戴增輝，李光布

(1.上海立達(dá)職業(yè)技術(shù)學(xué)院 機(jī)電與信息工程學(xué)院，上海 201609；2.上海師范大學(xué)，上海 150300)

0 引言

20世紀(jì)50年代，語(yǔ)音識(shí)別技術(shù)主要由我國(guó)科學(xué)院聲學(xué)所開始研究，在當(dāng)時(shí)條件下，語(yǔ)音識(shí)別受制硬件設(shè)施，語(yǔ)音識(shí)別的發(fā)展一直都比較落后。隨著計(jì)算機(jī)的快速發(fā)展和普及，許多人開始研究語(yǔ)音識(shí)別技術(shù)。國(guó)內(nèi)中科院聲學(xué)所、清華大學(xué)、哈爾濱工業(yè)大學(xué)、中國(guó)科技大學(xué)等機(jī)構(gòu)和院校也增設(shè)語(yǔ)音識(shí)別研究課題，我國(guó)的“863計(jì)劃”啟動(dòng)后，語(yǔ)音識(shí)別被專門列出來(lái)研究[1-3]。

語(yǔ)音識(shí)別控制系統(tǒng)的前處理就是把收集到的語(yǔ)音信號(hào)進(jìn)行能量的放大、去噪和分割等，得到有效語(yǔ)音段；在有效語(yǔ)音段中提取語(yǔ)音識(shí)別分析時(shí)所需要的特征信號(hào)，排除對(duì)語(yǔ)音信號(hào)中多余的信息，達(dá)到提取語(yǔ)音識(shí)別需要信息的目的。在正常情況下，計(jì)算機(jī)采集的語(yǔ)音信號(hào)會(huì)有噪音，計(jì)算機(jī)無(wú)法識(shí)別語(yǔ)音指令，造成語(yǔ)音技術(shù)的推廣應(yīng)用受到很大的限制。本文的語(yǔ)音識(shí)別控制系統(tǒng)采集語(yǔ)音信號(hào)，經(jīng)前處理并從中提取特征參數(shù)，與參考數(shù)據(jù)庫(kù)參進(jìn)行特征信號(hào)匹配，并指示正確的識(shí)別結(jié)果，完成語(yǔ)音指令[4-14]。

為此，設(shè)計(jì)了基于英語(yǔ)語(yǔ)音識(shí)別的水果采摘機(jī)器人控制系統(tǒng)，進(jìn)行了語(yǔ)音信號(hào)的前端處理、特征參數(shù)提取和參數(shù)匹配及語(yǔ)音指令輸出，并驗(yàn)證了語(yǔ)音識(shí)別控制的可操作性和實(shí)用性。

1 控制系統(tǒng)原理

基于英語(yǔ)語(yǔ)音識(shí)別的水果采摘機(jī)器人控制系統(tǒng)研究的是英語(yǔ)語(yǔ)音的識(shí)別，識(shí)別提取特征參數(shù)，是該控制系統(tǒng)可否實(shí)現(xiàn)重點(diǎn)。在語(yǔ)音識(shí)別控制系統(tǒng)工作程序(見(jiàn)圖1)中，需要不斷進(jìn)行調(diào)試才能分析出正確的特征參數(shù)。語(yǔ)音識(shí)別系統(tǒng)作為一個(gè)模型識(shí)別系統(tǒng)，包括前處理、特征提取、匹配比較、識(shí)別決策及數(shù)據(jù)庫(kù)等。語(yǔ)音識(shí)別有調(diào)試、識(shí)別兩個(gè)階段：首先進(jìn)行是識(shí)別系統(tǒng)“調(diào)試”階段，目的是建立語(yǔ)音識(shí)別特征參數(shù)的聲學(xué)模型，完成參數(shù)數(shù)據(jù)庫(kù)的建立；然后是識(shí)別階段，按照設(shè)定的規(guī)則將提取的語(yǔ)音特征信號(hào)與數(shù)據(jù)庫(kù)貯存的參數(shù)模式相比較，決策出語(yǔ)音識(shí)別結(jié)果，通過(guò)語(yǔ)音輸出設(shè)備發(fā)送語(yǔ)音指令，完成作業(yè)。

采集到語(yǔ)音信號(hào)是非平穩(wěn)信號(hào)，加上人在呼吸時(shí)產(chǎn)生的氣流噪音、外界環(huán)境的噪音和計(jì)算機(jī)中的電流干擾噪音，造成采集的信號(hào)不能直接用于特征提取，需將語(yǔ)音信號(hào)進(jìn)行前處理。前處理程序主要包括采樣、預(yù)濾波、分幀和加窗等內(nèi)容，經(jīng)過(guò)前處理的英語(yǔ)語(yǔ)音信號(hào)便可以提取特征參數(shù)數(shù)據(jù)。在調(diào)試階段，取得的特征參數(shù)進(jìn)行處理后，每一個(gè)特征參數(shù)就可以獲得一個(gè)模型，同一個(gè)特征參數(shù)需要進(jìn)行多次調(diào)試，將得到的模型保存到數(shù)據(jù)庫(kù)中。在識(shí)別階段，采集的信號(hào)經(jīng)過(guò)同一條的通道，得到的語(yǔ)音特征參數(shù)，與數(shù)據(jù)庫(kù)貯存中的特征模板進(jìn)行匹配比較，將匹配后得分最高的作為識(shí)別最終結(jié)果。

圖1 語(yǔ)音識(shí)別控制系統(tǒng)流程圖

2 語(yǔ)音識(shí)別控制系統(tǒng)

2.1 語(yǔ)音信號(hào)前處理

采摘機(jī)器人的語(yǔ)音采集設(shè)備將語(yǔ)音輸送至語(yǔ)音識(shí)別控制系統(tǒng)。語(yǔ)音信號(hào)的前處理就是將采集到的初始語(yǔ)音信號(hào)通過(guò)能量的增大而放大，分辨出信號(hào)中的噪音并將噪音去除；將去除噪音的語(yǔ)音信號(hào)分割為小段后，便可以對(duì)經(jīng)過(guò)處理的各小段語(yǔ)音信號(hào)進(jìn)行特征信號(hào)提??；在提取時(shí)可以分辨出有效信號(hào)并提取出來(lái)，去除多余的冗余信息，獲得的有效語(yǔ)音信號(hào)便是語(yǔ)音識(shí)別的重要信息。語(yǔ)言信號(hào)前處理程序主要包括采樣、預(yù)濾波、分幀和加窗等。

2.1.1 語(yǔ)音信號(hào)采集

語(yǔ)音識(shí)別控制系統(tǒng)是以計(jì)算機(jī)來(lái)分析的，故需要將語(yǔ)音信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)。人類說(shuō)話的頻譜寬度范圍是有一定限度的，試驗(yàn)分析表明：人類話語(yǔ)中濁音的頻譜超過(guò)4kHz時(shí)就會(huì)下降，而話語(yǔ)中清音的頻譜超過(guò)4kHz時(shí)仍然上升，超過(guò)8kHz都沒(méi)有下降的趨勢(shì)。因此，在所采集的語(yǔ)音信號(hào)中需要采集到10kHz以下所有的頻譜才可以分析到全部信號(hào)，也利于后續(xù)語(yǔ)音特征信號(hào)的提取工作。由于需要采集到10kHz以下的所有頻譜，為保證采集工作進(jìn)行，實(shí)際采集頻譜要大于10kHz，因此設(shè)計(jì)采集頻率為15kHz以下所有頻譜。

2.1.2 語(yǔ)音信號(hào)預(yù)濾波

將采集的語(yǔ)音信號(hào)預(yù)濾波化就是為了達(dá)到以下目的：①壓制采集語(yǔ)音信號(hào)中個(gè)頻譜分量中頻率過(guò)大的分量，本系統(tǒng)設(shè)計(jì)為壓制超過(guò)采集頻率的1/2的頻譜。②壓制采摘機(jī)器人作業(yè)時(shí)使用的電源干擾。電源頻譜的干擾在所有干擾中是最大的，壓制電源頻率的干擾可以更大程度上消除語(yǔ)音識(shí)別誤差。

為了達(dá)到上面的目標(biāo)，本控制系統(tǒng)采用的濾波器就需要使用帶通濾波器。在濾波器中設(shè)置上下限，濾除上下限范圍外的頻率，設(shè)置上限為m，下限為n，采集n-m范圍的頻譜。語(yǔ)音信號(hào)由設(shè)備上的麥克風(fēng)采集，以設(shè)置頻率范圍采集語(yǔ)音樣本，將語(yǔ)音樣本進(jìn)行A/D轉(zhuǎn)換。鑒于人類發(fā)聲器官的特性，聲音從嘴巴發(fā)出后會(huì)有一定程度的衰減，衰減會(huì)造成語(yǔ)音信號(hào)頻譜的畸化，主要是語(yǔ)音信號(hào)中高頻信號(hào)的損失，會(huì)為后期語(yǔ)音特征提取添加障礙，因此需要對(duì)衰減的頻譜進(jìn)行補(bǔ)償措施，補(bǔ)償程度可根據(jù)衰減情況而定，補(bǔ)償后的語(yǔ)音信號(hào)會(huì)比較平坦，利于后期特征的提取。

2.1.3 語(yǔ)音信號(hào)分幀

試驗(yàn)發(fā)現(xiàn)：在比較短的時(shí)間內(nèi)，語(yǔ)音信號(hào)的頻譜比較平穩(wěn)。因此，在語(yǔ)音識(shí)別分析中將一個(gè)語(yǔ)音信號(hào)劃分為多個(gè)小的時(shí)間段，這種小的時(shí)間稱之為“幀”。 “幀”是語(yǔ)音信號(hào)分析中最小單元，幀與幀之間會(huì)存在一些空白部分，這部分稱之為幀移。幀移的范圍在語(yǔ)音信號(hào)時(shí)間段是不確定的，分幀的內(nèi)容就是將語(yǔ)音信號(hào)分成若干個(gè)幀。劃分的幀越小，越能清楚地提取特征信號(hào)，但會(huì)導(dǎo)致計(jì)算量大；劃分的幀大，計(jì)算量會(huì)比較少，但容易造成信號(hào)丟失，無(wú)法提取到有效特征信號(hào)。研究發(fā)現(xiàn)：幀劃分為20ms時(shí)，幀與幀之間的幀移會(huì)比較大，最大可達(dá)到幀的1/2。幀移太大，就會(huì)丟失有效特征信號(hào)。本系統(tǒng)設(shè)計(jì)劃分的幀取10ms，幀移的范圍比較小，易于提取有效特征語(yǔ)音信號(hào)。

2.1.4 語(yǔ)音信號(hào)加窗

語(yǔ)音信號(hào)在分幀后，因?yàn)榇嬖趲?，故幀與幀之間是不連續(xù)的，因此分幀后的語(yǔ)音信號(hào)會(huì)偏離原始信號(hào)。為了減少信號(hào)的偏離，需要采用窗函數(shù)來(lái)減少信號(hào)處理中出現(xiàn)的Gibbs效應(yīng)。因此，語(yǔ)音信號(hào)的加窗處理的目的就是減少幀與幀之間信號(hào)斷裂問(wèn)題。

2.2 語(yǔ)音信號(hào)特征提取

語(yǔ)音信號(hào)通過(guò)前處理后，得到短時(shí)段的語(yǔ)音幀，從這些幀中提取語(yǔ)音識(shí)別有效特征。經(jīng)典的特征提取方法主要有LPCC、MFCC(美爾頻率倒譜系數(shù))、HMM、DTW等。其中，用美爾頻率倒譜系數(shù)提取有比較好的效果。MFCC提取過(guò)程如圖2所示。

語(yǔ)音信號(hào)前處理后，得到有效分幀段就可以進(jìn)行分析處理。從語(yǔ)音段中提取語(yǔ)音識(shí)別所需要的特征語(yǔ)音信號(hào)，去除語(yǔ)音信號(hào)中會(huì)干擾識(shí)別的多余信息。獲得有效語(yǔ)音特征信號(hào)是語(yǔ)音能否識(shí)別的關(guān)鍵，語(yǔ)音信號(hào)特征提取的選擇需滿足以下條件：

1)語(yǔ)音信號(hào)特征是有效的代表，且可以很好地區(qū)分該特征，特征包括了聲道和聽覺(jué)兩個(gè)方面；

2)特征參數(shù)應(yīng)是獨(dú)立的，可單獨(dú)進(jìn)行特征分析；

3) 計(jì)算應(yīng)盡可能簡(jiǎn)單、方便，確保語(yǔ)音識(shí)別控制系統(tǒng)的實(shí)時(shí)性。

圖2 MFCC提取過(guò)程

2.3 語(yǔ)音模板調(diào)試

對(duì)于英語(yǔ)語(yǔ)音控制的采摘機(jī)器人來(lái)說(shuō)，根據(jù)水果采摘特點(diǎn)，需要識(shí)別的指令有采摘機(jī)器人的前進(jìn)、后退、停止、左右移動(dòng)，以及采摘機(jī)械臂的采摘指令等。這些都是獨(dú)立的語(yǔ)音指令，不需要進(jìn)行語(yǔ)義分析，故采摘機(jī)器人可以直接采用語(yǔ)音模板，不用做大量的特征檢測(cè)分割工作。調(diào)試工作主要是為了確定數(shù)據(jù)庫(kù)中模板樣本是否能滿足特征匹配分析，只有將模板樣本調(diào)試到足夠充分，得到的模板才能滿足語(yǔ)音特征信號(hào)匹配分析要求，達(dá)到更明確的語(yǔ)音識(shí)別效果。

2.4 語(yǔ)音模板匹配

數(shù)據(jù)庫(kù)中貯存的樣本經(jīng)過(guò)充足的調(diào)試后，就可進(jìn)行語(yǔ)音特征信號(hào)與樣本的匹配。兩者的匹配就是將提前的未知信號(hào)與數(shù)據(jù)庫(kù)中的已知特征參數(shù)進(jìn)行匹配比較，比較的結(jié)果可以根據(jù)失真測(cè)度及失真測(cè)度程度判斷。失真測(cè)度對(duì)語(yǔ)音特征信號(hào)具有較好的魯棒性，目前各種特征參數(shù)匹配方法中DTW算法對(duì)于短時(shí)間的語(yǔ)音識(shí)別來(lái)說(shuō)，語(yǔ)音的識(shí)別率相對(duì)比較高，適用本語(yǔ)音識(shí)別控制系統(tǒng)。在調(diào)試階段，將英語(yǔ)指令中的每個(gè)單詞依次說(shuō)3遍，作為模板樣本存入數(shù)據(jù)庫(kù)中；在識(shí)別階段，將提取得到的語(yǔ)音特征與貯存的所有樣本進(jìn)行比較，將匹配度最高的語(yǔ)音作為識(shí)別決策輸出。

3 仿真實(shí)驗(yàn)與結(jié)果

在安靜的環(huán)境錄制30個(gè)英語(yǔ)語(yǔ)音數(shù)據(jù)，對(duì)其進(jìn)行處理和提取，驗(yàn)證英語(yǔ)語(yǔ)音識(shí)別控制系統(tǒng)可行性和可靠性。30個(gè)英語(yǔ)語(yǔ)音數(shù)據(jù)進(jìn)行5次實(shí)驗(yàn)，數(shù)據(jù)如表1所示。

表1 英語(yǔ)語(yǔ)音識(shí)別率

實(shí)驗(yàn)結(jié)果表明：英語(yǔ)語(yǔ)音識(shí)別控制系統(tǒng)的識(shí)別率在90%以上。這說(shuō)明，基于英語(yǔ)語(yǔ)音識(shí)別的水果采摘機(jī)器人控制系統(tǒng)可以滿足采摘要求。由于輸入的各個(gè)單詞的清濁音存在差異，語(yǔ)音頻譜的大小也會(huì)不一樣，故識(shí)別效果存在差異。調(diào)試的次數(shù)同樣會(huì)影響識(shí)別率：調(diào)試次數(shù)少，后期語(yǔ)音識(shí)別的準(zhǔn)確會(huì)比較低；調(diào)試次數(shù)多時(shí)，語(yǔ)音識(shí)別的正確率會(huì)提高。

4 結(jié)論

設(shè)計(jì)了基于英語(yǔ)語(yǔ)音識(shí)別的水果采摘機(jī)器人控制系統(tǒng)進(jìn)行研究，對(duì)語(yǔ)音信號(hào)進(jìn)行了分析處理及特征提取，并進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證。結(jié)果表明：本設(shè)計(jì)識(shí)別率在90%以上，可靠性較高。語(yǔ)音識(shí)別控制為農(nóng)業(yè)生產(chǎn)中提供了一種更安全、更方便的機(jī)器控制方法，可提高農(nóng)業(yè)生產(chǎn)的效率，節(jié)省農(nóng)業(yè)采摘的時(shí)間，為農(nóng)戶爭(zhēng)取更多的經(jīng)濟(jì)效益。