基于深度學習的景區(qū)景觀感知互動系統(tǒng)設計

摘 要：利用常規(guī)算法進行感知互動系統(tǒng)設計時會出現(xiàn)易受噪聲與環(huán)境影響、性能依賴參數(shù)設定、無法完成音頻識別且識別時間過長等問題，本文設計了一種基于深度學習的景區(qū)景觀感知互動系統(tǒng)。該系統(tǒng)主要由音頻識別、圖像收集和處理控制等模塊構成，并采用深度學習算法進行增添子函數(shù)、自適應控制和設定識別方向等相關軟件設計，完成了音頻識別過程。測試表明，深度學習算法能夠有效處理不同強度的帶噪聲頻，縮短識別距離，提升計算效率與識別準確度，并能對不同游客的互動音頻進行播放與可視化展示，改進了景區(qū)景觀的互動效果，該算法在景區(qū)景觀感知互動系統(tǒng)中具有良好的實用性與優(yōu)越性。

關鍵詞：深度學習算法；景區(qū)景觀；感知互動；音頻識別；音頻分離

中圖分類號：TP 391" " " " " " 文獻標志碼：A

隨著音控技術的發(fā)展，感知互動出現(xiàn)在大眾視野中，在該背景下，景區(qū)景觀也開發(fā)了感知互動系統(tǒng)，以降低人工成本。音頻識別根據(jù)準則識別最優(yōu)路徑，是感知互動系統(tǒng)研究的重心。音頻識別算法可分為常規(guī)算法與優(yōu)化算法，常規(guī)算法須進行信息載入，計算量較大。常規(guī)算法的研究成果多樣，姚鑫（2023年）等通過引入音頻識別距離信息，并使用梯度下降得到最優(yōu)識別距離，提升了音頻分離效果[1]；楊鵬（2023年）等提出混合音頻分離方法，將自適應動態(tài)權重因子引入粒子群算法，以提高其識別能力[2]。雖然該研究提升了感知互動系統(tǒng)性能，但是仍有改進空間，例如存在易受噪聲與環(huán)境影響、無法完成音頻識別等問題，從而降低了互動效果。深度學習算法是一種優(yōu)化算法，具有參數(shù)少、識別速度快等優(yōu)勢[3]。因此本文選取深度學習算法進行景區(qū)景觀感知互動系統(tǒng)設計，通過智能互動平臺進行感知交互，并對收集的音頻進行分離處理，以可視化形式完成互動，從而更好地解決游客互動問題。

1 整體設計

為實現(xiàn)景區(qū)景觀的智能感知互動，本文采用深度學習算法挖掘景區(qū)景觀中感知設備的音頻序列，然后利用AR技術進行景觀模擬仿真，從而構建景區(qū)景觀感知互動系統(tǒng)。系統(tǒng)結構主要由智能互動平臺與服務器構成。智能互動平臺包括音頻識別、音頻播放以及波譜可視化展示等部分。服務器的作用是對音頻進行分離與解碼等操作。智能互動平臺通過收集設備識別與收集游客語音，將收集的互動音頻通過無線傳輸?shù)男问缴蟼髦练掌鳌７掌魍ㄟ^編碼設備進行音頻分離與解碼，將處理過的音頻傳輸至智能互動平臺，再次進行音頻播放與波譜可視化操作。

2 硬件設計

2.1 功能模塊

系統(tǒng)以Core I9-13600K處理器為核心，集成嵌入式HyperTransport控制器，非常適用于音頻處理。系統(tǒng)硬件由音頻識別、圖像收集和處理控制等模塊構成，其中音頻識別包括本地識別與云端識別，因為云端識別需要連接網絡，所以使用本地識別[4]；圖像收集采用支持感光的OV7670攝像頭，有656×488個像素；處理控制模塊選用ASR-200H引擎，具有強大的雙精度浮點運算能力，可滿足多數(shù)識別場景。系統(tǒng)功能模塊如圖1所示，其工作原理如下：音頻識別模塊收集語音指令，引導圖像收集模塊進行圖像收集工作，處理控制模塊通過深度學習算法對圖像信息進行計算，完成邏輯分割與智能識別，識別結果通過設備傳輸給游客。

2.2 電路設計

系統(tǒng)硬件通過電阻處理音頻形變，音頻通過震動使電阻與極板相接觸，將音頻轉換為電壓，從而實現(xiàn)音頻信號到電信號的轉變。具體的電路設計如圖2所示，其工作原理如下所示。ASR-200H上的極化膜自帶永久電荷，在音頻作用下極化膜開始震動，當極板在音頻作用后退時，電容減少，電容電壓升高。反之，當電容增加時，電容電壓就會下降。因為ASR-200H內部電容較小，輸出電信號較微弱，所以無法直接與放大電路相連，此時應與阻抗變換器相連。因此，在ASR-200H內使用阻抗較高的場效應管進行阻抗，然后通過場效應管將電容電壓取出并放大，由此得到與音頻對應的電壓。

3 軟件設計

針對常規(guī)算法在復雜環(huán)境內無法識別音頻的問題，本文進行優(yōu)化后得到深度學習算法。采用深度學習算法進行靜態(tài)識別，提取關鍵點，并將其作為局部目標點。出現(xiàn)新音頻時，進行局部識別，以保證路徑最佳。算法流程如圖3所示，包括以下6個流程。1）在Fastone創(chuàng)建模擬環(huán)境，設置起點與終點。2）初始化算法參數(shù)。學習因子c、最大迭代次數(shù)Tmax、最大線速度vmax和最大加速度ωmax等。3）觀察迭代次數(shù)是否為最大，如果滿足，就可得出最優(yōu)路徑。4）提取不同局部子目標點，初始化當前節(jié)點，通過算法進行采樣，使用速度組合（v，ω）進行軌跡預測，根據(jù)評價函數(shù)選出最優(yōu)速度組合識別路徑[5]。5）觀察到達的局部子目標點是否為全局目標點，如果是，表明已到終點。6）輸出最優(yōu)路徑，算法完結。

3.1 增添子函數(shù)

深度學習算法的原理是在已知信息的基礎上，通過算法計算音頻識別最短路徑，記為path。此時，識別出的路徑可能存在遠離最短路徑的情況，為了使識別路徑最短，特增添子函數(shù)dropna（），其權重為w4。dropna（）的作用是使算法選擇最優(yōu)路徑，優(yōu)化后的深度學習算法評估函數(shù)E如公式（1）所示。

E=r[w1·query（v，ω）+w2·sample（v，ω）+w3·fillna（v，ω）+w4·dropna（v，ω）] （1）

預測軌跡起點到坐標（x0，y0）的最短距離分別如公式（2）、公式（3）所示。

（2）

（3）

式中：md1、md2、md3分別為預測軌跡均分的不同點到坐標（x0，y0）的最短距離；（x0，y0）為預測軌跡上首個坐標；（x1，y1）為預測軌跡上首個點對應path最短距離上的坐標；μ為3個點到path最短距離的加權距離均值。

μ值越小，表明預測軌跡最接近path，相應評分就越高。算法會優(yōu)先選擇高評分的路徑，這樣可使深度學習算法識別的路徑最接近path。

3.2 自適應控制

音頻識別需要有良好的局部識別能力，但是常規(guī)算法的權重系數(shù)基本固化。研究可知，如果音頻速率較快，就會導致算法識別遲滯。因此進行深度學習時引入自適應控制，當識別到部分音頻時，自適應控制w1提升，使深度學習算法的識別能力更強。此時音頻識別的最優(yōu)路徑如公式（4）所示。

（4）

式中：vt為某段音頻在t時識別的線速度；ωt為某段音頻在t時識別的加速度。

w1數(shù)值與加速度成正比，越臨近音頻時，w1數(shù)值越大，其識別能力越良好。

3.3 設定識別方向

深度學習算法設定初始識別方向是隨機的，當與目標音頻存在較遠距離時，可能會出現(xiàn)無法有效識別的問題。為防止子目標點選擇錯誤導致的誤差問題，應進一步篩選起點附近節(jié)點，根據(jù)節(jié)點與目標點間的距離設置距離評估函數(shù)。g為下處可行節(jié)點，分別計算可行節(jié)點距離估值函數(shù)F（d）的數(shù)值，如公式（5）所示。

（5）

式中：dmin為可行節(jié)點到目標節(jié)點與當前節(jié)點之和的最短距離；dmax為可行節(jié)點到目標節(jié)點與當前節(jié)點之和的最長距離。

當g越臨近目標點F（d）值越大時，離終點距離越近；F（d）值越小，離終點距離越遠。對可行節(jié)點排序后，將F（d）值最大的節(jié)點作為首個子目標點。設（x2，y2）為起點坐標，（x0，y0）為首個子目標點坐標，那么初始航向值I（c）如公式（6）所示。

（6）

深度學習算法會直接向下處目標音頻點運動，未出現(xiàn)停滯情況，由此可避免無法有效識別與后續(xù)分離的問題。

4 系統(tǒng)測試

4.1 測試預設

測試數(shù)據(jù)來源Vision Transformer音頻庫，選取某段游客音頻進行識別與分離。其中，純凈音頻受白噪聲與多路重合噪聲干擾，獲得4段噪聲音頻，白噪聲與多路重合噪聲分別為平穩(wěn)噪聲與不平穩(wěn)噪聲。為準確評估識別與分離效果，選取音頻質量評估作為核心評價指標。該指標屬于音頻質量評估方法，是識別與分離的常用評價方法。在測試中，指標數(shù)值控制在-0.1～0.4，數(shù)值越高，表明音頻質量處理效果越佳。

4.2 識別效果

根據(jù)上述設置，為驗證算法是否有效，將最高音頻強度設置為15dB，最高識別時間設置為4s，獲得不同音頻強度下深度學習算法對音頻的識別情況，如圖4所示。由測試可知，深度學習算法能夠有效處理不同音頻強度的噪聲，隨著音頻強度提高，識別效果越好。

4.3 處理效果比較

為觀察算法處理效果，選擇Vision Transformer音頻庫的部分游客音頻作為試驗對象，并在其中分別添加白噪聲與多路重合噪聲，噪聲干擾強度為0dB～15dB。測試將對帶噪聲頻進行強化，同時采用音頻質量評估指標進行效果評估，并得到最終結果（見表1）。由測試可知，深度學習算法能夠有效處理不同信噪比帶噪聲頻，隨著音頻強度提高，不同帶噪聲頻的音頻質量評估指標也逐步變化。

為進一步觀察算法在不同帶噪聲頻中音頻質量評估指標的增減趨勢，根據(jù)表1結果繪制發(fā)展趨勢圖，如圖5所示。由測試可知，當音頻強度為15dB時，白噪聲的音頻質量評估指標開始顯著下降，多路重合噪聲隨著音頻強度提高而不斷上升。但從整體角度來看，在低音頻強度狀態(tài)下，白噪聲音頻質量評估指標處于較高水平；在高音頻強度狀態(tài)下，多路重合噪聲音頻質量評估指標則處于較高水平。

4.4 分離與可視化

音頻分離的目的是對接收的互動音頻進行分離處理，可在服務器上執(zhí)行，具體測試流程如圖6所示?；跍y試流程，可在智能互動平臺點擊音頻分類按鍵，通過平臺向服務器發(fā)送請求，將互動音頻上傳至服務器，由此實現(xiàn)音頻分離，游客可實時查看分離進度。服務器處理完音頻信號后，系統(tǒng)會提示完成分離。

為更清楚地觀察音頻分離效果，本文在測試過程中增加了音頻播放與可視化環(huán)節(jié)。完成音頻分離后，系統(tǒng)會播放分離后的音頻，并據(jù)其繪制相應的波譜圖。由測試可知，系統(tǒng)能夠對不同游客的互動音頻進行播放與可視化展示，游客可通過界面進行音頻識別，由此強化了景區(qū)景觀的互動效果。

5 結語

綜上所述，本文設計了一種基于深度學習的景區(qū)景觀感知互動系統(tǒng)，可進行目標音頻的收集、音頻識別、分離、播放以及可視化。測試結果表明，該算法具有可行性與實用性，能夠有效處理不同強度的帶噪聲頻，可顯著縮短識別距離，提升計算效率與識別準確度，并能對不同游客的互動音頻進行播放與可視化展示，提高了景區(qū)景觀的互動效果。本文還進行了仿真試驗，后續(xù)可進一步提升音頻識別的準確率，繼續(xù)縮短識別時間，并將其應用于更多智能系統(tǒng)中，擴大算法的應用范圍。

參考文獻

[1]姚鑫.基于語音識別的多模態(tài)人機交互系統(tǒng)關鍵技術研究[J].自動化與儀器儀表，2023（11）：222-225.

[2]楊鵬，楊會，潘杰，等.基于語音交互系統(tǒng)導游機器人設計[J].電子制作，2023，31（17）：100-102.

[3]李晗，郭宇，湯鵬洲，等.基于深度學習的增強裝配智能人機交互方法[J].計算機應用與軟件，2024，41（1）：36-41.

[4]熊其冰.基于Multi-Agent的多媒體交互系統(tǒng)的設計與實現(xiàn)[J].信息與電腦（理論版），2019，31（24）：61-63.

[5]黨焱.多模式虛擬音樂交互儀器感知技術研究[J].自動化與儀器儀表，2024（1）：30-34.