CN111341334A

CN111341334A - 一种应用于轨道交通的降噪和异常声音检测系统及方法

Info

Publication number: CN111341334A
Application number: CN202010150438.3A
Authority: CN
Inventors: 赵铁柱; 杨秋鸿; 董辉
Original assignee: Dongguan University of Technology
Current assignee: Dongguan University of Technology
Priority date: 2020-03-06
Filing date: 2020-03-06
Publication date: 2020-06-26

Abstract

本发明公开了一种应用于轨道交通的降噪和异常声音检测系统及方法，包括数据采集模组、数据传输模组与监测模组，数据采集模组包括噪音采集模块、音频编码模块，数据采集模组用于实时采集轨道交通车辆中的声音并进行编码，数据传输模组将采集到的声音通过无线收发设备传输到检测模组模组，监测模组包括车辆监控模块和安全报警模块，方便地检测轨道交通监听范围内异常声音，能够在一定程度上提高轨道运营人员对突发事件的响应速度，根据地点不同，定义不同的异常声音，可准确地分析出相应异常声音。

Description

一种应用于轨道交通的降噪和异常声音检测系统及方法

技术领域

本发明具体涉及轨道交通技术领域，特别涉及一种应用于轨道交通的降噪和异常声音检测系统及方法。

背景技术

随着轨道交通的快速发展，轨道交通已经成为城市居民日常出行的重要交通工具，轨道交通的乘换人次多，客流量大，这已经成为目前轨道交通安全运营的一大问题。随后引入的视频监控系统，在一定程度上为运营部门提供了较全面的现场监控信息，通过这些信息，运营部门可以实时了解轨道站内的安全情况。由于这些监控系统都不具备音频监控功能，因此对于一些特殊的事件，仅凭视频监控却无能为力了，例如突发的围观事件、爆炸事件、呼喊、呼救等。

现有的轨道交通仅仅是对车辆路况进行录像，对于突发情况不能做出预警，而且由于环境噪声的影响，音频监听往往难以达到好的听收音效果。

发明内容

本发明的目的在于克服传统技术中存在的上述问题，提供一种应用于轨道交通的降噪和异常声音检测系统及方法。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：一种应用于轨道交通的降噪和异常声音检测系统，包括数据采集模组、数据传输模组与监测模组，所述数据采集模组包括噪音采集模块、音频编码模块，所述数据采集模组用于实时采集轨道交通车辆中的声音并进行编码，所述数据传输模组将采集到的声音通过无线收发设备传输到检测模组模组，监测模组包括车辆监控模块和安全报警模块。

一种应用于轨道交通的降噪和异常声音检测方法步骤S1:所述噪音采集模块采集轨道交通车辆声音信号；

步骤S2:所述检测模组用于对采集的声音进行处理、识别、报警；

步骤S3:在检测模组层进行声音能量检测，通过检测捕获的轨道车辆声音能量筛选出有效的轨道车辆声音信号，排除安静状况下的声音，提高系统的执行效率，实时捕获的声音信号能量为所有帧的短时能量之和，通过声音信号能量与设定阈值比较，选择出有效信号进行下一步处理。

步骤S4:检测模组进行声音降噪过程中，通过改进的谱减法对采集的轨道车辆声音进行降噪处理，谱减法是以加性噪声和声音信号相互独立为前提的

进一步地，所述步骤S1将声音信号实时传输到音频采集编码处理模块，进行音频信号的编码，数据传输模块的无线收发设备将编码好的声音数据通过Wi-Fi传输到检测模组。

进一步地，所述步骤S2处理、识别、报警包括：声音能量检测、降噪处理、盲源分离、声音特征提取、车辆声音检测、异常声音报警机制。

进一步地，所述步骤S3采用噪音采集模块进行声音数据采集，采集到的声音数据标记，确定出每一声音数据所属的声音类别，根据某段声音数据实际表示车辆行驶情况，将该段声音的所属声音类别标记为“正常声音”或“异常声音”，将已经标记了所属声音类别的声音数据作为训练样本，通过对训练样本进行深度学习获得算法模型，即声音识别模型，该声音识别模型可准确区分各类不同声音，异常声音根据不同轨道交通的需求，根据地点不同，定义不同的异常声音，得出的模型可准确地分析出相应异常声音。

进一步地，所述步骤S4设纯净的轨道车辆声音信号为s(t)，噪声信号为n(t)，则含噪声音信号y(t)可表示为：y(t)＝s(t)+n(t)，设S(w)，N(w)，Y(w)分别为s(t)，n(t)，y(t)的傅里叶变换，则Y(w)＝S(w)+N(w)，|Y(w)|＝|S(w)|+|N(w)|+2Re[S(w)N(w)]E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)+2E{Re[S(w)N(w)]}，由于s(t)与n(t)相互独立，因此S(w)，N(w)也相互独立，故E{Re[S(w)N(w)]}＝0。因此，由上式可以推导出：E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)|Y(w)|＝|S(w)|+|N(w)|，从轨道提取一些“噪声帧”作为噪声库的初始数据，通过实时检测采集声音的能量对噪声库进行扩充和更新，当执行谱减法的过程中提取不到足够噪声段时，将噪声库中最新的数据作为“静音帧”估计噪声n(t)，完成谱减法降噪。

本发明的收益效果是：方便地检测轨道交通监听范围内异常声音，能够在一定程度上提高轨道运营人员对突发事件的响应速度，根据地点不同，定义不同的异常声音，可准确地分析出相应异常声音。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明数据采集模组模块图；

图2为本发明监测模组模块图；

图3为本发明声音检测电路原理图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1-3所示，本实施例为一种应用于轨道交通的降噪和异常声音检测系统，包括数据采集模组、数据传输模组与监测模组，数据采集模组包括噪音采集模块、音频编码模块，数据采集模组用于实时采集轨道交通车辆中的声音并进行编码，数据传输模组将采集到的声音通过无线收发设备传输到检测模组模组，监测模组包括车辆监控模块和安全报警模块。

一种应用于轨道交通的降噪和异常声音检测方法：

步骤S1:噪音采集模块采集轨道交通车辆声音信号；

步骤S2:检测模组用于对采集的声音进行处理、识别、报警；

其中，步骤S1将声音信号实时传输到音频采集编码处理模块，进行音频信号的编码，数据传输模块的无线收发设备将编码好的声音数据通过Wi-Fi传输到检测模组。

其中，步骤S2处理、识别、报警包括：声音能量检测、降噪处理、盲源分离、声音特征提取、车辆声音检测、异常声音报警机制。

其中，步骤S3采用噪音采集模块进行声音数据采集，采集到的声音数据标记，确定出每一声音数据所属的声音类别，根据某段声音数据实际表示车辆行驶情况，将该段声音的所属声音类别标记为“正常声音”或“异常声音”，将已经标记了所属声音类别的声音数据作为训练样本，通过对训练样本进行深度学习获得算法模型，即声音识别模型，该声音识别模型可准确区分各类不同声音，异常声音根据不同轨道交通的需求，根据地点不同，定义不同的异常声音，得出的模型可准确地分析出相应异常声音。

其中，步骤S4设纯净的轨道车辆声音信号为s(t)，噪声信号为n(t)，则含噪声音信号y(t)可表示为：y(t)＝s(t)+n(t)，设S(w)，N(w)，Y(w)分别为s(t)，n(t)，y(t)的傅里叶变换，则Y(w)＝S(w)+N(w)由上推：|Y(w)|＝|S(w)|+|N(w)|+2Re[S(w)N(w)]E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)+2E{Re[S(w)N(w)]}，由于s(t)与n(t)相互独立，因此S(w)，N(w)也相互独立，故E{Re[S(w)N(w)]}＝0。因此，由上式可以推导出：E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)|Y(w)|＝|S(w)|+|N(w)|，从轨道提取一些“噪声帧”作为噪声库的初始数据，通过实时检测采集声音的能量对噪声库进行扩充和更新，当执行谱减法的过程中提取不到足够噪声段时，将噪声库中最新的数据作为“静音帧”估计噪声n(t)，完成谱减法降噪。

本实施例的一个具体应用为：噪音采集模块采集轨道交通车辆声音信号，检测模组用于对采集的声音进行处理、识别、报警，在检测模组层进行声音能量检测，通过检测捕获的轨道车辆声音能量筛选出有效的轨道车辆声音信号，排除安静状况下的声音，提高系统的执行效率，实时捕获的声音信号能量为所有帧的短时能量之和，通过声音信号能量与设定阈值比较，选择出有效信号进行下一步处理，检测模组进行声音降噪过程中，通过改进的谱减法对采集的轨道车辆声音进行降噪处理，谱减法是以加性噪声和声音信号相互独立为前提的，将声音信号实时传输到音频采集编码处理模块，进行音频信号的编码，数据传输模块的无线收发设备将编码好的声音数据通过Wi-Fi传输到检测模组，处理、识别、报警包括：声音能量检测、降噪处理、盲源分离、声音特征提取、车辆声音检测、异常声音报警机制，步骤S3采用噪音采集模块进行声音数据采集，采集到的声音数据标记，确定出每一声音数据所属的声音类别，根据某段声音数据实际表示车辆行驶情况，将该段声音的所属声音类别标记为“正常声音”或“异常声音”，将已经标记了所属声音类别的声音数据作为训练样本，通过对训练样本进行深度学习获得算法模型，即声音识别模型，该声音识别模型可准确区分各类不同声音，异常声音根据不同轨道交通的需求，根据地点不同，定义不同的异常声音，得出的模型可准确地分析出相应异常声音，设纯净的轨道车辆声音信号为s(t)，噪声信号为n(t)，则含噪声音信号y(t)可表示为：y(t)＝s(t)+n(t)，设S(w)，N(w)，Y(w)分别为s(t)，n(t)，y(t)的傅里叶变换，则Y(w)＝S(w)+N(w)，|Y(w)|＝|S(w)|+|N(w)|+2Re[S(w)N(w)]E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)+2E{Re[S(w)N(w)]}，由于s(t)与n(t)相互独立，因此S(w)，N(w)也相互独立，故E{Re[S(w)N(w)]}＝0。因此，由上式可以推导出：E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)|Y(w)|＝|S(w)|+|N(w)|，从轨道提取一些“噪声帧”作为噪声库的初始数据，通过实时检测采集声音的能量对噪声库进行扩充和更新，当执行谱减法的过程中提取不到足够噪声段时，将噪声库中最新的数据作为“静音帧”估计噪声n(t)，完成谱减法降噪。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料等特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims

1.一种应用于轨道交通的降噪和异常声音检测系统，其特征在于：包括数据采集模组、数据传输模组与监测模组，所述数据采集模组包括噪音采集模块、音频编码模块，所述数据采集模组用于实时采集轨道交通车辆中的声音并进行编码，所述数据传输模组将采集到的声音通过无线收发设备传输到监测模组，监测模组包括车辆监控模块和安全报警模块。

2.根据权利要求1所述一种应用于轨道交通的降噪和异常声音检测方法：

步骤S1:所述噪音采集模块采集轨道交通车辆声音信号；

步骤S3:在检测模组层进行声音能量检测，通过检测捕获的轨道车辆声音能量筛选出有效的轨道车辆声音信号，排除安静状况下的声音，提高系统的执行效率，实时捕获的声音信号能量为所有帧的短时能量之和，通过声音信号能量与设定阈值比较，选择出有效信号进行下一步处理；

步骤S4:检测模组进行声音降噪过程中，通过改进的谱减法对采集的轨道车辆声音进行降噪处理，谱减法是以加性噪声和声音信号相互独立为前提的。

3.根据权利要求2所述一种应用于轨道交通的降噪和异常声音检测方法：所述步骤S1将声音信号实时传输到音频采集编码处理模块，进行音频信号的编码，数据传输模块的无线收发设备将编码好的声音数据通过Wi-Fi传输到检测模组。

4.根据权利要求2所述一种应用于轨道交通的降噪和异常声音检测方法：所述步骤S2处理、识别、报警包括：声音能量检测、降噪处理、盲源分离、声音特征提取、车辆声音检测、异常声音报警机制。

5.根据权利要求2所述一种应用于轨道交通的降噪和异常声音检测方法：所述步骤S3采用噪音采集模块进行声音数据采集，采集到的声音数据标记，确定出每一声音数据所属的声音类别，根据某段声音数据实际表示车辆行驶情况，将该段声音的所属声音类别标记为“正常声音”或“异常声音”，将已经标记了所属声音类别的声音数据作为训练样本，通过对训练样本进行深度学习获得算法模型，即声音识别模型，该声音识别模型可准确区分各类不同声音，异常声音根据不同轨道交通的需求，根据地点不同，定义不同的异常声音，得出的模型可准确地分析出相应异常声音。

6.根据权利要求2所述一种应用于轨道交通的降噪和异常声音检测方法：所述步骤S4设纯净的轨道车辆声音信号为s(t)，噪声信号为n(t)，则含噪声音信号y(t)可表示为：y(t)＝s(t)+n(t)，设S(w)，N(w)，Y(w)分别为s(t)，n(t)，y(t)的傅里叶变换，则Y(w)＝S(w)+N(w)由上推：|Y(w)|＝|S(w)|+|N(w)|+2Re[S(w)N(w)]E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)+2E{Re[S(w)N(w)]}，由于s(t)与n(t)相互独立，因此S(w)，N(w)也相互独立，故E{Re[S(w)N(w)]}＝0。因此，由上式可以推导出：E(|Y(w)|)＝E(|S(w)|)+E(|N(w)|)|Y(w)|＝|S(w)|+|N(w)|，从轨道提取一些“噪声帧”作为噪声库的初始数据，通过实时检测采集声音的能量对噪声库进行扩充和更新，当执行谱减法的过程中提取不到足够噪声段时，将噪声库中最新的数据作为“静音帧”估计噪声n(t)，完成谱减法降噪。