Современные информационные технологии/2. Вычислительная техника и программирование

К.т.н. П.В. Желтов, к.т.н. В.И. Семенов, А.К. Шурбин

Чувашский государственный университет, Россия

Использование быстрого непрерывного вейвлет-преобразования для выделения речевого сигнала из шума конвейера

Для транспортировки сыпучих грузов (песка, гравия, щебня) используется конвейер. Размер кусков транспортируемого материала не должен превышать 300-400 мм. Трасса конвейера в горизонтальной плоскости прямолинейная, длина конвейера 200 м. Горизонтальная секция конвейера находится под землей, две секции имеют наклонную трассу. Загрузку сыпучего груза на конвейерную ленту производят через направляющий лоток или воронку, а разгрузку - через концевой барабан.

Загрузочных воронок несколько, для того чтобы можно было по мере необходимости загрузить разными сыпучими материалами. Щебень, песок, гравий и другие материалы хранятся в кучах над воронками, где работает бульдозер.

При попадании на ленту больших кусков замерзшего материала возникает аварийная ситуация, разгрузочные воронки могут забиться, а также эти куски могут скатываться по наклонному конвейеру обратно. В этих ситуациях необходимо быстро остановить конвейер для устранения неполадок или подавать команды для предотвращения неполадок. При этом преимущества голосового управления очевидны:

1) руки остаются свободными; 2) легко подать сигнал тревоги;3) не требуется никаких инструментов; 4) рабочий не должен занимать фиксированную позицию, 5) не имеют значения условия освещения и механической вибрации; 6) не нужны клавиатура и дисплей; 7) проста методика наблюдения за реакцией на команду; 8) можно пользоваться общим каналом для нескольких целей; 9) легко осуществляется сопряжение с телефонными системами.

При работе конвейер создает шум, поэтому были проведены исследования речевого сигнала на фоне шума. Для этого сигнал записывался с разных расстояний с помощью микрофона и сохранялся в звуковом файле. Частота дискретизации – 8000 Гц, разрешение – 16 бит. Обозначим шум функцией N(t), а речевой сигнал на фоне шума функцией H(t)=S(t)+N(t). На рис. 1 представлен график зависимости оцифрованного шума N(t) от времени t.

Рис. 1. Шум конвейера

На рис. 2 представлен спектр шума F(v) , вычисленный быстрым преобразованием Фурье функции N(t).

Рис. 2. Спектр шума конвейера

Многочисленные эксперименты показывают, что в спектре шума выделяются частоты в диапазоне от 100 до 410 условных единиц. Все остальные частоты имеют почти одинаковые амплитуды, медленно стремящиеся к нулю при высоких частотах. Для подавления этих частот и частот, при которых речевой сигнал имеет малые амплитуды, сконструирован Sinc-вейвлет. Обратное вейвлет-преобразование шума и прослушивание его показывает, что наиболее сильные амплитуды ответственны за металлический звук, который образуется при вращении роликов конвейера длиной 200 метров. Остальные частоты создают фон, который невозможно полностью устранить.

На рис. 3 представлен график зависимости H(t) от времени t шума и слова стоп. Слово стоп произносилось на расстоянии 10 метров от микрофона. В [1,2] отмечается, что шум высокой интенсивности влияет на диктора, вызывая изменения в характере произношения речевых команд. В условиях сильных помех говорящий изменяет громкость и другие параметры речи, чтобы обеспечить достаточно надежное ее понимание.

Рис. 3. Слово стоп на фоне шума конвейера

Таким образом, речь, воспроизводимая в шумной среде, существенно отличается по характеристикам от речи, воспроизводимой тем же лицом в спокойной обстановке. Данный эффект получил название ломбард-эффект или эффект Ломбера. Негативное влияние шумов на распознавание состоит в том, что они искажают параметры речевых команд. На одинаковых полосах частот речевого сигнала и шума спектр шума маскирует спектр речевого сигнала. При этом качество распознавания в зависимости от интенсивности шума может снизиться на 10-40% [3].

Надежные системы распознавания РК из ограниченного словаря в условиях акустических помех в настоящее время разрабатываются в основном для авиации и используются в приборах речевого управления и контроля полета. Практически все испытываемые системы дикторозависимые [3]. Так же отмечается, что метод пофонемного распознавания не показал достаточной работоспособности при наличии интенсивных акустических шумов, потому, что наличие шума в распознаваемой речевой команде делает её непохожей на эталон, так как эталоны речевых команд обычно подготавливаются при отсутствии помех, отсюда и снижение качества распознавания.

Для распознавания речевых команд используется алгоритм выделения фонем по энергии сегментов вейвлет-коэффициентов W(а,b) на разных масштабах.

1. Конструируется Sinc-вейвлет для подавления частот 0 - 450 и 8000 – 16384.

2. Вычисляется вейвлет-спектр W(a,b) с применением MHAT-вейвлета.

3. W(a,b) разбивается на сегменты длительности 128 отсчетов.

4. Вычисляется Фурье-спектр каждого сегмента.

5. Вычисляется энергия сегментов.

На рис. 4 представлен график зависимости энергии сегментов вейвлет-коэффициентов W(а,b) слова стоп от масштабного коэффициента а.

Рис. 4. Энергии сегментов вейвлет-коэффициентов W(а,b) слова стоп

В сегментах 63-73 для масштабных коэффициентов 1-8 выделяется пик, который соответствует энергии сегментов вейвлет-коэффициентов W(а,b) слова стоп. Это означает, что для масштабных коэффициентов 1-8 энергия сегментов вейвлет-коэффициентов W(а,b) шума в несколько раз меньше, чем для речевого сигнала.

На рис. 5 представлен график энергии сегментов вейвлет-коэффициентов W(2,b) слова стоп.

Рис. 5. Энергии сегментов вейвлет-коэффициентов W(2,b) слова стоп

Речевые сигналы подаются не только для выполнения команды, а также подаются для информирования, о том, какой материал надо транспортировать. На рис. 6 представлен график зависимости H(t) от времени t шума слова песок.

Рис. 6. Слово песок на фоне шума конвейера

Так же, как и слово стоп, слово песок произносилось на расстоянии 10 м от микрофона.

Рис. 7. Энергии сегментов вейвлет-коэффициентов W(2,b) слова песок

На рис. 7 видно, что выделяются два пика, которые соответствуют гласным фонемам. Чтобы распознать, какая речевая команда подана, производим вейвлет-преобразование энергии сегментов вейвлет-коэффициентов W4(4,b) речевых команд и подсчитывается количество выделенных локальных максимумов. Так как, количество локальных максимумов не зависит от того, где подготавливаются эталоны команд – при наличии шума или без него и количество речевых команд всего 20, то всевозможные комбинации выделенных локальных максимумов позволяют команды отличить друг от друга.

Литература:

1. Крашенинников В.Р., Армер А.И. Распознавание речевых сигналов на фоне шумов // «Распознавание образов и анализ изображений: новые информационные технологии». Труды седьмой международной конференции РОАИ-7, С-Пб, 2004. С. 752 – 755.

2. Крашенинников В.Р., Армер А.И., Крашенинникова Н.А., Хвостов А.В. Распознавание речевых команд на фоне интенсивных помех с помощью авторегрессионных портретов // Наукоемкие технологии. Москва, 2007, № 9. С. 65 – 74.

3. Крашенинникова Н.А. Оптимизация библиотеки эталонов в задачах распознавания речевых команд. Дисс. на соис. уч. ст. к.т.н. Ульяновск, 2007.