[发明专利]基于时频分析和深度学习的远距离直升机旋翼声音检测方法

说明书

本发明公开一种基于时频分析和深度学习的直升机旋翼声音检测方法，以解决雷达检测方法对直升机的检测存在盲区的问题。该方法分为四个步骤：首先对声音信号预处理，然后对预处理后的信号采用时频分析，得到时频图像，之后利用基于深度学习的检测网络，检测声音中是否存在目标声音，最后将结果存入数据库。其中检测网络先利用卷积神经网络提取特征，再将特征送入循环神经网络进行检测。在检测完成后，判断算法是否结束，如果不结束，则算法持续运行，对外界声音检测。本发明有助于监管部门对非法飞行的远距离直升机进行自动化地检测和管理，维护秩序和安全。

技术领域

本发明涉及对远距离处于平稳飞行状态的直升机，其旋翼声音的检测方法。

背景技术

目前直升机的使用广泛应用于各个领域，但在使用过程中，对其监管成为一个问题。尤其在野外环境下，未经审批而飞行的直升机可能对空域的飞行安全，甚至国土安全造成威胁。由于直升机在低空飞行，雷达检测技术失效。而利用直升机声音旋翼声音较大，传播范围较远，不受障碍物遮挡等诸多特点，可以用于对其进行监控检测。

直升机气动声音主要来源于旋翼系统。通常在平稳飞行时，在频谱的低频部分占主导地位的是旋转声音。旋转声音是一种周期性谐波噪声，其频谱是由旋翼通过频率的各阶谐波组成。

目前声音检测算法主要应用于语音和生活环境声音检测，其特点在于，信噪比较高，且频域成分丰富。而野外平稳飞行的直升机旋翼声音的特点在于，信噪比低，且频域成分相对较少。使得利用现有方法，对野外平稳飞行的直升机旋翼声音的检测效果不理想。

因此研究针对野外平稳飞行的直升机旋翼声音的检测算法，实现对非法飞行的直升机监控检测成为亟待解决的问题。

发明内容

为解决现有技术中存在的技术问题，本发明实施例提供一种基于时频分析和深度学习的旋翼声音检测算法，能实现对在野外平稳飞行的直升机旋翼声音进行检测，以便相关监管部门监测。

本发明提供一种声音检测算法，对在野外平稳飞行的直升机旋翼声音进行检测，该算法包含三个部分：预处理、时频分析和检测网络；

所述预处理，依次对环境声音进行采样、滤波和分片；

所述环境声音，是野外环境下的声音，其中一定包括环境噪声，可能包括平稳飞行的直升机旋翼声音；

一般地，当环境噪声中含有直升机旋翼声音时，直升机旋翼声音能量低于环境噪声能量；

所述采样，对来自麦克风采集的信号进行数字采样，采样频率是待测频率范围的4倍以上；

所述滤波，是带通滤波，以直升机起飞所需的最小旋翼转速为滤波器下边界，以直升机平稳飞行时旋翼的最大转速为滤波器上边界；

所述分片，是将无限长的声音信号，分成相互重叠的声音信号段，时间上相互重叠的长度不小于单个声音信号段长度的一半。

所述时频分析，对声音信号段进行时频分析处理，形成时频图像；

所述时频图像，是时频变换后的浮点矩阵，或者处理后转为的单通道图像。

可选地，所述时频分析处理包括：

短时Fourier变换、Wigner-Ville变换以及Choi-Williams变换；

但是不包括Mel频率倒谱变换。

所述检测网络，是综合利用卷积神经网络和循环神经网络，形成的深度神经网络；

所述卷积神经网络，输入是时频图像，输出是时频特征；

所述循环神经网络，输入是时频特征，输出是以one-hot编码的概率形式呈现的检测结果；