基于AI的环境噪声监测控制系统的制作方法

基于ai的环境噪声监测控制系统
技术领域
1.本发明属于噪声监测领域，涉及环境噪声监测控制技术，具体是基于ai的环境噪声监测控制系统。


背景技术：

2.噪声污染已成为继水污染、空气污染、固体废料污染之后的第四大环境公害，噪声污染严重影响着人们正常的工作、学习和休息，因此环境噪声控制已经迫在眉睫。
3.现有技术(公开号为cn102506991a的发明专利)公开了一种分布式城市环境噪声实时自动监测系统，通过监测中心和若干监测节点协同，对城市噪声进行自动监测，并进行可视化展示。现有技术在进行环境噪声监测时，仅对环境噪声进行了一个量化，无法对噪声类型和噪声源进行准确定位，导致环境噪声控制难度大；因此，亟须一种基于ai的环境噪声监测控制系统。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于ai的环境噪声监测控制系统，用于解决现有技术在进行环境噪声监测时，无法对噪声类型和噪声源进行准确定位，导致环境噪声控制难度大的技术问题。
5.本发明设置了中央处理模块和与之相连的若干边缘处理模块，通过边缘处理模块采集环境噪声，中央处理模块结合ai识别模型对环境噪声进行分析获取对应的噪声信息，根据若干噪声信息建立噪声分布图，进而定位噪声源，对噪声源进行了准确定位，为环境噪声的控制奠定了基础。
6.为实现上述目的，本发明的第一方面提供了基于ai的环境噪声监测控制系统，包括中央处理模块，以及与之连接的若干边缘处理模块，每个边缘处理模块与若干噪声采控终端相连接；
7.所述边缘处理模块通过与之相连接的噪声采控终端采集监测区域的环境噪声，对所述环境噪声进行数据处理之后发送至所述中央处理模块；
8.所述中央处理模块通过ai识别模型对所述环境噪声进行分析，获取噪声信息；其中，所述噪声信息包括噪声类型和噪声强度；以及
9.基于若干所述噪声信息建立噪声分布图，并结合所述噪声分布图确定噪声源。
10.优选的，所述中央处理模块与若干所述边缘处理模块通信和/或电气连接，每个所述边缘处理模块与若干个所述噪声采控终端通信和/或电气连接；其中，所述噪声采控终端用于采集环境噪声，以及发出所述环境噪声对应的抵消声波。
11.优选的，通过所述中央处理模块将所述监测区域划分为若干个子区域，包括：
12.获取所述监测区域，以及标准三角形；其中，所述标准三角形根据所述噪声采控终端的标准采集距离设定；
13.通过所述标准三角形将所述监测区域均匀划分成若干子区域，根据若干所述子区
域生成监测矢量图，并存储在所述中央处理模块中。
14.优选的，所述标准三角形是基于所述噪声采控终端建立的正三角形，包括：
15.获取噪声标准分贝与所述噪声采控终端的最低采集分贝之间的分贝差值；
16.获取所述分贝差值在标准大气环境中的传输距离，并标记为标准采集距离；
17.以所述标准采集距离为边长建立等边三角形，并标记为标准三角形。
18.优选的，所述中央处理模块通过ai识别模型对所述环境噪声进行分析，获取噪声类型，包括：
19.对所述环境噪声进行数据预处理，获取输入数据；其中，所述数据预处理包括去噪处理和归一化处理；
20.调用ai识别模型；其中，所述ai识别模型基于人工智能模型建立；
21.将所述输入数据输入至所述ai识别模型，获取输出的噪声标签；
22.根据所述噪声标签确定噪声类型；其中，所述噪声标签和所述噪声类型一一对应。
23.优选的，基于所述人工智能模型建立所述ai识别模型，包括：
24.获取标准训练数据；其中，标准训练数据通过实验室获取，包括各类型噪声的噪声标签，以及对应的噪声数据，且所述噪声数据与所述环境噪声的内容属性一致；
25.构建人工智能模型；其中，人工智能模型包括深度卷积神经网络模型或者rbf神经网络模型；
26.以噪声数据为输入，以噪声标签为输出训练人工智能模型，将训练完成的人工智能模型标记为ai识别模型，并存储在所述中央处理模块中。
27.优选的，所述中央处理模块基于若干所述噪声信息建立噪声分布图，包括：
28.通过所述中央处理模块建立所述监测区域的可视化模型；
29.通过若干所述噪声信息对所述可视化模型进行渲染，获取噪声分布图。
30.优选的，所述中央处理模块根据所述噪声分布图确定噪声源，包括：
31.提取所述噪声分布图中存在的噪声类型；
32.在所述噪声分布图中依次确定所述噪声类型对应的噪声强度最大的位置，标记为噪声源。
33.优选的，所述边缘处理模块根据所述噪声源的位置和噪声特性控制所述噪声采控终端发出抵消声波，以抵消所述噪声源产生的噪声；其中，所述噪声特性包括噪声的频率和振幅。
34.与现有技术相比，本发明的有益效果是：
35.1、本发明设置了中央处理模块和与之相连的若干边缘处理模块，通过边缘处理模块采集环境噪声，中央处理模块结合ai识别模型对环境噪声进行分析获取对应的噪声信息，根据若干噪声信息建立噪声分布图，进而定位噪声源，对噪声源进行了准确定位，为环境噪声的控制奠定了基础。
36.2、本发明根据噪声分布图确定噪声源之后，可根据噪声源的噪声类型和噪声强度生成合成的抵消信号，通过噪声采控终端发出抵消信号实现对环境噪声的控制，扩宽了本发明的应用场景。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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。
38.图1为本发明的工作步骤示意图。
具体实施方式
39.下面将结合实施例对本发明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做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。
40.现有技术(公开号为cn102506991a的发明专利)公开了一种分布式城市环境噪声实时自动监测系统，通过监测中心和若干监测节点协同，对城市噪声进行自动监测，并进行可视化展示。现有技术在进行环境噪声监测时，仅对环境噪声进行了一个量化，无法对噪声类型和噪声源进行准确定位，导致环境噪声控制难度大。
41.本发明设置了中央处理模块和与之相连的若干边缘处理模块，通过边缘处理模块采集环境噪声，中央处理模块结合ai识别模型对环境噪声进行分析获取对应的噪声信息，根据若干噪声信息建立噪声分布图，进而定位噪声源，对噪声源进行了准确定位，为环境噪声的控制奠定了基础。
42.请参阅图1，本技术第一方面实施例提供了基于ai的环境噪声监测控制系统，包括中央处理模块，以及与之连接的若干边缘处理模块，每个边缘处理模块与若干噪声采控终端相连接；
43.边缘处理模块通过与之相连接的噪声采控终端采集监测区域的环境噪声，对环境噪声进行数据处理之后发送至中央处理模块；
44.中央处理模块通过ai识别模型对环境噪声进行分析，获取噪声信息；以及基于若干噪声信息建立环境噪声分布图，并结合环境噪声分布图确定噪声源。
45.本技术中中央处理模块与若干边缘处理模块通信和/或电气连接，每个边缘处理模块与若干个噪声采控终端通信和/或电气连接；噪声采控终端用于采集环境噪声，以及发出环境噪声对应的抵消声波。
46.本技术中的噪声采控终端包括两个部分：噪声采集单元(相当于现有技术中的噪声采集装置)和噪声控制单元(相当于现有技术中的anc降噪设备)；因此噪声采控终端既能够采集环境噪声，还可以发出与环境噪声对应的抵消声波，与现有技术不同的是，噪声采控终端发出抵消声波是通过边缘处理模块或者中央处理模块控制的。
47.在一个优选的实施例中，通过中央处理模块将监测区域划分为若干个子区域，包括：
48.获取监测区域，以及标准三角形；
49.通过标准三角形将监测区域均匀划分成若干子区域，根据若干子区域生成监测矢量图，并存储在中央处理模块中。
50.本实施例中首先确定需要进行环境噪声监测的监测区域，以及标准三角形，通过标准三角形完成对监测区域的划分，获取若干子区域；通过标准三角形对监测区域划分，是为了合理设置噪声采控终端，来保证能够准确无遗漏的采集到环境噪声。
51.将监测区域划分成若干个子区域之后，根据若干子区域生成矢量地图，矢量地图中包括地理坐标等信息，便于迅速定位。
52.在另外一些优选的实施例中，也可通过其他如圆形、等腰三角形来划分监测区域，将监测区域划分成若干子区域的目的是为了方便设置噪声采控终端，避免环境噪声的遗漏。
53.在一个具体的实施例中，标准三角形是基于噪声采控终端建立的正三角形，包括：
54.获取噪声标准分贝与噪声采控终端的最低采集分贝之间的分贝差值；
55.获取分贝差值在标准大气环境中的传输距离，并标记为标准采集距离；
56.以标准采集距离为边长建立等边三角形，并标记为标准三角形。
57.本实施例中根据噪声采控终端的性能来设定传输距离，进而确定标准三角形，举例说明本实施例：
58.假设噪声采控终端最低可以采集10分贝的声波信号(最低采集分贝)，环境噪声的标准分贝是70分贝，则上述的分贝差值为60分贝；
59.然后计算获取分贝差值在标准大气环境中的传输距离，记为标准采集距离，进而建立标准三角形。
60.可以理解的是，标准大气环境根据大气环境标准模拟获取。
61.值得注意的是，考虑到现实生活中楼房、温度等会影响声波信号的传输距离，因此在建立标准三角形的时候，选择的标准采集距离可以小于传输距离，避免噪声数据的遗漏。
62.在本实施例的标准三角形各顶点设置一个噪声采控终端，该噪声采控终端可以设置一个旋转底座，则各标准三角形中的噪声采控终端配合可以实现大范围的环境噪声监测，而在标准三角形内，可通过声波定位方法直接噪声源。
63.在一个优选的实施例中，中央处理模块通过ai识别模型对环境噪声进行分析，获取噪声类型，包括：
64.对环境噪声进行数据预处理，获取输入数据；
65.调用ai识别模型，将输入数据输入至ai识别模型，获取输出的噪声标签；
66.根据噪声标签确定噪声类型。
67.本实施例的数据预处理包括去噪处理和归一化处理；去噪处理是提出环境噪声中明显异常的数据，这些数据可能是由于噪声采控终端故障，或者其他信号干扰产生的；归一化处理是保证环境噪声能够满足ai识别模型的输入要求。
68.本实施例中，噪声标签和噪声类型一一对应，即实际参与运算的是噪声标签，当得到噪声标签之后，即可通过查找的方式确定噪声类型；噪声类型包括工业噪声、交通噪声、生活噪声、施工噪声等。
69.在一个具体的实施例中，基于人工智能模型建立ai识别模型，包括：
70.获取标准训练数据；
71.构建人工智能模型；以噪声数据为输入，以噪声标签为输出训练人工智能模型，将训练完成的人工智能模型标记为ai识别模型，并存储在中央处理模块中。
72.本实施例中标准训练数据通过实验室获取，或者根据监测区域环境噪声的历史数据筛选获取，包括各类型噪声的噪声标签，以及对应的噪声数据，且噪声数据与环境噪声的内容属性一致。
73.标准训练数据中的噪声标签是研究人员根据分析各种噪声数据的特性设定的，也可以将噪声数据与现有噪声曲线进行匹配，进而设置对应的噪声标签。
74.在一个优选的实施例中，中央处理模块基于若干噪声信息建立噪声分布图，包括：
75.通过中央处理模块建立监测区域的可视化模型；
76.通过若干噪声信息对可视化模型进行渲染，获取噪声分布图。
77.本实施例中，根据监测区域中若干子区域对应的矢量地图可以建立可视化模型，在可视化模型中能够确定各子区域的位置，以及若干噪声采控终端的位置。
78.在获取通过ai识别模型确定噪声类型之后，可以通过环境噪声数据确定对应噪声类型的强度，根据噪声类型和噪声强度即可完成可视化模型的渲染。
79.在一个具体的实施例中，中央处理模块根据噪声分布图确定噪声源，包括：
80.提取噪声分布图中存在的噪声类型；
81.在噪声分布图中依次确定噪声类型对应的噪声强度最大的位置，标记为噪声源。
82.本实施例首先提取噪声分布图中噪声类型，再根据对应噪声强度进行溯源，直到确定噪声强度最大或者极大的位置，进而确定该噪声类型对应的噪声源。
83.在一个优选的实施例中，边缘处理模块根据噪声源的位置和噪声特性控制噪声采控终端发出抵消声波，以抵消噪声源产生的噪声；其中，噪声特性包括噪声的频率和振幅。
84.本实施例在确定噪声源之后，边缘控制模块控制噪声源附近的噪声采控终端发送抵消信号，以实现环境噪声的控制；值得注意的是，抵消信号并不一定是单一的声波信号，也可以是同时抵消多中环境噪声而合成的声波信号。
85.接下来，通过以下两个说明例来说明本技术的应用场景：
86.说明例一：对城市噪声进行监测
87.获取城市的行政区域，按照设定的标准三角形对行政区域进行划分，获取若干子区域；
88.在若干子区域的顶点位置设置噪声采控终端；
89.通过设置的噪声采控终端采集环境噪声，对环境噪声进行分析，进而获取城市的噪声分布图；
90.根据噪声分布图来确定噪声源，工作人员可以根据噪声源的噪声类型以及噪声强度对噪声源进行及时处理，以降低噪声影响。
91.说明例二：对考场周围的噪声进行监测
92.获取考场区域，按照设定的标准三角形对行政区域进行划分，获取若干子区域；
93.在若干子区域的顶点位置设置噪声采控终端；
94.通过设置的噪声采控终端采集环境噪声，对环境噪声进行分析，进而获取城市的噪声分布图；
95.根据噪声分布图来确定噪声源，通过附近的噪声采控终端生成与噪声源噪声信号对应的抵消信号，以抵消噪声源产生的环境噪声。
96.本发明的工作原理：
97.边缘处理模块通过与之相连接的噪声采控终端采集监测区域的环境噪声，对环境噪声进行数据处理之后发送至中央处理模块。
98.中央处理模块通过ai识别模型对环境噪声进行分析，获取噪声信息；同时基于若干噪声信息建立噪声分布图，并结合噪声分布图确定噪声源。
99.以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。