一种基于TinyML的噪音源位置识别方法与流程

一种基于tinyml的噪音源位置识别方法
技术领域
1.本发明公开一种方法,涉及微型机器学习应用技术领域，具体地说是一种基于tinyml的噪音源位置识别方法。


背景技术：

2.随着科技进步的发展，人民生活水平的提高，对生活品质的要求日渐提高，噪声对人体的危害是全身性的，既可以引起听觉系统的变化，也可以对非听觉系统产生影响。这些影响的早期主要是生理性改变，长期接触比较强烈的噪声，可以引起病理性改变。此外，作业场所中的噪声还可以干扰语言交流，影响工作效率，甚至引起意外事故。完全靠人耳去判别噪声源的位置，会出现判别失误问题，并且没有数据做支撑。


技术实现要素：

3.本发明针对现有技术的问题，提供一种基于tinyml的噪音源位置识别方法，具有通用性强、实施简便等特点，具有广阔的应用前景。
4.本发明提出的具体方案是：
5.本发明提供一种基于tinyml的噪音源位置识别方法，部署噪音传感器，采集噪音数据，
6.利用噪音数据训练并优化tinyml模型，
7.将tinyml模型部署至mcu中，通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，利用tinyml模型输出噪声源的位置信息以及噪声源的强度信息，通过mcu截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。
8.进一步，所述的一种基于tinyml的噪音源位置识别方法中所述部署噪音传感器，包括：
9.考虑噪音在空气中衰减，分别在建筑物顶端和底端部署噪音传感器，其中在建筑物顶端和底端选取不在一个平面内的四个点，分别部署噪音传感器。
10.进一步，所述的一种基于tinyml的噪音源位置识别方法中所述采集噪音数据，包括：
11.采集噪声传感器的位置坐标、采集噪音在空气中的衰减数值、采集不同噪声传感器的数值、采集实际噪声源位置、采集噪声源强度、采集不同方位的噪声源和采集相同方位的不同强度的噪声。
12.进一步，所述的一种基于tinyml的噪音源位置识别方法中所述将tinyml模型部署至mcu中，包括：
13.将tinyml模型的文件进行压缩处理，并转换为二进制文件，将二进制文件部署到mcu中。
14.进一步，所述的一种基于tinyml的噪音源位置识别方法中所述通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，包括：通过mcu根据数据传输协议读取待测噪音
传感器的噪音数据，将噪音数据输入tinyml模型。
15.本发明还提供一种基于tinyml的噪音源位置识别装置，包括采集模块、训练模块、部署模块、识别模块和上传模块，
16.通过部署的噪音传感器，采集模块采集噪音数据，
17.训练模块利用噪音数据训练并优化tinyml模型，
18.部署模块将tinyml模型部署至mcu中，识别模块通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，利用tinyml模型输出噪声源的位置信息以及噪声源的强度信息，上传模块通过mcu截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。
19.进一步，所述的一种基于tinyml的噪音源位置识别装置中所述部署噪音传感器，包括：
20.考虑噪音在空气中衰减，分别在建筑物顶端和底端部署噪音传感器，其中在建筑物顶端和底端选取不在一个平面内的四个点，分别部署噪音传感器。
21.进一步，所述的一种基于tinyml的噪音源位置识别装置中所述采集模块采集噪音数据，包括：
22.采集噪声传感器的位置坐标、采集噪音在空气中的衰减数值、采集不同噪声传感器的数值、采集实际噪声源位置、采集噪声源强度、采集不同方位的噪声源和采集相同方位的不同强度的噪声。
23.进一步，所述的一种基于tinyml的噪音源位置识别装置中所述部署模块将tinyml模型部署至mcu中，包括：
24.将tinyml模型的文件进行压缩处理，并转换为二进制文件，将二进制文件部署到mcu中。
25.进一步，所述的一种基于tinyml的噪音源位置识别装置中所述识别模块通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，包括：通过mcu根据数据传输协议读取待测噪音传感器的噪音数据，将噪音数据输入tinyml模型。
26.本发明的有益之处是：
27.本发明提供一种基于tinyml的噪音源位置识别方法，通过训练模型，部署模型至mcu，利用mcu运行模型识别具体的噪音源位置，并上传云服务器，避免人工识别噪音位置，损耗健康，适用于各种需要进行噪音识别的场所。
附图说明
28.图1是本发明方法模型部署过程示意图。
具体实施方式
29.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
30.本发明提供一种基于tinyml的噪音源位置识别方法，部署噪音传感器，采集噪音数据，
31.利用噪音数据训练并优化tinyml模型，
32.将tinyml模型部署至mcu中，通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，利用tinyml模型输出噪声源的位置信息以及噪声源的强度信息，通过mcu截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。
33.本发明方法避免人工识别噪音位置，损耗健康，适用于各种需要进行噪音识别的场所。
34.具体应用中，在本发明方法的一些实施例中，进行基于tinyml的噪音源位置识别时，可参考过程如下：
35.步骤1：部署噪音传感器，采集噪音数据。
36.进一步，步骤1包括：考虑噪音在空气中衰减，分别在建筑物顶端和底端部署噪音传感器，其中在建筑物顶端和底端选取不在一个平面内的四个点，分别部署噪音传感器。
37.例如在办公楼顶端和底端四个角处，或者居民楼顶端和底端四个角处，选取不在一个平面内的四个点，分别部署噪音传感器，噪音传感器采集大量数据，包括：采集噪声传感器的位置坐标、采集噪音在空气中的衰减数值、采集不同噪声传感器的数值、采集实际噪声源位置、采集噪声源强度、采集不同方位的噪声源和采集相同方位的不同强度的噪声。
38.步骤2：利用噪音数据训练并优化tinyml模型。将训练好的模型优化至最佳状态。
39.步骤3：将tinyml模型部署至mcu中。进一步，步骤3包括：
40.将tinyml模型的文件进行压缩处理，并转换为二进制文件，将二进制文件部署到mcu中。完成后将二进制文件部署到微控制器后，微控制器运行模型文件。
41.步骤4：通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，利用tinyml模型输出噪声源的位置信息以及噪声源的强度信息。
42.进一步，步骤4包括：通过mcu根据数据传输协议(iic、spi、uart)读取待测噪音传感器的噪音数据，将噪音数据输入tinyml模型。其中所述噪声传感器，完成当前环境噪声强度的采集，将当前环境中的物理信号转换成电信号，并通过相应的数据传输协议(iic、spi、uart)将电信号传输给mcu。
43.步骤5：通过mcu截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。进一步，进行数据保存并处理，保存mcu上传的数据信息，截取超过50分贝的数据信息，主控芯片每隔五分钟上传一次各个噪声传感器的噪声强度数值，每隔一分钟上传一次噪声源位置。
44.本发明还提供一种基于tinyml的噪音源位置识别装置，包括采集模块、训练模块、部署模块、识别模块和上传模块，
45.通过部署的噪音传感器，采集模块采集噪音数据，
46.训练模块利用噪音数据训练并优化tinyml模型，
47.部署模块将tinyml模型部署至mcu中，识别模块通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，利用tinyml模型输出噪声源的位置信息以及噪声源的强度信息，上传模块通过mcu截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。
48.上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
49.同样地，本发明装置可以通过训练模型，部署模型至mcu，利用mcu运行模型识别具
体的噪音源位置，并上传云服务器，避免人工识别噪音位置，损耗健康，适用于各种需要进行噪音识别的场所。
50.需要说明的是，上述各流程和各装置结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
51.以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

技术特征：
1.一种基于tinyml的噪音源位置识别方法，其特征是部署噪音传感器，采集噪音数据，利用噪音数据训练并优化tinyml模型，将tinyml模型部署至mcu中，通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，利用tinyml模型输出噪声源的位置信息以及噪声源的强度信息，通过mcu截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。2.根据权利要求1所述的一种基于tinyml的噪音源位置识别方法，其特征是所述部署噪音传感器，包括：考虑噪音在空气中衰减，分别在建筑物顶端和底端部署噪音传感器，其中在建筑物顶端和底端选取不在一个平面内的四个点，分别部署噪音传感器。3.根据权利要求1所述的一种基于tinyml的噪音源位置识别方法，其特征是所述采集噪音数据，包括：采集噪声传感器的位置坐标、采集噪音在空气中的衰减数值、采集不同噪声传感器的数值、采集实际噪声源位置、采集噪声源强度、采集不同方位的噪声源和采集相同方位的不同强度的噪声。4.根据权利要求1所述的一种基于tinyml的噪音源位置识别方法，其特征是所述将tinyml模型部署至mcu中，包括：将tinyml模型的文件进行压缩处理，并转换为二进制文件，将二进制文件部署到mcu中。5.根据权利要求1所述的一种基于tinyml的噪音源位置识别方法，其特征是所述通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，包括：通过mcu根据数据传输协议读取待测噪音传感器的噪音数据，将噪音数据输入tinyml模型。6.一种基于tinyml的噪音源位置识别装置，其特征是包括采集模块、训练模块、部署模块、识别模块和上传模块，通过部署的噪音传感器，采集模块采集噪音数据，训练模块利用噪音数据训练并优化tinyml模型，部署模块将tinyml模型部署至mcu中，识别模块通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，利用tinyml模型输出噪声源的位置信息以及噪声源的强度信息，上传模块通过mcu截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。7.根据权利要求6所述的一种基于tinyml的噪音源位置识别装置，其特征是所述部署噪音传感器，包括：考虑噪音在空气中衰减，分别在建筑物顶端和底端部署噪音传感器，其中在建筑物顶端和底端选取不在一个平面内的四个点，分别部署噪音传感器。8.根据权利要求6所述的一种基于tinyml的噪音源位置识别装置，其特征是所述采集模块采集噪音数据，包括：采集噪声传感器的位置坐标、采集噪音在空气中的衰减数值、采集不同噪声传感器的数值、采集实际噪声源位置、采集噪声源强度、采集不同方位的噪声源和采集相同方位的不同强度的噪声。9.根据权利要求6所述的一种基于tinyml的噪音源位置识别装置，其特征是所述部署
模块将tinyml模型部署至mcu中，包括：将tinyml模型的文件进行压缩处理，并转换为二进制文件，将二进制文件部署到mcu中。10.根据权利要求6所述的一种基于tinyml的噪音源位置识别装置，其特征是所述识别模块通过mcu读取待测噪音传感器的噪音数据并输入tinyml模型，包括：通过mcu根据数据传输协议读取待测噪音传感器的噪音数据，将噪音数据输入tinyml模型。

技术总结
本发明公开一种基于TinyML的噪音源位置识别方法,涉及微型机器学习应用技术领域；部署噪音传感器，采集噪音数据，利用噪音数据训练并优化TinyML模型，将TinyML模型部署至MCU中，通过MCU读取待测噪音传感器的噪音数据并输入TinyML模型，利用TinyML模型输出噪声源的位置信息以及噪声源的强度信息，通过MCU截取超过阈值的噪音数据及噪音数据对应的噪声源位置信息上传至云服务器。位置信息上传至云服务器。位置信息上传至云服务器。


技术研发人员：徐文凯 金长新 朱翔宇 李锐 魏子重
受保护的技术使用者：山东浪潮科学研究院有限公司
技术研发日：2023.05.15
技术公布日：2023/8/24