提交询价信息 |
发布紧急求购 |
价格:电议
所在地:广东 深圳市
型号:OSEN-ZSW
手机:18948352970
电话:18948352970
更新时间:2024-09-08
浏览次数:284
公司地址:深圳市宝安区凤塘大道141号大洋田工业区2栋4楼
奥斯恩2012年创立于深圳宝安区,是一家以智慧环保为中心,融合物联网、云计算、大数据、人工智能AI、区块链、移动互联网等新一代信息技术的国家高新技术企业,从事环境监测仪器设备,智慧农业,智慧水质产品的研发,生产制造,销售和提供整套技术服务,配套物联网云平台,生态环境大数据可视化平台,环保软件行业应用的开发和运营,奥斯恩业务始终围绕“产品+应用解决方案+服务”展开,产品定位于中高端市场,广泛应用于环保、安全、应急监测、电力、垃圾焚烧、水泥、钢铁、空分、石化、化工、园林水利,农牧业及科研等领域。
拥有自主品牌“奥斯恩”,奥斯恩始终坚持可持续发展方向上与国内知名大学,科研机构,行业协会,跨界知名企业强强联合建立了广泛深入的合作关系。奥斯恩荣获深圳市高新技术企业称号、国家高新技术企业称号,先后获得ISO9001质量管理体系认证、ISO14001环境体系认证,售后服务星级企业,重合同守信用AAA单位;奥斯恩品牌旗下产品获得多项制造计量型式批准认证(CPA)、中国环境保护产品认证(CCEP)、防爆合格证、软件产品认证,第三方CNAS实验室(guo家级)出具的权威检测证书,拥有几十项软件著作权与技术,奥斯恩品牌入围国内几十个城市住建局,生态环境局,城管执fa局供应链系统名单,全国多个高校科研院所指ding产品品牌,旗下有五家分公司,先后在广西、广东、云南、山东、山西、陕西、福建、贵州、新疆等全国30省(市、自治区)建立了完善的技术服务网点和销售网络点,合作客户遍布中国大陆、台湾、香港澳门、东南亚,南亚国家等地区。
奥斯恩自组建有2000㎡的生产基地,有完整的老化标定车间、先jin的装配生产线,产品实验室,生产规模及品控能力处于业内领xian水平。
奥斯恩拥有几十人的研发团队,由软件开发,嵌入式开发,仪器仪表调试,机械设计,环境气象学,大数据算法组成,全部源于国内重点院校校友,且长期与行业经验丰富,学术造诣高的全国知名专家,行业技术总工进行技术交流与合作,拥有深厚的专业基础,具备高性能软硬件产品的研发设计能力。奥斯恩是多个国内高校的挂牌校企实习基地,产学研合作基地。
声纹识别,也叫声音识别,是一种生物识别技术,通过转换声音信号为电信号,用计算机进行特征提取和身份验证。其生物学基础在于生物的语音信号携带着独特的声波频谱,就像指纹一样具有唯一性和稳定性。
野生动物声纹识别AI智能模块 声纹/声学识别系统供应商技术参数
l 基于Pytorch实现的声纹识别模型:模型是一种基于深度学习的说话人识别系统,其结构中融入了通道注意力机制、信息传播和聚合操作。这个模型的关键组成部分包括多层帧级别的TDNN 层、一个统计池化层以及两层句子级别的全连接层,此外还配备了一层 softmax,损失函数为交叉熵。
l 特征提取:预加重->分加窗->离散傅里叶变换->梅尔滤波器组->逆离散傅里叶变换 -->image
l 模型训练集:>15000个训练样本
l 声音类型:声音类型主要划分为五大类别,分别为生活噪声、施工噪声、工业噪声、交通噪声、自然噪声,其中包含打雷,刮风,敲击、虫鸣鸟叫等不少于50个声音子类别
l 声纹识别准确率:≥85%
l 识别响应速率:>3s
l 调用方式:支持云端调用或者本地终端调用
l 技术协议:支持HTTP协议
野生动物声纹识别AI智能模块 声纹/声学识别系统供应商技术特点
l 噪声声音类型识别是指通过机器学习算法,对环境中的噪声进行分类,以判断其可能的来源和类型。例如,区分机器噪声、人声噪声、交通噪声等。
l AI在噪声声音类型识别中的应用主要体现在深度学习技术中,特别是卷积神经网络的应用。首先,需要收集大量的声音数据,并利用深度学习算法对这些数据进行训练,以提取出有用的特征并进行模型优化。然后,将输入的声音与已知的声音模型进行比对,通过计算输入声音的特征与模型之间的距离或相似度,来确定输入声音的身份。
l 此外,对于特定的应用场景,如室内场景、户外场景识别,公共场所、办公室场景识别等,还可以使用专门的音频处理前端部分。
l 值得注意的是,尽管AI在噪声声音类型识别方面有着广泛的应用前景,但是在实际应用中仍然面临着许多挑战,如噪声环境的复杂性、语音信号的多样性以及模型的优化等问题。因此,如何提高噪声声音类型识别的准确性和鲁棒性,仍然是未来研究的重要方向。
野生动物声纹识别AI智能模块 声纹/声学识别系统供应商技术路线
l 建立音频样例库,覆盖面广,根据不同的噪声监管单位将声音划分为五大类,不少于50个声音子类别;
l 通过深度学习AI技术,对噪声样本进行分析和处理,提取出其中的声纹特征,构建声纹识别模型;
l 不断的测试和优化,提高声纹识别模型的准确性和鲁棒性,使其能够在各种环境和条件下都能准确地识别出声纹类型;
l 采用深度卷积神经网络算法实现音频事件的识别分类。通过卷积操作对音频进行时域特征和logmel频域特征的提取,并结合波形的时域特征和频域特征作为音频的有效特征,再通过卷积采样进一步获取特征图,最终以全连接网络分类器实现特征的类别分类。