[發明專利]基于聲紋深度特征的硬巖拉剪破裂識別方法及裝置

有效

• 申請號: 202011051834.7
• 申請日: 2020-09-29
• 公開（公告）號: CN112183638B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 蘇國韶;黃杰;蔣劍青;許華杰;張研;羅丹旎;粟明杰;藍蘭
• 申請（專利權）人: 廣西大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/40;G06V10/82;G06N3/04;G06N3/08;G10L17/02;G10L17/04;G10L17/18;G10L17/26
• 代理公司: 南寧市吉昌知識產權代理事務所(普通合伙) 45125
• 代理人: 林鵬

1.基于聲紋深度特征的硬巖拉剪破裂識別方法，其特征在于，包括：

步驟S1：獲取硬巖張拉破裂和剪切破裂的聲音信號，并繪制成相應的Wigner-Ville聲紋圖形；

步驟S2：利用預訓練深度神經網絡提取張拉和剪切破裂兩類聲紋圖的深度特征；

步驟S3：將張拉和剪切兩類破裂信號聲紋圖的深度特征作為訓練樣本訓練IVM；

步驟S4：監測硬巖的破裂聲音信號，獲取相應的破裂聲音聲紋圖；

步驟S5：利用預訓練深度神經網絡對預測的聲音聲紋圖進行深度特征提取，并根據IVM分類結果，確定此時刻硬巖破裂類型；

步驟S6：將IVM分類結果良好的預測樣本也一同作為訓練樣本加入到訓練集合中，對之后監測所得的聲音進行預測。

2.根據權利要求1中基于聲紋深度 特征的硬巖拉剪破裂識別方法，其特征在于，所述步驟S1包括：首先，通過現場試驗獲取危巖巖樣的張拉破裂和剪切破裂的聲音信號；然后，將原聲信號轉換成時間-頻率-幅值的三維平面Wigner-Ville聲紋圖。

3.根據權利要求1中基于聲紋深度 特征的硬巖拉剪破裂識別方法，其特征在于，所述步驟S2包括：提取張拉和剪切兩類聲紋圖形的深度特征的方法為：由步驟S1獲得聲音聲紋圖帶入預訓練的深度神經網絡中，提取網絡層中的深度特征矩陣，將上述的深度特征作為區分張拉破裂和剪切破裂聲音信號的依據。

4.根據權利要求1中基于聲紋深度 特征的硬巖拉剪破裂識別方法，其特征在于，所述步驟S3還包括：將所提取的張拉和剪切兩類聲紋圖的深度特征矩陣作為訓練樣本對IVM模型進行訓練，并利用交叉驗證方法提高IVM模型的對訓練樣本的泛化能力。

5.根據權利要求1中基于聲紋深度 特征的硬巖拉剪破裂識別方法，其特征在于，所述步驟S6還包括：將預測結果為0p*0.2的剪切樣本和預測結果為0.8p*1張拉破裂樣本，作為新的訓練樣本加入到訓練樣本集合中，重新訓練IVM模型，提高IVM的學習深度，并對之后監測得到的破裂聲音信號進行預測。

6.基于聲紋深度 特征的硬巖拉剪破裂識別裝置，其特征在于，包括：

拉剪采樣模塊Z1，用于對硬巖的巖樣開展張拉破裂實驗和剪切破裂實驗獲取相應的張拉破裂聲音和剪切破裂聲音，用于之后聲音信號特征的提取；

聲紋深度特征提取模塊Z2，用于將原聲信號繪制成聲紋圖并提取聲音聲紋圖的深度特征；

IVM計算模塊Z3，用于將已經提取的聲紋圖深度特征作為IVM模型的訓練樣本，并且對預測樣本做出分類結果；

現場聲音信號監測模塊Z4，用于對現場硬巖的破裂聲音信號進行監測、提取，獲取現場硬巖的破裂聲音信號，并作為預測樣本交給IVM計算模塊分類識別；

顯示模塊Z5，用于顯示上述各模塊之間的計算結果，及控制各個模塊的進程；

傳輸模塊Z6，用于實現對各模塊之間的信息通信，實現各模塊間信息的儲存和傳遞。

7.根據權利要求6 所述的基于聲紋深度 特征的硬 巖拉剪破裂識別裝置，其特征在于，所述聲紋深度特征提取模塊Z2包括：

聲紋圖形生成單元Z2-1，用于計算生成聲音信號的聲紋圖形；

聲紋圖深度特征提取單元Z2-2，利用預訓練深度神經網絡對生成的聲紋圖形進行深度特征的提取，預訓練網絡包括：VGG、Resent、Inception–X中的一個或多個。

8.根據權利要求6 所述的基于聲紋深度 特征的硬 巖拉剪破裂識別裝置，其特征在于，所述IVM計算模塊Z3包括：

均勻化樣本單元Z3-1，其用于均勻化訓練樣本；

交叉訓練單元Z3-2，其用于交叉訓練樣本，訓練IVM模型；

模型參數調整單元Z3-3，其用于對IVM模型訓練較差的情況，調整IVM模型的參數，以適應訓練；

預測樣本顯示單元Z3-4，其用于顯示IVM模型對于預測樣本的預測結果。