一种基于深度神经网络的城轨邻域施工监测方法及系统

1.本发明涉及城市轨道交通安全技术领域，尤其涉及一种基于深度神经网络 的城轨邻域施工监测方法及系统。


背景技术：

2.城市轨道交通(亦简称城轨交通)比较多用于称呼在经济发达地区中新建的 各种中短距离客运铁路系统。
3.从产业链的角度看，城市轨道交通投资分为三个阶段，分别是工程设计、工 程建设和后期运营管理。其中工程建设是最关键的环节，在工程建设中的机电设 备在轨道交通建设总成本中占20％，信号系统在机电设备成本中占13.87％。假 设已开工项目的3000公里城轨在未来四年内建成(考虑到城轨项目拖期情形比 较常见)，目前国内建设投资平均大约在5～7亿/公里，则未来四年内年轨交总投 资的增量市场空间达1.5万亿～2.1万亿，对应信号系统的新建市场空间约413亿 ～578亿元，年均的市场空间超百亿元，体量非常庞大，城市轨道交通的安全尤 为重要。
4.随着城市轨道交通的不断建设，城市轨道交通已经由原来单一的路线，变为 现今复杂的地下交通网络。因此，若地面过度施工或施工前未细致了解该施工区 域城市轨道交通路线的细节规划，甚至是违规施工等，都可能导致地下交通工具 因种种原因而停运，对交通运输和人民生命安全构成了严重的威胁。由于违规施 工导致地下交通的停运等事故，其预防的手段多采用地上监控加安保流动的手 段，这种手段存在监测不够及时、全面和准确的问题。


技术实现要素：

5.本发明提供一种基于深度神经网络的城轨邻域施工监测方法及系统，解决 的技术问题在于：如何及时、全面和准确地监测城轨邻域是否存在违规施工的情 况，并在存在时进行自动告警。
6.为解决以上技术问题，本发明提供一种基于深度神经网络的城轨邻域施工 监测方法，包括步骤：
7.s1、实时采集城市轨道内各个预设位置处固体传导的声音时域信号；
8.s2、提取各个声音时域信号的mfcc系数并输入第一深度神经网络中进行 判断，并在判断出存在钻探声时进入下一步；
9.s3、在对应的声音时域信号中提取出存在钻探声的钻探声时域信号段；
10.s4、对所述钻探声时域信号段去噪，得到纯净钻探声时域信号段；
11.s5、将所述纯净钻探声时域信号段的平均强度与该预设位置处所容许到达 的钻探声时域信号的最高强度进行对比，若平均强度大于最高强度，则发出该预 设位置处的保护邻域内正在违规施工的告警。
12.进一步地，所述步骤s3具体包括步骤：
13.s31、在首次判断出声音时域信号中出现钻探声时，继续判断，若钻探声在 还未持续到第一预设时间段时停止，则执行步骤s32～s33，反之则执行步骤s34；
14.s32、继续判断，并标记每段钻探声的持续时间；
15.s33、提取出钻探声出现后第二预设时间段内的多段钻探声时域信号按顺序 进行拼接作为所述钻探声时域信号段；
16.s34、继续判断，在该段钻探声持续了第三预设时间段时提取这一部分钻探 声时域信号作为所述钻探声时域信号段。
17.进一步地，所述第一预设时间段设置为击打类钻探机一次击打声的最大持 续时间；所述第二预设时间段在30秒至60秒范围内选取；所述第三预设时间 段在1秒至3秒内选取。
18.进一步地，在所述步骤s2中，所述第一深度神经网络包括输入层、重塑层、 第一卷积层、第二卷积层、第一池化层、第二池化层、扁平层和输出层；连续的 m个mfcc系数输入所述输入层，再由所述重塑层降维为n列并输入第一卷积 层进行卷积再由所述第一池化层进行池化，然后由所述第二卷积层进行卷积、所 述第二池化层进行池化，最后在所述扁平层将数据变为一维后分类至输出层进 行二分类输出；在训练及测试所述第一深度神经网络时，所采用的数据集包括仅 有钻探声、仅包含各类背景噪音、同时包含钻探声和各类背景噪音的音频样本。
19.进一步地，所述步骤s4具体包括步骤：
20.s41、截取预设时间长度的所述钻探声时域信号段作为钻探声时域信号输入 段，若所述钻探声时域信号段的时间长度小于该预设时间长度，则在所述钻探声 时域信号段中复制部分信号段进行补足；
21.s42、将所述钻探声时域信号输入段输入第二深度神经网络中进行过滤后输 出所述纯净钻探声时域信号段；所述第二深度神经网络基于与所述第一深度神 经网络相似的原理构建，所采用的数据集包括仅有各种强度等级的钻探声、同时 包含各种强度等级的钻探声和各类背景噪音的音频样本。
22.该监测方法通过在预设位置处采集固体传导的声音时域信号，并通过训练 完成的第一深度神经网络对该声音时域信号进行判断，在存在钻探声时进一步 判断该钻探声是否属于在该预设位置处的保护邻域内发出，若是则触发告警，而 训练的第一深度神经网络对钻探声的识别准确率高达99.6％，综合后续的步骤， 该方法能有效检测出城轨保护邻域存在违规施工的情形，并且还具有及时、全面、 节省人力等益处。
23.对应上述方法，本发明还提供一种基于深度神经网络的城轨邻域施工监测 系统，包括安设在城市轨道内各个预设位置处的多个声音感知判别模块，以及与 多个声音感知模块连接的通讯模块，以及连接所述通讯模块的服务端；
24.每个所述声音感知判别模块包括相连接的声音传感器和主控单元；所述声 音传感器用于实时采集城市轨道内一预设位置处固体传导的声音时域信号并输 入至所述主控单元；所述主控单元用于提取对应声音时域信号的mfcc系数并 输入预设的第一深度神经网络中进行判断，并在判断出存在钻探声时将后续一 段时间内的声音时域信号通过所述通讯模块发送至所述服务端；
25.所述服务端用于在接收的声音时域信号中提取出存在钻探声的钻探声时域 信号
段，并对所述钻探声时域信号段去噪，得到纯净钻探声时域信号段；还用于 将所述纯净钻探声时域信号段的平均强度与该预设位置处所容许到达的钻探声 时域信号的最高强度进行对比，若平均强度大于最高强度，则发出该预设位置处 的保护邻域内正在违规施工的告警。
26.优选的，所述服务端在对应的声音时域信号中提取出存在钻探声的钻探声 时域信号段的过程具体为：
27.在首次判断出声音时域信号中出现钻探声时，继续判断，若钻探声在还未持 续到第一预设时间段时停止，则继续判断，并标记每段钻探声的持续时间，进一 步提取出钻探声出现后第二预设时间段内的多段钻探声时域信号按顺序进行拼 接作为所述钻探声时域信号段；反之则继续判断，在该段钻探声持续了第三预设 时间段时提取这一部分钻探声时域信号作为所述钻探声时域信号段。
28.优选的，所述服务端对所述钻探声时域信号段去噪，得到纯净钻探声时域信 号段的过程具体为：
29.截取预设时间长度的所述钻探声时域信号段作为钻探声时域信号输入段， 若所述钻探声时域信号段的时间长度小于该预设时间长度，则在所述钻探声时 域信号段中复制部分信号段进行补足；
30.将所述钻探声时域信号输入段输入第二深度神经网络中进行过滤后输出所 述纯净钻探声时域信号段。
31.优选的，所述通讯模块采用多个lora通信模块与多个所述声音感知判别模 块一一连接，其中每个lora通信模块作为一个传输节点；第一个传输节点将其 连接的声音感知判别模块的数据发送至下一个传输节点，最后一个传输节点将 其接收的数据及其连接的声音感知判别模块的数据发送至所述服务端，中间的 传输节点将其连接的声音感知判别模块的数据及前一个传输节点发送的数据发 送至下一个传输节点。
32.优选的，所述第一深度神经网络包括输入层、重塑层、第一卷积层、第二卷 积层、第一池化层、第二池化层、扁平层和输出层；连续的m个mfcc系数输 入所述输入层，再由所述重塑层降维为n列并输入第一卷积层进行卷积再由所 述第一池化层进行池化，然后由所述第二卷积层进行卷积、所述第二池化层进行 池化，最后在所述扁平层将数据变为一维后分类至输出层进行二分类输出；在训 练及测试所述第一深度神经网络时，所采用的数据集包括仅有钻探声、仅包含各 类背景噪音、同时包含钻探声和各类背景噪音的音频样本；
33.所述第二深度神经网络基于与所述第一深度神经网络相似的原理构建，所 采用的数据集包括仅有各种强度等级的钻探声、同时包含各种强度等级的钻探 声和各类背景噪音的音频样本。
34.本发明提供的一种基于深度神经网络的城轨邻域施工监测系统，通过设置 声音感知判别模块、通讯模块和服务端，能实现上述方法的效果，除此之外，该 系统易搭建、成本低，且便于融合在现有城轨管理系统中。
附图说明
35.图1是本发明实施例提供的一种基于深度神经网络的城轨邻域施工监测方 法的流程图；
36.图2是本发明实施例提供的获取声音时域信号的mfcc系数的流程图；
37.图3是本发明实施例提供的第一深度神经网络的展示图；
38.图4是本发明实施例提供的一种基于深度神经网络的城轨邻域施工监测系 统的结构图；
39.图5是本发明实施例提供的通讯模块的数据传输流程图；
40.图6是本发明实施例提供的手机端的操作流程图；
41.图7是本发明实施例提供的在手机端上对节点设备进行检测操作前后的界 面展示图。
具体实施方式
42.下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明 目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对 本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本 发明进行许多改变。
43.为避免由于地面过度施工致使地面塌陷、触碰城轨接触网导致城轨通信功 能部分丧失，而使城轨停运等严重问题，本发明实施例提供一种基于深度神经网 络的城轨邻域施工监测方法，如图1所示，包括步骤：
44.s1、实时采集城市轨道内各个预设位置处固体传导的声音时域信号；
45.s2、提取各个声音时域信号的mfcc系数并输入第一深度神经网络中进行 判断，并在判断出存在钻探声时进入下一步；
46.s3、在对应的声音时域信号中提取出存在钻探声的钻探声时域信号段；
47.s4、对钻探声时域信号段去噪，得到纯净钻探声时域信号段；
48.s5、将纯净钻探声时域信号段的平均强度与该预设位置处所容许到达的钻 探声时域信号的最高强度进行对比，若平均强度大于最高强度，则发出该预设位 置处的保护邻域内正在违规施工的告警。
49.在步骤s1中，本技术针对已经施工完成的城市轨道交通，各个预设位置处 则位于隧道顶壁、侧壁以及站点顶壁、侧壁等围闭墙面上，且采集的是声音时域 信号，因为相比气体，声音在固体中的传播速度更快，并且在固体传播上的衰减 也是最弱的，而施工的钻探声通过地质层到达各个预设位置处时则相比站内的 人流声及其他噪音都要大得多，并且这种声音与其他声音具有明显区别，通过第 一深度神经网络的训练可严格识别出这种声音。特别的，本技术选择将预设位置 处设计在轨道交通内，便于通过采集到的声音信号估量钻探源相对于预设位置 处的远近，也就是相对于城市轨道的远近，便于后续判断钻探源是否在预设位置 处的保护邻域内。
50.在步骤s2中，在输入第一深度神经网络里进行判断前，需要对声音时域信 号进行预处理，提取相应的mfcc系数(梅尔频率倒谱系数)，梅尔频率倒谱系 数是在语音识别领域广泛使用的声音信号特征，其获取流程如图2所示。在声 音的传输过程中高频部分容易损失，所以使用高通滤波器对声音进行预加重以 补偿声音高频部分的损失，对声音信号高频部分的共振峰也有修正作用。随后设 定一个帧长和汉明窗，以确定每次处理的采样点的个数及下次处理的位移步长。 将每帧信号在分帧加窗处理后进行快速傅里叶变换(fft)以获得各帧的频谱， 再对频谱进行取模平方获得功率谱。将功率谱通过三角带通滤波器组对其
进行 平滑并消除谐波的作用。计算每个滤波器组输出粗的对数能量，最终进行离散余 弦变换获得mfcc系数，。
51.将提取的mfcc系数送入已经训练及测试完成的第一深度神经网络中进行 二分类，即可判断是否有钻探声。如图2左下部分所示，本例搭建的第一深度神 经网络共8层，包括输入层、重塑层、第一卷积层、第二卷积层、第一池化层、 第二池化层、扁平层和输出层。连续的m(＝650)个mfcc系数输入输入层(对 应具有650个输入元)，再由重塑层降维为n(＝13)列并输入第一卷积层(具有 8个神经元)进行卷积再由第一池化层进行池化(随机失活率为0.25)，然后由 第二卷积层(具有16个神经元)进行卷积、第二池化层进行池化(随机失活率 为0.25)，最后在扁平层将数据变为一维后分类至输出层进行二分类输出。
52.在训练及测试第一深度神经网络时，所采用的数据集包括仅有钻探声、仅包 含各类背景噪音(轨道交通内存在的各类噪音)、同时包含钻探声和各类背景噪 音的音频样本。经测试，如图3所示，该神经网络模型对于钻探声的识别准确率 (accuracy)高达99.6％，进一步通过查看相应正确或者错误的样本数据， 可分析错误的原因，从而来修改样本数据的分布数量，来进一步提高声音神经网 络模型的准确率。
53.步骤s3进一步包括步骤：
54.s31、在首次判断出声音时域信号中出现钻探声时，继续判断，若钻探声在 还未持续到第一预设时间段时停止，则执行步骤s32～s33，反之则执行步骤s34；
55.s32、继续判断，并标记每段钻探声的持续时间；
56.s33、提取出钻探声出现后第二预设时间段内的多段钻探声时域信号按顺序 进行拼接作为钻探声时域信号段；
57.s34、继续判断，在该段钻探声持续了第三预设时间段时提取这一部分钻探 声时域信号作为钻探声时域信号段。
58.目前市面上流行的钻探机主要有两种，一种类似电钻会持续性地发出声音， 而另一种类似打桩机，会发出规律的击打声，本步骤特别针对这两种钻探机进行 区别处理。需要首先区别出是哪一种钻探声，若钻探声在还未持续到第一预设时 间段时停止，因第一预设时间段设置为击打类钻探机一次击打声的最大持续时 间，故在未持续到第一预设时间段时钻探声若停止，可知这属于间歇性钻探声， 则提取后续第二预设时间段内的多段钻探声时域信号(每段对应一次击打的钻 探声时间长度)，并按顺序进行拼接作为进入步骤s4做进一步处理的钻探声时 域信号段(去除了不存在击打声的纯噪声段)，如果在第二预设时间段内，存在 少于2次的击打，则监测未来的半小时内是否还存在相同的信号段，若是则将 这第二预设时间段加半小时内多段钻探声时域信号进行拼接，若否则仅仅提醒 在该预设位置处存在疑似钻探声的声音。
59.反之若该段钻探声一直持续，直到持续了第三预设时间段时还未停止，则可 知该钻探声属于持续性钻探声，进一步截取第三预设时间段的钻探声时域信号 作为进入步骤s4做进一步处理的钻探声时域信号段。如此，得到的钻探声时域 信号段的每一帧都存在钻探声，便于后续的步骤s4进行噪声处理。优选的，根 据实际情况，第二预设时间段在30秒至60秒范围内选取，时间过短则击打次 数太少，时间太长于后续的处理并无明显益处；第三预设时间段在1秒至3秒 内选取。
60.进一步，步骤s4进行除噪的具体步骤包括：
61.s41、截取预设时间长度的钻探声时域信号段作为钻探声时域信号输入段， 若钻探声时域信号段的时间长度小于该预设时间长度，则在钻探声时域信号段 中复制部分信号段进行补足；
62.s42、提取钻探声时域信号输入段的mfcc系数并输入第二深度神经网络中 进行过滤后输出纯净钻探声时域信号段。
63.因为输入第二深度神经网络的信号段有统一的长度要求，则步骤s41需要 将其处理至统一时间长度，对于长度不足的段，则进行补足，如此可提高除噪的 效果。
64.第二深度神经网络基于与第一深度神经网络相似的原理构建，所采用的数 据集包括仅有各种强度等级的钻探声、同时包含各种强度等级的钻探声和各类 背景噪音的音频样本。第二深度神经网络特别针对既定时间长度的钻探声时域 信号输入段进行训练、测试和应用，而不是如第一深度神经网络的较短的信号， 可避免信号长度过短带来的网络鲁棒性差的问题，并且后续提取的平均强度也 更均衡。
65.在步骤s5中，在城市轨道的设计中，周围环境的地形地貌地质都有精准的 勘测，根据这些勘测情况确定整体的保护邻域，再根据保护邻域的分布情况，确 定能够监测到城轨邻域施工情况的各个预设位置处，并划分各个预设位置处的 保护邻域，然后根据各个预设位置处的保护邻域的边界、市面上各种钻探机所发 出钻探声的强度区间及该保护邻域的地质勘测情况确定所容许到达对应预设位 置处的钻探声时域信号的最高强度。
66.本发明实施例提供的一种基于深度神经网络的城轨邻域施工监测方法通过 在预设位置处采集固体传导的声音时域信号(步骤s1)，并通过训练完成的第一 深度神经网络对该声音时域信号进行判断(步骤s2)，在存在钻探声时进一步判 断该钻探声是否属于在该预设位置处的保护邻域内发出，若是则触发告警(步骤 s3～s5)，而训练的第一深度神经网络对钻探声的识别准确率高达99.6％，综合后 续的步骤，该方法能有效检测出城轨保护邻域存在违规施工的情形，并且还具有 及时、全面、节省人力等益处。需要强调的是，即使监测结果显示保护邻域内存 在违规施工，但线下核查时仍有一定的概率存在施工处位于保护邻域外的情形 (多见于大强度的钻探施工情形)，并且根据施工的范围、强度、深度等具体条 件的不同，其是否属于违规施工需要进一步确认，但本发明可过滤掉保护邻域范 围内一定不是违规施工的情形。
67.为了更好地实施该监测方法，本发明实施例还提供一种基于深度神经网络 的城轨邻域施工监测系统，如图4所示，包括安设在城市轨道内各个预设位置 处的多个声音感知判别模块，以及与多个声音感知模块连接的通讯模块，以及连 接通讯模块的服务端。
68.每个声音感知判别模块包括相连接的声音传感器和主控单元；声音传感器 用于实时采集城市轨道内一预设位置处固体传导的声音时域信号并输入至主控 单元；主控单元用于提取对应声音时域信号的mfcc系数并输入预设的第一深 度神经网络中进行判断，并在判断出存在钻探声时将后续一段时间内的声音时 域信号通过通讯模块发送至服务端。
69.服务端用于在接收的声音时域信号中提取出存在钻探声的钻探声时域信号 段，并对钻探声时域信号段去噪，得到纯净钻探声时域信号段；还用于将纯净钻 探声时域信号段的平均强度与该预设位置处所容许到达的钻探声时域信号的最 高强度进行对比，若平均强度大于最高强度，则发出该预设位置处的保护邻域内 正在违规施工的告警。
70.与上述监测方法对应地，服务端在对应的声音时域信号中提取出存在钻探 声的钻探声时域信号段的过程具体为：
71.在首次判断出声音时域信号中出现钻探声时，继续判断，若钻探声在还未持 续到第一预设时间段时停止，则继续判断，并标记每段钻探声的持续时间，进一 步提取出钻探声出现后第二预设时间段内的多段钻探声时域信号按顺序进行拼 接作为钻探声时域信号段；反之则继续判断，在该段钻探声持续了第三预设时间 段时提取这一部分钻探声时域信号作为钻探声时域信号段。
72.服务端对钻探声时域信号段去噪，得到纯净钻探声时域信号段的过程具体 为：
73.截取预设时间长度的钻探声时域信号段作为钻探声时域信号输入段，若钻 探声时域信号段的时间长度小于该预设时间长度，则在钻探声时域信号段中复 制部分信号段进行补足；
74.提取钻探声时域信号输入段的mfcc系数并输入第二深度神经网络中进行 过滤后输出纯净钻探声时域信号段。
75.第一深度神经网络包括输入层、重塑层、第一卷积层、第二卷积层、第一池 化层、第二池化层、扁平层和输出层；连续的m个mfcc系数输入输入层，再 由重塑层降维为n列并输入第一卷积层进行卷积再由第一池化层进行池化，然 后由第二卷积层进行卷积、第二池化层进行池化，最后在扁平层将数据变为一维 后分类至输出层进行二分类输出；在训练及测试第一深度神经网络时，所采用的 数据集包括仅有钻探声、仅包含各类背景噪音、同时包含钻探声和各类背景噪音 的音频样本。
76.第二深度神经网络基于与第一深度神经网络相似的原理构建，所采用的数 据集包括仅有各种强度等级的钻探声、同时包含各种强度等级的钻探声和各类 背景噪音的音频样本。
77.该系统的其他计算细节已在方法中说明，此处不再赘述。
78.需要特别强调的是，在该系统的硬件设计上，基于两个站点之间的距离基本 在10km以下，通讯模块采用多个lora通信模块与多个声音感知判别模块一一 连接，其中每个lora通信模块作为一个传输节点。各传输节点的数据传输距离 有限，在5km以内，对于在两个站点之间的多个传输节点，第一个传输节点将 其连接的声音感知判别模块的数据发送至下一个传输节点，最后一个传输节点 将其接收的数据及其连接的声音感知判别模块的数据发送至服务端，中间的传 输节点将其连接的声音感知判别模块的数据及前一个传输节点发送的数据发送 至下一个传输节点。当传输节点设有4个时，数据的传输过程如图5所示。
79.将各lora传输节点通过串口连接，并配置所需的地址和信道，在此项目中 须将远端节点与前一个结点采用对点发射(接收)，以此类推，不断将后面节点 与前面节点采用对点发射的方式，将数据依次交付于与位于站点的电脑端相连 的lora传输节点中，由此达到各位置的声音实时检测任务。
80.在该系统中，声音感知判别模块采用arduino nano 33ble，arduino nano33ble(无接头)是arduino的3.3v兼容板，尺寸最小：45
×
18mm。arduinonano 33ble是传统arduino nano的升级版，但配备了更强大的处理器，来自 nordic semiconductors的nrf52840，一个运行在64mhz的32位cortex tm-m4 cpu。主处理器包括其他功能，例
如通过nfc进行蓝牙配对和超低功耗 模式。本系统主要适用arduino nano 33ble自带的麦克风模块作为声音传感器， 并且须要与lora传输节点相接以传输数据。
81.具体的，本系统在edge impulse平台上搭建及训练两个深度神经网络。edgeimpulse平台为一款云端ai模型搭建平台，开发者可在该平台进行机器学习的 模型搭建与训练，并根据相关硬件生成库文件将模型部署至嵌入式设备的微控 制器中并运行。
82.本系统首先通过edge impulse平台构建完整的声音识别神经网络，并将其 部署至arduino nano 33ble单片机中，由arduino nano 33ble自带的麦克风 模块来感测固体传导的声音，由单片机识别声音和分类声音；其次，将lora各 模块进行配置，主要针对其中的wor role、address、channel进行调整，即对 应选择为定点接收还是广播接收，并且将接收节点通过串口连接至pc端，将 lora组网传输的数据发送至pc端；最后将lora各节点通过ttl连接 arduino nano 33ble单片机，实现各节点实时监测，另一方面由于lora各节 点的数据传输距离有限(5km以内)，因此对于远端的lora，其获取的数据需要 通过中间lora节点传送，最终由接收节点拿取数据。
83.对于服务端连接下的pc端，通过用户登录，可进入专设的软件界面，管理 员选择lora节点对应的端口号，并采用ascii形式开启监听功能，针对下一 节点所发送的数据，实时显示于软件界面，如发生异常，则所传输来的数据则会 不同，因此当检测到与既定安全值不同的数据时，便启动报警功能，并将数据库 内各节点对应数据更改，一旦修复完成，便可通过恢复按钮，重新监听串口数据。
84.对于服务端连接下的手机端，如图6所示，管理员通过登录或者注册，进入 主页面，其中采用android studio中的轻量级数据库sqlite实现账户的持久 化储存；管理员通过下方的菜单栏按钮，实现页面跳转，可以获取当前的实时天 气状况，以及通过“我的页面”获取技术支持，重点是实时查看各节点设备的状 态信息，每当管理员点击开关按钮，app便于去拿取云端数据库现在的设备对 应数据值，若是异常情况，则发送报警提示，将对应节点设备状态修改为异常， 如图7所示。
85.因此作为一款用于地下交通安全检测的系统，在社会的发展局势下，在市场 上具有一定优势。从产品的部署上，该系统可轻松融合在现有城轨管理系统中。 从产品的经济花费来看，该系统成本在400～1000元不等，可以根据具体的应用 场景来添加设备板块或增加相应功能，以此来达到需求目的。从市场竞争竞争力 来看，该系统用于国家重点建设工程中，因此在某种程度上，具有一定的特殊性， 并且鉴于该类设备的数量较少，也会在一定程度上提升产品优势。从社会需求上， 该系统可以用于众多场景，就声音识别分类来说，就可以用于智慧图书馆、智慧 校园、智能果园、智能农业等建设中，若将声音的分类识别改为动作的捕捉识别， 那么就可以用于电影动作特效的校准、智慧安全门锁等应用场景，以此类推，利 用此项目的整体框架，便可以延伸出许多应用于不同场景的系统。
86.上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实 施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、 替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。