程序员奶爸用 Tensorflow、树莓派 DIY 婴儿监护仪

作者 | Fabio Manganiello
译者 | 弯月，责编 | 杨碧玉
头图 | CSDN 下载自东方 IC
出品 | CSDN（ID：CSDNnews）

以下为译文：

首先，告诉大家一个好消息，我当爸爸了！我不得不暂停一下我的项目来承担一些育儿的重任。

我就在想，这些育儿任务可以自动化吗？我们真的可以将给孩子换尿布的任务交给一个机器人吗？我想我们距离那一天还很遥遥。想一想父母的心得多大才能在自己孩子身上测试这类的设备，但如果能够通过自动化提供一定的帮助的话，也能减轻父母的重担。

初为人父，我领悟到的第一件事就是婴儿真的很爱哭，而且即便我在家，也无法保证时刻能够听到孩子宝宝的哭声。通常我们都会使用婴儿监护仪，这就相当于对讲机，即使你在另一个房间也可以听到宝宝的声音。然而，很快我就意识到商用婴儿监护仪非常笨，比我想要的理想设备差得很远。婴儿监护仪无法检测到宝宝的哭声，它们就像对讲机一样，只是简单地将声音从信号源传递到扬声器。而且，由于这些监护仪无法将声音播放到其他音频设备上，因此父母必须将扬声器带到不同的房间。通常，婴儿监护仪都带有低功率的扬声器，而且通常无法连接到外部扬声器上。这意味着，如果我在扬声器所在的房间里播放音乐，而我本人即使与监护仪在同一个房间内，也听不到宝宝的哭声。此外，大多数监护仪使用的都是低功率无线电波，这意味着，如果宝宝在自己房间里，而你需要去地下室的时候，监护仪就无法正常工作了。

因此，我构思了一份智能婴儿监护仪的需求：

能够在任何带有廉价USB麦克风的廉价设备上运行，比如树莓派等。
能够检测到婴儿的哭声，并在宝宝开始哭或停止哭泣的时候通知我（最好通过手机）；或者在宝宝哭的时候在仪表板上显示跟踪的数据点；或者执行任何我希望执行的任务。不仅仅是充当哑巴对讲机，将声音从源头传递到唯一的兼容设备上。
能够在任何设备上传输音频流，我自己的扬声器、我的智能手机、我的计算机等。
无论声源与扬声器之间的距离是多少，都能够正常工作，我不需要在房屋内移动扬声器。
配有摄像头，这样我就可以实时检查宝宝的状况；或者在宝宝哭的时候，我可以看到婴儿床的图片或简短的录像，以检查一切是否正常。

下面，我们来看看如何使用我们最喜欢的开源工具来完成这项工作。

录制一些音频样本

首先，入手一款树莓派，在SD卡上安装任何一款兼容的Linux操作系统。推荐使用树莓派3或更高版本来运行Tensorflow模型。此外，还需要入手一个兼容的USB麦克风，任何型号都可以。

然后，安装我们需要的依赖项：

[sudo]apt-get install ffmpeg lame libatlas-base-dev alsa-utils
[sudo]pip3 install tensorflow

第一步，我们必须记录足够的音频样本，记录宝宝什么时候哭，什么时候不哭，稍后我们需要这些样本来训练音频检测模型。注意，在此示例中，我将展示如何使用声音检测来识别婴儿的哭声，你也可以使用相同的方法来检测任何类型的声音，只要声音足够长即可（例如警报声或邻居的声音），而且声源必须比背景噪音更大。

首先，看一下音频输入设备：

arecord-l

我的树莓派获得了以下输出（注意我有两个USB麦克风）：

****List of CAPTURE Hardware Devices ****
card1: Device [USB PnP Sound Device], device 0: USB Audio [USB Audio]Subdevices: 0/1Subdevice #0: subdevice #0
card2: Device_1 [USB PnP Sound Device], device 0: USB Audio [USB Audio]Subdevices: 0/1Subdevice #0: subdevice #0

我想使用第二个麦克风来记录声音，也就是card 2，device 0。ALSA识别它的方式是hw:2,0（直接访问硬件设备）或plughw:2,0（根据需要推断采样率和格式转换插件）。确保你的SD卡上有足够的空间，或者你也可以使用外部USB驱动器，然后开始录制一些音频：

arecord-D plughw:2,0 -c 1 -f cd | lame - audio.mp3

在你宝宝的房间中，录制几分钟或几小时的音频（最好分别录制很长一段时间的安静、宝宝哭泣和其他不相关的声音），完成后按Ctrl-C结束。你可以根据需要多重复几次这个过程，获取一天中不同时刻或不同天的音频样本。

标记音频样本

在收集到足够的音频样本后，我们需要将它们复制到计算机上，用于训练模型，你可以使用scp复制这些文件，也可以直接从SD卡和USB驱动器上复制。

我们把这些文件保存在同一个目录下，比如~/datasets/sound-detect/audio。此外，我们还需要为每个样本新建一个文件夹。每个文件夹都包含一个音频文件（名为audio.mp3）和一个标签文件（名为labels.json），稍后我们将使用标签文件来标记音频文件，比如“positive”/“negative”音频片段。原始数据库的结构大致如下：

~/datasets/sound-detect/audio-> sample_1-> audio.mp3-> labels.json-> sample_2-> audio.mp3-> labels.json...

下面是比较无聊的部分：标记我们录制的音频文件。这些文件中包含数个小时的你家宝宝的哭声，可能有点自虐的倾向。在你喜欢的音频播放器或Audacity中打开每个数据集的音频文件，并在每个样本的目录中新建一个labels.json文件。确定哭声开始和结束的确切时间，并以time_string -> label的形式将它们的键值结构写入labels.json。例如：

{"00:00": "negative","02:13": "positive","04:57": "negative","15:41": "positive","18:24": "negative"
}

在上面的示例中，00:00-02:12之间的所有音频片段都被标记为negative，而02:13-04:56之间的所有音频片段都被标记为positive，以此类推。

生成数据集

在标记完所有音频样本后，接下来我们来生成需要传递给Tensorflow模型的数据集。我创建了一个通用库和一套名为micmon的声音监控实用程序。首先我们来安装这个库：

gitclone git@github.com:/BlackLight/micmon.git
cdmicmon
[sudo]pip3 install -r requirements.txt
[sudo]python3 setup.py build install

这个模型的设计初衷是处理频率样本，而不是原始的音频。原因是，特定的声音具有特定的“频谱”特征，即基准频率（或者基准频率通常所在的狭窄范围）以及基准频率按照一定比例构成的一组特定谐频。而且，这些频率之间的比率既不受振幅的影响（无论输入音量如何，频率的比率都是恒定的），也不受相位的影响（连续的声音具有相同的频谱特征，无论何时开始记录）。与我们将原始音频样本直接发送到模型相比，这种振幅和不随时间变化的特性可以确保这种方法训练出健壮的声音检测模型的概率更大。此外，该模型也更简单（我们可以简单地将频率分组，同时还不会影响性能，如此一来就可以有效地降低维度），更轻量级（无论样本持续时长多少，该模型都拥有50-100个频带的输入值，而原始的音频一秒钟就包含44100个数据点，并且输入的长度会随着样本的持续时间加长而增加），而且不太容易出现过度拟合的情况。

micmon提供了计算音频样本某些片段的FFT（快速傅立叶变换），我们可以使用低通和高通过滤器将所得频谱分组为频带，并将结果保存到一组numpy压缩文件（.npz ）。你可以通过在命令行中运行micmon-datagen命令来执行此操作：

micmon-datagen\--low 250 --high 2500 --bins 100 \--sample-duration 2 --channels 1 \~/datasets/sound-detect/audio  ~/datasets/sound-detect/data

在上面的示例中，我们根据存储在_{/dataset/sound-detect/audio下的原始音频样本生成数据集，并将生成的频谱数据存储到}/datasets/sound-detect/data。–low和–high分别表示生成的频谱中的最低频率和最高频率。默认值分别为20Hz（人耳可以听到的最低频率）和20kHz（人耳可以听到且无害的最高频率）。但是，最好再进一步限制这个范围，以尽可能捕获我们想要检测的声音，并尽可能去除任何其他类型的音频背景和不相关的谐波。我发现250-2500Hz的范围足以检测婴儿的哭声。婴儿哭声通常音调很高（考虑到歌剧女高音可以达到的最高音调约为1000Hz），通常我们需要将最高频率加倍以确保获得足够高的谐波（谐波是较高的频率，可以产生音色），但是也不需要太高，以免其他背景声音的谐波污染频谱。此外，我还可以去掉250Hz以下的任何声音，婴儿的啼哭声不太可能发生在这些低频上，将它们包含在内可能会导致检测偏斜。有一个好方法是，用Audacity等均衡器/频谱分析仪打开一些positive音频样本，检查哪些频率在positive样本中占主导地位，并将数据集中在这些频率附近。–bins指定了频率空间的组数（默认值：100）。bin的数量越多，意味着频率分辨率（粒度）越也越高，但如果过高，则可能导致模型过度拟合。

该脚本将原始音频分割为较小的片段，并计算出了每个片段的频谱“签名”。–sample-duration指定了每个片段应为多长时间（默认值：2秒）。这个值越大，则持续时间越长的声音效果越好，但是会缩短检测时间，并且可能在声音很短时失败。这个值越小，则持续时间越短的声音效果越好，但是如果声音较长，则捕获的片段可能没有足够的信息来可靠地识别声音。

除了micmon-datagen脚本之外，你也可以制作自己的脚本，通过我提供的micmonAPI生成数据集。例如：

importosfrommicmon.audio import AudioDirectory, AudioPlayer, AudioFile
frommicmon.dataset import DatasetWriterbasedir= os.path.expanduser('~/datasets/sound-detect')
audio_dir= os.path.join(basedir, 'audio')
datasets_dir= os.path.join(basedir, 'data')
cutoff_frequencies= [250, 2500]#Scan the base audio_dir for labelled audio samples
audio_dirs= AudioDirectory.scan(audio_dir)#Save the spectrum information and labels of the samples to a
#different compressed file for each audio file.
foraudio_dir in audio_dirs:dataset_file = os.path.join(datasets_dir,os.path.basename(audio_dir.path) + '.npz')print(f'Processing audio sample{audio_dir.path}')with AudioFile(audio_dir) as reader, \DatasetWriter(dataset_file,low_freq=cutoff_frequencies[0],high_freq=cutoff_frequencies[1]) as writer:for sample in reader:writer += sample

无论你使用micmon-datagen还是micmon Python API，这一步结束后，你应该能在~/datasets/sound-detect/data找到一堆.npz文件，原始数据集中的每个标记音频文件都有一个。我们可以使用该数据集来训练声音检测的神经网络。

训练模型

micmon使用Tensorflow+ Keras定义和训练模型。我们可以使用提供的Python API轻松完成此操作。例如：

importos
fromtensorflow.keras import layersfrommicmon.dataset import Dataset
frommicmon.model import Model#This is a directory that contains the saved .npz dataset files
datasets_dir= os.path.expanduser('~/datasets/sound-detect/data')#This is the output directory where the model will be saved
model_dir= os.path.expanduser('~/models/sound-detect')#This is the number of training epochs for each dataset sample
epochs= 2#Load the datasets from the compressed files.
#70% of the data points will be included in the training set,
#30% of the data points will be included in the evaluation set
#and used to evaluate the performance of the model.
datasets= Dataset.scan(datasets_dir, validation_split=0.3)
labels= ['negative', 'positive']
freq_bins= len(datasets[0].samples[0])#Create a network with 4 layers (one input layer, two intermediate layers andone output layer).
#The first intermediate layer in this example will have twice the number ofunits as the number
#of input units, while the second intermediate layer will have 75% of the numberof
#input units. We also specify the names for the labels and the low and high frequencyrange
#used when sampling.
model= Model([layers.Input(shape=(freq_bins,)),layers.Dense(int(2 * freq_bins),activation='relu'),layers.Dense(int(0.75 * freq_bins),activation='relu'),layers.Dense(len(labels),activation='softmax'),],labels=labels,low_freq=datasets[0].low_freq,high_freq=datasets[0].high_freq
)#Train the model
forepoch in range(epochs):for i, dataset in enumerate(datasets):print(f'[epoch {epoch+1}/{epochs}][audio sample {i+1}/{len(datasets)}]')model.fit(dataset)evaluation = model.evaluate(dataset)print(f'Validation set loss andaccuracy: {evaluation}')#Save the model
model.save(model_dir,overwrite=True)

在运行该脚本后（对模型的准确性感到满意之后），你会发现新模型保存在~/models/sound-detect。就我的情况而言，从婴儿的房间中收集约5个小时的声音就足够了，然后再定义一个好的频率范围，将模型的准确度训练到>98%，就万事俱备了。如果你在计算机上训练了该模型，则只需将其复制到树莓派，然后就可以开始下一步了。

使用模型进行预测

下面我们来制作一个脚本，使用麦克风收集到的实时音频数据来运行前面训练好的模型，并在宝宝啼哭时通知我们：

importosfrommicmon.audio import AudioDevice
frommicmon.model import Modelmodel_dir= os.path.expanduser('~/models/sound-detect')
model= Model.load(model_dir)
audio_system= 'alsa'        # Supported: alsa andpulse
audio_device= 'plughw:2,0'  # Get list of recognizedinput devices with arecord -lwithAudioDevice(audio_system, device=audio_device) as source:for sample in source:source.pause()  # Pause recording while we process the frameprediction = model.predict(sample)print(prediction)source.resume() #Resume recording

在树莓派上运行这个脚本，并运行一会儿，如果在过去2秒钟内未检测到哭声，则输出negative，否则输出positive。

但是，我们努力了半天，结果只是在宝宝哭的时候，在标准输出中打印消息也没有太大用处，如果能收到通知就好了！我们可以使用Platypush来实现这部分功能。在这个示例中，当检测到哭泣时，我们将使用Pushbullet集成向手机发送消息。下面，我们来安装带有HTTP和Pushbullet集成的Redis（用于Platypush接收消息）和Platypush：

[sudo]apt-get install redis-server
[sudo]systemctl start redis-server.service
[sudo]systemctl enable redis-server.service
[sudo]pip3 install 'platypush[http,pushbullet]'

在智能手机上安装Pushbullet应用，然后去pushbullet.com获取API令牌。然后再创建一个~/.config/platypush/config.yaml文件，以启用HTTP和Pushbullet集成：

backend.http:enabled: True
pushbullet:token: YOUR_TOKEN

下面，我们来修改前面的脚本，将在标准输出打印消息的部分改成触发Platypush可以捕捉到的CustomEvent：

#!/usr/bin/python3importargparse
importlogging
importos
importsysfromplatypush import RedisBus
fromplatypush.message.event.custom import CustomEventfrommicmon.audio import AudioDevice
frommicmon.model import Modellogger= logging.getLogger('micmon')defget_args():parser = argparse.ArgumentParser()parser.add_argument('model_path',help='Path to the file/directory containing the saved Tensorflow model')parser.add_argument('-i', help='Input sounddevice (e.g. hw:0,1 or default)', required=True, dest='sound_device')parser.add_argument('-e', help='Name of theevent that should be raised when a positive event occurs', required=True,dest='event_type')parser.add_argument('-s', '--sound-server',help='Sound server to be used (available: alsa, pulse)', required=False,default='alsa', dest='sound_server')parser.add_argument('-P','--positive-label', help='Model output label name/index to indicate a positivesample (default: positive)', required=False, default='positive',dest='positive_label')parser.add_argument('-N','--negative-label', help='Model output label name/index to indicate a negativesample (default: negative)', required=False, default='negative',dest='negative_label')parser.add_argument('-l','--sample-duration', help='Length of the FFT audio samples (default: 2seconds)', required=False, type=float, default=2., dest='sample_duration')parser.add_argument('-r', '--sample-rate',help='Sample rate (default: 44100 Hz)', required=False, type=int,default=44100, dest='sample_rate')parser.add_argument('-c', '--channels',help='Number of audio recording channels (default: 1)', required=False,type=int, default=1, dest='channels')parser.add_argument('-f', '--ffmpeg-bin',help='FFmpeg executable path (default: ffmpeg)', required=False,default='ffmpeg', dest='ffmpeg_bin')parser.add_argument('-v', '--verbose',help='Verbose/debug mode', required=False, action='store_true', dest='debug')parser.add_argument('-w','--window-duration', help='Duration of the look-back window (default: 10seconds)', required=False, type=float, default=10., dest='window_length')parser.add_argument('-n','--positive-samples', help='Number of positive samples detected over the windowduration to trigger the event (default: 1)', required=False, type=int,default=1, dest='positive_samples')opts, args =parser.parse_known_args(sys.argv[1:])return optsdefmain():args = get_args()if args.debug:logger.setLevel(logging.DEBUG)model_dir =os.path.abspath(os.path.expanduser(args.model_path))model = Model.load(model_dir)window = []cur_prediction = args.negative_labelbus = RedisBus()with AudioDevice(system=args.sound_server,device=args.sound_device,sample_duration=args.sample_duration,sample_rate=args.sample_rate,channels=args.channels,ffmpeg_bin=args.ffmpeg_bin,debug=args.debug) assource:for sample in source:source.pause()  # Pause recording while we process the frameprediction = model.predict(sample)logger.debug(f'Sample prediction:{prediction}')has_change = Falseif len(window) < args.window_length:window += [prediction]else:window = window[1:] +[prediction]positive_samples = len([pred forpred in window if pred == args.positive_label])if args.positive_samples <=positive_samples and \prediction ==args.positive_label and \cur_prediction !=args.positive_label:cur_prediction =args.positive_labelhas_change = Truelogging.info(f'Positive samplethreshold detected ({positive_samples}/{len(window)})')elif args.positive_samples >positive_samples and \prediction ==args.negative_label and \cur_prediction !=args.negative_label:cur_prediction = args.negative_labelhas_change = Truelogging.info(f'Negative samplethreshold detected ({len(window)-positive_samples}/{len(window)})')if has_change:evt = CustomEvent(subtype=args.event_type,state=prediction)bus.post(evt)source.resume() # Resume recordingif__name__ == '__main__':main()

将上述脚本保存成~/bin/micmon_detect.py。这个脚本只会在window_length秒的滑动窗口中检测到至少positive_samples个样本时才触发事件（这是为了减少预测错误或临时故障引发的噪声），并且仅在当前预测从negative变为positive时才触发事件，反之亦然。接下来，通过RedisBus将该事件发送到Platypush。这个脚本的通用性非常好，可以处理任何声音模型（不一定是检测婴儿啼哭的声音模型）、任何positive/negative标签、任何频率范围以及任何类型的输出事件。

下面，我们来创建一个Platypush钩子，对事件做出反应并将通知发送到我们的设备上。首先，准备尚未创建的Platypush脚本目录：

mkdir-p ~/.config/platypush/scripts
cd~/.config/platypush/scripts
#Define the directory as a module
touch__init__.py
#Create a script for the baby-cry events
vibabymonitor.py

babymonitor.py的内容如下：

fromplatypush.context import get_plugin
fromplatypush.event.hook import hook
fromplatypush.message.event.custom import CustomEvent@hook(CustomEvent,subtype='baby-cry', state='positive')
defon_baby_cry_start(event, **_):pb = get_plugin('pushbullet')pb.send_note(title='Baby cry status',body='The baby is crying!')@hook(CustomEvent,subtype='baby-cry', state='negative')
defon_baby_cry_stop(event, **_):pb = get_plugin('pushbullet')pb.send_note(title='Baby cry status',body='The baby stopped crying - good job!')

接下来，创建一个Platypush的服务文件（如果尚不存在的话），然后启动服务，这样它会在意外退出或系统重启时自动启动：

mkdir-p ~/.config/systemd/user
wget-O ~/.config/systemd/user/platypush.service \https://raw.githubusercontent.com/BlackLight/platypush/master/examples/systemd/platypush.service
systemctl--user start platypush.service
systemctl--user enable platypush.service

另外，还需要为婴儿监护仪创建一个服务，例如：

~/.config/systemd/user/babymonitor.service

内容如下：

[Unit]
Description=Monitorto detect my baby's cries
After=network.targetsound.target
[Service]
ExecStart=/home/pi/bin/micmon_detect.py-i plughw:2,0 -e baby-cry -w 10 -n 2 ~/models/sound-detect
Restart=always
RestartSec=10
[Install]
WantedBy=default.target

这个服务会启动ALSA设备plughw:2,0上的麦克风监视仪。如果在过去10秒钟内检测到至少2个2秒的positive样本，且前一个状态为negative，则该服务会触发事件baby-cry，并设置state=positive；如果在过去10秒钟内检测到的positive样本少于两个，且前一个状态为positive，则设置state=negative。我们可以通过以下方法启动该服务：

systemctl--user start babymonitor.service
systemctl--user enable babymonitor.service

检查在宝宝开始哭泣时，是否会收到手机通知。如果没有收到通知，则可以查看音频样本的标签、神经网络的结构和参数、或样本长度/窗口/频带等参数。

另外，这是一个相对比较基本的自动化示例，你可以在此基础之上实验各种自动化任务。例如，你可以使用tts插件向另一个Platypush设备（例如卧室或客厅）发送请求，大声呼喊：“宝宝哭啦”。你还可以扩展micmon_detect.py脚本，以便捕获的音频样本可以通过HTTP流传输，使用Flask打包器和ffmpeg进行音频转换。

还有一个有趣的实验，在婴儿开始/停止哭泣时，将数据点发送到本地数据库。这是一组非常有意义的数据，你可以通过这些数据来记录宝宝何时入睡，何时醒着，何时需要喂奶。监护宝宝是我开发micmon的主要动机，你可以利用相同的过程来训练和使用模型来检测任何类型的声音。最后，你还可以考虑使用优质的移动电源或锂电池来构建移动版的声音监视仪。

婴儿摄像头

在拥有良好的音频输入，并通过某种方法检测到positive音频序列何时开始/停止后，我们可以添加视频输入，以密切关注宝宝。在我的第一次尝试中，我在检测音频的树莓派上搭载了一台PiCamera，但我发现这种配置不切实际。如果你正在寻找一款轻量级的摄像头，可以轻松安装在某个底座或伸缩架上，你可以转动摄像头，随时随地关注你的宝宝，那么你可以将树莓派放在自己的外壳中，然后搭载一盒电池，并在顶部固定一个摄像头就可以了，尽管看上去非常笨重。最终我选择了一款带有PiCamera兼容机壳和小型移动电源的小型树莓派Zero。

图：我的第一个带有摄像头的婴儿监护仪原型

就像在其他设备上一样，你可以将SD卡插入与树莓派兼容的OS。然后将与树莓派兼容的摄像头插入插槽中，确保已在raspi-config中启用摄像头模块，并通过PiCamera集成安装Platypush：

[sudo]pip3 install 'platypush[http,camera,picamera]'

然后在~/.config/platypush/config.yaml中加入摄像头的配置：

camera.pi:listen_port: 5001

你可以检查Platypush重启时的这个配置，并通过HTTP获取摄像机的快照：

wgethttp://raspberry-pi:8008/camera/pi/photo.jpg

或者在浏览器中打开视频：

http://raspberry-pi:8008/camera/pi/video.mjpg

你还可以创建一个钩子，当应用程序启动时，通过TCP/H264传输视频流：

mkdir-p ~/.config/platypush/scripts
cd~/.config/platypush/scripts
touch__init__.py
vicamera.py

camera.py的内容如下：

fromplatypush.context import get_plugin
fromplatypush.event.hook import hook
fromplatypush.message.event.application import ApplicationStartedEvent@hook(ApplicationStartedEvent)
defon_application_started(event, **_):cam = get_plugin('camera.pi')cam.start_streaming()

你可以在VLC中播放视频：

vlctcp/h264://raspberry-pi:5001

或通过VLC应用、RPi Camera Viewer等应用在手机上播放视频。

原文：https://towardsdatascience.com/create-your-own-smart-baby-monitor-with-a-raspberrypi-and-tensorflow-5b25713410ca
本文为 CSDN 翻译，转载请注明来源出处。