CN115358718A - 基于智能监测前端的噪声污染分类及实时监管方法 - Google Patents

基于智能监测前端的噪声污染分类及实时监管方法 Download PDF

Info

Publication number
CN115358718A
CN115358718A CN202211019252.XA CN202211019252A CN115358718A CN 115358718 A CN115358718 A CN 115358718A CN 202211019252 A CN202211019252 A CN 202211019252A CN 115358718 A CN115358718 A CN 115358718A
Authority
CN
China
Prior art keywords
noise
event
real
data
monitoring
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
Application number
CN202211019252.XA
Other languages
English (en)
Inventor
高静
卢志想
梁臻伟
徐伟嘉
何赛
王美
王秀湉
吴展宇
陈翩翩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suncere Information Technology Co ltd
Original Assignee
Suncere Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suncere Information Technology Co ltd filed Critical Suncere Information Technology Co ltd
Priority to CN202211019252.XA priority Critical patent/CN115358718A/zh
Publication of CN115358718A publication Critical patent/CN115358718A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • G06Q10/103Workflow collaboration or project management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了基于智能监测前端的噪声污染分类及实时监管方法,包括:步骤1:实时监测;步骤2:数据处理;步骤3:声纹识别;步骤4:噪声数据审核;步骤5:噪声事件归纳;步骤6:噪声事件告警;步骤7:噪声事件处理;步骤8:噪声事件建档。本发明将AI声纹识别技术和物联网技术应用于噪声监管,对噪声污染进行科学分类,联动噪声超标告警和运维管理,实现实时监管和跟踪处理。实现噪声污染分类精细化同时,按生活噪声、交通噪声、工业噪声、施工噪声、自然噪声五大类划分,确保监管有效及时;噪声污染事件联动噪声超标告警和运维管理,实现实时监管和跟踪处理。

Description

基于智能监测前端的噪声污染分类及实时监管方法
技术领域
本发明涉及环境监测与管理技术领域,尤其涉及基于智能监测前端的噪声污染分类及实时监管方法。
背景技术
随着生活水平的提高,群众对高质量生活环境的需求也日益强烈。在强调环境保护的社会背景下,环境监测自动化已成为环境监测的主要技术手段,这也对环境监测信息化工作提出了更高要求。同时,环境质量领域,尤其是环境噪声问题也愈加凸显。
噪声污染来源复杂,源头类型多样,针对工业噪声、建筑工地施工噪声、交通噪声、社会生活噪声不同类来源,监管责任单位归属不同,涉及多个行业主管部门。噪声事件发生之后,噪声分类若无法尽快准确判定,会影响通知责任部门处理进程,进而影响监管及执法效率。因此,监管噪声迫切需要一种适合环境监测领域的噪声分类方法,以辅助提升监管效率。而噪声污染程度具有多变和突发性,精准科学治污就需要采取科学的实时监管方法。
目前,基于智能监测前端的噪声污染分类方法仍不完善,如:
(一)噪声分类技术对环境监测领域适用性低。
基于环境噪声智能监测前端的噪声污染分类技术不够成熟,目前仅能根据前端采集的音频文件将其分为人为源和自然源两类。而环境监测领域目前噪声污染类型主要分为生活、交通、工业和施工噪声四种,但能区分这四种噪声污染的分类方法仍停留在噪声扰民投诉事件产生后从平台对噪声监测系统集成的投诉事件进行分类,具有滞后性。
(二)噪声污染实时监管缺乏智能化。
目前采取措施监管噪声污染一般发生在投诉事件发生后,待真正职责落定采取措施时已距离噪声污染产生间隔时间较长,可能只能对部分频发噪声污染事件产生作用,监管效力不够。对于超限过多的一些偶发突发噪声来说,无法形成及时提醒。噪声事件发现依赖人力,不够智能化。
专利申请号201910166349.5,申请日为2019.03.06,发明创造名称为:一种基于FPGA加速的PCNN算法的噪声分类方法。该申请提出了一种基于FPGA加速的PCNN算法的噪声分类方法。利用PCNN算法提取时间序列作为噪声频谱图的特征序列,通过FPGA加速迭代的过程,使特征提取时间大大缩短,节约了时间成本。但该申请对噪声分类的优化只体现在加速了噪声分类算法中特征提取过程,虽然一定程度上也提升了对语音识别的准确性,但并未提到对噪声污染的划分分类结果有所优化,划分类型依然缺乏对环境监测系统的适用性,基于所识别的精细噪声类型结果,暂时缺乏智能化判别和定义噪声污染大类,使得在环境监测管理实际场合,增加人力判断和统计成本。
专利申请号201910960086.5,申请日期为2019.10.10,专利名称为:一种基于BP网络的噪声分类方法。该发明采用两级BP网络的形式对噪声信号的噪声类别进行识别,相比于只采用单级BP网络的噪声分类方法来说有着更高的噪声分类准确率。同时,该发明提出的方案适用性广,可实验性较强,对于噪声分类有一定的借鉴意义。但该申请案重点在于对提升噪声细分类的准确性,是否可进行噪声污染类型判断,噪声源归类能力尚且缺乏实验样本证明。
而关于环境噪声污染实时监管方法,当前尚未发现存在较为智能化的辅助管理方法。需要寻求一套完善的噪声污染分类和实时监管方法,提供及时有效的噪声污染分类结果参考,开展实时监管,满足科学治污、分类施策的需求。
发明内容
本发明所要解决的技术问题在于,提供基于智能监测前端的噪声污染分类及实时监管方法。
为了解决上述技术问题,本发明提供了基于智能监测前端的噪声污染分类及实时监管方法,包括以下步骤:
步骤1:实时监测,前端监测设备对原始声级数据进行实时监测,并同时保存音频和录像;
步骤2:数据处理,对所述原始声级数据进行计算,得到数据报表,并对异常数据进行标记;
步骤3:声纹识别,使用AI声纹识别算法对同步超标音频文件进行识别,得到噪声源组成及分类;
步骤4:噪声数据审核,对所述异常数据审核,得到审核后的声级数据;
步骤5:噪声事件归纳,基于所述声级数据,判断、归纳及整理非稳态和稳态噪声事件,将占比最大的声源类型定义为主噪声源;
步骤6:噪声事件告警,识别预设定义的噪声事件,发出告警;
步骤7:噪声事件处理,根据所述告警和管控建议分配对应运维管理任务;
步骤8:噪声事件建档,对已归纳的噪声事件信息建档。
进一步地,所述前端监测设备使用环境噪声自动监测系统,所述环境噪声自动监测系统包括噪声监测模块、视频监控模块和气象监测模块。
进一步地,所述步骤2包括设定不同应用场景的超标限值,当出现噪声超标事件时,输出超标噪声监测数据。
进一步地,所述步骤3:使用AI声纹识别算法对同步超标音频文件进行识别具体包括以下步骤:
步骤3-1:对原始声音信号长度切割并标注;
步骤3-2:对所述原始声音信号进行数据增强;
步骤3-3:对所述原始声音信号进行分帧加窗后得到多帧的所述原始声音信号,对每一帧做快速傅里叶变换,把时域信号转为频域信号,把每一帧快速傅里叶变换后的频域信号在时间上堆叠起来得到其对应的频谱图;
步骤3-4:通过梅尔滤波器组与快速傅里叶变换得到的频谱特征进行点积运算和取对数处理,转换得到更接近人耳机理和在卷积神经网络上表现更好的对数梅尔频谱;
步骤3-5:通过深度可分离卷积提取出音频片段对数梅尔频谱图的高维特征,并通过全连接分类器输出识别的结果。
进一步地,所述非稳态噪声事件的判定方法为:测量时间段内,噪声突发分钟等效声级距上一分钟升高幅度大于3dB,标记事件开始,事件开始后,下一分钟等效声级Leq距当前分钟差值小于3dB时标记事件结束。
进一步地,所述稳态噪声事件的判定方法为:测量时间段内,噪声分钟等效声级Leq起伏不大于3dB时开始标记,至当前分钟等效声级距上一分钟差值大于3dB时标记事件结束。
进一步地,所述噪声事件信息包括噪声事件过程事件、噪声源组成、主要污染类别、同步音视频、处理结果和进程。
实施本发明,具有如下有益效果:
将AI声纹识别技术和物联网技术应用于噪声监管,对噪声污染进行科学分类,联动噪声超标告警和运维管理,实现实时监管和跟踪处理。根据前端采集的实时监测分钟等效声级数据判断噪声所属状态,判定噪声事件产生与否;针对事件产生时前端采集的同步音频文件,采用声信号频谱分析及AI算法对噪声类别进行划分,结合排放清单对可能排放源进行归类,溯源该噪声事件来源组成,识别主要污染源;集合前端采集的噪声事件同步录像文件,对噪声源进行定位,为用户提供管控依据和实时监管,从而达到防治目的。通过AI声纹识别技术,实现噪声污染分类精细化同时,按生活噪声、交通噪声、工业噪声、施工噪声、自然噪声五大类划分,确保监管有效及时;噪声污染事件联动噪声超标告警和运维管理,实现实时监管和跟踪处理。
附图说明
图1是本发明的噪声污染识别分类流程图;
图2是本发明的应用平台的数据报表效果示意图;
图3是本发明的应用平台的数据曲线效果示意图;
图4是本发明的应用平台的气象风玫瑰效果示意图;
图5是本发明的声纹识别结果效果示意图;
图6是本发明的噪声事件记录效果示意图;
图7是本发明的AI声纹识别算法模型结构图;
图8是本发明的应用平台端数据初审界面效果示意图;
图9是本发明的应用平台噪声事件判断与归纳依据展示效果示意图;
图10是本发明的应用平台噪声事件告警效果示意图;
图11是本发明的应用平台噪声事件运维管理效果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,基于智能监测前端的噪声污染分类及实时监管方法及其应用平台,包括以下步骤:
步骤1:实时监测,前端监测设备对原始声级数据进行实时监测,并同时保存音频和录像。
前端监测设备采用环境噪声自动监测系统,主要由噪声监测模块、视频监控模块、气象监测模块组成,支持扩展车流量监测、户外LED显示等模块组成,噪声未超标时各模块独立运行,超标时联动运行。
噪声监测模块在1级声级计的基础上完成,声级计采集环境中的声信号,转化为电信号,并在计权网络中进行频率计权处理,输出噪声监测水平值,实现24小时全天候噪声监测,其中输出的监测数据包括LP、Leq、L5、L10、L50、L90、L95、Lmin、Lmax等,支持24小时不间断循环录音功能,每小时自动生成一份音频文件,当出现噪声超标时自动截取并保存10秒同步超标音频文件。
视频监控模块实时监控现场动态,支持云台功能,远程设置任意监控角度。当出现噪声超标事件时,系统将自动启动摄像头联动巡航录像,并保存与超标时间相匹配的视频录像。
气象监测模块,集成一体式气象自动监测子站,与噪声监测模块同时运行。其中监测因子包含:大气压、风速、风向、温度、湿度、降雨量。
步骤2:数据处理,在前端对原始声级数据进行计算,生成数据报表,并对异常数据(如有效数据个数不足,数据超限,系统处于电源故障、仪器故障或维护状态等情况下产生的数据)进行标记,当出现噪声超标事件时自动触发超标留痕功能,自动输出超标监测数据。
环境噪声自动监测系统对声级计采集的监测数据进行实时计算,可根据自定义时间段生成数据报表、数据曲线图、气象风玫瑰图,如图2-4所示。数据报表和数据曲线图用于关注监测数据变化趋势,气象风玫瑰图用于展示风速风向等数据,保障监测数据符合《声环境质量标准》(GB 3096-2008),辅助保障数据质量,是应用本方法的基础。其中统计的噪声监测数据包括Leq、L5、L10、L50、L90、L95、Lmin、Lmax、SD等,气象统计数据包括大气压、风速、风向、温度、湿度、降雨量,支持异常气象参数标记与剔除。
设定不同应用场景的超标限值,当出现噪声超标事件时自动触发超标留痕功能,自动输出超标噪声监测数据,自动截取并保存10秒同步超标录音文件、音频时域图、频域图,启动AI声纹识别对同步超标录音文件进行噪声类型识别及分类,启动联动巡视录像,摄像头自动环绕一周录制现场动态视频。上述超标音频文件、超标视频、AI声纹识别结果共同组成噪声超标事件详情,作为噪声监管的依据,辅助相关监管人员判断噪声超标原因。
步骤3:声纹识别,基于嵌入式AI声纹识别技术对同步超标音频文件进行识别,得到噪声源组成及分类,如图5所示。
AI声纹识别技术对同步超标音频进行特征提取,融合超标音频的时域特征和频域特征,在深度神经网络中进行特征匹配,得出同步超标音频中声音类型识别的置信度(可能性),在噪声事件记录中显示前三种最有可能超标声音类型,如图6所示,并按照音频样例库分类表进行自动分类整理,根据三种声音的置信度A1、A2、A3,得出
Figure BDA0003813476760000071
Figure BDA0003813476760000072
Figure BDA0003813476760000073
在噪声事件详情中显示为“声纹识别结果(可能来源)”饼图,X1-X3分别表示:最有可能超标声音类型一、二、三所占比例。
音频样例库:通过爬虫技术采集声音事件,整理出了205个细分类别120万个音频片段的大规模数据集,包括自然噪声、生活噪声、工业噪声、施工噪声、交通噪声五大声音类别。
AI声纹识别算法(轻量深度学习网络的噪声分类识别算法):首先对声音波形进行信号处理,通过分帧、加窗和快速傅里叶变换得到对应的频谱图;通过梅尔滤波器组对频谱图进行梅尔标准转换得到梅尔频谱图;最后将待识别的声音梅尔频谱图输入到已训练好的轻量深度神经网络分类模型中得到识别结果。如图7所示,具体步骤为:
步骤3-1:对爬取的音频资源或声音采集装置获取的音频进行10秒的声音信号长度切割,并对其中的类别标签进行人工标注;
步骤3-2:对原始声音信号进行数据增强,扩充数据集以提高模型泛化性;
数据增强包括以下步骤:
步骤3-2-1:根据音量大小对原始声音片段进行数据扩充;
步骤3-2-2:采用mixup插值增强策略;
步骤3-2-3:采用时间频谱遮蔽策略;
步骤3-3:对原始声音信号进行分帧加窗后得到多帧,对每一帧做快速傅里叶变换,把时域信号转为频域信号,把每一帧快速傅里叶变换后的频域信号在时间上堆叠起来得到其对应的频谱图(采样率32000hz,加窗和快速傅里叶变换窗口大小为1024,帧移为320,窗函数为hann);
步骤3-4:通过梅尔滤波器组与快速傅里叶变换得到的频谱特征进行点积运算和取对数处理,转换得到更接近人耳机理的梅尔频谱(梅尔滤波器数量为64);
步骤3-5:轻量深度神经网络采用了深度可分离卷积、线性瓶颈、倒残差和全连接分类器的网络结构,其中一个block如下:先经过逐点卷积升维、批量归一化层和Relu6激活函数层,然后通过深度可分离卷积提取特征、批量归一化层和Relu6激活函数层,最后通过逐点卷积进行降维、批量归一化层和线性变换,其中使用shortcut进行连接。通过block的堆叠提取出音频片段梅尔频谱图特征,并最终通过全连接分类器输出识别的结果。
步骤4:噪声数据审核,基于前端的数据标记,在平台端进行数据审核,包含数据初审、数据复审,得到审核后声级数据。
如图8所示,平台数据审核包含数据初审和数据复核。以表格+折线图形式展示需要经过初步审核的噪声监测数据。对每个数据提供操作窗口,并辅助折线图、气象信息、识别结果、现场录音录像情况帮助用户快速判断。对于异常数据,平台接收前端上传的异常数据标示,从而能够快速进行判断。并对数据审核过程进行留痕,并提供数据复核窗口,建立二级审核机制确保数据质量。
步骤5:噪声事件归纳,基于审核后的分钟等效声级数据,判断、归纳及整理非稳态及稳态噪声事件,根据AI声纹识别算法结果,将占比最大的声源类型定义为主噪声源,保留证据,描述存档,如图9所示。
将超限噪声时段发送至平台,平台对各噪声事件进行算法归纳整理并展现为某日某站点的所有噪声事件列表。平台对事件过程的等效声级(Leq)、累积百分声级(L5、L10、L90)、最大声级(Lmax)进行计算并展示,同时展示瞬时声级的变化曲线,用以判断事件过程的数值变化。包括以下步骤:
步骤5-1:噪声事件根据分钟等效声级变化序列可分稳态噪声和非稳态噪声事件,平台可根据此类分钟等级数据序列变化匹配事件发生时段与类型;
非稳态噪声判定方法:测量时间段内,噪声突发分钟等效声级距上一分钟升高幅度大于3dB,标记事件开始(当前分钟作为标记点);事件开始后,下一分钟等效声级Leq距当前分钟差值小于3dB时标记事件结束(当前分钟作为标记点);
稳态噪声判定方法:测量时间内,噪声分钟等效声级Leq起伏不大于3dB(分钟等效声级距上一分钟差值不大于3dB)时开始标记(将上一分钟作为标记点),至当前分钟等效声级距上一分钟差值大于3dB时标记事件结束(将当前分钟作为标记点);
步骤5-2:噪声事件取超限时间段内的最大Lmax所在的分钟段作为分析时段,Leq、Lmax、Lmin、L10、L50、L90由数采端提供,不需平台再度计算。
步骤5-3:平台通过以上判断获取分析时段后,提取对应时段音频的AI声纹识别结果组成(以饼图形式展示于平台),包含前三占比所属噪声源细分类型,对应匹配步骤3中的生活噪声、交通噪声、工业噪声、施工噪声、自然源五个噪声源类型,找出五类中最大噪声源占比,最终确定主要噪声污染类别,显示于噪声事件列表。同时调取噪声事件对应过程录音和监控视频作为留证,展示于平台,并显示事件过程分析时段瞬时声级变化趋势。
步骤6:噪声事件告警,根据平台识别定义的噪声事件,在用户端发出告警,如图10所示。
平台提供噪声事件告警详细信息展示查询(佐证文件下载入口、处理状态和结果展示),帮助用户跟踪噪声事件处理进度。
方便用户跟踪处理超标信息,同时,平台会将报警信息和相关运维建议推送至App,提醒运维人员采取措施。
步骤7:噪声事件处理,根据告警信息和管控建议分配对应运维管理任务,跟踪处理,如图11所示。
平台可远程操控设备远程进行自动或人为指令操作校准,从而完成每日校准工作。通过前端上传的设备异常标识、自动校准异常报警、定期质控任务等自动生成运维管理工单,并对运维过程进行留痕管理,提供现场信息上传接口,从而实现运维管理,其中任务信息管理设置用于查询待办具体运维任务详情。
步骤8:噪声事件建档,对已归纳的噪声事件相关信息进行建档,信息包含噪声事件过程事件、噪声源组成、主要污染类别、同步音视频以及处理结果和进程。
平台对已归纳的噪声事件相关信息进行建档,集合监测数据、运维告警信息和相关投诉信息,具体包含噪声事件过程事件、噪声源组成、主要污染类别、同步音视频以及处理结果和进程等,为监管部门提供查询通道。
本发明提供了一种基于环境噪声智能监测前端的噪声污染分类及实时监管方法,涉及工具有噪声自动监测系统、环境噪声智能化管理平台和数据库。该方法通过噪声智能化管理平台、根据前端采集的实时监测分钟等效声级数据判断噪声所属状态,判定噪声事件产生与否;针对事件产生时前端采集的同步音频文件,采用声信号频谱分析及AI算法对噪声类别进行划分,结合排放清单对可能排放源进行归类,溯源该噪声事件来源组成,识别主要污染源;集合前端采集的噪声事件同步录像文件,对噪声源进行精准定位,为用户提供管控依据和实时监管,从而达到防治目的。1级声级计用于实时监测噪声数据;噪声自动监测系统采集实时监测信息,对数据进行分析(包含声纹识别)、统计、存储等处理后,自动传送智能化管理平台;平台根据前端传输的数据信息,判别噪声事件产生与否,展示噪声事件详情,同时进行告警和运维管理,实现噪声污染事件跟踪处理;数据库储存声纹识别结果、噪声事件详情等信息。
噪声自动监测系统在24小时噪声实时监测的基础上,进行自定义统计分析,形成噪声监测的数据报表、数据曲线图,形成气象监测的数据报表、数据曲线图、风玫瑰图,支持异常气象参数自动标记与剔除。具备超标留痕功能,当出现噪声超标事件时自动保存噪声监测数据、超标音频文件、联动巡视录像文件、AI声纹识别结果,共同组成噪声事件详情。前端数据与文件均同步发送至平台。
平台可接收噪声自动监测系统上传的噪声监测数据,进行噪声事件判别存档,完成超标信息告警,并具备运维管理功能,可查看超标运维建议和运维进度,实现污染跟踪处理,方便分类施策,实时监管,提高管理效率。
数据库中创建有一套数据库表,用于存储噪声事件分类结果及跟踪处理进度等信息。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。

Claims (7)

1.基于智能监测前端的噪声污染分类及实时监管方法,其特征在于,包括以下步骤:
步骤1:实时监测,前端监测设备对原始声级数据进行实时监测,并同时保存音频和录像;
步骤2:数据处理,对所述原始声级数据进行计算,得到数据报表,并对异常状态数据进行标记;
步骤3:声纹识别,使用AI声纹识别算法对同步超标音频文件进行识别,得到噪声源组成及分类;
步骤4:噪声数据审核,对所述异常数据审核,得到审核后的声级数据;
步骤5:噪声事件归纳,基于所述声级数据,判断、归纳及整理非稳态和稳态噪声事件,将占比最大的声源类型定义为主噪声源;
步骤6:噪声事件告警,识别预设定义的噪声事件,发出告警;
步骤7:噪声事件处理,根据所述告警和管控建议分配对应运维管理任务;
步骤8:噪声事件建档,对已归纳的噪声事件信息建档。
2.根据权利要求1所述的基于智能监测前端的噪声污染分类及实时监管方法,其特征在于,所述前端监测设备使用环境噪声自动监测系统,所述环境噪声自动监测系统包括噪声监测模块、视频监控模块和气象监测模块。
3.根据权利要求1所述的基于智能监测前端的噪声污染分类及实时监管方法,其特征在于,所述步骤2包括设定不同应用场景的超标限值,当出现噪声超标事件时,输出超标噪声监测数据。
4.根据权利要求1所述的基于智能监测前端的噪声污染分类及实时监管方法,其特征在于,所述步骤3:使用AI声纹识别算法对同步超标音频文件进行识别具体包括以下步骤:
步骤3-1:对原始声音信号长度切割并标注;
步骤3-2:对所述原始声音信号进行数据增强;
步骤3-3:对所述原始声音信号进行分帧加窗后得到多帧的所述原始声音信号,对每一帧做快速傅里叶变换,把时域信号转为频域信号,把每一帧快速傅里叶变换后的频域信号在时间上堆叠起来得到其对应的频谱图;
步骤3-4:通过梅尔滤波器组与快速傅里叶变换得到的频谱特征进行点积运算和取对数处理,转换得到更接近人耳机理和在卷积神经网络上表现更好的对数梅尔频谱;
步骤3-5:通过深度可分离卷积提取出音频片段对数梅尔频谱图的高维特征,并通过全连接分类器输出识别的结果。
5.根据权利要求1所述的基于智能监测前端的噪声污染分类及实时监管方法,其特征在于,所述非稳态噪声事件的判定方法为:测量时间段内,噪声突发分钟等效声级距上一分钟升高幅度大于3dB,标记事件开始,事件开始后,下一分钟等效声级Leq距当前分钟差值小于3dB时标记事件结束。
6.根据权利要求1所述的基于智能监测前端的噪声污染分类及实时监管方法,其特征在于,所述稳态噪声事件的判定方法为:测量时间段内,噪声分钟等效声级Leq起伏不大于3dB时开始标记,至当前分钟等效声级距上一分钟差值大于3dB时标记事件结束。
7.根据权利要求1所述的基于智能监测前端的噪声污染分类及实时监管方法,其特征在于,所述噪声事件信息包括噪声事件过程事件、噪声源组成、主要污染类别、同步音视频、处理结果和进程。
CN202211019252.XA 2022-08-24 2022-08-24 基于智能监测前端的噪声污染分类及实时监管方法 Pending CN115358718A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211019252.XA CN115358718A (zh) 2022-08-24 2022-08-24 基于智能监测前端的噪声污染分类及实时监管方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211019252.XA CN115358718A (zh) 2022-08-24 2022-08-24 基于智能监测前端的噪声污染分类及实时监管方法

Publications (1)

Publication Number Publication Date
CN115358718A true CN115358718A (zh) 2022-11-18

Family

ID=84004289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211019252.XA Pending CN115358718A (zh) 2022-08-24 2022-08-24 基于智能监测前端的噪声污染分类及实时监管方法

Country Status (1)

Country Link
CN (1) CN115358718A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116448231A (zh) * 2023-03-24 2023-07-18 安徽同钧科技有限公司 一种城市环境噪声监测与智能识别系统
CN116540178A (zh) * 2023-04-28 2023-08-04 广东顺德西安交通大学研究院 一种音视频融合的噪声源定位方法及系统
CN116611620A (zh) * 2023-07-18 2023-08-18 厚德智能技术(山东)有限公司 一种智慧城市安全协同管理信息系统
CN116959477A (zh) * 2023-09-19 2023-10-27 杭州爱华仪器有限公司 一种基于卷积神经网络的噪声源分类的方法及装置
CN118228935A (zh) * 2024-05-23 2024-06-21 四川省生态环境科学研究院 一种用于工业噪声精细化评价的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617360A (zh) * 2013-12-03 2014-03-05 力合科技(湖南)股份有限公司 预警事件处理方法和装置
CN111722183A (zh) * 2020-06-19 2020-09-29 钟旭 一种基于环境保护的城市噪声定位系统及其方法
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN112098939A (zh) * 2020-09-18 2020-12-18 广东电网有限责任公司电力科学研究院 一种噪声污染源的识别与评价方法及装置
KR102210164B1 (ko) * 2020-06-03 2021-02-01 엠아이큐브솔루션(주) 딥 러닝을 활용한 생활소음의 관리방법
US10909847B1 (en) * 2018-09-19 2021-02-02 All Turtles Corporation Building urban area noise pollution maps and mitigating noise from emergency vehicles

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617360A (zh) * 2013-12-03 2014-03-05 力合科技(湖南)股份有限公司 预警事件处理方法和装置
US10909847B1 (en) * 2018-09-19 2021-02-02 All Turtles Corporation Building urban area noise pollution maps and mitigating noise from emergency vehicles
KR102210164B1 (ko) * 2020-06-03 2021-02-01 엠아이큐브솔루션(주) 딥 러닝을 활용한 생활소음의 관리방법
CN111722183A (zh) * 2020-06-19 2020-09-29 钟旭 一种基于环境保护的城市噪声定位系统及其方法
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN112098939A (zh) * 2020-09-18 2020-12-18 广东电网有限责任公司电力科学研究院 一种噪声污染源的识别与评价方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"环境噪声自动监测系统", pages 1 - 3, Retrieved from the Internet <URL:《web.archive.org/web/20220707045245/https://www.suncereltd.com/intro/78.html》> *
李梦圆: "基于卷积神经网络的环境噪声分类系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 March 2022 (2022-03-15), pages 17 - 24 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116448231A (zh) * 2023-03-24 2023-07-18 安徽同钧科技有限公司 一种城市环境噪声监测与智能识别系统
CN116540178A (zh) * 2023-04-28 2023-08-04 广东顺德西安交通大学研究院 一种音视频融合的噪声源定位方法及系统
CN116540178B (zh) * 2023-04-28 2024-02-20 广东顺德西安交通大学研究院 一种音视频融合的噪声源定位方法及系统
CN116611620A (zh) * 2023-07-18 2023-08-18 厚德智能技术(山东)有限公司 一种智慧城市安全协同管理信息系统
CN116611620B (zh) * 2023-07-18 2023-09-19 厚德智能技术(山东)有限公司 一种智慧城市安全协同管理信息系统
CN116959477A (zh) * 2023-09-19 2023-10-27 杭州爱华仪器有限公司 一种基于卷积神经网络的噪声源分类的方法及装置
CN116959477B (zh) * 2023-09-19 2023-12-19 杭州爱华仪器有限公司 一种基于卷积神经网络的噪声源分类的方法及装置
CN118228935A (zh) * 2024-05-23 2024-06-21 四川省生态环境科学研究院 一种用于工业噪声精细化评价的方法

Similar Documents

Publication Publication Date Title
CN115358718A (zh) 基于智能监测前端的噪声污染分类及实时监管方法
CN102163427B (zh) 一种基于环境模型的音频异常事件检测方法
CN109816987B (zh) 一种汽车鸣笛电子警察执法抓拍系统及其抓拍方法
CN113298134B (zh) 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
CN113566948A (zh) 机器人化煤机故障音频识别及诊断方法
CN114352486A (zh) 一种基于分类的风电机组叶片音频故障检测方法
CN113763986B (zh) 一种基于声音分类模型的空调内机异常声音检测方法
CN109300483A (zh) 一种智能化音频异音检测方法
CN115081473A (zh) 一种多特征融合的制动噪声分类识别方法
CN116778964A (zh) 一种基于声纹识别的变电设备故障监测系统及方法
CN110148418B (zh) 一种场景记录分析系统、方法及其装置
CN115376526A (zh) 一种基于声纹识别的电力设备故障检测方法及系统
Park et al. Towards soundscape information retrieval (SIR)
CN114464174A (zh) 一种基于深度学习的制动噪声分类识别方法
CN117292713A (zh) 基于端边云协同的变压器声纹监测方法及系统
Soni et al. Automatic audio event recognition schemes for context-aware audio computing devices
CN116935894A (zh) 一种基于时频域突变特征的微电机异音识别方法及系统
Zambon et al. Real-time urban traffic noise maps: the influence of Anomalous Noise Events in Milan Pilot area of DYNAMAP
CN115311826B (zh) 一种基于智能识别的语音平台电力灾情预警方法
CN113539298B (zh) 一种基于云边端的声音大数据分析计算图像化系统
Maity et al. Identifying outdoor context by correlating air and noise pollution sensor log
CN111144482B (zh) 一种面向数字助听器的场景匹配方法、装置及计算机设备
CN114623925A (zh) 一种电网变电工程现场噪声智能检测系统及方法
CN111292748B (zh) 一种可适应多种频率的语音录入系统
CN112201226A (zh) 一种发声方式判别方法及系统

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