基于深度学习的公共厕所漏水检测系统设计_柳心敬.pdf

第 31 卷 第 4 期 2023 年 8 月Vol.31 No.4Aug.2023电脑与信息技术Computer and Information Technology文章编号：1005-1228（2023）04-0011-04基于深度学习的公共厕所漏水检测系统设计柳心敬1，陈俊杰2，张伟2，修宇2（1.安徽工程大学人工智能学院 安徽 芜湖 241000；2.安徽工程大学计算机与信息学院 安徽 芜湖 241000）摘要：针对传统漏水检测方法效率低、成本高、难以实时感知的问题，设计了一种基于环境声音识别的厕所漏水检测系统。该系统基于树莓派硬件，通过声音传感器进行声音采集，并调用本地声音分类模型完成漏水声音识别。之后系统将漏水识别情况上传至物联网平台进行统一监控和管理，方便工作人员通过平台查看厕所漏水情况。实验结果表明，在实际应用中该系统对厕所漏水现象的识别准确率达到 93%，具有较好的泛化能力和鲁棒性，可有效用于精准及时监测厕所漏水情况的发生。该系统成本低，具有一定实用性。关键词：环境声音识别；漏水检测；树莓派；物联网中图分类号：TP183,TP391.4文献标识码：ADesign of Leakage Detection System for Public Toilets Based on Deep LearningLIU Xin-jing1,CHEN Jun-jie2,ZHANG Wei2,XIU Yu2（1.School of Artificial Intelligence,Anhui Engineering University,Wuhu 241000,China;2.School of computer and information,Anhui Engineering University,Wuhu 241000,China）Abstract：Aiming at the problems of low efficiency,high cost and difficult real-time perception of traditional water leakage detection methods，We designed a toilet leakage detection system based on environmental sound recognition.The system is based on raspberry pie hardware,collects sound through sound sensor,and calls local sound classification model to complete water leakage sound recognition.After that,the system uploads the water leakage identification to the Internet of things platform for unified monitoring and management,so that the staff can view the water leakage of the toilet through the platform.The experimental results show that in practical application,the recognition accuracy of the system for toilet water leakage is 93%,which has good generalization ability and robustness,and can be effectively used to accurately and timely monitor the occurrence of toilet water leakage.The system has low cost and certain practicability.Key words:ambient sound recognition;water leakage detection;raspberry pie;internet of things 收稿日期：2022-8-12基金项目：高校国家级大学生创新创业训练计划项目（项目编号：202110363093），安徽省大学生创新创业训练计划项目（项目编号：S202110363313）。作者简介：柳心敬（2001-），男，安徽宿州人，本科，主要研究方向：机器学习算法应用；（通信作者）修宇（1976-），男，山东单县人，副教授，主要研究方向：机器学习工程。水是生命之源，全球淡水资源严重不足，节约用水成为人们的共识。由于学校等公共场所厕所较多且使用频繁，因而导致滴水、漏水现象经常发生，如果不及时处理，将导致水资源的浪费。漏水检测作为发现漏水现象的主要方法，然而目前传统漏水检测方法主要靠听漏棒和大型漏水检测设备，成本高，对工作人员水平要求较高，依赖人工值守，对发生的漏水事件很难做到实时感知。当涉及的管理区域较多时，经常存在漏报问题。因此开发低成本、效率高的厕所漏水检测系统十分有必要，为此设计了一种基于树莓派的厕所漏水检测系统，该系统根据环境声音识别的原理1,2,3,4,5,6，综合采用了树莓派、声音采集传感器、物联网等多种技术，提供了一种低成本、高效率的漏水检测方案。由于漏水检测对实时性要求不高，因此系统只需在夜间启动，夜间每隔一定的时间间隔自动进行一次声音采集，然后将采集到的声音进行预处理并输入本地声音识别模型进行漏水声音识别，最后将漏水识别结果上传至物联网平台进行统一监控和管理，DOI:10.19414/ki.1005-1228.2023.04.025电脑与信息技术 2023 年 8 月12白天时，工作人员根据夜间平台反馈结果，定向处理漏水问题，不需要人为实时监测。将该方法与现有方法进行比较，验证了其有效性,为漏水检测领域研发精度高、成本低性能好的漏水检测系统设备提供思路，解决了国内现有漏水检测设备存在的一些问题。1硬件系统设计树莓派基于嵌入式芯片设计，价格便宜具备所有PC 功能，且树莓派具备直接的外部硬件接口，可以方便的实现与硬件结合的功能。ReSpeaker 4-Mic 它是一款高度集成四通道的声音采集传感器，具有用于高清晰度语音捕获，可拾取 3 米半径的声音的语音设备并且具有除噪功能。综合考虑漏水检测的成本和实用性等因素，本系统硬件采取树莓派 zero 版作为漏水检测系统的核心控件，ReSpeaker 4-Mic 作为声音采集传感器直接接入树莓派的GPIO引脚，系统所需的硬件清单见表1，系统架构如图 1 所示。具体流程：开发板事先通过定时器在夜间定时开启并自动进行声音采集与漏水检测，并将预测结果通过网络上传至物联网平台，方便后台工作人员监测各个厕所的漏水情况。装置在识别过程完成后，可自动删除录音文件将占用的存储空间释放，从而延长装置的使用寿命。表 1系统硬件元件名称型号主要参数树莓派ZeroCPU：ARM11 core声音采集传感器ReSpeaker 4-Mic 阵列麦克风数量：4 拾音距离：3m 图 1基于深度学习的漏水检测系统架构2软件系统设计软件系统共包括声音预处理模块、漏水声音识别、物联网平台 3 大功能模块，其中漏水声音识别模块是整个系统的核心模块，声音预处理模块是实现漏水声音识别的前提，物联网平台模块用于监测各个厕所的漏水情况。软件系统工作流程图如图 2 所示，树莓派通过定时器定时通电开启，之后每隔一定的时间间隔自动进行一次声音采集，并通过开发板上的声音预处理模块对声音进行预处理，然后调用漏水声音识别模块对预处理的声音进行识别，若识别结果为“1”，则代表厕所漏水，若识别结果为“0”，则代表厕所不漏水，之后将漏水识别结果上传至物联网平台。白天时，工作人员根据物联网平台漏水与不漏水的结果占比，判断漏水情况，定向处理漏水概率较大的厕所。图 2基于深度学习的漏水检测系统软件流程图2.1声音预处理模块设计声音预处理模块采用了 Python librosa 库，librosa库是一个用于音频分析、处理的 python 工具包，具图 3漏水声音的 MFCC 特征第 31 卷 第 4 期13柳心敬等，基于深度学习的公共厕所漏水检测系统设计有一些常见的时频处理、特征提取、绘制声音图形等功能。该系统采用了 librosa 库预处理声音数据，包括将声音数据转化为双通道声，标准化声音采样率为6400，调整为相同的长度 4s，最后通过提取声音的MFCC 特征来充分提取声音信号的信息，漏水声音的MFCC 特征如图 3 所示。2.2漏水声音识别模块设计漏水声音识别是该系统中最重要的部分。在声音识别领域中，最常见的是先通过提取声音的特征，例如：MFCC8、Log-Mel Spectrogram6 等特征，再构建机器学习模型识别提取到的特征进行声音分类。在特征选取上，本文提出选择使用声音的 MFCC特征进行声音分类。在网络结构上，本文使用了一种基于 Squeeze_Net 的卷积神经网络。Squeeze_Net 卷积神经网络模型是由加利福尼亚大学伯克利分校和斯坦福大学的研究学者在 2016 年联合提出的一种旨在降低模型参数输入量的网络模型，它能解决 Alex Net 和VGGNet 模型因参数量巨大而降低运算效率的问题。该网络通过大量使用 1x1 卷积核替换 3x3 卷积核，并且采用不同于传统卷积的方式，提出 Fire 模块，Fire 模块主要包含两层卷积操作：一是采用 1x1卷积核的 squeeze 层；二是混合使用 1x1 和 3x3 卷积核的 expand 层。Fire 模块的基本结构如图 4 所示。在 squeeze 层卷积核数记为 s 个 1x1 卷积核，在expand 层，记 1x1 卷积核数为 e1 个 1x1，而 3x3 卷积核数为 e3。为了尽量降低 3x3 的输入通道数，这里让 s 的值小于 e1 与 e3 的和。图 4Fire 模块因此，本文根据 Squeeze_Net 的特性设计了一类基于 Squeeze_Net 的卷积神经网络模型，将 Fire 模块数量减少到 4 个，见图 5。该模型由输入层，1 组 96个7*7卷积核和3*3最大池化，四组Fire模块（分别为：64 个 1x1 和 3x3 卷积核，128 个 1x1 和 3x3 卷积核，128 个 1x1 和 3x3 卷积核，256 个 1x1 和 3x3 卷积核），全局平均池化层和 Softmax 输出层（输出层输出漏水与不漏水的概率）组成。通过使用 fire 模块和全局平均池化，减小模型大小，从而降低模型计算功耗和计算时间。图 5基于 Squeeze_Net 的卷积神经网络系统监测时，该漏水声音识别模块通过将预处理的声音数据输入训练好的基于 Squeeze_Net 的卷积神经网络，返回不同类别的置信度，并将漏水识别结果图 6物联网平台管理界面电脑与信息技术 2023 年 8 月14上传至物联网平台。2.3物联网平台模块设计系统使用 OneNET 平台来实现漏水检测系统物联网平台功能，提供基于物联网平台的漏水信息管理功能，通过物联网平台监控各个设备所在的厕所是否存在漏水现象。具体逻辑如下：系统使用 HTTP 协议将设备与物联网平台连接，将设备的漏水预测结果上传至物联网平台。白天时，工作人员可进入系统后台根据各个厕所的漏水情况定向处理漏水问题。某设备的漏水信息管理物联网平台界面如图 6 所示。3实验结果与分析3.1实验环境实验环境配置如下：百度 AI studio 平台，内存8G，Ubuntu 20.04 操作系统。所有程序均基于 Paddle Paddle 1.8.4 框架设计，并通过 python 编程语言实现。3.2实验数据厕所中存在漏水声和未漏水声两种声音，我们通过声音采集模块在学校厕所实地采集了 5000 条采样率为 10050，时长为 10s 的声音数据。声音数据分为漏水数据与未漏水数据，每种数据样本数为2500条，并将漏水数据标注为1，未漏水数据标注为0。我们通过随机选取各 800 条漏水声和 800 条未漏水声数据作为测试集，剩余样本作为训练集。3.3模型训练与测试在模型训练部分，我们利用 Paddle Paddle 训练测试了基于 MFCC 特征的 Squeeze_Net 卷积神经网络。并使用 Adam 来优化目标函数，训练批次为 32，迭代 30 次，该模型在测试集的精度如图所示。可以看出随着迭代次数的不断增加模型测试集精度达到94%，具有较好的泛化能力。图测试集精度3.4系统测试将漏水检测装置固定于卫生间天花板中央，之后通过音箱播放漏水声音数据，模拟真实漏水环境，并且在模拟的厕所环境周围制造噪音，例如：人说话、走路等噪音。我们一共测试了 400 条漏水声音数据，400 条不漏水声音数据，并且分为有噪音和没有噪音两种工作环境。在有噪音时，漏水数据识别正确 388条，不漏水数据识别正确 390 条，在没有噪音时，漏水数据识别正确392条，不漏水数据识别正确389条。因此证明该系统在真实环境中使用状况良好，识别准确度高，受外界噪声影响较小。4结束语针对目前公共厕所漏水检测成本高、效率低、效果差等问题，开发了一种基于树莓派的厕所漏水检测系统。本系统综合采用树莓派、声音传感器、卷积神经网络、物联网平台等多种技术，提供了一种成本低、易部署、精度高的厕所漏水检测方案，方便监控和管理厕所漏水现象，且不需要人工巡查的方式来检测，节省人力，提高管理效率。为厕所漏水检测提供了新的思路。参考文献：1 史秋莹,郑铁然.基于深度学习的环境声音识别 J.智能计算机与应用,2018,8(5):34-37+41.2 刘志强,孙玉晶.声波检测技术在区域漏水检测中的应用J.供水技术,2009,3(01):47-49.3 Couvreur L,Laniray M.Automatic Noise Recognition in Urban Environments Based on Artificial Neural Networks and Hidden Markov ModelsJ.internoise,2004.4 徐睿,李志华,韩灿灿.基于特征融合和改进卷积神经网络的环境音识别 J.计算机与现代化,2021(02):62-67.5 杨磊,赵红东.基于轻量级深度神经网络的环境声音识别J.计算机应用,2020,40(11):3172-3177.6 刘亚荣,黄昕哲,谢晓兰,等.美尔谱系数与卷积神经网络相组合的环境声音识别方法 J.信号处理,2020,36(6):1020-1028 9.7 Mohamed A R.Deep neural network acoustic models for ASRD.Toronto:University of Toronto(Canada),2014.8 Zheng T F,Zhang G,Song Z.Comparison of Different Implementations of MFCCJ.Journal of Computer Science and Technology,2001,16(6):582-589.