语音识别在垃圾分类装置中的应用*

0 引言

随着城市化建设步伐的推进和网络的普及，网购和外卖成为年轻人快节奏生活中不可或缺的一部分[1]。然而，网购和外卖不可避免会带来生活垃圾，若是无组织处理会极大地破坏人类赖以生存的生态家园，而进行有效的垃圾分类，垃圾也能变废为宝。

但是当前垃圾桶提示不全，许多人在投放垃圾时深切感受到“知易行难”[2]。因此，本文设计并实现了一种基于语音识别的垃圾分类装置，其功能为：当人们在投放垃圾时，点击投放按键并说出垃圾的名称，语音识别系统根据该语音信号对垃圾进行归类，显示屏上就能显示出垃圾的名称、种类以及亮对应种类的LED指示灯来引导使用者正确投放。

该装置的核心是语音识别算法，现阶段国内外通常采用隐马尔科夫模型（Hidden Markov Model,HMM），该模型对过程的状态预测效果良好，适宜系统的短期状态预测[3]。为提高识别率，本文利用混合高斯模型（Gaussian Mixture Model,GMM）拟合HMM中的输出矩阵。最后通过实验验证，该装置具有较高识别率。

1 语音识别系统基本理论

随着垃圾分类方案的推进，垃圾的种类已经有了严格的归属，即厨余垃圾（橙色）、可回收垃圾（绿色）、其他垃圾（灰色）、有害垃圾（红色），因此，可以通过自建语音库作为训练样本，把训练样本的特征向量提取出来用于模型训练和进行识别。语音识别系统流程如图1所示。

图1 语音识别系统流程

1.1 语音信号预处理

1.1.1 归一化与预加窗

录音过程中说话者与麦克风距离不同会带来差异，归一化是使语音信号转化到同一区间[-1,1]，用来削弱该差异，其计算公式如下：

式中：x[n]为语音信号向量；max为取其最大值。

语音信号的能量与频率成反比，所以说话时大部分能量集中在低音部分，预加窗是使语音信号通过一个高通滤波器来强化高频信号，从而达到输出信号整体变得平滑。经过滤波后此高通滤波器的传输函数为：

式中：a 为常数，通过查阅资料[4]，a 的取值范围为0.93 ＜a ＜0.98，本文选择为0.937 5。并且滤波后的语音信号记为xd (n)。

1.1.2 分帧

为了简化模型，本文假设信号是短时平稳的，同时引入帧移，用来保证语音信号不会因为分帧处理而变得不连续。图2所示为将一段语音信号切分为4帧，同时保留一定的帧移。

图2 分帧与帧移示意图

1.1.3 加窗

数学上，分帧得到的xw(n)由语音信号xd(n)与移动的窗函数w(n)相乘：

窗函数用于减轻截断效应且需要较小的旁瓣宽度。常用的3 种窗函数分别是矩形窗、汉宁窗、海明窗[5]。这3 种窗函数的参数如表1所示。

表1 3种窗函数的性能对比表

与矩形窗相比，汉宁窗的带宽更宽，阻带衰减更大，而海明窗为汉宁窗的改进版，能够获得更大的阻带衰减，因此选择海明窗，窗函数w(n)表达式为：

1.2 语音信号特征提取

1.2.1 梅尔滤波器

根据人耳听力对频率的敏感度是非线性的[6]，定义一种符合人耳听觉敏感度的梅尔频率Fmel ：

人耳的耳蜗结构相当于一组MEL滤波器组，其传递函数Hm(k)为：

式中：f(m)为第m个三角滤波器的中心频率。

1.2.2 特征参数提取流程

特征参数的提取可分为4步，其流程图如图3所示。

图3 MFCC特征参数提取流程图

（1）由于梅尔滤波器是在频域上处理语音信号，所以需要先通过（FFT）快速傅里叶变换将每一帧语音数据由时域信号转换为频域信号，其公式如下：

（2）通过传递函数为Hm(k)的MEL 滤波器，得到语音特征向量Y(m)。

（3）此时的特征向量维数过高，用于训练或识别会大大提高运算量，降低系统的实时性。可采用离散余弦变换（DCT）压缩特征向量信息：

（4）为体现语音的“上下文”关系，对其求一界差分和二阶差分

（5）为保持表达式有意义，式（9）中i 取值范围为2≤i≤N-2，式（10）中i取值范围为4≤i≤N-4。

1.3 语音识别算法

1.3.1 隐马尔可夫模型

回收侧部余热可以影响到阴极热场，达到整个阴极等温线上移的效果。以阴极底部为例，底部温度由余热回收前的843.3 ℃降低为余热回收后的810.9 ℃[4]。侧部余热回收有利于电解槽形成较规整的炉膛内形，从而引起电解槽阴极炭块等温线的上移。

图4 HMM原理示意图

HMM模型λ有5个参数，可以用1个向量组描述：

这5个参数的含义如表2所示。

表2 隐马尔可夫模型参数及其含义

1.3.2 混合高斯模型

GMM 模型是统计学模型的一种，可用以拟合HMM 的连续概率密度输出，数学表达式为：

式中：为模型λ 采集到的N 个可观测数据；为第K 个以为均值和方差的高斯分布；αK 为第K个高斯分布所占权重。

1.3.3 前向后向算法

常规计算P(O|λ) 由于每次都会循环所有状态，计算量极大，采用前向-后向算法可以大大减轻计算量[8]，计算式如下：式中：前向概率αt()j 为在t 时刻，状态为j 且观测序列为{o1,o2,…,ot-1,ot} 的概率；后向概率βt(i)为在t 时刻，状态为j的且从t+1 时刻到T 时刻的观测序列为{o t+1,ot+2,…,oT }的概率；其中aij 为状态转移概率矩阵A 的元素；bj(t)为观测概率矩阵B的元素。

1.3.4 维特比解码

在给予一段观测序列O＝{o 1,o2,…,oN }时，需要找到一条最佳路径使得输出概率最大[9]。求解过程为利用前面路径的最优解φt(i)叠加上当前路径的最优解，具体流程如下：

2 基于MATLAB的仿真实验

2.1 训练样本的获取

本文采取自建语音库的方式，总共训练并识别12个孤立词，一共4类垃圾，每种垃圾收集4个词，具体词组如表3所示。

表3 垃圾分类词组

2.2 语音识别系统训练

（1）读入学习样本

通过MATLAB中的audioread函数进行读取：

式中：x 为数字音频信号向量；fs 为抽样频率；fname 为语音信号文件位置。

（2）特征提取

读入语音文件后，需要对语音信号进行特征提取，使用自建函数MFCC：

（3）初始化HMM参数

HMM 模型λ＝(N,M,A,B,π)需要设置5 个初始化参数：设定总状态数为3，即N＝3；每个状态的起始概率分布π 均设为0；每个状态下可观测的数目为4，即M＝4；观察概率矩阵B为连续型混合高斯分布；HMM模型为自左向右模型，且设定这两个转移概率是相等的，即：

（4）模型训练

使用从样本中提取的特征向量训练HMM模型，不断调整参数（A，B）直到训练结束。训练结果如图5所示。

图5 训练结果图

2.3 语音识别模型测试

训练完成之后，便可对新语音文件进行识别，使用自定义函数viterbi：

式中：m为新语音文件的MFCC；HMM为训练好的模型；P为概率最大的孤立词。

测试组由5 个男生和5 个女生组成，每人把12 个孤立词都测试一次，实验结果统计如表4所示。从表中可以发现，本文编写的算法在MATLAB 平台可以达到综合94%的正确率，故本文的语音识别系统可用于垃圾分类。

表4 语音识别结果统计表

3 基于FPGA的硬件实现

3.1 系统总体设计

图6 硬件系统构成图

本语音识别系统采用的是ALIENTEK 开拓者FPGA 开发板，其芯片型号为EP4CE10。硬件系统整体可划分为两个部分，一部分是语音识别系统所需求的外围电路，另一部分是利用片上资源配置成的NIOS II 处理器。其硬件系统构成如图6所示。

硬件系统中使用的语音模块结构如图7所示。其是FPGA开发板上集成的语音模块，包含用于录音的MIC、3.5 mm 标准耳机输出接口PHONE、8Ω2W 小喇叭外放模块和立体声多媒体数字信号编解码器芯片WM8978。

图7 语音模块

3.2 核心软件设计

Qsys嵌入式系统的核心部件是NiosII软核处理器，其内部包含了算术逻辑单元，可以进行语音识别算法的实现。

NiosII SBT for Eclipse是NiosII 的开发环境，可编写、编译和调试程序。核心程序如下：

首先需要定义一个HMM 模型，用于导入经过MATLAB 学习过后的模型数据，代码如图8所示。图中N代表了状态数，M代表了每个状态下可观测数目，init代表了观察概率矩阵B，trans代表了转移矩阵A，mix为混合高斯分布。

图8 Eclipse中模型定义代码图

接着是提取语音信号特征参数，使用到的是MFCC 函数，代码如图9所示。图中x[n]为经过WM8978芯片编码的语音信号，fs 为采样频率，framesize 为帧长，inc 为帧移，nx 为采样点数，fn为帧数。

图9 Eclipse中MFCC函数代码图

最后是语音的识别过程，使用到的是Viterbi 解码函数，代码如图10 所示。图中HMM hmm 为在MATLAB 训练后的HMM模型，o为观测状态，即经过提取出来的特征矩阵，T为矩阵的列长度。

图10 Eclipse中viterbi函数代码图

调试好的程序生成可执行文件（后缀名为.elf 的文件），然后将其下载到Qsys搭建好的语音识别硬件系统中运行。

3.3 系统测试

测试环境要求：（1）测试周围环境安静，没有较大的背景噪音；（2）说话人发音清晰，音量在50～60 db。

硬件测试与软件测试时保持一致，实验结果统计如表5所示。由表中的数据可得，该语音识别装置能够达到较高的正确率，对推广垃圾分类具有积极意义。

表5 语音识别硬件设备试结果表

4 结束语

本文首先介绍了我国垃圾分类的现状，指出知难行易的实际困难，从而引出基于语音识别的垃圾分类装置。

该装置的核心是语音识别算法。详细介绍了语音信号的处理过程，包括归一化、滤波、分帧和提取MFCC 特征参数，算法的模型是隐马尔可夫模型和高斯混合模型，算法的识别是通过Viterbi解码。该装置的实现使用FPGA开发板。阐述了FPGA 开发板上所使调用的模块，利用板上资源配置NIOS II系统实现硬件控制、算法运行和输出显示。

最后通过实验验证，该装置能够达到较高的正确率。当人们在投放垃圾时，点击投放按键并说出垃圾的名称，语音信号通过语音识别系统，对该垃圾进行归类，显示屏上显示出垃圾的名称、种类以及亮对应种类的指示灯来辅助使用者正确垃圾分类。该装置可以直接嵌入现行四色分类垃圾桶，改装成本低，对垃圾分类的推广具有积极意义。