OSEN-ZSW 室内外场景智能声纹/声源分析算法识别系统

奥斯恩2012年创立于深圳宝安区，是一家以智慧环保为中心，融合物联网、云计算、大数据、人工智能AI、区块链、移动互联网等新一代信息技术的国家高新技术企业，从事环境监测仪器设备，智慧农业，智慧水质产品的研发，生产制造，销售和提供整套技术服务，配套物联网云平台，生态环境大数据可视化平台，环保软件行业应用的开发和运营，奥斯恩业务始终围绕“产品＋应用解决方案＋服务”展开，产品定位于中高端市场，广泛应用于环保、安全、应急监测、电力、垃圾焚烧、水泥、钢铁、空分、石化、化工、园林水利，农牧业及科研等领域。

拥有自主品牌“奥斯恩”，奥斯恩始终坚持可持续发展方向上与国内知名大学，科研机构，行业协会，跨界知名企业强强联合建立了广泛深入的合作关系。奥斯恩荣获深圳市高新技术企业称号、国家高新技术企业称号，先后获得ISO9001质量管理体系认证、ISO14001环境体系认证，售后服务星级企业，重合同守信用AAA单位；奥斯恩品牌旗下产品获得多项制造计量型式批准认证（CPA）、中国环境保护产品认证（CCEP）、防爆合格证、软件产品认证，第三方CNAS实验室（guo家级）出具的权威检测证书，拥有几十项软件著作权与技术，奥斯恩品牌入围国内几十个城市住建局，生态环境局，城管执fa局供应链系统名单，全国多个高校科研院所指ding产品品牌，旗下有五家分公司，先后在广西、广东、云南、山东、山西、陕西、福建、贵州、新疆等全国30省(市、自治区)建立了完善的技术服务网点和销售网络点，合作客户遍布中国大陆、台湾、香港澳门、东南亚，南亚国家等地区。

奥斯恩自组建有2000㎡的生产基地，有完整的老化标定车间、先jin的装配生产线，产品实验室，生产规模及品控能力处于业内领xian水平。

奥斯恩拥有几十人的研发团队，由软件开发，嵌入式开发，仪器仪表调试，机械设计，环境气象学，大数据算法组成，全部源于国内重点院校校友，且长期与行业经验丰富，学术造诣高的全国知名专家，行业技术总工进行技术交流与合作，拥有深厚的专业基础，具备高性能软硬件产品的研发设计能力。奥斯恩是多个国内高校的挂牌校企实习基地，产学研合作基地。

  声明：该项目为非标定制服务功能，只能根据实际需求确认后方可报价，如有需求烦与我司客服联系索要正式报价单，给您带来不便请谅解！

  也叫声音识别，是一种生物识别技术，通过转换声音信号为电信 号，用计算机进行特征提取和身份验证。其生物学基础在于生物的语音信号携带着独&特的声波频谱，就像指纹一样具有唯&一性和稳定性。

  人类语言的产生是人体语言中枢与发音器官之间一个复杂的生理物理过程， 人在讲话时使用的发声器官--舌、牙齿、喉头、肺、鼻腔在尺寸和形态方面每个 人的差异很大，所以任何两个人的声纹图谱都有差异。每个人的语音声学特征既 有相对稳定性，又有变异性，不是绝对的、一成不变的。这种变异可来自生理、 病理、心理、模拟、伪&装，也与环境干扰有关。尽管如此，由于每个人的发音器 官都不尽相同，因此在一般情况下，人们仍能区别不同的人的声音或判断是否是 同一人的声音 

  室内外场景智能声纹/声源分析算法识别系统换做其他生物或者物体也是。同一类的声音的语音信号也携带着独&特的声波 频谱。提取出来并做分类和识别。这个就是声纹识别技术。

  室内外场景智能声纹/声源分析算法识别系统的主要任务包括：语音信号处理、声纹特征提取、声纹建模、声纹 比对、判别决策等。

技术特点

1.噪声声音类型识别是指通过机器学习算法，对环境中的噪声进行分类，以判 断其可能的来源和类型。例如，区分机器噪声、人声噪声、交通噪声等。

3.AI 在噪声声音类型识别中的应用主要体现在深度学习技术中，特别是卷积神 经网络的应用。首先，需要收集大量的声音数据，并利用深度学习算法对这 些数据进行训练，以提取出有用的特征并进行模型优化。然后，将输入的声 音与已知的声音模型进行比对，通过计算输入声音的特征与模型之间的距离 或相似度，来确定输入声音的身份。

3.此外，对于特定的应用场景，如室内场景、户外场景识别，公共场所、办公 室场景识别等，还可以使用专门的音频处理前端部分。

4.值得注意的是，尽管 AI 在噪声声音类型识别方面有着广泛的应用前景，但 是在实际应用中仍然面临着许多挑战，如噪声环境的复杂性、语音信号的多 样性以及模型的优化等问题。因此，如何提高噪声声音类型识别的准确性和 鲁棒性，仍然是未来研究的重要方向。

室内外场景智能声纹/声源分析算法识别系统技术路线

1.建立音频样例库，覆盖面广，根据不同的噪声监管单位将声音划分为五大类， 不少于 50 个声音子类别；

3.通过深度学习 AI 技术，对噪声样本进行分析和处理，提取出其中的声纹特 征，构建声纹识别模型；

3.不断的测试和优化，提高声纹识别模型的准确性和鲁棒性，使其能够在各种 环境和条件下都能准确地识别出声纹类型；

4.采用深度卷积神经网络算法实现音频事件的识别分类。通过卷积操作对音频进行时域特征和 logmel 频域特征的提取，并结合波形的时域特征和频域特 征作为音频的有效特征，再通过卷积采样进一步获取特征图，最终以全连接 网络分类器实现特征的类别分类。

技术参数

主控芯片：Rockchip RK358

CPU：8 核 64 位处理器 4 个 Cortex-A76 和 4 个 Cortex-A55 及独立的 NEON 协处理器 Cortex-A76 主频 2.4GHz，Cortex-A55 主频 1.8GHz

GPU：集成 ARM Mali-G610；内置 3D GPU；兼容 OpenGL ES1.1/2.0/3.2、 OpenCL 2.2 和 Vulkan 1.2

NPU：内嵌的 NPU 支持 INT4/INT8/INT16/FP16 混合运算，算力高达 6Top 

存储：8G+64G emmc 

接口：有 2 个 HDMl 输出端口,1 个输入 HDMl 端口，最高可解码 8K@60P 视频，两个 PCIe 扩展的 2.5G 以太网接口，配备一个支持安装 NVMe 固态 硬盘的 M.2 M-Key 插槽，一个支持 Wi-Fi6/BT 模块的 M.2 E-Key 插槽。此 外，有 2 个 USB 3.0、2 个 USB 2.0、2 个 Type-C（其中一个为电源接口）

基于 Pytorch 实现的声纹识别模型：模型是一种基于深度学习的说话人识别 系统，其结构中融入了通道注意力机制、信息传播和聚合操作。这个模型的 关键组成部分包括多层帧级别的 TDNN 层、一个统计池化层以及两层句子 级别的全连接层，此外还配备了一层 softmax，损失函数为交叉熵。

特征提取：预加重->分加窗->离散傅里叶变换->梅尔滤波器组->逆离散傅里叶变换

模型训练集：>100000 个训练样本

声音类型：声音类型主要划分为五大类别，分别为生活噪声、施工噪声、工 业噪声、交通噪声、自然噪声，其中包含打雷，犬吠，刮风，敲击、虫鸣鸟 叫、蛙鸣等不少于 50 个声音子类别

声纹识别准确率：≥90%

识别响应速率：<1s

调用方式：支持云端调用或者本地终端调用

技术协议：支持 HTTP 协议

接口种类：USB、HDMI、SD、RJ45

电源接口：TYPE-C

工作电压：5V3A