[发明专利]一种基于TinyML的水龙头流水声音检测方法

说明书

一种基于TinyML的水龙头流水声音检测方法，通过MFCC(梅尔频率倒谱系数)提取声音数据特征，构建神经网络模型，并进行模型训练。通过模型量化和压缩方式降低模型容量。模型采用的MobileNet‑V1神经网络，基于网络中可分离卷积的特点。采用Arduino将模型部署到微处理器开发板上。另外，定制开发板，集成微处理器开发板和报警装置，当模型预测到流水声音后，使用蜂鸣器和LED闪烁的方式，实施报警。人们听到报警声音后，及时关闭水龙头，有效避免水龙头的浪费。运行在开发板上的水龙头流水声音检测模型容量只有几百KB，运行功耗小，适合长时间持续运行。并且由于低功耗设备资源配置低，成本较低，在运行时间、功耗消耗和设备成本上可控。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于TinyML的水龙头流水声音检测方法。

背景技术

水是一切生命赖以生存，社会经济发展不可缺少和不可替代的重要自然资源和环境要素。但是，现代社会的人口增长、工农业生产活动和城市化的急剧发展，对有限的水资源及水环境产生了巨大的冲击，水资源浪费的情况较为严重。目前，节约用水往往停留在宣传的道德层面，技术手段发挥的作用较为有限。

发明内容

本发明为了克服以上技术的不足，提供了一种有效避免水龙头浪费用水的基于TinyML的水龙头流水声音检测方法。

本发明克服其技术问题所采用的技术方案是：

一种基于TinyML的水龙头流水声音检测方法，包括如下步骤：

a)采集水龙头流水声音数据，作为正样本数据，采集室内其他声音数据作为负样本数据，构建流水声音数据库；

b)构建流水声音检测模型；

c)将流水声音检测模型部署在服务器上，并对流水声音检测模型进行训练；

d)将训练后的流水声音检测模型部署到具有微处理器的开发板上，该开发板上具有报警装置；

e)当开发板检测到流水声音后，开发板中的微处理器控制报警装置报警。

进一步的，步骤b)中通MFCC梅尔频率倒普系数提取声音数据库中的声音数据特征，构建MobileNet-V1神经网络模型。

进一步的，步骤b)中通过交叉熵损失函数将流水声音数据库中声音数据二分类。

进一步的，步骤d)中采用Arduino平台的微处理器开发板，将流水声音检测模型部署到Arduino平台的微处理器开发板中。

进一步的，步骤d)中报警装置为设置于开发板上的LED灯和蜂鸣器。

本发明的有益效果是：通过MFCC(梅尔频率倒谱系数)提取声音数据特征，构建神经网络模型，并进行模型训练。通过模型量化和压缩方式降低模型容量。模型采用的MobileNet-V1神经网络，基于网络中可分离卷积的特点。采用Arduino将模型部署到微处理器开发板上。另外，定制开发板，集成微处理器开发板和报警装置，当模型预测到流水声音后，使用蜂鸣器和LED闪烁的方式，实施报警。人们听到报警声音后，及时关闭水龙头，有效避免水龙头的浪费。运行在开发板上的水龙头流水声音检测模型容量只有几百KB，运行功耗小，适合长时间持续运行。并且由于低功耗设备资源配置低，成本较低，在运行时间、功耗消耗和设备成本上可控。

附图说明

图1为本发明的流程结构图。

具体实施方式

下面结合附图1对本发明做进一步说明。

一种基于TinyML的水龙头流水声音检测方法，包括如下步骤：

a)采集水龙头流水声音数据，作为正样本数据，采集室内其他声音数据作为负样本数据，构建流水声音数据库；

b)构建流水声音检测模型；

c)将流水声音检测模型部署在服务器上，并对流水声音检测模型进行训练；