信息。通过检测预设数量次时域特征比对结果中是否显示有相同的麦克风时域特征异常,其中,若一个麦克风在该预设数量次时域特征比对结果中都表现为异常或曾多次(该多次所指的具体次数可以是预设阈值或预设占比)表现为异常,则判断该预设数量次时域特征比对结果中显示有相同的麦克风时域特征异常,该麦克风即为时域异常的麦克风。若预设数量次时域特征比对结果中显示有相同的麦克风时域特征异常,则将该麦克风标记为时域异常并将所述麦克风信息反馈至异常检测系统,否则按检测数据帧分批次将所述各麦克风对应的预设数量个连续的频域特征值与预设的频域标准阈值进行比对,获得预设数量次频域特征比对结果。同理,一个检测数据帧对应获得一次频域特征比对结果,每次的频域特征比对结果中都包含有麦克风阵列所有麦克风当次的频域特征异常情况信息。通过检测该预设数量次频域特征比对结果中是否显示有相同的麦克频域特征异常,其中,若一个麦克风在该预设数量次时域特征比对结果中都表现为异常或曾多次(该多次所指的具体次数可以是预设阈值或预设占比)表现为异常,则判断该预设数量次时域特征比对结果中显示有相同的麦克风频域特征异常,该麦克风即为频域异常的麦克风。若预设数量次时域特征比对结果中显示有相同的麦克风频域特征异常,则将所述麦克风标记为频域异常并将所述麦克风信息反馈至异常检测系统,否则判断所述麦克风阵列中的各麦克风正常。此时无需反馈信息至异常检测系统。
进一步地,在异常检测系统获得异常的麦克风信息后,可以一方面便于维修,另一方面仍然保持其他音频算法正常运行。例如采用DOA和beamforming算法,只使用没有异常的通道信号,其他单通道算法选用无异常的一路信号即可。
可以理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请的一些实施例中,请参阅图6,图6为本申请实施例提供的一种麦克风异常检测装置的结构示意图,详述如下:
所述麦克风异常检测装置包括:获取模块61、计算模块62以及判断模块63。其中,所述获取模块61用于获取麦克风采集的音频信号数据;所述计算模块62用于根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;所述判断模块63用于分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。
所述麦克风异常检测装置,与上述的麦克风异常检测方法一一对应。
在本申请的一些实施例中,请参阅图7,图7为本申请实施例提供的一种实现麦克风异常检测方法的电子设备的示意图。如图7所示,该实施例的电子设备7包括:处理器71、存储器72以及存储在所述存储器72中并可在所述处理器71上运行的计算机程序73,例如麦克风异常检测程序。所述处理器71执行所述计算机程序72时实现上述各个麦克风异常检测方法实施例中的步骤。或者,所述处理器71执行所述计算机程序73时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序73可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器72中,并由所述处理器71执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序73在所述电子设备7中的执行过程。例如,所述计算机程序73可以被分割成:
获取模块,用于获取麦克风采集的音频信号数据;
计算模块,用于根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;
判断模块,用于分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。
所述电子设备可包括,但不仅限于,处理器71、存储器72。本领域技术人员可以理解,图7仅仅是电子设备7的示例,并不构成对电子设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器71可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器72可以是所述电子设备7的内部存储单元,例如电子设备7的硬盘或内存。所述存储器72也可以是所述电子设备7的外部存储设备,例如所述电子设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器72还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器72用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种麦克风异常检测方法,其特征在于,包括:
获取麦克风采集的音频信号数据;
根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;
分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。
2.根据权利要求1所述的麦克风异常检测方法,其特征在于,所述根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值的步骤,包括:
按照特征值计算算法中预先配置的算法参数对麦克风采集的音频信号数据进行预处理,其中,所述预处理包括加窗分帧处理和傅里叶变换处理。
3.根据权利要求2所述的麦克风异常检测方法,其特征在于,所述根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值的步骤,包括:
计算所述麦克风相对于麦克风阵列的时域能量偏差百分比数值作为所述麦克风的时域特征值;及
计算所述麦克风相对于麦克风阵列的频域子带归一化的相对能量和偏差百分比数值作为所述麦克风的第一频域特征值;及
计算所述麦克风相对于麦克风阵列的频域归一化的对数频谱距离偏差百分比数值作为所述麦克风的第二频域特征值。
4.根据权利要求3所述的麦克风异常检测方法,其特征在于,所述计算所述麦克风相对于麦克风阵列的时域能量偏差百分比数值作为所述麦克风的时域特征值的步骤,包括:
通过加窗分帧处理将所述麦克风采集的音频信号数据划分成多个数据帧,获取每个数据帧对应的幅值;
根据所述麦克风采集的音频信号数据中每个数据帧对应的幅值数据,采用所述预设的特征值计算算法计算出所述麦克风阵列中每个麦克风对应的短时能量值;
结合每个麦克风对应的短时能量值确定所述麦克风阵列的短时能量均值;
将所述每个麦克风对应的短时能量值分别与所述麦克风阵列的短时能量均值进行比对,计算出所述每个麦克风对应的时域能量偏差百分比数值。
5.根据权利要求3所述的麦克风异常检测方法,其特征在于,所述计算所述麦克风相对于麦克风阵列的频域子带归一化的相对能量和偏差百分比数值作为所述麦克风的第一频域特征值的步骤,包括:
通过对所述麦克风采集的音频信号数据进行傅里叶变换获取所述麦克风对应的频谱;
按照特征值计算算法中预先配置的算法参数从所述频谱中选取对应的频段,并将所述频段平均分成若干个子带,获取各子带的幅值谱;
获取所述各子带的幅值谱中幅值最大的频点,按照所述各子带的幅值谱中幅值最大的频点对各子带进行归一化处理,获取所述各子带对应的平均幅值;
根据所述各子带对应的平均幅值计算出所述各子带归一化相对能量,将所述各子带归一化相对能量进行求和,以获得频域子带归一化相对能量和;
结合每个麦克风对应的频域子带归一化相对能量和确定所述麦克风阵列的频域子带归一化相对能量和均值;
将所述每个麦克风对应的频域子带归一化相对能量和分别与所述麦克风阵列的频域子带归一化相对能量和均值进行比对,计算出所述每个麦克风对应的频域子带归一化相对能量和偏差百分比数值。
6.根据权利要求3所述的麦克风异常检测方法,其特征在于,所述计算所述麦克风相对于麦克风阵列的频域归一化的对数频谱距离偏差百分比数值作为所述麦克风的第二频域特征值的步骤,包括:
通过对所述麦克风采集的音频信号数据进行傅里叶变换获取所述麦克风对应的频谱;
按照特征值计算算法中预先配置的算法参数从所述频谱中选取对应的频段,并将所述频段平均分成若干个子带,获取各子带的幅值谱;
获取所述各子带的幅值谱中幅值绝对值最大的频点,按照所述各子带的幅值谱中幅值绝对值最大的频点对各子带进行归一化处理,获取每个麦克风对应的幅值谱;
结合所述每个麦克风对应的幅值谱确定所述麦克风阵列的幅值谱均值;
根据所述每个麦克风对应的幅值谱和所述麦克风阵列的幅值谱均值,计算出所述每个麦克风对应的频域归一化对数频谱距离;
结合所述每个麦克风对应的频域归一化对数频谱距离确定所述麦克风阵列的频域归一化对数频谱距离均值;
将所述每个麦克风对应的频域归一化对数频谱距离分别与所述麦克风阵列的频域归一化对数频谱距离均值进行比对,计算出所述每个麦克风对应的频域归一化对数频谱距离偏差百分比数值。
7.根据权利要求1所述的麦克风异常检测方法,其特征在于,所述分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常的步骤,包括:
基于麦克风阵列的预设数量个连续的检测数据帧,获取所述麦克风阵列中各麦克风对应的预设数量个连续的时域特征值和频域特征值;
按检测数据帧分批次将所述各麦克风对应的预设数量个连续的时域特征值与预设的时域标准阈值进行比对,获得预设数量次时域特征比对结果;
检测所述预设数量次时域特征比对结果中是否显示有相同的麦克风时域特征异常,若有,则将所述麦克风标记为时域异常并将所述麦克风信息反馈至异常检测系统,否则按检测数据帧分批次将所述各麦克风对应的预设数量个连续的频域特征值与预设的频域标准阈值进行比对,获得预设数量次频域特征比对结果;
检测所述预设数量次频域特征比对结果中是否显示有相同的麦克风频域特征异常,若有,则将所述麦克风标记为频域异常并将所述麦克风信息反馈至异常检测系统,否则判断所述麦克风阵列中的各麦克风正常。
8.一种麦克风异常检测装置,其特征在于,所述麦克风异常检测装置包括:
获取模块,用于获取麦克风采集的音频信号数据;
计算模块,用于根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;
判断模块,用于分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述麦克风异常检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述麦克风异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174376.4A CN112969134B (zh) | 2021-02-07 | 2021-02-07 | 麦克风异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174376.4A CN112969134B (zh) | 2021-02-07 | 2021-02-07 | 麦克风异常检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112969134A true CN112969134A (zh) | 2021-06-15 |
CN112969134B CN112969134B (zh) | 2022-05-10 |
Family
ID=76284284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110174376.4A Active CN112969134B (zh) | 2021-02-07 | 2021-02-07 | 麦克风异常检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112969134B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113613159A (zh) * | 2021-08-20 | 2021-11-05 | 北京房江湖科技有限公司 | 麦克风吹气信号检测方法、装置和系统 |
CN115655594A (zh) * | 2022-12-12 | 2023-01-31 | 杭州兆华电子股份有限公司 | 一种基于声云图管道节流和泄漏的区分识别方法及装置 |
CN115691556A (zh) * | 2023-01-03 | 2023-02-03 | 北京睿科伦智能科技有限公司 | 一种设备端多通道语音质量的检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763848A (zh) * | 2008-12-23 | 2010-06-30 | 王宏宇 | 一种用于音频内容识别的同步方法 |
CN102918588A (zh) * | 2010-03-29 | 2013-02-06 | 弗兰霍菲尔运输应用研究公司 | 基于声输入信号提供空间参数的空间音频处理器和方法 |
CN102980651A (zh) * | 2012-11-02 | 2013-03-20 | 华锐风电科技(集团)股份有限公司 | 风电机组状态监测方法、装置及系统 |
CN106604179A (zh) * | 2015-10-20 | 2017-04-26 | 马维尔国际贸易有限公司 | 处理音频信号 |
CN107346665A (zh) * | 2017-06-29 | 2017-11-14 | 广州视源电子科技股份有限公司 | 音频检测的方法、装置、设备以及存储介质 |
CN108605191A (zh) * | 2017-01-20 | 2018-09-28 | 华为技术有限公司 | 异音检测方法和装置 |
CN110049423A (zh) * | 2019-04-22 | 2019-07-23 | 福州瑞芯微电子股份有限公司 | 一种利用广义互相关和能量谱检测麦克风的方法和系统 |
CN111263284A (zh) * | 2020-01-09 | 2020-06-09 | 河南讯飞智元信息科技有限公司 | 麦克风故障检测方法、装置、电子设备和存储介质 |
US20200213794A1 (en) * | 2018-12-31 | 2020-07-02 | AAC Technologies Pte. Ltd. | Method and system for measuring total sound pressure level of noise, and computer readable storage medium |
CN111770427A (zh) * | 2020-06-24 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 麦克风阵列的检测方法、装置、设备以及存储介质 |
CN111866690A (zh) * | 2019-04-25 | 2020-10-30 | 深圳市冠旭电子股份有限公司 | 一种麦克风的测试方法及装置 |
-
2021
- 2021-02-07 CN CN202110174376.4A patent/CN112969134B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763848A (zh) * | 2008-12-23 | 2010-06-30 | 王宏宇 | 一种用于音频内容识别的同步方法 |
CN102918588A (zh) * | 2010-03-29 | 2013-02-06 | 弗兰霍菲尔运输应用研究公司 | 基于声输入信号提供空间参数的空间音频处理器和方法 |
CN102980651A (zh) * | 2012-11-02 | 2013-03-20 | 华锐风电科技(集团)股份有限公司 | 风电机组状态监测方法、装置及系统 |
CN106604179A (zh) * | 2015-10-20 | 2017-04-26 | 马维尔国际贸易有限公司 | 处理音频信号 |
CN108605191A (zh) * | 2017-01-20 | 2018-09-28 | 华为技术有限公司 | 异音检测方法和装置 |
CN107346665A (zh) * | 2017-06-29 | 2017-11-14 | 广州视源电子科技股份有限公司 | 音频检测的方法、装置、设备以及存储介质 |
US20200213794A1 (en) * | 2018-12-31 | 2020-07-02 | AAC Technologies Pte. Ltd. | Method and system for measuring total sound pressure level of noise, and computer readable storage medium |
CN110049423A (zh) * | 2019-04-22 | 2019-07-23 | 福州瑞芯微电子股份有限公司 | 一种利用广义互相关和能量谱检测麦克风的方法和系统 |
CN111866690A (zh) * | 2019-04-25 | 2020-10-30 | 深圳市冠旭电子股份有限公司 | 一种麦克风的测试方法及装置 |
CN111263284A (zh) * | 2020-01-09 | 2020-06-09 | 河南讯飞智元信息科技有限公司 | 麦克风故障检测方法、装置、电子设备和存储介质 |
CN111770427A (zh) * | 2020-06-24 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 麦克风阵列的检测方法、装置、设备以及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113613159A (zh) * | 2021-08-20 | 2021-11-05 | 北京房江湖科技有限公司 | 麦克风吹气信号检测方法、装置和系统 |
CN113613159B (zh) * | 2021-08-20 | 2023-07-21 | 贝壳找房(北京)科技有限公司 | 麦克风吹气信号检测方法、装置和系统 |
CN115655594A (zh) * | 2022-12-12 | 2023-01-31 | 杭州兆华电子股份有限公司 | 一种基于声云图管道节流和泄漏的区分识别方法及装置 |
CN115655594B (zh) * | 2022-12-12 | 2023-03-10 | 杭州兆华电子股份有限公司 | 一种基于声云图管道节流和泄漏的区分识别方法及装置 |
CN115691556A (zh) * | 2023-01-03 | 2023-02-03 | 北京睿科伦智能科技有限公司 | 一种设备端多通道语音质量的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112969134B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112969134B (zh) | 麦克风异常检测方法、装置、设备及存储介质 | |
US9390727B2 (en) | Detecting distorted audio signals based on audio fingerprinting | |
EP2407960B1 (en) | Audio signal detection method and apparatus | |
CN110536215A (zh) | 音频信号处理的方法、装置、计算设置及存储介质 | |
JP6334895B2 (ja) | 信号処理装置及びその制御方法、プログラム | |
CN110444202B (zh) | 复合语音识别方法、装置、设备及计算机可读存储介质 | |
EP3526979A1 (en) | Method and apparatus for output signal equalization between microphones | |
CN110047519B (zh) | 一种语音端点检测方法、装置及设备 | |
CN111739542A (zh) | 一种特征声音检测的方法、装置及设备 | |
CN102629470B (zh) | 辅音区间检测装置及辅音区间检测方法 | |
CN110120230B (zh) | 一种声学事件检测方法及装置 | |
US20100177916A1 (en) | Method for Determining Unbiased Signal Amplitude Estimates After Cepstral Variance Modification | |
CN110880329A (zh) | 一种音频识别方法及设备、存储介质 | |
US20140074469A1 (en) | Apparatus and Method for Generating Signatures of Acoustic Signal and Apparatus for Acoustic Signal Identification | |
CN109060371A (zh) | 一种汽车零部件异响检测装置 | |
CN114187922A (zh) | 一种音频检测方法、装置及终端设备 | |
US11594239B1 (en) | Detection and removal of wind noise | |
CN106920543B (zh) | 语音识别方法及装置 | |
US20230245671A1 (en) | Methods, apparatus, and systems for detection and extraction of spatially-identifiable subband audio sources | |
CN111968651A (zh) | 一种基于wt的声纹识别方法及系统 | |
CN112382302A (zh) | 婴儿哭声识别方法及终端设备 | |
US9420375B2 (en) | Method, apparatus, and computer program product for categorical spatial analysis-synthesis on spectrum of multichannel audio signals | |
CN117037840A (zh) | 异响源识别方法、装置、设备及可读存储介质 | |
Serrà et al. | Nonlinear audio recurrence analysis with application to genre classification | |
CN113316075B (zh) | 一种啸叫检测方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |