一种基于图像分析模型的声音屏障检测方法及装置与流程

本发明属于声屏障监测提升。具体涉及一种基于图像分析模型的声音屏障检测方法及装置。

背景技术：

1、由于经济的快速发展，为了更好解决交通问题，城市高速公路、高架桥越来越普及，而由于很多公路或高架都是对原有地区的升级，因此，会穿过居民区或者商务区，这样产生的噪声会严重的干扰道路两旁的商务楼和居住小区内居民的正常工作和生活，治理该交通噪声有效的方法之一是在公路两侧安装隔声屏障，近几年来出现了各种各样的隔声屏障，对降低噪声起到了一定的作用。

2、现有的高速铁路声屏障的检查主要采用目测、望远镜、垂球、钢卷尺量测、检查锤敲击、扭力扳手、塞尺等人工方式进行，工作效率较低。声屏障外侧采用撬杠撬起后等方式进行检查维护，由于检查作业方法和手段的限制，对声屏障外侧的检查维护难度很大，工作强度也大，且工作效率很低。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于图像分析模型的声音屏障检测方法及装置。

2、本发明的目的是通过以下技术方案来实现的：

3、一种基于图像分析模型的声音屏障检测方法，包括以下步骤：

4、在声屏障两端和受保护敏感点设置噪声预测点，收集无噪声时声屏障的声谱图，并确定降噪系数；

5、在同一噪声预测点，收集降噪系数范围内的带噪声的声屏障声谱图；

6、用无噪声时声屏障的声谱图训练带噪声的声屏障声谱图，确定声屏障检测阈值；需要说明的是，降噪系数是指声屏障对噪音降低的比例，声屏障检测阈值则是通过声振动，检测声屏障是否被破坏；降噪系数可以用于剔除不稳定的数值；

7、对声屏障降噪系数的计算方法，具体步骤如下：

8、以声屏障与车道的中线为声源头线，根据预测点与声源头线的距离情况，计算出噪声贡献值，叠加多个噪声贡献值为预测点的降噪系数；

9、根据检测阈值实时检测声屏障是否故障；

10、其中，无噪声时声屏障的声谱图和带噪声的声屏障声谱图间歇性获取，在每次进行检测前，进行获取并与声屏障检测阈值对比。

11、进一步的，带噪声的声屏障声谱图包括多个声谱图数据，根据声屏障检测阈值与多个声谱图数据进行比对，存在正常数据差和明显数据差，对正常数据进行舍弃处理，对明显数据差值进行记录，当明显数据差值≥降噪系数时，记录该声谱图数据点为故障点。

12、需要说明的是，所述受保护敏感点确定方式在于，确定声屏障最高点，声源和声反射点，所述受保护敏感点位于以声屏障最高点，声源和声反射点构成的三角形的中心点

13、进一步的，还包括训练步骤，其具体实施方式为：

14、s1：临时改造常规声成像系统使其具备散斑调制声音成像能力；

15、s2：使用步骤s1中获取的散斑调制声成像系统进行散斑调制声音成像，并在每个样品位置获取100张包含大量散斑噪声的声谱图；

16、s3:将步骤s2中获得的100张含散斑噪声的图像平均处理，并得到一张无散斑噪声的训练基准图像；

17、s4：选择包含散斑噪声的图像和无散斑噪声的训练基准图像成对匹配，构成数据集，并将数据集的80%设为训练数据集，剩余20%设为测试训练集；

18、s5：构建混合结构的生成对抗网络；

19、s6：利用步骤s3制作的数据集训练所述的混合结构生成对抗网络，得到训练后的生成对抗网络；

20、s7：将训练好的混合结构生成对抗网络与前述常规的声成像相结合，得到能自动去除散斑等噪声并提升成像解析能力的深度学习型散斑调制声音成像系统。

21、进一步地，所述步骤s5的混合结构的生成对抗网络的具体实施方式为：

22、s51：采用归一化公式对训练集和测试集图像数据进行归一化处理；

23、s52：构建生成器，生成器为由密集连接网络构建的编码器和解码器组成u-net结构，图像经过编码器下采样再通过解码器上采样得到图像输出；

24、s53：构建判别器，将生成器输出的图像输入到判别器，输出真、假的概率值；

25、s54：设计生成器参数优化目标函数如下：

26、公式1：

27、

28、公式1中，为像素均方损失，为感知损失，和像素均方损失和感知损失的系数，和的定义如下式定义：

29、公式2：

30、

31、公式3：

32、

33、式中，表示生成器的输出，表示基准图像，表示vgg-19网络特征提取的输出，分别是图像的宽、高和通道数；

34、s55：更新生成器和判别器的网络参数。

35、上述方法是通过一种基于图像分析模型的声音屏障检测装置实现的，一种基于图像分析模型的声音屏障检测装置包括，

36、设置在声屏障两端和受保护敏感点的声振动传感器，用于获取无噪声时声屏障的声谱图和带噪声的声屏障声谱图；

37、第一处理单元，用于用无噪声时声屏障的声谱图训练带噪声的声屏障声谱图，确定声屏障检测阈值；

38、第二处理单元，用于带噪声的声屏障声谱图与声屏障检测阈值对比。

39、另一方面，设置有信号处理系统，

40、所述信号处理系统包括一个或多个存储器，用于存储指令；以及

41、一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行一种基于图像分析模型的声音屏障检测方法。

42、进一步的，设置有计算机可读存取介质，

43、所述计算机可读存取介质包括程序，当所述程序被处理器运行时，一种基于图像分析模型的声音屏障检测方法被执行。

44、本技术提供了一种计算机程序产品，包括程序指令，当所述程序指令被计算设备运行时，如第一方面及第一方面任意可能的实现方式中所述的方法被执行。

45、可预见的，本技术提供了一种芯片系统，该芯片系统包括处理器，用于实现上述各方面中所涉及的功能，例如，生成，接收，发送，或处理上述方法中所涉及的数据和/或信息。

46、该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。

47、在一种可能的设计中，该芯片系统还包括存储器，该存储器，用于保存必要的程序指令和数据。该处理器和该存储器可以解耦，分别设置在不同的设备上，通过有线或者无线的方式连接，或者处理器和该存储器也可以耦合在同一个设备上。

48、本发明的有益效果是：

49、1)本发明不需要改动常规声屏障的硬件和结构，仅需集成混合结构的深度学习网络就可以获得去除散斑噪声等噪声的高质量声谱图。

50、2)本发明提升声音成像微观结构解析能力，所提出的深度学习方法能在去除散斑噪声等噪声的同时解析被散斑噪声所掩盖的微小而重要的微观结构。

51、3)本发明避免了重复扫描，提升系统的时间分辨率，降低了数据处理量。

52、4)本发明避免了降低声音成像样本臂输入功率损失，保有了常规声成像系统的成像灵敏度。