我正在使用深度学习算法、Raspberry Pi 和麦克风作为声音传感器构建婴儿哭声检测系统。
当婴儿开始哭泣时,系统应该检测到哭声。当我将麦克风放在婴儿附近时效果很好,但是当麦克风离开时,我无法检测到声音。
请向我建议任何技术来检测最大 3 米范围内的声音。
我正在使用深度学习算法、Raspberry Pi 和麦克风作为声音传感器构建婴儿哭声检测系统。
当婴儿开始哭泣时,系统应该检测到哭声。当我将麦克风放在婴儿附近时效果很好,但是当麦克风离开时,我无法检测到声音。
请向我建议任何技术来检测最大 3 米范围内的声音。
要提高基于驻极体麦克风的声音捕捉系统的效率,您可以:
这个问题非常广泛,即使不了解系统内部(网络的类型和功能有很大的不同),也不可能给出一个很好的答案。不过,我会尝试的。
最重要的问题不是“建议检测最大 3 米范围内的声音的技术”,而是要了解它为什么不起作用。你试过调查它吗?可能有很多可能的原因:
用于根据网络输出做出决策的阈值不是最优的。试着计算一条ROC曲线,看看能不能调整到更优的工作点。
也有不同的可能性,但现在尝试调试它:
为了补充 Fat32 的建议,如果您的信号嘈杂,请使用本噪声较低的麦克风。
我建议你先做一些需求计算。
让我们假设婴儿哭声在 100Hz 时有很多能量
在 20 摄氏度的空气中的声速约为 340m/s。
这给出了大约 3.4 米的波长,所以你需要的距离小于一个波长。
假设一个婴儿在一个房间里,没有多大,婴儿哭声可能具有一些驻波特征。如果是这种情况,房间内会出现更响亮和更安静的地方,它们仅与婴儿和麦克风之间的距离松散相关,如果存在相关关系,它将与微弱成比例。
我建议你在这些方面做更多的实验。让一些假设更具体,比如婴儿哭泣的频率内容。100Hz 可能太低了。1000Hz 改变了很多一阶物理假设。移动麦克风是否具有关系,或者房间内是否有响亮和安静的地方。
由于其他一些答案暗示了一些放大,可以容忍多少放大。额外的麦克风可以提供一些分集增益,但应考虑相距多远以及如何处理。
你真的应该更好地了解你的问题,因为这会带来更好的解决方案。