说过了计算机视觉,我们来说说计算机听觉。

如果说,视觉是人工智能的眼睛,那么听觉就是人工智能的耳朵。

有的问题,需要眼睛发现,有的问题,则要用耳朵发现,当然,更多问题是用“心”发现,机器之心。。。

笔者有位从事印刷设备研究的亲戚,当国内印刷厂高价从德国进口海德堡设备,但是不知道怎么用,或者出故障的时候,就要把他请去。

而他,则像一位老中医那样,先听声,后辨问题。

收费不菲。 就像耳熟能详的故事里说的那样,在问题处画个圈,收费1元,知道在哪里画圈,收费99元。

机器正常运转,它的声音一定是有某种规律的,而如果机器出故障了,声音也时常就伴随故障而变化。

这里可以用传统的模式识别方法,也可以用最新的人工智能,神经网络,深度学习的方法。

因材而异。

据美国电气与电子工程师协会《光谱》杂志报道,使用基于深度学习的人工智能可以听到机器或汽车的警告信号,并据此提前发现故障。

所谓深度学习,通常是指被称为人工神经网络的软件算法。这些神经网络可以经过多个人工神经元层过滤相关数据,以便更好地学习特定任务。目前流行的软件多以图像识别为主,侧重于语音和对话的声学识别也不少,但以机器运转发出的声音为深度学习对象的还不多见。上海速嵌的做法是,在每个客户端安装麦克风,开启物联网服务,将麦克风搜集的声音上传到云端,经过深度学习算法运算后,客户端可以使用连接了网络的智能手机等设备,监测声音来源设备的状态。

比如重工业公司的机械操作部门,他们时刻面临机器(如工厂的圆形切割刀片或发电厂的水力发电涡轮机等)故障带来的检修和停工。
第一层声音检测,是根据机器部件的基本物理建模来预测其何时开始磨损;
第二层,是使用深度学习算法和麦克风收集的声音,来帮助检测奇怪或异常的噪声,通过训练,软件可以提示机器发生的一般问题;
第三层,可将具体的声音标记、分类,然后通过深度学习将特定声音与具体故障联系起来。
经过对声音数据集学习和训练后的软件,在故障发生前几个小时,就能示警即将发生的问题。