本发明属于噪声识别,特别是涉及一种航空器噪声分析方法及分析系统。
背景技术:
1、近年来,随着民航业的发展迅速,机场吞吐能力及占地规模不断扩大,与此同时机场周边地区的城镇化进程加速发展,由于机场用地与城镇用地越来越近,由机场的噪声污染所引起的矛盾、纠纷越来越多,随着人们生活质量的提高,人们的法律维权意识越来越强。有的机场已经出现了附近居民因难以忍受机场噪声而闯入机场阻止飞机起降的事件,严重影响飞机的飞行安全。因此,在大力倡导机场发展的前提下,飞机噪声的识别与定位研究成为民航各级行政主管部门、机场当局、航空公司面临的重要课题。
2、传统的噪声识别设备基于pc机,功耗大、体积笨重、移动困难、容易死机且价格昂贵,同时其主要通过识别音频数据的强度以及持续时间的长短,判断噪声是否由飞机产生,并不考虑实际的声源,因此存在误识别问题。基于卷积神经网络的方法能够提取音频中复杂的特征信息,降低了误识别的概率。同时通过历史音频数据训练实现不同噪声类型的特征提取和分类过程,网络模型可以提取到不容易注意到的特征,具有很强的实用性和通用性,可以更好地进行机场噪声监测;对噪声音频数据作时频分析,结合多普勒效应中的频移现象,控制云台摄像机寻找产生噪声的飞机并验证是否是该飞机产生的噪音,降低了误判率,有效提高了机场的噪声管理。
技术实现思路
1、本发明提供了一种航空器噪声分析方法及分析系统,由于实现对不同机场噪声类别的实时检测与视频监控,降低误识别概率,提高飞机噪声识别与声源定位的准确性,大大加强机场噪声管理。
2、本发明的第一目的是提供一种航空器噪声分析方法,包括如下步骤:
3、s1、构建噪声分类模型;
4、s2、搭建噪声识别装置;
5、s3、构建飞机噪声识别装置;将该噪声分类模型进行压缩后移植到树莓派中,得到飞机噪声识别装置;
6、s4、噪声识别;利用麦克风收集噪声数据,对噪声数据进行预处理,获取声学参数和特征信息;使用分类模型对特征信息进行分类,从而识别是否是飞机噪声;
7、s5、时频域分析;
8、对飞机噪声音频数据做短时傅里叶变换,包括:把一段长的音频信号进行分帧、加窗;对每一帧做傅里叶变换;得到音频信号的时频域关系;
9、s6、运动位置分析;
10、基于多普勒效应,判断飞机相对于观测者的运动位置变化;
11、s7、寻找目标;
12、将短时傅里叶变换数据输入到云台摄像机的控制模块中,控制云台摄像机寻找目标飞机;
13、s8、若噪声由该飞机产生,使用分贝仪测试噪声强度,在显示屏上输出该飞机产生的噪声强度大小。
14、优选地,s1具体为:
15、收集一段时间内机场飞机噪声与非飞机噪声的历史音频数据,通过预处理将历史音频数据转为特征矢量;
16、将特征矢量输入到卷积神经网络中,输出噪声数据属于飞机噪声与非飞机噪声的概率,即类别矩阵;
17、根据输出与标注信息计算损失,反向传播更新模型参数,得到基于卷积神经网络的噪声分类模型。
18、优选地,在s2中:将麦克风、分贝仪、显示屏通过usb直插的方式与树莓派连接,将树莓派和云台摄像机的控制模块相连接。
19、本发明的第二目的是提供一种航空器噪声分析系统,包括:
20、噪声分类模型;
21、噪声识别装置;
22、飞机噪声识别装置;将该噪声分类模型进行压缩后移植到树莓派中,得到飞机噪声识别装置;
23、噪声识别模块;利用麦克风收集噪声数据,对噪声数据进行预处理,获取声学参数和特征信息;使用分类模型对特征信息进行分类,从而识别是否是飞机噪声;
24、时频域分析模块;
25、对飞机噪声音频数据做短时傅里叶变换,包括:把一段长的音频信号进行分帧、加窗;对每一帧做傅里叶变换;得到音频信号的时频域关系;
26、运动位置分析模块;
27、基于多普勒效应,判断飞机相对于观测者的运动位置变化;
28、寻找目标模块;
29、将短时傅里叶变换数据输入到云台摄像机的控制模块中,控制云台摄像机寻找目标飞机;
30、显示模块:若噪声由该飞机产生,使用分贝仪测试噪声强度,在显示屏上输出该飞机产生的噪声强度大小。
31、优选地,噪声分类模型的工作过程为:
32、收集一段时间内机场飞机噪声与非飞机噪声的历史音频数据,通过预处理将历史音频数据转为特征矢量;
33、将特征矢量输入到卷积神经网络中,输出噪声数据属于飞机噪声与非飞机噪声的概率,即类别矩阵;
34、根据输出与标注信息计算损失,反向传播更新模型参数,得到基于卷积神经网络的噪声分类模型。
35、优选地:将麦克风、分贝仪、显示屏通过usb直插的方式与树莓派连接,将树莓派和云台摄像机的控制模块相连接,得到噪声识别装置。
36、本发明的第三目的是提供一种实现上述航空器噪声分析方法的信息数据处理终端。
37、本发明的第四目的是提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的航空器噪声分析方法。
38、本发明的优点及积极效果为:
39、本发明通过设计卷积神经网络对噪声类型进行识别,进一步对飞机产生的噪声测试声音强度,通过对噪声音频数据做短时傅里叶变换(stft),获得该时间段内接收到的噪声的频率随时间的变化关系(时频图),将时频数据输入到云台摄像机的控制模块中,最后控制云台摄像机寻找产生噪声的飞机,验证是否是该飞机产生的噪声。采用cnn对原始音频数据进行特征提取得到cnn噪声识别模型,并将模型植入树莓派。同时将树莓派mini麦克风、分贝仪、显示屏通过usb直插的方式与树莓派连接,组成噪声识别装置。噪声识别装置通过实时采集噪声音频数据,对采集到的噪声信号进行处理,将预处理后的特征矢量送入卷积神经网络进行分类,得到该噪声数据属于不同类别属性的概率。对噪声预处理后得到的特征信息做短时傅里叶变换(stft)得到频率随时间的变化关系(时频图),在飞机产生噪声的一段时间内,由多普勒效应的频移现象可知,当飞机靠近观测位置时,接收到的频率增加;当飞机远离观测位置时,接收到的频率减小;由此得到飞机的运动轨迹,最后由控制模块中的程序控制云台摄像机寻找飞机。本发明实现了对不同机场噪声类别的实时检测与视频监控,降低了误识别概率,提高了飞机噪声识别与声源定位的准确性,大大加强了机场噪声管理。
1.一种航空器噪声分析方法,包括如下步骤:s1、构建噪声分类模型;s2、搭建噪声识别装置;s3、构建飞机噪声识别装置;将该噪声分类模型进行压缩后移植到树莓派中,得到飞机噪声识别装置;s4、噪声识别;利用麦克风收集噪声数据,对噪声数据进行预处理,获取声学参数和特征信息;使用分类模型对特征信息进行分类,从而识别是否是飞机噪声;其特征在于,还包括:
2.根据权利要求1所述航空器噪声分析方法,其特征在于,s1具体为:
3.根据权利要求1所述航空器噪声分析方法,其特征在于:在s2中:将麦克风、分贝仪、显示屏通过usb直插的方式与树莓派连接,将树莓派和云台摄像机的控制模块相连接。
4.一种航空器噪声分析系统,包括:噪声分类模型;噪声识别装置;飞机噪声识别装置;将该噪声分类模型进行压缩后移植到树莓派中,得到飞机噪声识别装置;噪声识别模块;利用麦克风收集噪声数据,对噪声数据进行预处理,获取声学参数和特征信息;使用分类模型对特征信息进行分类,从而识别是否是飞机噪声;其特征在于,还包括:
5.根据权利要求4所述航空器噪声分析系统,其特征在于,噪声分类模型的工作过程为:
6.根据权利要求4所述航空器噪声分析系统,其特征在于:将麦克风、分贝仪、显示屏通过usb直插的方式与树莓派连接,将树莓派和云台摄像机的控制模块相连接,得到噪声识别装置。
7.一种实现权利要求1-3任一项所述航空器噪声分析方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-3任一项所述的航空器噪声分析方法。