[发明专利]一种基于一维卷积神经网络的风叶声音边界定位方法和存储设备

说明书

本发明涉及音频数据处理领域，特别涉及一种基于一维卷积神经网络的风叶声音边界定位方法和存储设备。所述一种基于一维卷积神经网络的风叶声音边界定位方法，包括步骤：对输入的声音信号进行特征提取得特征序列；输入特征序列至预先设计的基于一维卷积神经网络的分类模型得标签序列，每个序列化特征片段生成一个预测标签；根据预设规则对所述标签序列进行调整处理得风叶声音的边界位置。通过实验数据证明，根据以上步骤可取得更准确的风叶声音的边界位置。

技术领域

本发明涉及音频数据处理领域，特别涉及一种基于一维卷积神经网络的风叶声音边界定位方法和存储设备。

背景技术

风电叶片是风机捕获风能的核心部件，需要长期可靠地运行在极其恶劣的户外环境下，难免会遭受雷击、环境腐蚀等影响，从而造成穿孔、脱漆，变形等损伤。对这些损伤进行检测一般需要通过停机通过望远镜进行检测，也有一些通过无人机拍摄视频进行检测，也有一些通过采集风叶扫风声音进行故障检测，但这种基于声音检测的前提是：可以在复杂的充满各种噪声的环境下准确定界出风叶扫风的声音边界，从而提取出风叶声音的频谱特征，进行下一步的故障判断。

故此如何在复杂环境下，准确地提取出风叶声音的频谱特征成了亟需解决的技术问题。

在申请号201810962524.7《一种寻找非稳态时间序列微弱尖峰的方法》中提出获取一维的时间序列数据作为待处理信号；然后计算所述时间序列数据的一阶差分；根据计算的差分寻找所述时间序列数据中所有尖峰；估算噪声幅值；滤除较小尖峰，保留较大尖峰即为所求的信号尖峰。该方法的不足之处是，当叠加一个周期性背景信号时，可能采集到的尖峰是周期性背景信号，而不是真正想要的真实信号。

在申请号201810101218.4《一种音频句子边界检测方法》提出一种音频句子边界检测方法：针对歌声音频的分句问题，根据人耳听觉感知特性对演唱歌声采用CQT进行时频转换，通过子带谱熵法对演唱歌声进行细粒度的端点检测；在此基础上，利用演唱歌声句子之间停顿和发音间隔较长的特点，基于K-means算法进行聚类分析得到分句端点位置，可较好的得到清唱音频句子之间的边界点，并自适应不同节奏的音乐。该方法的缺点是主要针对清唱音频句子之间分句，但针对风叶声音，由于环境复杂，往往夹杂着连续的背景噪声，效果并不确定。如果背景叠加周期性噪声还可能导致聚类失败。

在申请号201880089324.3《学习装置，声音区间检测装置及声音区间检测方法》提出使用输入声音信号区间叠加噪声区间的混合声音以及噪声作为数据输入网络进行学习，其缺点是，使用的神经网络模型层主要基于多层感知机，并不能学习到某些声音在时间序列上的特性，也不能利用某些声音的周期性特性，因此应用场景有限。

发明内容

为此，需要提供一种基于一维卷积神经网络的风叶声音边界定位方法，用以解决现有技术无法在复杂的充满各种噪声的环境下准确定界出风叶扫风的声音边界的技术问题。具体技术方案如下：

一种基于一维卷积神经网络的风叶声音边界定位方法，包括步骤：

对输入的声音信号进行特征提取得特征序列；

输入特征序列至预先设计的基于一维卷积神经网络的分类模型得标签序列，每个序列化特征片段生成一个预测标签；

根据预设规则对所述标签序列进行调整处理得风叶声音的边界位置。

进一步的，所述“输入特征序列至预先设计的基于一维卷积神经网络的分类模型得标签序列，每个序列化特征片段生成一个预测标签”，具体还包括步骤：

依次输入所述特征序列至不同的一维及卷积模块得第一结果；

对所述第一结果进行一维卷积计算得第二结果；

对所述第二结果进行处理并输入全连接层得标签序列。