查看: 16738|回复: 13

[项目] 行空板——“AI助听器”

本帖最后由云天于 2023-2-22 22:46 编辑

【项目背景】

让“聋人”看到声音！

世界上有各种各样的残障人士，这些人或不能说话，或听不见声音。聋人，是听力因先天遗传或后天人为因素而受损的残疾人，也叫听力障碍者，简称听障人。根据最近的全国人口普查统计，全中国大约有2700多万听障人，包括弱听、重听、老化聋等。因为各种不方便让其在这个世界上生活极为不方便。

比如有人敲门，水龙头忘关、孩子在卧室里啼哭，可是“听障人”他们听不见。

【项目设计】

利用人工智能，让模型学习各种声音，使用行空板采集声音，通过物联网将相应文字信息发送给Arduino主板在显示屏上显示并利用灯光提醒，并且利用micro:bit制作的手表进行文字、灯光加震动提醒，让“听障人”看见、感触到声音。

【项目改进】

上一版本使用波形图，本次学生项目作品使用“语谱图”，使训练出来的模型识别声音的种类和准确度更多更高。

【演示视频】

【音频信号】

声音以音频信号的形式表示，音频信号具有频率、带宽、分贝等参数，音频信号一般可表示为振幅和时间的函数。这些声音有多种格式，因此计算机可以对其进行读取和分析。例如：mp3 格式、WMA (Windows Media Audio) 格式、wav (Waveform Audio File) 格式。
【语谱图】
语谱图是二战时期发明的一种语音频谱图，一般是通过处理接收的时域信号得到频谱图。
语谱图是频谱分析视图，如果针对语音数据的话，叫语谱图。语谱图的横坐标是时间，纵坐标是频率，坐标点值为语音数据能量。由于是采用二维平面表达三维信息，所以能量值的大小是通过颜色来表示的，颜色深，表示该点的语音能量越强。
语音的时域分析和频域分析是语音分析的两种重要方法，但是都存在着局限性。时域分析对语音信号的频率特性没有直观的了解，频域特性中又没有语音信号随时间的变化关系。而语谱图综合了时域和频域的优点，明显的显示出了语音频谱随时间的变化情况、语谱图的横轴为时间，纵轴为频率，任意给定频率成分在给定时刻的强弱用颜色深浅来表示。颜色深的，频谱值大，颜色浅的，频谱值小。语谱图上不同的黑白程度形成不同的纹路，称之为声纹，不同讲话者的声纹是不一样的，可用作声纹识别。

【录制音频】
使用pyaudio库这个可以进行录音，生成wav文件。PyAudio 提供了 PortAudio 的 Python 语言版本，这是一个跨平台的音频 I/O 库，使用 PyAudio 你可以在 Python 程序中播放和录制音频。为PoTaTudio提供Python绑定，跨平台音频I/O库。使用PyAudio，您可以轻松地使用Python在各种平台上播放和录制音频。
测试程序，使用pyaudio录制5秒声音文件“output.wav”:

import pyaudio
import wave

CHUNK = 1024
FORMAT = pyaudio.paInt16
CHANNELS = 2
RATE = 44100
RECORD_SECONDS = 5
WAVE_OUTPUT_FILENAME = "output.wav"

p = pyaudio.PyAudio()

stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)

print("* recording")

frames = []

for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)

print("* done recording")

stream.stop_stream()
stream.close()
p.terminate()

wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

复制代码

【批量生成语谱图】

使用Librosa库批量生成各类声音的语谱图，如敲门声、水龙头流水声、婴儿啼哭声、警报声等。
Librosa是一个用于音频、音乐分析、处理的python工具包，一些常见的时频处理、特征提取、绘制声音图形等功能应有尽有，功能十分强大。
Librosa语音频谱图

librosa.display.specshow(data, x_axis=None, y_axis=None, sr=22050, hop_length=512)
复制代码

参数：
data：要显示的矩阵
sr ：采样率
hop_length ：帧移
x_axis 、y_axis ：x和y轴的范围
频率类型
‘linear’，‘fft’，‘hz’：频率范围由 FFT 窗口和采样率确定
‘log’：频谱以对数刻度显示
‘mel’：频率由mel标度决定
时间类型
time：标记以毫秒，秒，分钟或小时显示。值以秒为单位绘制。
s：标记显示为秒。
ms：标记以毫秒为单位显示。
所有频率类型均以Hz为单位绘制

#加载模块：

import pyaudio
import numpy as np
import matplotlib.pyplot as plt
from tqdm import tqdm
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
import librosa.display
import pandas as pd
import librosa

def record_audio(record_second):
    global wave
    CHUNK = 1024
    FORMAT = pyaudio.paInt16
    CHANNELS = 1
    RATE = 44100
  
    p = pyaudio.PyAudio()
    stream = p.open(format=FORMAT,
                    channels=CHANNELS,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)
    audio_data = []
    print("* recording")
    for i in tqdm(range(0, int(RATE / CHUNK * record_second))):
        data = stream.read(CHUNK)
        audio_data.append(data)
    audio_samples = librosa.core.samples_to_frames(
        np.frombuffer(b''.join(audio_data), dtype=np.int16),
        CHANNELS,
        hop_length=CHUNK
        )
    wave = audio_samples[5500:5500+int(1 * RATE)]/2**16
 
    print("* done recording")
    stream.stop_stream()
    stream.close()
    p.terminate()

for i in range(50):
#录制音频
    record_audio(record_second=2)
#加载音频：

    window_size = 1024
    window = np.hanning(window_size)
    stft  = librosa.core.spectrum.stft(wave, n_fft=window_size, hop_length=512, window=window)
    out = 2 * np.abs(stft) / np.sum(window)
# For plotting headlessly
    fig = plt.figure(figsize=(2.24, 2.24))
    ax = fig.add_subplot(111)
    ax.axes.xaxis.set_visible(False)
    ax.axes.yaxis.set_visible(False)[indent]#生成语音频谱图
    p = librosa.display.specshow(librosa.amplitude_to_db(out, ref=np.max), ax=ax, y_axis='log', x_axis='time')
    fig.savefig('save'+str(i)+'.jpg')

复制代码

注：需在行空板程序所在目录建立相应文件夹，如“door”,生成图像后，拷贝到电脑，使用ML训练模型。

【硬件制作过程】

一、行空板主控

按钮接行空板引脚21（用于关闭提醒），LED灯接引脚22（用于亮灯提醒）。

二、“掌控板”手表

将震动马达接“掌控宝”的M2接口，并粘在表带上。当掌控板收到信息后，启动震动马达开始震动，提醒“听障人”查看屏幕提示信息。

【训练模型】
将图片上传到“英艻AI训练平台”进行模型训练。类型有[size=18.6667px]“background”[size=18.6667px]、“door”、“water”。

【电脑推理测试】

下载模型，放到程序相应目录下。

#加载模块：

import pyaudio
#from unihiker import Audio
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image, ImageOps #Install pillow instead of PIL
from tqdm import tqdm
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
import librosa.display
import pandas as pd
import librosa
from keras.models import load_model

# 禁用科学符号
np.set_printoptions(suppress=True)
#内容.config(text="加载模型")
# 加载模型
model = load_model('keras_model.h5', compile=False)
# 加载标签
class_names  = ['background','jianpan','desktop']

#创建正确形状的数组以输入keras模型
#可以放入阵列的图像的“长度”或数量为
#由形状元组中的第一位置（在这种情况下为1）确定。

data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
#录制声音函数
def record_audio(record_second):
    global wave
    CHUNK = 1024
    FORMAT = pyaudio.paInt16
    CHANNELS = 1
    RATE = 44100
    
    p = pyaudio.PyAudio()
    stream = p.open(format=FORMAT,
                    channels=CHANNELS,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)
    audio_data = []
    print("* recording")
    for i in tqdm(range(0, int(RATE / CHUNK * record_second))):
        data = stream.read(CHUNK)
        audio_data.append(data)
    audio_samples = librosa.core.samples_to_frames(
        np.frombuffer(b''.join(audio_data), dtype=np.int16),
        CHANNELS,
        hop_length=CHUNK
        )
    wave = audio_samples[5500:5500+int(1 * RATE)]/2**16
    print("* done recording")
    stream.stop_stream()
    stream.close()
    p.terminate()

 

while(True):

[/indent][indent]   #录制音频
    record_audio(record_second=2)
    #加载音频保存语谱图
   window_size = 1024
    window = np.hanning(window_size)
    stft  = librosa.core.spectrum.stft(wave, n_fft=window_size, hop_length=512, window=window)
    out = 2 * np.abs(stft) / np.sum(window)
    #绘制
    fig = plt.figure(figsize=(2.24, 2.24))
    ax = fig.add_subplot(111)[/indent][indent]   #不显示横纵坐标轴
    ax.axes.xaxis.set_visible(False)
    ax.axes.yaxis.set_visible(False)[/indent]   #生成语音频谱图保存
    p = librosa.display.specshow(librosa.amplitude_to_db(out, ref=np.max), ax=ax, y_axis='log', x_axis='time')
    fig.savefig('wave.jpg')
   #打开语音频谱图
    image = Image.open('wave.jpg').convert('RGB')
    #将图像转换为numpy数组
    image_array = np.asarray(image)
    # 图像规格化
    normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1
    #将图像加载到数组中
    data[0] = normalized_image_array
    # 运行推断
    prediction = model.predict(data)
    
    index = np.argmax(prediction)
    #获取标签
    class_name = class_names[index]
    #获取置信度
    confidence_score = prediction[0][index]
    print('Class:', class_name)
    print('Confidence score:', confidence_score)

复制代码

【行空板推理】

下载模型，放到行空板程序相应目录。

利用行空板板载麦克风采集声音，利用matplotlib变换成图片，使用keras加载训练好的模型“keras_model.h5”，进行预测出声音类型。点亮LED灯并通过物联网发送相关信息指令。



#加载模块：

from unihiker import GUI
u_gui=GUI()
显示=u_gui.draw_text(text="智能提示器",x=0,y=100,font_size=35, color="#0000FF")
内容=u_gui.draw_text(text="加载库",x=20,y=180,font_size=35, color="#0000FF")
from pinpong.extension.unihiker import *
from pinpong.board import Board,Pin,NeoPixel

import pyaudio
#from unihiker import Audio
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image, ImageOps #Install pillow instead of PIL
from tqdm import tqdm
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
import librosa.display
import pandas as pd
import librosa
from keras.models import load_model

import siot

Board().begin()
p_p22_out=Pin(Pin.P22, Pin.OUT)
p_p21_in=Pin(Pin.P21, Pin.IN)
np1 = NeoPixel(p_p22_out,1)
np1[0] = (0,0,0)

# 禁用科学符号
np.set_printoptions(suppress=True)
#内容.config(text="加载模型")
# 加载模型
model = load_model('keras_model.h5', compile=False)
# 加载标签
class_names  = ['background','door','water']

#创建正确形状的数组以输入keras模型
#可以放入阵列的图像的“长度”或数量为
#由形状元组中的第一位置（在这种情况下为1）确定。

data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)

内容.config(text="连物联网")

siot.init(client_id="",server="iot.dfrobot.com.cn",port=1883,user="X8jykxFnR",password="u8jskbFngz")

siot.connect()

siot.loop()


def record_audio(record_second):
    global wave
    CHUNK = 1024
    FORMAT = pyaudio.paInt16
    CHANNELS = 1
    RATE = 44100
    
    p = pyaudio.PyAudio()
    stream = p.open(format=FORMAT,
                    channels=CHANNELS,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)
    audio_data = []
    print("* recording")
    for i in tqdm(range(0, int(RATE / CHUNK * record_second))):
        data = stream.read(CHUNK)
        audio_data.append(data)
    audio_samples = librosa.core.samples_to_frames(
        np.frombuffer(b''.join(audio_data), dtype=np.int16),
        CHANNELS,
        hop_length=CHUNK
        )
    wave = audio_samples[5500:5500+int(1 * RATE)]/2**16
    print("* done recording")
    stream.stop_stream()
    stream.close()
    p.terminate()

 

while(True):
 if (p_p21_in.read_digital()==True):
    siot.publish(topic="1DXAmWJ4g", data="S")
    np1[0] = (0,0,0)
 else:

    #录制音频
    内容.config(text="录音中……")
    record_audio(record_second=2)
    内容.config(text="识别中……")
    #加载音频：
    window_size = 1024
    window = np.hanning(window_size)
    stft  = librosa.core.spectrum.stft(wave, n_fft=window_size, hop_length=512, window=window)
    out = 2 * np.abs(stft) / np.sum(window)
    # 绘制
    fig = plt.figure(figsize=(2.24, 2.24))
    ax = fig.add_subplot(111)
    ax.axes.xaxis.set_visible(False)
    ax.axes.yaxis.set_visible(False)
    p = librosa.display.specshow(librosa.amplitude_to_db(out, ref=np.max), ax=ax, y_axis='log', x_axis='time')
    fig.savefig('wave.jpg')
    
    image = Image.open('wave.jpg').convert('RGB')

    #将图像转换为numpy数组
    image_array = np.asarray(image)

    # 规格化图像
    normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1
    # 将图像加载到数组中
    data[0] = normalized_image_array
    # 运行推断
    prediction = model.predict(data)
    index = np.argmax(prediction)
    class_name = class_names[index]

    confidence_score = prediction[0][index]

    if class_name=='background':
       siot.publish(topic="1DXAmWJ4g", data="B")
       np1[0] = (0,0,0)
       内容.config(text='背景音')
    elif class_name=='door':
       siot.publish(topic="1DXAmWJ4g", data="D")
       np1[0] = (0,255,0)
       内容.config(text='敲门')
    elif class_name=='water':
       siot.publish(topic="1DXAmWJ4g", data="W")
       np1[0] = (0,0,255)
       内容.config(text='流水')
    print('Class:', class_name)

    print('Confidence score:', confidence_score)

复制代码