論文の概要: Denoising Induction Motor Sounds Using an Autoencoder

• arxiv url: http://arxiv.org/abs/2208.04462v1
• Date: Mon, 8 Aug 2022 23:14:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 13:09:21.103289
• Title: Denoising Induction Motor Sounds Using an Autoencoder
• Title（参考訳）: オートエンコーダを用いた消音誘導電動機音
• Authors: Thanh Tran, Sebastian Bader, Jan Lundgren
• Abstract要約: 本稿では,ノイズの多い機械音をクリーンな音にマッピングする自動エンコーダを作成する手法について述べる。 音声は音声処理、音声イベント分類、機械故障検出システムに多くの応用がある。
• 参考スコア（独自算出の注目度）: 2.1555945141027983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Denoising is the process of removing noise from sound signals while improving the quality and adequacy of the sound signals. Denoising sound has many applications in speech processing, sound events classification, and machine failure detection systems. This paper describes a method for creating an autoencoder to map noisy machine sounds to clean sounds for denoising purposes. There are several types of noise in sounds, for example, environmental noise and generated frequency-dependent noise from signal processing methods. Noise generated by environmental activities is environmental noise. In the factory, environmental noise can be created by vehicles, drilling, people working or talking in the survey area, wind, and flowing water. Those noises appear as spikes in the sound record. In the scope of this paper, we demonstrate the removal of generated noise with Gaussian distribution and the environmental noise with a specific example of the water sink faucet noise from the induction motor sounds. The proposed method was trained and verified on 49 normal function sounds and 197 horizontal misalignment fault sounds from the Machinery Fault Database (MAFAULDA). The mean square error (MSE) was used as the assessment criteria to evaluate the similarity between denoised sounds using the proposed autoencoder and the original sounds in the test set. The MSE is below or equal to 0.14 when denoise both types of noises on 15 testing sounds of the normal function category. The MSE is below or equal to 0.15 when denoising 60 testing sounds on the horizontal misalignment fault category. The low MSE shows that both the generated Gaussian noise and the environmental noise were almost removed from the original sounds with the proposed trained autoencoder.
• Abstract（参考訳）: デノイング(denoising)は、音信号の品質と妥当性を改善しながら、音信号からノイズを取り除く過程である。 雑音化音は、音声処理、音響イベント分類、機械故障検出システムにおいて多くの応用がある。 本稿では,ノイズの多い機械音をクリーンな音にマッピングするオートエンコーダの作成法について述べる。 例えば、環境騒音や信号処理法から発生する周波数依存性ノイズなどである。 環境騒音は環境騒音である。 工場では、車両、掘削、測量エリアで作業または話している人々、風、流れる水によって環境騒音を発生させることができる。 その音は音の記録にスパイクとして現れる。 本稿では, 誘導電動機音から発生する水洗蛇口音の具体例を用いて, ガウス分布と環境騒音による発生騒音の除去を実証する。 提案手法は, 機械故障データベース (MAFAULDA) から49の正規関数音と197の水平不整合故障音を訓練し, 検証した。 平均二乗誤差(MSE)は,提案したオートエンコーダとテストセットの原音との類似性を評価するための評価基準として用いられた。 MSEは、通常の関数カテゴリの15の試験音について、両方の種類のノイズをノイズ化するときに、0.14以下である。 MSEは、水平方向の不整合故障カテゴリーで60の試験音をデノイングする場合、0.15以下である。 低いMSEは、生成したガウスノイズと環境ノイズの両方が、提案した訓練されたオートエンコーダで元の音からほぼ除去されたことを示している。

関連論文リスト

• Sources of Noise in Dialogue and How to Deal with Them [63.02707014103651]
  トレーニング対話システムは、ノイズの多いトレーニング例や予期しないユーザ入力を扱うことが多い。 その頻度にもかかわらず、現在、対話ノイズの正確な調査が欠けている。 本稿では,対話システムで発生する雑音の分類を初めて構築することによって,このギャップを解消する。
  論文  参考訳（メタデータ） (2022-12-06T04:36:32Z)
• The Effect of Non-Gaussian Noise on Auto-correlative Weak-value Amplification [2.5631808142941415]
  自動相関弱値増幅法(AWVA)における非ガウス雑音の影響について検討した。 特に、負のdB信号対雑音比、周波数定常雑音、周波数非定常雑音の2種類のノイズについて検討した。
  論文  参考訳（メタデータ） (2022-09-26T14:34:42Z)
• NASTAR: Noise Adaptive Speech Enhancement with Target-Conditional Resampling [34.565077865854484]
  ターゲット条件再サンプリング(NASTAR)を用いた雑音適応音声強調手法を提案する。 NASTARはフィードバック機構を使用して、ノイズ抽出器と検索モデルを介して適応的なトレーニングデータをシミュレートする。 実験結果から,NASTARは1つの雑音のある音声サンプルを効果的に使用して,SEモデルを目標条件に適応させることができることがわかった。
  論文  参考訳（メタデータ） (2022-06-18T00:15:48Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
  両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。 我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
  論文  参考訳（メタデータ） (2022-02-19T05:53:46Z)
• Label noise detection under the Noise at Random model with ensemble filters [5.994719700262245]
  本研究では、2つの異なる雑音モデルの下でのアンサンブルノイズ検出の性能について検討する。 データセットで観測される全雑音レベルが変化するため,クラス分布がノイズ検出性能に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2021-12-02T21:49:41Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Determining the origin of impulsive noise events using paired wireless sound sensors [0.0]
  本研究では,一対の無線ノイズセンサを用いてインパルスノイズの発生源を特定する方法について検討する。 1つのセンサを既知のノイズ源に、もう1つのセンサをノイズ受信機に配置する。 プライバシー問題を避けるために、このアプローチでは、音をプライバシー互換のスペクトログラムに変換する、オンプレミスのプリプロセッシングを使用している。
  論文  参考訳（メタデータ） (2021-08-23T14:19:42Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)
• Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
  ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。 ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。 ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
  論文  参考訳（メタデータ） (2020-03-03T01:32:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。