CN116821685B - 一种巡航机器人的声信号识别方法及系统 - Google Patents
一种巡航机器人的声信号识别方法及系统 Download PDFInfo
- Publication number
- CN116821685B CN116821685B CN202310821872.3A CN202310821872A CN116821685B CN 116821685 B CN116821685 B CN 116821685B CN 202310821872 A CN202310821872 A CN 202310821872A CN 116821685 B CN116821685 B CN 116821685B
- Authority
- CN
- China
- Prior art keywords
- identification
- abnormal
- acoustic signal
- data
- sound signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005236 sound signal Effects 0.000 title claims description 112
- 230000002159 abnormal effect Effects 0.000 claims abstract description 206
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 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
- 239000003345 natural gas Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种巡航机器人的声信号识别方法及系统，涉及信号处理技术领域，进行区域划分获取多个巡航区域并分配识别关键系数，采集异常声信号数据并处理，获取多个异常声信号特征集合，构建多个声信号识别通道并设置收敛条件，通过目标巡航机器人进行区域信号采集，处理并输入多个声信号识别通道，获取多个异常事件发生概率，解决了现有技术中目前多结合算法等基于检测接收的信号直接进行处理判定，存在一定的技术局限，进行巡航区域异常的识别灵活度与精准度不足的技术问题，对区域性检测信号进行波形图转换与信号特征提取，输入区域适配性通道内进行特征的针对性分析与结果整合进行异常事件发生概率预测，提高处理灵活度并保障分析准确度。
Description
技术领域
本发明涉及信号处理技术领域，具体涉及一种巡航机器人的声信号识别方法及系统。
背景技术
随着人工智能技术的发展，巡航机器人以其设备状态识别、远程监控、AI识别等多元化供能，逐步代替人工进行自主巡航检测，可针对巡航过程中的声信号进行检测识别以进行异常事件判定。目前，多结合算法等基于检测接收的信号直接进行处理判定，存在一定的技术局限，进行巡航区域异常的识别灵活度与精准度不足。
发明内容
本申请提供了一种巡航机器人的声信号识别方法及系统，用于针对解决现有技术中存在的目前多结合算法等基于检测接收的信号直接进行处理判定，存在一定的技术局限，进行巡航区域异常的识别灵活度与精准度不足的技术问题。
鉴于上述问题，本申请提供了一种巡航机器人的声信号识别方法及系统。
第一方面，本申请提供了一种巡航机器人的声信号识别方法，所述方法包括：
对目标巡航机器人进行巡航的室内区域进行划分，获得多个巡航区域，其中，所述目标巡航机器人为室内巡航机器人；
根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数；
根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，其中每个异常声信号特征集合内包括频率特征、幅值特征、谐波分量特征和图形特征的特征数据，所述多个异常声信号特征集合内的数据量与所述多个识别关键系数的大小正相关；
根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，其中，每个声信号识别通道内包括频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支，根据所述多个识别关键系数的大小，设置所述多个声信号识别通道的收敛条件；
通过所述目标巡航机器人，在所述多个巡航区域内进行巡航，并进行声信号采集，获得多个区域声信号；
对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，作为声信号识别结果。
第二方面，本申请提供了一种巡航机器人的声信号识别系统，所述系统包括：
区域划分模块，所述区域划分模块用于对目标巡航机器人进行巡航的室内区域进行划分，获得多个巡航区域，其中，所述目标巡航机器人为室内巡航机器人；
系数分配模块，所述系数分配模块用于根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数；
数据采集处理模块，所述数据采集处理模块用于根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，其中每个异常声信号特征集合内包括频率特征、幅值特征、谐波分量特征和图形特征的特征数据，所述多个异常声信号特征集合内的数据量与所述多个识别关键系数的大小正相关；
通道构建模块，所述通道构建模块用于根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，其中，每个声信号识别通道内包括频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支，根据所述多个识别关键系数的大小，设置所述多个声信号识别通道的收敛条件；
信号采集模块，所述信号采集模块用于通过所述目标巡航机器人，在所述多个巡航区域内进行巡航，并进行声信号采集，获得多个区域声信号；
信号识别模块，所述信号识别模块用于对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，作为声信号识别结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种巡航机器人的声信号识别方法，对目标巡航机器人进行巡航的室内区域进行划分，获得多个巡航区域，根据各巡航区域内的异常事件的异常重要性大小，分配多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集与分析处理，获取多个异常声信号特征集合，每个异常声信号特征集合内包括频率特征、幅值特征、谐波分量特征和图形特征的特征数据，根据所述多个识别关键系数与所述多个异常声信号特征集合，构建多个声信号识别通道，每个声信号识别通道内包括频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支，根据所述多个识别关键系数的大小设置所述多个声信号识别通道的收敛条件，通过目标巡航机器人逐巡航区域内进行巡航，采集多个区域声信号，分析处理获取多个声信号特征集并输入所述多个声信号识别通道，获取多个异常事件发生概率作为声信号识别结果，解决了现有技术中存在的目前多结合算法等基于检测接收的信号直接进行处理判定，存在一定的技术局限，进行巡航区域异常的识别灵活度与精准度不足的技术问题，对区域性检测信号进行波形图转换与信号特征提取，输入区域适配性通道内进行特征的针对性分析与结果整合进行异常事件发生概率预测，提高处理灵活度并保障分析准确度。
附图说明
图1为本申请提供了一种巡航机器人的声信号识别方法流程示意图；
图2为本申请提供了一种巡航机器人的声信号识别方法中多个异常声信号特征集合获取流程示意图；
图3为本申请提供了一种巡航机器人的声信号识别方法中多个异常事件发生概率获取流程示意图；
图4为本申请提供了一种巡航机器人的声信号识别系统结构示意图。
附图标记说明：区域划分模块11，系数分配模块12，数据采集处理模块13，通道构建模块14，信号采集模块15，信号识别模块16。
具体实施方式
本申请通过提供一种巡航机器人的声信号识别方法及系统，进行区域划分获取多个巡航区域并分配多个识别关键系数，采集异常声信号数据并处理，获取多个异常声信号特征集合，构建多个声信号识别通道并设置收敛条件，通过目标巡航机器人逐巡航区域内进行巡航，进行信号采集与处理获取多个声信号特征集输入所述多个声信号识别通道，获取多个异常事件发生概率，用于解决现有技术中存在的目前多结合算法等基于检测接收的信号直接进行处理判定，存在一定的技术局限，进行巡航区域异常的识别灵活度与精准度不足的技术问题。
实施例一
如图1所示，本申请提供了一种巡航机器人的声信号识别方法，所述方法包括：
步骤S100：对目标巡航机器人进行巡航的室内区域进行划分，获得多个巡航区域，其中，所述目标巡航机器人为室内巡航机器人；
具体而言，随着人工智能技术的发展，巡航机器人以其设备状态识别、远程监控、AI识别等多元化供能，逐步代替人工进行自主巡航检测，可针对巡航过程中的声信号进行检测识别以进行异常事件判定。本申请提供的一种巡航机器人的声信号识别方法，通过对区域性检测信号进行波形图转换与信号特征提取，输入区域适配性通道内进行特征的针对性分析与结果整合，以进行异常事件发生概率预测。具体的，所述目标巡航机器人为待进行声信号识别分析的室内巡航机器人，所述室内区域为待巡航区域，对所述室内区域进行区域划分，示例性的，具体划分标准可基于巡航需求自适应设定，例如区域均匀划分、基于室内设备的分布划分等，获取所述多个巡航区域，基于所述多个巡航区域进行针对性识别分析。
步骤S200：根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数；
进一步而言，根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数，本申请步骤S200还包括：
步骤S210：获取所述多个巡航区域内的多个异常事件；
步骤S220：基于层级分析法，根据所述多个异常事件的异常重要性大小，进行权重分配，获得多个权值；
步骤S230：将所述多个权值作为所述多个识别关键系数。
具体而言，基于所述多个巡航区域，逐巡航区域进行预定事件区间内的历史巡航记录调取，进行记录识别获取所述多个巡航区域内的所述多个异常事件。进一步对所述多个异常事件进行层级分析，例如，以异常事件类型，异常程度、风险等级等标准作为分析准则，遍历所述多个异常事件进行逐层剖析，对各异常事件的多层级分析结果进行汇总加和，基于综合性分析结果进行异常重要性的判定，以此为基准对所述多个异常事件进行权重分配，其中，分配权重与所述异常重要性成正比，获取所述多个权值，所述多个权重之和为1。将所述多个权值作为所述多个识别关键系数，所述多个识别关键系数为用于进行对应声信号采集量的衡量标准。
示例性地，室内区域划分获得的多个巡航区域包括卫生间、厨房、阳台等，多个异常事件可包括漏水、天然气泄露或汽车噪音等。不同的异常事件发生时会产生不同的声信号，通过巡航机器人进行巡航采集声信号并分析判断异常事件是否发生，能够提升室内安全性。
步骤S300：根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，其中每个异常声信号特征集合内包括频率特征、幅值特征、谐波分量特征和图形特征的特征数据，所述多个异常声信号特征集合内的数据量与所述多个识别关键系数的大小正相关；
进一步而言，如图2所示，根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，本申请步骤S300还包括：
步骤S310：根据每个识别关键系数和所述多个识别关键系数的均值的比值，对预设数据量进行调整，获得多个数据量；
步骤S320：按照所述多个数据量，对所述多个巡航区域内发生异常事件时的异常声信号数据进行采集，获得多个异常声信号数据集合；
步骤S330：对所述多个异常声信号数据集合内的声信号数据进行波形图转换处理，并提取频率数据、幅值数据、谐波分量数据和波形图像，获得所述多个异常声信号特征集合。
具体而言，对所述多个识别关键系数进行均值计算，遍历所述多个识别关键系数，分别与识别关键系数均值进行比值计算，获取多个系数比值。对所述多个系数比值与所述预设数据量进行乘法计算，获取所述多个数据量。其中，所述预设数据量为以所述识别关键系数均值为基准，结合专家经验自定义设定的初始化数据量。所述多个数据量与所述多个巡航区域一一对应，将所述多个数据量作为采集标准，对所述多个巡航区域内发生异常事件时的异常声信号进行采集，对采集结果进行区域化归属整合，获取所述多个异常声信号数据集合。
进一步的，对所述多个异常声信号数据集合内的声信号数据分别进行波形图转换处理，示例性的，连接示波器，设定波形图的生成相位，遍历所述多个异常声信号数据，转换生成多个波形图。进一步对所述多个波形图进行识别，基于波形变换确定所述频率数据，基于波形峰谷值确定幅值数据，将除了基波外的其余谐波频率作为所述谐波分量数据，确定转换波形，例如方波，作为所述波形图像，对各异常声信号数据对应的所述频率数据、所述幅值数据、所述谐波分量数据和所述波形图像进行集成规整，获得所述多个异常声信号特征集合，基于所述多个异常声信号特征集合进行所述多个声信号识别通道的构建。
步骤S400：根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，其中，每个声信号识别通道内包括频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支，根据所述多个识别关键系数的大小，设置所述多个声信号识别通道的收敛条件；
进一步而言，根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，本申请步骤S400还包括：
步骤S410：根据每个识别关键系数和所述多个识别关键系数的均值的比值，对准确率阈值进行调整，获得多个收敛条件；
步骤S420：分别采用所述多个异常声信号特征集合，基于所述多个收敛条件，构建所述多个声信号识别通道。
进一步而言，分别采用所述多个异常声信号特征集合，基于所述多个收敛条件，构建所述多个声信号识别通道，本申请步骤S420还包括：
步骤S421：选取所述多个异常声信号特征集合内的第一异常声信号特征集合，选取所述多个收敛条件中的第一收敛条件；
步骤S422：对所述多个巡航区域内第一巡航区域中未出现异常事件的声信号数据进行采集和处理，获取第一正常声信号特征集合；
步骤S423：采用所述第一异常声信号特征集合和第一正常声信号特征集合，按照第一收敛条件，构建第一声信号识别通道；
步骤S424：继续构建其他的多个声信号识别通道。
进一步而言，采用所述第一异常声信号特征集合和第一正常声信号特征集合，按照第一收敛条件，构建第一声信号识别通道，本申请步骤S423还包括：
步骤S4231：基于前馈神经网络，构建所述第一声信号识别通道内的第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支，基于卷积神经网络，构建第一图像识别分支；
步骤S4232：对所述第一异常声信号特征集合和第一正常声信号特征集合内的频率特征、幅值特征、谐波分量特征和图形特征进行数据提取，分别对所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支进行监督训练、验证和测试，直到满足所述第一收敛条件；
步骤S4233：整合所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支，获得所述第一声信号识别通道。
具体而言，计算所述多个识别关键系数的均值，以识别关键系数均值为基准，设定所述准确率阈值，即初始化设定的衡量信号识别精度的临界准确率，进而遍历所述各识别关键系数与所述关键系数均值的比值，计算与所述准确率阈值的乘积，作为所述多个收敛条件。进一步以所述多个异常声信号特征集合为构建数据，以所述多个收敛条件为约束，构建所述多个声信号识别通道，所述多个声信号识别通道与所述多个巡航区域一一对应。
具体的，基于所述多个异常声信号特征集合，提取所述第一异常声信号特征集合，基于所述多个收敛条件中提取所述第一异常信号特征集合对应的所述第一收敛条件。将所述第一异常信号特征集合与所述第一收敛条件对应的巡航区域作为所述第一巡航区域，对所述第一巡航区域中未出现异常事件的声信号数据进行采集与处理，具体处理方式与所述异常声信号数据相同，即波形图转换与特征数据识别提取，获取所述第一正常信号特征集合。进一步的，基于所述第一异常声信号特征集合与所述第一正常声信号特征集合进行所述多个声信号识别通道的构建。
具体的，基于前馈神经网络，构建所述第一声信号识别通道内的所述第一频率识别分支、第一幅值识别分支与第一谐波分量识别分支；基于所述卷积神经网络构建所述第一图像识别分支，以确定所述第一声信号识别通道的基础架构。进一步基于所述第一异常声信号特征集合与所述第一正常声信号识别特征，分别提取并整合所述频率特征、幅值特征、谐波分量特征和图形特征对应的特征数据，将正常事件对应的特征数据标识为0，将异常事件对应的特征数据标识为1，确定多组构建数据，分别输入对应的所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支中进行监督训练、验证与测试，并判断测试准确率是否满足所述第一收敛条件，若不满足，进行识别分支对应构建数据的重划分训练与验证测试，直至满足所述第一收敛条件。对构建完成的所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支进行并行整合，生成所述第一声信号识别通道。
同理，基于所述多个异常声信号特征集合，提取第二异常声信号特征集合，并基于所述多个收敛条件提取所述第二异常信号特征集合对应的第二收敛条件，针对映射的第二巡航区域中未出现异常事件的声信号数据进行采集与处理，获取第二正常信号特征集合。进一步将所述第一异常声信号特征集合与所述第一正常声信号特征集合提取整合识别分支构建数据，以所述第二收敛条件为约束，进行第二声信号识别通道的训练构建，重复上述步骤，直至完成所述多个巡航区域对应的所述多个声信号识别通道的构建，各声信号识别通道的构建方式相同，具体构建数据不同。基于识别分支以进行对应声信号特征的针对性分析，可有效提高局域性声信号识别的准确度与处理效率。
步骤S500：通过所述目标巡航机器人，在所述多个巡航区域内进行巡航，并进行声信号采集，获得多个区域声信号；
步骤S600：对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，作为声信号识别结果。
进一步而言，如图3所示，对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，本申请步骤S600还包括：
步骤S610：对所述多个区域声信号进行分析处理，获得多个声信号特征集，每个声信号特征集内包括频率数据、幅值数据、谐波分量数据和图像数据；
步骤S620：将所述多个声信号特征集分别输入所述多个声信号识别通道内的频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支内，获得多个异常事件识别结果集；
步骤S630：根据所述多个声信号识别通道内频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支的准确率大小，对所述多个异常事件识别结果集内的异常事件识别结果进行计算，获得所述多个异常事件发生概率。
具体而言，基于配置的巡航路径，对所述目标巡航机器人进行巡航控制，所述巡航路径覆盖了所述多个巡航区域，执行所述多个巡航区域的巡航控制并同步进行声信号采集，对采集声信号进行区域性归属整合，获取所述多个区域声信号。进一步对所述多个区域声信号进行分别进行波形图转换处理，并识别提取频率数据、幅值数据、谐波分量数据和波形图像，获取所述多个声信号特征集，所述多个声信号特征集对应于所述多个巡航区域。
进一步的，对所述多个声信号特征集与所述多个声信号识别通道进行匹配与输入，基于各声信号识别通道内的所述频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支进行对应输入数据的处理，完成所述多个声信号特征集的同步处理，获取所述多个异常事件识别结果集，各异常事件识别结果集内包括了各分支的异常识别结果，表征为1或0。确定所述多个声信号识别通道内所述频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支的准确率大小，基于识别分支的构建训练状况进行确定。遍历所述多个异常事件识别结果集，进行各异常事件识别结果集的识别分支输出结果的计算，即对输出为1的识别分支进行准确率加和，对输出为0的识别分支进行准确率加和，对两者进行比值计算作为异常事件发生概率，获取所述多个异常事件发生概率，即各巡航区域的异常事件发生概率，作为所述声信号识别结果，基于所述声信号识别结果进行区域性风控管理。
实施例二
基于与前述实施例中一种巡航机器人的声信号识别方法相同的发明构思，如图4所示，本申请提供了一种巡航机器人的声信号识别系统，所述系统包括：
区域划分模块11，所述区域划分模块11用于对目标巡航机器人进行巡航的室内区域进行划分，获得多个巡航区域，其中，所述目标巡航机器人为室内巡航机器人；
系数分配模块12，所述系数分配模块12用于根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数；
数据采集处理模块13，所述数据采集处理模块13用于根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，其中每个异常声信号特征集合内包括频率特征、幅值特征、谐波分量特征和图形特征的特征数据，所述多个异常声信号特征集合内的数据量与所述多个识别关键系数的大小正相关；
通道构建模块14，所述通道构建模块14用于根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，其中，每个声信号识别通道内包括频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支，根据所述多个识别关键系数的大小，设置所述多个声信号识别通道的收敛条件；
信号采集模块15，所述信号采集模块15用于通过所述目标巡航机器人，在所述多个巡航区域内进行巡航，并进行声信号采集，获得多个区域声信号；
信号识别模块16，所述信号识别模块16用于对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，作为声信号识别结果。
进一步而言，所述系数分配模块，还包括：
异常事件获取模块，所述异常事件模块huo'qu用于获取所述多个巡航区域内的多个异常事件；
权重分配模块，所述权重分配模块用于基于层级分析法，根据所述多个异常事件的异常重要性大小，进行权重分配，获得多个权值；
识别关键系数确定模块，所述识别关键系数确定模块用于将所述多个权值作为所述多个识别关键系数。
进一步而言，所述数据采集处理模块，还包括：
数据量调整模块，所述数据量调整模块用于根据每个识别关键系数和所述多个识别关键系数的均值的比值，对预设数据量进行调整，获得多个数据量；
异常声信号采集模块，所述异常声信号采集模块用于按照所述多个数据量，对所述多个巡航区域内发生异常事件时的异常声信号数据进行采集，获得多个异常声信号数据集合；
异常声信号特征提取模块，所述异常声信号特征提取模块用于对所述多个异常声信号数据集合内的声信号数据进行波形图转换处理，并提取频率数据、幅值数据、谐波分量数据和波形图像，获得所述多个异常声信号特征集合。
进一步而言，所述通道构建模块，还包括：
收敛条件获取模块，所述收敛条件获取模块用于根据每个识别关键系数和所述多个识别关键系数的均值的比值，对准确率阈值进行调整，获得多个收敛条件；
声信号识别通道构建模块，所述声信号识别通道构建模块用于分别采用所述多个异常声信号特征集合，基于所述多个收敛条件，构建所述多个声信号识别通道。
进一步而言，所述声信号识别通道构建模块，还包括：
信息选取模块，所述信息选取模块用于选取所述多个异常声信号特征集合内的第一异常声信号特征集合，选取所述多个收敛条件中的第一收敛条件；
正常声信号特征集合获取模块，所述正常声信号特征集合获取模块用于对所述多个巡航区域内第一巡航区域中未出现异常事件的声信号数据进行采集和处理，获取第一正常声信号特征集合；
第一声信号识别通道构建模块，所述第一声信号识别通道构建模块用于采用所述第一异常声信号特征集合和第一正常声信号特征集合，按照第一收敛条件，构建第一声信号识别通道；
多个声信号识别通道构建模块，所述多个声信号识别通道构建模块用于继续构建其他的多个声信号识别通道。
进一步而言，所述第一声信号识别通道构建模块，还包括：
识别分支构建模块，所述识别分支构建模块用于基于前馈神经网络，构建所述第一声信号识别通道内的第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支，基于卷积神经网络，构建第一图像识别分支；
识别分支训练模块，所述识别分支训练模块用于对所述第一异常声信号特征集合和第一正常声信号特征集合内的频率特征、幅值特征、谐波分量特征和图形特征进行数据提取，分别对所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支进行监督训练、验证和测试，直到满足所述第一收敛条件；
识别分支整合模块，所述识别分支整合模块用于整合所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支，获得所述第一声信号识别通道。
进一步而言，所述信号识别模块，还包括：
区域声信号处理模块，所述区域声信号处理模块用于对所述多个区域声信号进行分析处理，获得多个声信号特征集，每个声信号特征集内包括频率数据、幅值数据、谐波分量数据和图像数据；
异常事件识别模块，所述异常事件识别模块用于将所述多个声信号特征集分别输入所述多个声信号识别通道内的频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支内，获得多个异常事件识别结果集；
概率计算模块，所述概率计算模块用于根据所述多个声信号识别通道内频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支的准确率大小，对所述多个异常事件识别结果集内的异常事件识别结果进行计算，获得所述多个异常事件发生概率。
本说明书通过前述对一种巡航机器人的声信号识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种巡航机器人的声信号识别方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种巡航机器人的声信号识别方法，其特征在于，所述方法包括：
对目标巡航机器人进行巡航的室内区域进行划分，获得多个巡航区域，其中，所述目标巡航机器人为室内巡航机器人；
根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数；
根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，其中每个异常声信号特征集合内包括频率特征、幅值特征、谐波分量特征和图形特征的特征数据，所述多个异常声信号特征集合内的数据量与所述多个识别关键系数的大小正相关；
根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，其中，每个声信号识别通道内包括频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支，根据所述多个识别关键系数的大小，设置所述多个声信号识别通道的收敛条件；
通过所述目标巡航机器人，在所述多个巡航区域内进行巡航，并进行声信号采集，获得多个区域声信号；
对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，作为声信号识别结果；
其中，根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，包括：
根据每个识别关键系数和所述多个识别关键系数的均值的比值，对预设数据量进行调整，获得多个数据量；
按照所述多个数据量，对所述多个巡航区域内发生异常事件时的异常声信号数据进行采集，获得多个异常声信号数据集合；
对所述多个异常声信号数据集合内的声信号数据进行波形图转换处理，并提取频率数据、幅值数据、谐波分量数据和波形图像，获得所述多个异常声信号特征集合；
其中，根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，包括：
根据每个识别关键系数和所述多个识别关键系数的均值的比值，对准确率阈值进行调整，获得多个收敛条件；
分别采用所述多个异常声信号特征集合，基于所述多个收敛条件，构建所述多个声信号识别通道；
其中，分别采用所述多个异常声信号特征集合，基于所述多个收敛条件，构建所述多个声信号识别通道，包括：
选取所述多个异常声信号特征集合内的第一异常声信号特征集合，选取所述多个收敛条件中的第一收敛条件；
对所述多个巡航区域内第一巡航区域中未出现异常事件的声信号数据进行采集和处理，获取第一正常声信号特征集合；
采用所述第一异常声信号特征集合和第一正常声信号特征集合，按照第一收敛条件，构建第一声信号识别通道；
继续构建其他的多个声信号识别通道。
2.根据权利要求1所述的方法，其特征在于，根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数，包括：
获取所述多个巡航区域内的多个异常事件；
基于层级分析法，根据所述多个异常事件的异常重要性大小，进行权重分配，获得多个权值；
将所述多个权值作为所述多个识别关键系数。
3.根据权利要求1所述的方法，其特征在于，采用所述第一异常声信号特征集合和第一正常声信号特征集合，按照第一收敛条件，构建第一声信号识别通道，包括：
基于前馈神经网络，构建所述第一声信号识别通道内的第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支，基于卷积神经网络，构建第一图像识别分支；
对所述第一异常声信号特征集合和第一正常声信号特征集合内的频率特征、幅值特征、谐波分量特征和图形特征进行数据提取，分别对所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支进行监督训练、验证和测试，直到满足所述第一收敛条件；
整合所述第一频率识别分支、第一幅值识别分支、第一谐波分量识别分支和第一图像识别分支，获得所述第一声信号识别通道。
4.根据权利要求1所述的方法，其特征在于，对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，包括：
对所述多个区域声信号进行分析处理，获得多个声信号特征集，每个声信号特征集内包括频率数据、幅值数据、谐波分量数据和图像数据；
将所述多个声信号特征集分别输入所述多个声信号识别通道内的频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支内，获得多个异常事件识别结果集；
根据所述多个声信号识别通道内频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支的准确率大小，对所述多个异常事件识别结果集内的异常事件识别结果进行计算，获得所述多个异常事件发生概率。
5.一种巡航机器人的声信号识别系统，其特征在于，所述系统包括：
区域划分模块，所述区域划分模块用于对目标巡航机器人进行巡航的室内区域进行划分，获得多个巡航区域，其中，所述目标巡航机器人为室内巡航机器人；
系数分配模块，所述系数分配模块用于根据所述多个巡航区域内的异常事件的异常重要性大小，分配获取多个识别关键系数；
数据采集处理模块，所述数据采集处理模块用于根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，其中每个异常声信号特征集合内包括频率特征、幅值特征、谐波分量特征和图形特征的特征数据，所述多个异常声信号特征集合内的数据量与所述多个识别关键系数的大小正相关；
通道构建模块，所述通道构建模块用于根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，其中，每个声信号识别通道内包括频率识别分支、幅值识别分支、谐波分量识别分支和图像识别分支，根据所述多个识别关键系数的大小，设置所述多个声信号识别通道的收敛条件；
信号采集模块，所述信号采集模块用于通过所述目标巡航机器人，在所述多个巡航区域内进行巡航，并进行声信号采集，获得多个区域声信号；
信号识别模块，所述信号识别模块用于对所述多个区域声信号进行分析处理，获得多个声信号特征集，输入所述多个声信号识别通道，获取多个异常事件发生概率，作为声信号识别结果；
其中，根据所述多个识别关键系数，对所述多个巡航区域内发生异常事件的异常声信号数据进行采集，进行分析处理，获取多个异常声信号特征集合，包括：
根据每个识别关键系数和所述多个识别关键系数的均值的比值，对预设数据量进行调整，获得多个数据量；
按照所述多个数据量，对所述多个巡航区域内发生异常事件时的异常声信号数据进行采集，获得多个异常声信号数据集合；
对所述多个异常声信号数据集合内的声信号数据进行波形图转换处理，并提取频率数据、幅值数据、谐波分量数据和波形图像，获得所述多个异常声信号特征集合；
其中，根据所述多个识别关键系数，分别采用所述多个异常声信号特征集合，构建多个声信号识别通道，包括：
根据每个识别关键系数和所述多个识别关键系数的均值的比值，对准确率阈值进行调整，获得多个收敛条件；
分别采用所述多个异常声信号特征集合，基于所述多个收敛条件，构建所述多个声信号识别通道；
其中，分别采用所述多个异常声信号特征集合，基于所述多个收敛条件，构建所述多个声信号识别通道，包括：
选取所述多个异常声信号特征集合内的第一异常声信号特征集合，选取所述多个收敛条件中的第一收敛条件；
对所述多个巡航区域内第一巡航区域中未出现异常事件的声信号数据进行采集和处理，获取第一正常声信号特征集合；
采用所述第一异常声信号特征集合和第一正常声信号特征集合，按照第一收敛条件，构建第一声信号识别通道；
继续构建其他的多个声信号识别通道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310821872.3A CN116821685B (zh) | 2023-07-06 | 2023-07-06 | 一种巡航机器人的声信号识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310821872.3A CN116821685B (zh) | 2023-07-06 | 2023-07-06 | 一种巡航机器人的声信号识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821685A CN116821685A (zh) | 2023-09-29 |
| CN116821685B true CN116821685B (zh) | 2023-12-26 |
Family
ID=88112466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310821872.3A Active CN116821685B (zh) | 2023-07-06 | 2023-07-06 | 一种巡航机器人的声信号识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821685B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392869A (zh) * | 2020-03-12 | 2021-09-14 | 赫克斯冈技术中心 | 用于事件检测、定位和分类的视觉-听觉监测系统 |
| CN114510064A (zh) * | 2022-04-21 | 2022-05-17 | 北京安录国际技术有限公司 | 巡检机器人控制方法、系统、存储介质及电子设备 |
| CN115246121A (zh) * | 2021-04-26 | 2022-10-28 | 宏华胜精密电子(烟台)有限公司 | 巡逻机器人及巡逻机器人系统 |
| CN116203970A (zh) * | 2023-04-27 | 2023-06-02 | 泰坦(天津)能源技术有限公司 | 一种巡检机器人的智能避障方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11978476B2 (en) * | 2021-09-19 | 2024-05-07 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for detecting anomalous sound |
-
2023
- 2023-07-06 CN CN202310821872.3A patent/CN116821685B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392869A (zh) * | 2020-03-12 | 2021-09-14 | 赫克斯冈技术中心 | 用于事件检测、定位和分类的视觉-听觉监测系统 |
| CN115246121A (zh) * | 2021-04-26 | 2022-10-28 | 宏华胜精密电子(烟台)有限公司 | 巡逻机器人及巡逻机器人系统 |
| CN114510064A (zh) * | 2022-04-21 | 2022-05-17 | 北京安录国际技术有限公司 | 巡检机器人控制方法、系统、存储介质及电子设备 |
| CN116203970A (zh) * | 2023-04-27 | 2023-06-02 | 泰坦(天津)能源技术有限公司 | 一种巡检机器人的智能避障方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821685A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255795B (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
| CN105182450B (zh) | 一种强对流天气短时预警系统 | |
| CN107992447A (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
| CN115423127B (zh) | 一种基于人工智能的电力设备现场运维方法及系统 | |
| CN103812577A (zh) | 非正常无线电信号的自动识别系统及其方法 | |
| CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
| CN116432297B (zh) | 一种建筑智能化设施异构数据的采集方法 | |
| CN117538710B (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
| CN112668612A (zh) | 一种基于网格的局部放电信号聚类分析方法 | |
| CN116609440B (zh) | 基于云边协同的建筑工程质量智能验收管理方法及系统 | |
| CN117575165B (zh) | 一种数字化配电网的智能巡检管理方法及系统 | |
| CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
| CN114184367A (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
| CN116821685B (zh) | 一种巡航机器人的声信号识别方法及系统 | |
| CN104868960A (zh) | 背景干扰噪声电平预测方法及系统 | |
| CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| CN116702586A (zh) | 一种基于多空间尺度数值的天气预报方法及系统 | |
| CN104935388B (zh) | 背景干扰噪声电平预测方法及系统 | |
| JP2011203048A (ja) | 音源位置特定装置および音源位置特定方法 | |
| CN101923605A (zh) | 铁路防灾风预警方法 | |
| CN116823215B (zh) | 一种用于电站的智慧运维管控方法及系统 | |
| CN116928609B (zh) | 一种物联网远传水表的水量计量方法及水量计量系统 | |
| Vulfin et al. | Neuralbase model for detection and recognition of technological situations within the scope of data mining strategy | |
| CN117277565B (zh) | 一种用于配电网状态监测的通信系统及方法 | |
| CN117559937B (zh) | 一种阻抗匹配网络调节方法 |
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 |