CN116086596A - 一种噪声智能检测方法、装置、计算机设备及存储介质 - Google Patents
一种噪声智能检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116086596A CN116086596A CN202211582287.4A CN202211582287A CN116086596A CN 116086596 A CN116086596 A CN 116086596A CN 202211582287 A CN202211582287 A CN 202211582287A CN 116086596 A CN116086596 A CN 116086596A
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- position information
- source
- spectrum
- 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 54
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请属于噪声检测技术领域，公开了一种噪声智能检测方法、装置、计算机设备及存储介质，该方法包括：获取多个噪声采集器采集的多个噪声数据；通过训练好的神经网络模型得到各噪声数据分别对应的噪声分贝、噪声混响时间和噪声波形数据；根据各噪声波形数据中的相位值和幅度值以及各噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息；根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱；根据噪声源的预测位置信息和噪声频谱得到噪声空间损耗数据；将上述数据均放入噪声评测报告中。本申请可以达到节省人工检测时间、提高噪声评测报告的精准度的效果。
Description
技术领域
本申请涉及噪声检测技术领域，尤其涉及一种噪声智能检测方法、装置、计算机设备及存储介质。
背景技术
现有的噪声测定技术仪器通常采用声级计或频率分析仪，在使用这些测定仪器对环境噪声进行检测时，不仅需要人为记录检测日期、时间、地点及测定人员，使用的仪器型号、编号及其校准状况，且测点通常仅设置1个，只能采集单点的噪声声源，而噪声属于立体形态，单点采集过于片面不能真实收集噪声源情况，导致对环境噪声的检测不够精准。因此，现有技术存在噪声检测耗费大量人力和时间，且采集点单一导致环境噪声的检测结果过于片面、不够精准。
发明内容
本申请提供了一种噪声智能检测方法、装置、计算机设备及存储介质，能够减少在噪声检测中需要花费的人力和时间，并且提高了噪声评测报告的精准性。
第一方面，本申请实施例提供了一种噪声智能检测方法，该方法应用于噪声智能检测设备，该方法包括：
获取由均匀分布在空间内的多个噪声采集器采集的多个噪声数据；
通过训练好的神经网络模型根据多个噪声数据得到各噪声数据分别对应的噪声分贝、噪声混响时间和噪声波形数据；
根据各噪声波形数据中的相位值和幅度值以及各噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息；
根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱；根据噪声源的预测位置信息和噪声频谱得到噪声空间损耗数据；
将噪声分贝、噪声混响时间、噪声波形数据、噪声源的预测位置信息、噪声种类信息、噪声频谱和噪声空间损耗数据放入噪声评测报告中。
进一步的，上述方法还包括：根据噪声频谱生成噪声评价参数，将噪声评价参数放入噪声评测报告中。
进一步的，上述根据各噪声波形的相位值和幅度值以及各噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息，包括：
根据各噪声波形的相位值和幅度值以及各噪声采集器的空间位置信息，采用基于到达时延差估计的定位方法计算得到噪声源的预测位置信息。
进一步的，上述根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱，包括：根据多个噪声数据和噪声源的预测位置信息，采用波束形成技术、噪声抑制技术和空间谱估计算法进行处理和计算，得到噪声种类信息和噪声频谱。
进一步的，噪声采集器在接收到终端设备发送的噪声检测指令时，采集空间内的噪声数据。
进一步的，上述方法还包括：响应于终端设备发送的报告获取指令，将噪声评测报告通过无线网络发送到终端设备。
第二方面，本申请实施例提供了一种噪声智能检测装置，该装置包括智能声学服务器和多个噪声采集器，多个噪声采集器分别与智能声学服务器连接；
噪声采集器用于采集空间内的噪声数据，将噪声数据发送给智能声学服务器；
智能声学服务器用于通过训练好的神经网络模型根据多个噪声数据得到各噪声数据分别对应的噪声分贝、噪声混响时间和噪声波形数据；根据各噪声波形数据中的相位值和幅度值以及各噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息；根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱，以及，根据噪声源的预测位置信息和噪声频谱得到噪声空间损耗数据；
智能声学服务器还用于将噪声分贝、噪声混响时间、噪声波形数据、噪声源的预测位置信息、噪声种类信息、噪声频谱和噪声空间损耗数据放入噪声评测报告中。
进一步的，该装置还包括终端设备，终端设备分别与噪声采集器和智能声学服务器无线通讯连接；终端设备用于发送噪声检测指令到噪声采集器，噪声检测指令用于指示噪声采集器采集空间内的噪声数据；终端设备还用于发送报告获取指令到智能声学服务器，报告获取指令用于指示智能声学服务器将噪声评测报告通过无线网络发送到终端设备。
第三方面，本申请实施例提供了一种计算机设备，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，处理器执行计算机程序时执行如上述任一实施例的噪声智能检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的噪声智能检测方法的步骤。
综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种噪声智能检测方法，通过均匀分布在空间中的多个噪声采集器进行噪声采集，有效适应了噪声是立体传播的情况，通过训练好的神经网络模型根据采集到的多个噪声数据进行多种噪声参数的计算，不仅节省了噪声检测所需人力与时间，同时根据采集到的多个噪声数据和多个噪声采集器采集点的位置信息进行声环境建模，真实还原了采集点的声环境模型，使噪声源的预测位置信息更加准确，再根据建模后得到的噪声源的预测信息来计算噪声的多项数据，充分考虑了噪声在三维空间内传播的特性，提高了噪声评测报告的精准性。
附图说明
图1为本申请一个示例性实施例提供的噪声智能检测方法的流程图。
图2为本申请一个示例性实施例提供的噪声智能检测装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参见图1，本申请实施例提供了一种噪声智能检测方法，该方法应用于噪声智能检测设备，以执行主体是智能声学服务器为例进行说明，该方法具体包括以下步骤：
步骤S1，获取由均匀分布在空间内的多个噪声采集器采集的多个噪声数据。
步骤S2，通过训练好的神经网络模型根据多个噪声数据得到各噪声数据分别对应的噪声分贝、噪声混响时间和噪声波形数据；
其中，噪声混响时间为噪声源停止发声后，声压级减少60dB所需要的时间，噪声混响时间的单位为秒。噪声在空间内衰减的过程称为混响过程。空间的噪声混响时间长短是由空间内部的吸声量和空间的体积大小所决定的，体积大且吸声量小的空间，混响时间长，吸声强且体积小的空间，混响时间就要短。
步骤S3，根据各噪声波形数据中的相位值和幅度值以及各噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息；
步骤S4，根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱；根据噪声源的预测位置信息和噪声频谱得到噪声空间损耗数据；
其中，噪声空间损耗数据的计算方法会随着噪声源的预测位置信息变化，若噪声源的预测位置信息显示噪声源为点声源，则噪声空间损耗数据采用点声源的衰减算法计算，若噪声源的预测未知信息显示噪声源为线声源，则噪声空间损耗数据采用线声源的衰减算法计算；噪声源还有可能为面声源、多个声源的叠加等。
上述这些情况在本领域均有成熟的、公知的噪声空间损耗数据计算方法，本申请中给出的方法主要是通过声环境建模得到噪声源的预测位置信息，再由噪声源的预测位置信息得到噪声空间损耗数据，至于多种声源情况对应的计算噪声空间损耗数据的公式，属于本领域技术人员的公知常识，本申请在此不做过多赘述。
步骤S5，将噪声分贝、噪声混响时间、噪声波形数据、噪声源的预测位置信息、噪声种类信息、噪声频谱和噪声空间损耗数据放入噪声评测报告中。
上述实施例中提供的一种噪声智能检测方法，通过均匀分布在空间中的多个噪声采集器进行噪声采集，有效适应了噪声是立体传播的情况，通过训练好的神经网络模型根据采集到的多个噪声数据进行多种噪声参数的计算，不仅节省了噪声检测所需人力与时间，同时根据采集到的多个噪声数据和多个噪声采集器采集点的位置信息进行声环境建模，真实还原了采集点的声环境模型，使噪声源的预测位置信息更加准确，再根据建模后得到的噪声源的预测信息来计算噪声的多项数据，充分考虑了噪声在三维空间内传播的特性，提高了噪声评测报告的精准性。
在一些实施例中，上述方法还包括：根据噪声频谱生成噪声评价参数，将噪声评价参数放入噪声评测报告中。
其中，噪声评价参数又称NR(Noise Rating Number)数，是评价噪声烦扰和危害的参数。求某一噪声数据的噪声评价参数的方法如下：先测出噪声八个倍频带宽声压级谱，再把谱画到附图上，其中最接近而稍高于谱线(最小距离1dB)的一条NR曲线的值就是该噪声的NR数。
上述实施例通过计算噪声评价参数，使噪声评测报告的内容更加科学、精准，且噪声评价参数可以看出噪声的危害程度，有利于空间内的人员及时做出降噪、防噪等措施。
在一些实施方式中，步骤S3具体包括：
根据各噪声波形的相位值和幅度值以及各噪声采集器的空间位置信息，采用基于到达时延差估计的定位方法计算得到噪声源的预测位置信息。
上述实施方式中采用基于到达时延差(Time Difference of Arrival，TDOA)估计的定位方法进行噪声源定位，得到噪声源的预测位置信息，该方法计算量小，实时性好，实用性强。
在一些实施例中，步骤S4中所述根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱，包括：根据多个噪声数据和噪声源的预测位置信息，采用波束形成技术、噪声抑制技术和空间谱估计算法进行处理和计算，得到噪声种类信息和噪声频谱。
其中，波束形成技术是一种非常适合工程应用的噪声源识别技术，因此本申请采用该技术实现噪声种类信息的获取；并采用噪声抑制技术和空间谱估计算法(DirectionOf Arrival，DOA)获取噪声频谱，上述提到的波束形成技术、噪声抑制技术和空间谱估计算法均为本领域的成熟工业算法，本领域的技术人员清楚这些算法应该如何实现，因此在这里不做过多赘述。
上述实施例可以根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱，因为噪声源的预测信息为多点噪声采集配合声环境建模得到的，比单点采集噪声得到的噪声源信息更加精准、准确，从而使得噪声种类信息的识别和噪声频谱的计算结果也更加精准。
在一些实施例中，噪声采集器在接收到终端设备发送的噪声检测指令时，采集空间内的噪声数据。
具体的，该噪声检测指令可以根据预设周期循环发送，不需要每次都由用户操作终端设备来发送，使用户在休息时间也可以自动实现噪声检测。
上述实施例解决了噪声检测需要人为现场操作，费时费力的问题，使用户实现随时随地远程控制噪声检测的开启，无需现场操作的同时实现了跨时间周期对噪声进行采集，不受用户工作时间的限制，使得噪声检测更加客观、科学，噪声评测报告更加精准、准确、更能体现出该空间的噪声情况。
在一些实施例中，上述方法还包括：响应于终端设备发送的报告获取指令，将噪声评测报告通过无线网络发送到终端设备。
上述实施例中，该方法可以使用户远程接收噪声评测报告，无需到噪声检测设备旁边手动查看，方便快捷且节省了时间。
请参见图2，本申请另一实施例提供了一种噪声智能检测装置，该装置应用于噪声智能检测设备，该装置可以包括智能声学服务器101和多个噪声采集器102，多个噪声采集器102分别与智能声学服务器101连接；
噪声采集器102用于采集空间内的噪声数据，将噪声数据发送给智能声学服务器101；
智能声学服务器101用于通过训练好的神经网络模型根据多个噪声数据得到各噪声数据分别对应的噪声分贝、噪声混响时间和噪声波形数据；根据各噪声波形数据中的相位值和幅度值以及各噪声采集器102的空间位置信息进行声环境建模，得到噪声源的预测位置信息；根据多个噪声数据和噪声源的预测位置信息得到噪声种类信息和噪声频谱，以及，根据噪声源的预测位置信息和噪声频谱得到噪声空间损耗数据；
智能声学服务器101还用于将噪声分贝、噪声混响时间、噪声波形数据、噪声源的预测位置信息、噪声种类信息、噪声频谱和噪声空间损耗数据放入噪声评测报告中。
其中，噪声采集器102可以为全向麦克风，可以采集多个方向的噪声数据。
上述实施例提供的一种噪声智能检测装置，通过均匀分布在空间中的多个噪声采集器102进行噪声采集，有效适应了噪声是立体传播的情况，通过智能声学服务器101中训练好的神经网络模型根据采集到的多个噪声数据进行多种噪声参数的计算，不仅节省了噪声检测所需人力与时间，同时根据采集到的多个噪声数据和多个噪声采集器102采集点的位置信息进行声环境建模，真实还原了采集点的声环境模型，使噪声源的预测位置信息更加准确，再根据建模后得到的噪声源的预测信息来计算噪声的多项数据，充分考虑了噪声在三维空间内传播的特性，提高了噪声评测报告的精准性。
在一些实施例中，该装置还可以包括终端设备103，终端设备103分别与噪声采集器102和智能声学服务器101无线通讯连接；终端设备103用于发送噪声检测指令到噪声采集器102，噪声检测指令用于指示噪声采集器102采集空间内的噪声数据；终端设备103还用于发送报告获取指令到智能声学服务器101，报告获取指令用于指示智能声学服务器101将噪声评测报告通过无线网络发送到终端设备103。
具体的，噪声采集器102中设有4/5G通信模块，用于和终端设备103及智能声学服务器101无线通信连接。
上述实施例解决了噪声检测需要人为现场操作，费时费力的问题，使用户实现随时随地远程控制噪声检测的开启，无需现场操作的同时实现了跨时间周期对噪声进行采集，不受用户工作时间的限制，使得噪声检测更加客观、科学，噪声评测报告更加精准、准确、更能体现出该空间的噪声情况；同时可以使用户远程接收噪声评测报告，无需到噪声检测设备旁边手动查看，方便快捷且节省了时间。
本实施例中提供的关于噪声智能检测装置的具体限定，可以参见上文中关于噪声智能检测方法的实施例，于此不再赘述。上述噪声智能检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供了一种计算机设备，该计算机设备可以包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的噪声智能检测方法的步骤。
本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于噪声智能检测方法的实施例，于此不再赘述。
本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的噪声智能检测方法的步骤。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于噪声智能检测方法的实施例，于此不再赘述。
本领域普通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，所述计算机程序可存储于一非易失性计算机可读取存储介质中，计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种噪声智能检测方法，其特征在于，所述方法包括：
获取由均匀分布在空间内的多个噪声采集器采集的多个噪声数据；
通过训练好的神经网络模型根据多个所述噪声数据得到各所述噪声数据分别对应的噪声分贝、噪声混响时间和噪声波形数据；
根据各所述噪声波形数据中的相位值和幅度值以及各所述噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息；
根据多个所述噪声数据和所述噪声源的预测位置信息得到噪声种类信息和噪声频谱；根据所述噪声源的预测位置信息和所述噪声频谱得到噪声空间损耗数据；
将所述噪声分贝、所述噪声混响时间、所述噪声波形数据、所述噪声源的预测位置信息、所述噪声种类信息、所述噪声频谱和所述噪声空间损耗数据放入噪声评测报告中。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述噪声频谱生成噪声评价参数，将所述噪声评价参数放入所述噪声评测报告中。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述噪声波形的相位值和幅度值以及各所述噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息，包括：
根据各所述噪声波形的相位值和幅度值以及各所述噪声采集器的空间位置信息，采用基于到达时延差估计的定位方法计算得到噪声源的预测位置信息。
4.根据权利要求1所述的方法，其特征在于，所述根据多个所述噪声数据和所述噪声源的预测位置信息得到噪声种类信息和噪声频谱，包括：
根据多个所述噪声数据和所述噪声源的预测位置信息，采用波束形成技术、噪声抑制技术和空间谱估计算法进行处理和计算，得到噪声种类信息和噪声频谱。
5.根据权利要求1所述的方法，其特征在于，所述噪声采集器在接收到终端设备发送的噪声检测指令时，采集空间内的所述噪声数据。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：响应于所述终端设备发送的报告获取指令，将所述噪声评测报告通过无线网络发送到所述终端设备。
7.一种噪声智能检测装置，其特征在于，所述装置包括智能声学服务器和多个噪声采集器，多个所述噪声采集器分别与所述智能声学服务器连接；
所述噪声采集器用于采集空间内的噪声数据，将所述噪声数据发送给所述智能声学服务器；
所述智能声学服务器用于通过训练好的神经网络模型根据多个所述噪声数据得到各所述噪声数据分别对应的噪声分贝、噪声混响时间和噪声波形数据；根据各所述噪声波形数据中的相位值和幅度值以及各所述噪声采集器的空间位置信息进行声环境建模，得到噪声源的预测位置信息；根据多个所述噪声数据和所述噪声源的预测位置信息得到噪声种类信息和噪声频谱，以及，根据所述噪声源的预测位置信息和所述噪声频谱得到噪声空间损耗数据；
所述智能声学服务器还用于将所述噪声分贝、所述噪声混响时间、所述噪声波形数据、所述噪声源的预测位置信息、所述噪声种类信息、所述噪声频谱和所述噪声空间损耗数据放入噪声评测报告中。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括终端设备，所述终端设备分别与所述噪声采集器和所述智能声学服务器无线通讯连接；
所述终端设备用于发送噪声检测指令到所述噪声采集器，所述噪声检测指令用于指示所述噪声采集器采集空间内的所述噪声数据；
所述终端设备还用于发送报告获取指令到所述智能声学服务器，所述报告获取指令用于指示所述智能声学服务器将所述噪声评测报告通过无线网络发送到所述终端设备。
9.一种计算机设备，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计算机程序时实现如权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211582287.4A CN116086596B (zh) | 2022-12-09 | 2022-12-09 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211582287.4A CN116086596B (zh) | 2022-12-09 | 2022-12-09 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116086596A true CN116086596A (zh) | 2023-05-09 |
| CN116086596B CN116086596B (zh) | 2023-10-27 |
Family
ID=86205413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211582287.4A Active CN116086596B (zh) | 2022-12-09 | 2022-12-09 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116086596B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003156388A (ja) * | 2001-11-22 | 2003-05-30 | Okumura Corp | 騒音環境の感知方法と試聴装置及び情報記憶媒体 |
| CN110031088A (zh) * | 2019-04-17 | 2019-07-19 | 珠海格力电器股份有限公司 | 电子设备故障检测方法、装置、设备和吸油烟机 |
| CN110850212A (zh) * | 2019-11-21 | 2020-02-28 | 国网重庆市电力公司电力科学研究院 | 一种基于物联网的变电站噪声远程监测分析方法及系统 |
| CN111024215A (zh) * | 2018-10-09 | 2020-04-17 | 北京奇虎科技有限公司 | 噪声监测方法、装置、电子设备及计算机可读存储介质 |
| CN111982274A (zh) * | 2020-07-22 | 2020-11-24 | 江苏大学 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
| KR20210078056A (ko) * | 2019-12-18 | 2021-06-28 | 한국항공우주연구원 | 인원 간의 상대위치와 시각동기를 이용한 소음원 추적 시스템 및 소음원 추적 방법 |
| CN114896823A (zh) * | 2022-07-04 | 2022-08-12 | 杭州爱华智能科技有限公司 | 基于多点噪声监测的机场噪声分布预测系统及预测方法 |
| CN115235614A (zh) * | 2022-09-23 | 2022-10-25 | 广州声博士声学技术有限公司 | 一种城市环境噪声实时监测方法、系统、设备及存储介质 |
-
2022
- 2022-12-09 CN CN202211582287.4A patent/CN116086596B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003156388A (ja) * | 2001-11-22 | 2003-05-30 | Okumura Corp | 騒音環境の感知方法と試聴装置及び情報記憶媒体 |
| CN111024215A (zh) * | 2018-10-09 | 2020-04-17 | 北京奇虎科技有限公司 | 噪声监测方法、装置、电子设备及计算机可读存储介质 |
| CN110031088A (zh) * | 2019-04-17 | 2019-07-19 | 珠海格力电器股份有限公司 | 电子设备故障检测方法、装置、设备和吸油烟机 |
| CN110850212A (zh) * | 2019-11-21 | 2020-02-28 | 国网重庆市电力公司电力科学研究院 | 一种基于物联网的变电站噪声远程监测分析方法及系统 |
| KR20210078056A (ko) * | 2019-12-18 | 2021-06-28 | 한국항공우주연구원 | 인원 간의 상대위치와 시각동기를 이용한 소음원 추적 시스템 및 소음원 추적 방법 |
| CN111982274A (zh) * | 2020-07-22 | 2020-11-24 | 江苏大学 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
| CN114896823A (zh) * | 2022-07-04 | 2022-08-12 | 杭州爱华智能科技有限公司 | 基于多点噪声监测的机场噪声分布预测系统及预测方法 |
| CN115235614A (zh) * | 2022-09-23 | 2022-10-25 | 广州声博士声学技术有限公司 | 一种城市环境噪声实时监测方法、系统、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘凡;: "SoundPLAN软件在工业企业噪声影响评价中的应用", 石油化工安全环保技术, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116086596B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9910081B2 (en) | Performance analysis of power grid monitors | |
| EP3777083B1 (en) | Anomaly detection and processing for seasonal data | |
| CN110048416B (zh) | S-g滤波和自适应mp算法的低频振荡模态辨识方法 | |
| US10097000B2 (en) | Tool employing homotopy-based approaches in finding the controlling unstable equilibrium point in the electric power grid | |
| CN109934433A (zh) | 一种人员能力评估方法、装置及云服务平台 | |
| CN103546853A (zh) | 一种基于短时傅里叶变换的扬声器异常音检测方法 | |
| CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
| JP6429042B2 (ja) | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 | |
| CN110769452A (zh) | 基站经纬度异常识别方法、系统、服务器和存储介质 | |
| CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
| CN110580217A (zh) | 软件代码健康度的检测方法、处理方法、装置及电子设备 | |
| CN116086596B (zh) | 一种噪声智能检测方法、装置、计算机设备及存储介质 | |
| Guo et al. | Traffic forecasting for mobile networks with multiplicative seasonal ARIMA models | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| JP2019198695A5 (zh) | ||
| CN113219310B (zh) | 局部放电定位方法、装置、定位设备和存储介质 | |
| CN115617633A (zh) | 一种覆冰监测终端维护方法及相关设备 | |
| CN115496358A (zh) | 电能表在线误差远程估计测试数据生成方法、装置和设备 | |
| Can et al. | Probabilistic modelling of the temporal variability of urban sound levels | |
| Liguori et al. | Acoustic Monitoring of Environmental Noise Based on Sampling Approach | |
| WO2023072050A1 (zh) | 干扰源定位方法、装置、计算机可读介质 | |
| CN113763679B (zh) | 气体绝缘封闭式组合电器异响监测方法及装置 | |
| CN110543965A (zh) | 基线预测方法、基线预测装置、电子设备和介质 | |
| CN117559937B (zh) | 一种阻抗匹配网络调节方法 | |
| CN117232644B (zh) | 一种基于声学原理的变压器声音监测故障诊断方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |