基于听觉特征分析的物体表面材质识别研究

发布时间：2023-05-07 18:49

　　随着人工智能的快速发展,机器人被广泛应用到家庭服务、化工和航空航天等多个领域。目标物体材质识别是机器人感知外界环境和目标物体识别的重要环节。视觉和听觉作为机器人的两大感知模态,对机器人感知环境起着举足轻重的作用。然而,当被检测物体在视觉上类似而组成材质不同时,从而使得机器人视觉系统的分析识别结果产生错误,而听觉模态却能很好的弥补视觉在该方面的不足。对此,本研究将声音识别技术应用到物体表面材质识别中,通过分析敲击物体或者摩擦物体表面所产生的声音来对物体的表面材质来进行分析识别,以达到环境感知的目的。本文设计了一款用于物体表面材质识别的麦克风声音采集笔,并使用该声音采集笔分别采集并组建了5种材质敲击声音数据集TSD-25和9种木材敲击和滑动声音数据集WSD-9,同时分别进行了相应的实验分析研究:(1)对TSD-25数据集提取了包括高阶梅尔倒谱系数(HMFCC)、高阶线性预测梅尔倒谱系数(LPHMFCC)以及基于小波变换的高阶梅尔倒谱系数(WHMFCC)在内的3种声音特征,并利用增减分量法对得到的每种声音特征的倒谱分量相对重要性进行了评估,以达到特征筛选的效果。最后利用支持向量机和极限学习机...

【文章页数】：97 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 语音识别研究现状
        1.2.2 非语音识别研究现状
    1.3 研究内容及结构安排
        1.3.1 研究内容
        1.3.2 主要工作
        1.3.3 结构安排
第二章 材质声音信号分析及特征提取算法
    2.1 材质声音信号分析
        2.1.1 材质声音信号数字化
        2.1.2 材质声音信号预处理
    2.2 材质声音信号特征提取算法
        2.2.1 高阶梅尔倒谱特征系数(HMFCC)提取算法
        2.2.2 高阶线性预测梅尔倒谱特征系数(LPHMFCC)提取算法
        2.2.3 基于小波变换的高阶梅尔倒谱特征系数(WHMFCC)提取算法
    2.3 倒谱分量相对重要性评价
    2.4 本章小结
第三章 分类器算法介绍
    3.1 支持向量机(SupportVectorMachine,SVM)
        3.1.1 支持向量机概述
        3.1.2 支持向量机分类算法
        3.1.3 LIBSVM工具箱介绍
        3.1.4 最优参数c和g的选取
    3.2 极限学习机(ExtremeLearningMachine,ELM)
        3.2.1 极限学习机概述
        3.2.2 基本极限学习机算法
        3.2.3 基于正则化的极限学习机算法
    3.3 本章小结
第四章 基于材质声音特征的物体表面材质识别研究
    4.1 实验的软硬件设计
    4.2 敲击声音数据集的建立
    4.3 实验具体过程
        4.3.1 材质声音信号和噪声信号分析
        4.3.2 材质声音信号预处理
        4.3.3 材质声音信号特征提取
        4.3.4 分类器模型训练与识别
    4.4 实验结果验证
        4.4.1 基于支持向量机分类器算法的物体表面材质识别实验验证
        4.4.2 基于RELM分类器算法的物体表面材质识别实验验证
        4.4.3 实验结果分析对比
    4.5 本章小结
第五章 基于声音多特征组合与RELM算法的木材识别研究
    5.1 木材识别问题描述
    5.2 声音数据集WSD-9的建立
    5.3 实验结果验证
        5.3.1 滑动声音实验结果分析
        5.3.2 敲击声音实验结果分析
        5.3.3 声音多特征组合实验结果分析
    5.4 本章小结
第六章 物体表面材质识别系统上位机软件设计
    6.1 软件的设计流程
    6.2 软件界面的设计与使用
    6.3 本章小结
第七章 总结与展望
    7.1 本文工作总结
    7.2 工作展望
参考文献
致谢
个人简历、在学期间的研究成果及发表的学术论文



本文编号：3811134