VIP20

本课程属于：014-TinyML音频分类与声学事件检测 嵌入式边缘AI与TinyML · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

2. TinyML环境声音识别：玻璃破碎、警报与机械噪声分类

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

TinyML与声音识别概述 · 学习目标 · 课程结构

课程导入TinyML

声波特性 · 频率与振幅 · 时域与频域表示

声音基础声波特性

环境声音分类任务定义

三类目标声音（玻璃破碎 · 警报 · 机械噪声）的特征差异

环境声音分类任务…三类目标声音

TinyML技术栈

微控制器资源限制（内存 · Flash · CPU）

TinyML技术栈

音频特征提取基础

MFCC（梅尔频率倒谱系数） · Mel频谱图 · 过零率

音频特征提取基础MFCC

数据集准备

公开数据集（ESC-50 · UrbanSound8K）介绍 · 自定义数据采集方法（麦克风

数据集准备ESC-50

数据增强技术

时间平移 · 噪声注入 · 音调变换

数据增强技术时间平移

适合TinyML的轻量级神经网络（D… · CNN · TCN）

模型选择TinyML

使用Edge Impulse开发流程

数据上传 · 特征设计 · 模型训练

使用TensorFlow Lite Micro

模型转换（TFLite） · 量化（int8） · 部署到MCU

玻璃破碎声识别专项

玻璃破碎声的声学特征（高频冲击 · 快速衰减） · 专用特征与模型调优

玻璃破碎声识别专…玻璃破碎声的声学…

警报声识别专项

警报声的周期性 · 频率范围（如烟雾报警器） · 与音乐

警报声识别专项警报声的周期性

机械噪声识别专项

机械噪声的频谱特征（旋转 · 撞击 · 摩擦）

机械噪声识别专项机械噪声的频谱特…

多分类模型构建

三类声音联合分类 · 类别不平衡处理 · 混淆矩阵分析

多分类模型构建三类声音联合分类

模型训练与优化

超参数调优（学习率 · 批大小 · 层数）

模型训练优化

模型量化与压缩

动态范围量化 · 全整数量化 · 量化感知训练

模型量化压缩

实时音频流处理

分帧与滑动窗口 · 重叠窗口 · 实时特征提取

实时音频流处理分帧

在Arduino Nano 33 B… · LED/蜂鸣器输出分类结果 · 串口调试

部署实战Arduino

在ESP32上部署 · 使用I2S麦克风 · WiFi传输结果

部署实战ESP32

准确率 · 召回率 · F1分数

性能评估准确率

常见问题与调试

模型过拟合 · 欠拟合 · 特征提取错误

常见问题调试

家庭安防系统——玻璃破碎检测 · 从数据采集到部署的完整流程 · 误报率优化

案例实战家庭安防系统

工业设备监控——机械噪声异常检测 · 使用无监督/半监督方法 · 故障预警

案例实战工业设备监控

智能警报系统——区分真实警报与电视/… · 多场景测试

案例实战智能警报系统

使用CNN+注意力机制提升分类精度 · 但保持TinyML可行性 · 模型剪枝与知识蒸馏

多麦克风阵列与声源定位 · 结合分类实现空间感知 · 波束成形基础

进阶多麦克风阵列

持续学习与在线更新 · 在设备端增量学习新声音类别 · 避免灾难性遗忘

进阶持续学习

设计一个完整的TinyML声音分类系… · 包括硬件选型 · 数据采集

综合项目TinyML

核心知识点回顾 · 常见错误与最佳实践 · TinyML声音识别的发展趋势（边缘…

课程总结核心知识点回顾

拓展资源与社区

推荐书籍 · · 开源项目（Edge Impulse

拓展资源社区