一种自主更新的无负样本的异常声音检测算法
本发明公开了一种自主更新的无负样本的异常声音检测算法,通过对异常的声音进行分离,之后采用人工的方式对异常的音频样本进行鉴定,异常的声音存入异常音频数据库内,正常声音存入正常音频数据库内,下次再遇到该音频时就可以自动检测和判定,降低了程序的学习成本和学习周期,可以快速的投入使用。
发明专利
CN202011554531.7
2020-12-24
CN112735474A
2021-04-30
G10L25/51(2013.01)
晋江市静仪科技有限公司
林艺瑄
362000 福建省泉州市晋江市池店镇华洲村滨江路3549号堤防安置小区4幢2梯604室
福建;35
1.一种自主更新的无负样本的异常声音检测算法,其特征在于:其步骤包括: 1)声音采集模块采集声音,算法对采集到的音频进行波形图转换,之后通过波形图的波形数据的平均值及最小值来判断是否在阈值0.2以上; 2)当阈值大于0.2时,则判定该音频有强干扰声,计算该音频的噪音值:音频值=int(N*10)/10,计算音频值的聚类,排列聚类的值,从小到大,循环计算聚类大于总音频值的1/10;当阈值小于等于0,2时,则判定该音频有低干扰噪声; 3)基于噪声的统计信息计算阈值; 4)通过信号计算FFT,并将信号FFT与阈值进行比较来确定掩码; 5)使用滤镜在平率和时间上对蒙版进行平滑处理; 6)将掩码叠加到信号的FFT中,并反转; 7)对最高和最低阈值频率时长进行统计,并判断是否在数据库中的正常音频阈值中; 8)当处于正常阈值中,则认定为正常声音,结束检测,输出结果;当统计结果不在正常阈值中,则认定为异常声音,此时,将该段音频传输至人机端进行人工审查是否为异常声音,结束检测,输出结果。 2.根据权利要求1所述的一种自主更新的无负样本的异常声音检测算法,其特征在于:所述步骤1中设置一个周期内的时间为一段音频的保存和发送给算法识别。 3.根据权利要求1所述的一种自主更新的无负样本的异常声音检测算法,其特征在于:所述步骤3中通过噪声的FFT计算得出噪声的统计信息和算法的期望灵敏度。 4.根据权利要求1所述的一种自主更新的无负样本的异常声音检测算法,其特征在于:所述步骤8中人工检测:结果为异常声音时,则将样本加入异常音频数据库,结果为正常声音时,则将样本加入正常音频数据库,下次遇到该音频阈值内的情况时可以自动判定为正常声音。 5.根据权利要求4所述的一种自主更新的无负样本的异常声音检测算法,其特征在于:所述人工检测为即时检测或者定期检测。