基于Unet深度卷积的混合声音滤除无人机噪声方法及系统与流程

本发明涉及信号处理，具体为基于unet深度卷积的混合声音滤除无人机噪声方法及系统。

背景技术：

1、随着社会的不断发展和电力需求的增长，电力系统的安全、稳定运行变得至关重要。电网噪音作为电力系统中的一个重要参数，与设备的运行状态息息相关。传统的电网噪音监测主要依赖于固定式噪音传感器或手持式测量仪器，但前者只能覆盖有限的范围，后者又耗时间又耗人力。无人机能够在短时间内覆盖大范围的电力设施，并能轻松飞越难以人工进入的区域，因此使用无人机搭载声学传感器测量电网噪音成为一项创新且有效的监测手段。

2、然后，目前还没有出现利用无人机测量声音信号的先例。这是因为无人机本身在运行时旋翼会发出巨大的噪声，严重干扰目标声音的测量。无人机工作时旋翼发出的噪声频率为0-5khz的宽频噪声，电力设备的振动噪声基频为电流二倍频，电力设备噪声的基频以及5、7、11、13等倍频均与无人机工作噪声频域重合，这使得难以直接使用传统滤波器滤掉无人机自噪声。因此噪声处理的算法是最核心的部分，也是最大的难点，当前主要的降噪方法包括采样降噪和自适应降噪。采样降噪是一种有效的处理具有空白噪声的场景的方法，该算法通过学习空白噪声的特征，然后应用这些学到的信息来削减目标信号中的底噪；自适应降噪则具有灵活性，能够适应不同环境和输入条件，适用于没有事先提供空白噪声的情况，该方法允许算法自主识别和分析输入信号中的底噪，然后有针对性地实施降噪。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：电力设备的振动噪声与无人机工作噪声频域重合，难以直接使用传统滤波器滤掉无人机自噪声。

3、为解决上述技术问题，本发明提供如下技术方案：基于unet深度卷积的混合声音滤除无人机噪声方法，包括：采集混合声音，对混合声音进行预处理，通过u型深度卷积网络得到反映目标声音显著程度的掩膜；根据维纳滤波器的输出得到滤除噪声后的混合声音，迭代滤除无人机自噪声，获得目标声音的频域特征；将目标声音的频域特征进行傅里叶逆变换和加窗，得到目标声音的时域特征，完成无人机噪声的滤除。

4、作为本发明所述的基于unet深度卷积的混合声音滤除无人机噪声方法的一种优选方案，其中：所述混合声音包括，利用麦克风阵列收集包含目标声音和无人机自噪声的混合声音，考虑目标声音传播到麦克风时衰减和延迟的脉冲响应，混合声音表示为，

5、xm(n)＝hm(n)*s(n)+vm(n)

6、其中，xm(n)表示第m个麦克风采集到的混合声音；hm(n)表示目标声音传播到第m个麦克风时衰减和延迟的脉冲响应；s(n)表示目标声源信号；vm(n)表示第m个麦克风采集到的无人机噪声。

7、作为本发明所述的基于unet深度卷积的混合声音滤除无人机噪声方法的一种优选方案，其中：所述预处理包括，使用窗口截取输入信号，然后对分段信号进行短时傅里叶变换，合并后得到频域特征，

8、xm(l,k)＝hm(k)s(l,k)+vm(l,k)

9、其中，xm(l,k)表示第m个麦克风在第l帧的频域特征；hm(k)表示目标声音传播到第m个麦克风时的衰减和延迟；s(l,k)表示目标声源信号在第l帧的频域特征；vm(l,k)表示第m个麦克风采集到的无人机噪声在第l帧的频域特征。

10、作为本发明所述的基于unet深度卷积的混合声音滤除无人机噪声方法的一种优选方案，其中：所述u型深度卷积网络包括，对数压缩声音信号，再将压缩后的m个通道的l个连续帧声音信息通入u型深度卷积网络，

11、

12、其中，mm(l,k)表示第m个麦克风对应的在第l帧和第k频点的掩膜值。

13、作为本发明所述的基于unet深度卷积的混合声音滤除无人机噪声方法的一种优选方案，其中：所述维纳滤波器包括，

14、y(l,k)＝wt(l,k)x(l,k)

15、

16、真实的φx和φs无法直接得到，对m个麦克风对应的掩膜mm(l,k)进行最大池化，得到掩膜m(l,k)，估算φx和φs，

17、φs(l,k)＝αφs(l-1,k)+(1-α)m(l,k)x(l,k)xh(l,k)

18、φx(l,k)＝αφx(l-1,k)+(1-α)x(l,k)xh(l,k)

19、其中，y(l,k)表示维纳滤波器输出的混合声音；wt(l,k)表示权重矩阵；φs(l,k)表示目标声音空间协方差矩阵；φx(l,k)表示混合声音空间协方差矩阵；el表示第l项为1其余项为0的列向量；α表示固定的时间平均系数。

20、作为本发明所述的基于unet深度卷积的混合声音滤除无人机噪声方法的一种优选方案，其中：所述迭代滤除无人机自噪声包括，将维纳滤波器输出的混合声音作为u型深度卷积网络的输入，计算新的掩膜和维纳滤波器输出，迭代重复，并计算均方误差，

21、

22、其中，mse表示均方误差；nl表示数据总数；表示y(l,k)对应的真实值；当mse达到最小值或达到设置的最大迭代次数时，判断为无人机噪声完全滤除，获得目标声音的频域特征。

23、作为本发明所述的基于unet深度卷积的混合声音滤除无人机噪声方法的一种优选方案，其中：所述目标声音的时域特征包括，维纳滤波器输出的是目标声音的l帧频域特征，对每帧分别进行傅里叶逆变换和加窗，与预处理时的加窗位置、类型、窗长、重叠宽度保持一致，然后叠加加窗后的l帧时域信号，两帧重叠部分取均值，得到目标声音的时域特征。

24、第二方面，本发明还提供了基于unet深度卷积的混合声音滤除无人机噪声系统，包括，混合声音处理模块，将采集的混合声音进行加窗和傅里叶变换；迭代模块，通过u型深度卷积网络得到反映目标声音显著程度的掩膜，通过维纳滤波器滤除无人机噪声，迭代进行直到均方误差达到最小值或达到设置的最大迭代次数；目标声音输出模块，将迭代完成的目标声音的时域特征进行傅里叶逆变换和加窗，得到目标声音的时域特征并输出。

25、第三方面，本发明还提供了一种计算设备，包括：存储器和处理器；

26、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于unet深度卷积的混合声音滤除无人机噪声方法的步骤。

27、第四方面，本发明还提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于unet深度卷积的混合声音滤除无人机噪声方法的步骤。

28、本发明的有益效果：本发明通过u型网络结构提取声音特征，并利用维纳滤波器精确滤除噪声，能够在复杂背景下显著提高目标声音的提取纯度。迭代机制进一步优化了声音信号，确保了噪声滤除过程的高效性和低误差性，最终通过逆傅里叶变换精确恢复出目标声音的时域特征，不仅提高了无人机监测和其他应用场景的音质清晰度，还有助于增强声音信号处理的实际应用价值。