[发明专利]一种基于卷积神经网络的宠物止吠装置与方法

权利要求书

1.一种基于卷积神经网络的宠物止吠装置，其特征在于：包括麦克风、运算放大器、嵌入式处理器、存储器、功率放大器和喇叭，其中，所述麦克风的输出端与所述运算放大器的输入端连接，所述运算放大器的输出端与所述嵌入式处理器的输入端连接，所述嵌入式处理器与所述存储器连接，所述嵌入式处理器的输出端与所述功率放大器的输入端连接，所述功率放大器的输出端与所述喇叭的输入端连接。

2.一种基于卷积神经网络的宠物止吠方法，其特征在于，包括以下步骤：

S1、准备训练样本，选择若干段宠物叫吠声作为模型的训练数据；

S2、预处理，对原始的宠物叫吠声进行预处理；

S3、计算语谱图；

S4、将语谱图输入卷积神经网络；

S5、训练模型；

S6、宠物身份识别；

S7、止吠声音触发，播放止吠声音。

3.根据权利要求2所述的基于卷积神经网络的宠物止吠方法，其特征在于：步骤S2中的预处理包括预加重、分帧加窗、叫吠声音端点检测。

4.根据权利要求2所述的基于卷积神经网络的宠物止吠方法，其特征在于：步骤S4中的卷积神经网络包括卷积层、降采样层和全连接层；卷积层作为卷积神经网络的第一层，直接对二维语谱图信号进行卷积操作；卷积核滤波器大小选择5X5模板，通过不同的卷积核滤波器作用得到的结果构成了特征图；每个卷积核滤波器共享相同的参数，包括相同的权重矩阵和偏置项，采用的卷积层数学模型如下：

y＝f(x*k+b)

其中，x是输入信号，k是卷积核，*是卷积操作，b是偏置项，f是sigmoid函数，y是输出特征图；

降采样层部署在卷积层之后，降采样滤波器选择2X2模板，采样策略取4个像素对应的最大值，全连接层将得分值送给分类器。

5.根据权利要求2所述的基于卷积神经网络的宠物止吠方法，其特征在于：在步骤S5中，模型训练并优化后，生成Android支持的APK模型文件。

6.根据权利要求5所述的基于卷积神经网络的宠物止吠方法，其特征在于：在步骤S6中，训练后的APK模型文件部署在权利要求1所述的基于卷积神经网络的宠物止吠装置中，该宠物止吠装置中麦克风采集宠物叫吠信号，提取语谱图信号量，将语谱图作为卷积神经网络模型的输入，得到得分概率值，该值大于阈值，待检测宠物身份得以确认，否则未得到确认。

7.根据权利要求6所述的基于卷积神经网络的宠物止吠方法，其特征在于：在步骤S7中，确定了宠物身份后，再检测宠物叫吠幅值是否超过设定的阈值，超过的话，将保存在存储器的止吠声音，通过喇叭播放出来。