基于神经网络的噪声等级监测装置、监测方法及电子设备与流程

本申请涉及人工智能领域，具体涉及一种基于神经网络的噪声等级监测装置、监测方法及电子设备。

背景技术：

1、在语音信号处理当中，确定噪声等级是一项重要的任务。监测噪声等级可以广泛应用在各个领域当中，以帮助分析和管理噪声环境。例如，在消费类电子产品中，为了更好地对音频降噪，就需要估计环境噪声的大小。比如耳机处于不同的环境时，需要根据环境的噪声的等级来对应的采用不同的降噪模式，以使得耳机的佩戴者可以具有更好的使用体验。在城市规划和环境管理中，也需要对环境噪声进行实时的监测。在工业安全中，噪声等级的监测可以帮助检测和分类机器和设备的运行状态，从而识别异常或者故障。

2、目前，噪声等级监测主要是通过直接计算音频的声压级来直接输出噪声等级分类的结果，然而，这种方案会将人声也当作噪声一并进行处理，其监测结果的准确度较低，从而造成一系列的问题。而且，现有技术中的噪声等级监测的方式往往功耗较高、对硬件设备要求较高，以致其不适合部署在离线设备以及消费类电子产品等需要功耗较低的产品当中。所以，现有技术中的噪声等级监测通常存在监测结果不够准确、监测的功耗较高的问题，尤其是现在越来越多的消费类电子产品需要功耗低且噪声等级监测准确。

技术实现思路

1、鉴于此，本申请提供一种基于神经网络的噪声等级监测装置、监测方法及电子设备。

2、本申请提出的噪声等级监测装置包括：基于模拟电路的模拟信号处理模块、噪声获取模块、噪声等级识别模块、及噪声等级确定模块。其中，模拟信号处理模块用于基于模拟电路来提取环境中的模拟的音频信号的音频特征。噪声获取模块，用于基于第一级神经网络模型过滤所述音频特征中的人声的音频特征，以得到噪声的音频特征。噪声等级识别模块，用于基于第二级神经网络模型对所述噪声的音频特征分级，以得到所述环境中的音频信号的n个初始噪声等级。噪声等级确定模块，用于判断所述n个初始噪声等级中为同一个噪声等级的数量是否达到m个，若是，则将该同一个噪声等级对应的初始噪声等级确定为噪声等级

3、在一优选实施例中， 所述模拟信号处理模块包括：

4、低噪声放大器，用于将输入的音频信号按照固定增益进行放大；

5、声音强度稳定电路，用于补偿不同声音大小导致的声音强度变化，以稳定放大后的音频信号的强度；

6、整流量化电路，用于将稳定后的音频信号进行整流并将整流后的信号量化为数字信号脉冲，以形成所述模拟的音频信号的音频特征。

7、在一优选实施例中， 所述声音强度稳定电路包括：与所述低噪声放大器的输出端连接的增益可变放大器、及用于控制所述增益可变放大器的增益的控制器。

8、在一优选实施例中， 所述噪声获取模块通过基于隐马尔可夫模型的深度神经网络模型来得到噪声的音频特征。

9、在一优选实施例中， 所述噪声获取模块还用于构建所述第一级神经网络模型，且还用于通过块加载的方式训练得到所述第一级神经网络模型。

10、在一优选实施例中， 所述噪声等级识别模块还用于构建所述第二级神经网络模型，且还用于在构建所述第二级神经网络模型所需的数据集时在噪声中加入人声，以得到具有预定的信噪比的混合噪声。

11、在一优选实施例中， 所述第一级神经网络模型为二值神经网络。

12、在一优选实施例中， 所述第二级神经网络模型为基于深度可分离卷积算子的神经网络模型。

13、在一优选实施例中， 所述第二级神经网络模型包括依次连接的普通卷积层、深度可分离卷积层、及全连接层。

14、本申请还提出一种噪声等级监测方法，所述方法包括：

15、通过模拟电路提取环境中的模拟的音频信号的音频特征；

16、基于第一级神经网络模型过滤所述音频特征中的人声的音频特征，以得到噪声的音频特征；

17、基于第二级神经网络模型对所述噪声的音频特征分级，以得到所述环境中的音频信号的n个初始噪声等级；

18、判断所述n个初始噪声等级中为同一个噪声等级的数量是否达到m个，若是，则将该同一个噪声等级对应的初始噪声等级确定为噪声等级，其中，n≥1，m≤n。

19、在一优选实施例中，所述基于第一级神经网络模型过滤所述音频特征中的人声的音频特征之前包括：通过块加载的方式训练得到所述第一级神经网络，所述第一级神经网络模型为基于隐马尔可夫模型的二值神经网络模型。

20、在一优选实施例中，所述基于第二级神经网络模型对所述噪声的音频特征分级之前还包括：构建所述第二级神经网络模型，且在构建所述第二级神经网络模型所需的数据集时在噪声中加入人声，以得到具有预定的信噪比的混合噪声。

21、本申请还提出一种电子设备，其设置有上述的噪声等级监测装置。

22、本申请提供的噪声等级监测装置、方法及电子设备，其通过基于模拟的模拟信号处理模块来提取出环境里音频信号的音频特征、结合噪声获取模块和噪声等级识别模块，以实现基于二级神经网络来依次得到噪声的音频特征并识别出上述噪声的音频特征的初始噪声等级，然后通过噪声等级确定模块再次去掉上述初始噪声等级中的干扰数据，进而大大的提高了噪声等级监测的准确度、其结构简单、整个噪声等级识别过程简单、且噪声等级监测所需的功耗极低，其可以广泛的应用于各种需要低功耗的电子产品中，例如应用于离线的电子设备中。

技术特征：

1.一种基于神经网络的噪声等级监测装置，其特征在于， 所述装置包括：

2.根据权利要求1所述的监测装置，其特征在于， 所述模拟信号处理模块包括：

3.根据权利要求2所述的监测装置，其特征在于，所述声音强度稳定电路包括：与所述低噪声放大器的输出端连接的增益可变放大器、及用于控制所述增益可变放大器的增益的控制器。

4.根据权利要求1所述的监测装置，其特征在于，所述噪声获取模块通过基于隐马尔可夫模型的深度神经网络模型来得到噪声的音频特征。

5.根据权利要求4所述的监测装置，其特征在于，所述噪声获取模块还用于构建所述第一级神经网络模型，且还用于通过块加载的方式训练得到所述第一级神经网络模型。

6.根据权利要求5所述的监测装置，其特征在于， 所述噪声等级识别模块还用于构建所述第二级神经网络模型，且还用于在构建所述第二级神经网络模型所需的数据集时在噪声中加入人声，以得到具有预定的信噪比的混合噪声。

7.根据权利要求1至6中任一项所述的监测装置，其特征在于， 所述第一级神经网络模型为二值神经网络。

8.根据权利要求1至6中任一项所述的监测装置，其特征在于，所述第二级神经网络模型为基于深度可分离卷积算子的神经网络模型。

9.根据权利要求1至6中任一项所述的监测装置，其特征在于， 所述第二级神经网络模型包括依次连接的普通卷积层、深度可分离卷积层、及全连接层。

10.一种噪声等级监测方法，其特征在于，所述方法包括：

11.根据权利要求10所述的噪声等级监测方法，其特征在于，所述基于第一级神经网络模型过滤所述音频特征中的人声的音频特征之前包括：通过块加载的方式训练得到所述第一级神经网络，所述第一级神经网络模型为基于隐马尔可夫模型的二值神经网络模型。

12.根据权利要求10或11所述的噪声等级监测方法，其特征在于，所述基于第二级神经网络模型对所述噪声的音频特征分级之前还包括：构建所述第二级神经网络模型，且在构建所述第二级神经网络模型所需的数据集时在噪声中加入人声，以得到具有预定的信噪比的混合噪声。

13.一种电子设备，其特征在于，所述电子设备包括权利要求1-9中任一项所述的监测装置。

技术总结本申请涉及一种噪声等级监测装置、方法及电子设备，该装置包括：模拟信号处理模块、噪声获取模块、噪声等级识别模块及噪声等级确定模块。模拟信号处理模块用于基于模拟电路来提取环境中的模拟的音频信号的音频特征。噪声获取模块用于基于第一级神经网络模型过滤所述音频特征中的人声的音频特征，以得到噪声的音频特征。噪声等级识别模块用于基于第二级神经网络模型对所述噪声的音频特征分级，以得到所述环境中的音频信号的N个初始噪声等级。噪声等级确定模块用于判断所述N个初始噪声等级中为同一个噪声等级的数量是否达到M个，若是，则将该同一个噪声等级对应的初始噪声等级确定为噪声等级。其噪声等级监测的准确度高且功耗极低。技术研发人员：黄耀,孙俊龙,逯嘉鹏,张翰林,杨晓风受保护的技术使用者：深圳市九天睿芯科技有限公司技术研发日：技术公布日：2024/2/6