[发明专利]一种基于深度学习的钢琴考级评定方法及装置

权利要求书

1.一种基于深度学习的钢琴考级评定方法，其特征在于，包括如下步骤：

获取待评定钢琴乐曲的音频数据；

对所述音频数据进行预处理；

从预处理后的音频数据中提取声学特征；

将所述声学特征输入预先训练好的ResCNN神经网络模型，获得预测概率矩阵P；

根据所述预测概率矩阵P确定所述待评定钢琴乐曲的考级评定结果。

2.根据权利要求1所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述从预处理后的音频数据中提取声学特征具体为：采用梅尔频率倒谱系数从预处理后的音频数据中提取声学特征；

所述声学特征为由MFCC特征、一阶MFCC特征、二阶MFCC特征、能量特征、一阶能量特征和二阶能量特征组合成的多维组合特征。

3.根据权利要求1所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述对所述音频数据进行预处理包括归一化处理、去除静音段处理、去噪处理中的任意一项或多项。

4.根据权利要求3所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述去除静音段处理具体为：采用VAD算法计算所述音频数据每一帧的能量值，能量值低于能量门限TH的帧为静音帧，否则为语音帧，舍弃所述静音帧，保留所述语音帧。

5.根据权利要求3所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述去噪处理采用基于循环神经网络RNN的音频降噪算法对所述音频数据进行去噪。

6.根据权利要求1所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述根据所述预测概率矩阵P确定所述待评定钢琴乐曲的考级评定结果具体为：所述考级评定结果包括不及格、及格、良好和优秀，所述预测概率矩阵P中的每个元素的值代表所述待评定钢琴乐曲属于该元素对应的考级评定结果的概率，将所述预测概率矩阵P中值最大的元素对应的考级评定结果作为所述待评定钢琴乐曲的最终的考级评定结果。

7.根据权利要求1所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述预先训练好的ResCNN神经网络模型的训练步骤包括：

获取训练样本集，所述训练样本集包括多个评定结果已知的样本音频数据；

对所述样本音频数据进行预处理；

从预处理后的样本音频数据中提取样本声学特征；

构建ResCNN神经网络模型；

利用所述样本声学特征训练ResCNN神经网络模型，得到训练好的ResCNN神经网络模型。

8.根据权利要求7所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述利用所述样本声学特征训练ResCNN神经网络模型，得到训练好的ResCNN神经网络模型，包括如下步骤：

将所述样本声学特征输入ResCNN神经网络模型中，得到预测概率矩阵P′，并根据预测概率矩阵P′确定所述样本音频数据的预测评定结果；

将所述样本音频数据的预测评定结果与其真实评定结果进行比较，利用损失函数计算出损失值；

根据所述损失值利用损失函数优化算法更新模型参数；

重复上述步骤进行迭代训练，直至所述损失函数值收敛或迭代次数达到预定次数，完成ResCNN神经网络模型的训练。

9.根据权利要求8所述的一种基于深度学习的钢琴考级评定方法，其特征在于，所述损失函数采用交叉熵损失函数，所述损失函数优化算法采用随机梯度下降算法。

10.一种钢琴考级评定装置，其特征在于，包括：

录音装置，用于获取待评定钢琴乐曲的音频数据并发送至计算机设备；

计算机设备，所述计算机设备包括至少一个处理器和与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-9中任一项所述的一种基于深度学习的钢琴考级评定方法。