heater-switch-detector

🎯 热水器开关声音检测器 (Heater Switch Sound Detector)

基于Wav2Vec2的热水器开关声音实时检测模型。这是一个少样本学习项目，仅用6个音频样本就能达到100%的检测准确率。

模型描述

该模型使用Facebook的Wav2Vec2预训练模型作为特征提取器，在热水器开关声音数据上进行微调，实现对开关按下声音的精确识别。

模型架构

原始音频 [48000 samples] 
    ↓ Wav2Vec2特征编码器 (7层1D卷积)
局部特征 [1199, 768]
    ↓ Wav2Vec2上下文网络 (12层Transformer) 
上下文特征 [1199, 768]
    ↓ 全局平均池化
固定特征 [768]
    ↓ 分类头 (2层全连接)
分类结果 [2] (开关/背景)

训练数据

• 正样本: 6个热水器开关声音 (3.2-5.2秒)
• 负样本: 6个自动生成的背景噪音
• 总样本: 12个 (训练集8个，测试集4个)
• 采样率: 16kHz
• 格式: 单声道WAV

数据特征分析

性能指标

混淆矩阵

实际\预测    无开关    有开关
无开关         2        0
有开关         0        2

使用方法

安装依赖

pip install torch torchaudio transformers huggingface_hub

加载模型

from huggingface_hub import hf_hub_download
import torch
import torchaudio
from transformers import Wav2Vec2Model

# 下载模型
model_path = hf_hub_download(
    repo_id="lemonhall/heater-switch-detector",
    filename="switch_detector_model.pth"
)

# 加载模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
checkpoint = torch.load(model_path, map_location=device)

# 重建模型架构
wav2vec2_model = Wav2Vec2Model.from_pretrained("facebook/wav2vec2-base")
classifier = torch.nn.Sequential(
    torch.nn.Linear(768, 256),
    torch.nn.ReLU(),
    torch.nn.Dropout(0.3),
    torch.nn.Linear(256, 2)
)

# 加载权重
classifier.load_state_dict(checkpoint['classifier_state_dict'])
classifier.eval()

音频预测

def predict_audio(audio_path):
    # 加载音频
    waveform, sample_rate = torchaudio.load(audio_path)
    
    # 重采样到16kHz
    if sample_rate != 16000:
        resampler = torchaudio.transforms.Resample(sample_rate, 16000)
        waveform = resampler(waveform)
    
    # 转为单声道
    if waveform.shape[0] > 1:
        waveform = waveform.mean(dim=0, keepdim=True)
    
    # 特征提取
    with torch.no_grad():
        features = wav2vec2_model(waveform).last_hidden_state
        pooled_features = features.mean(dim=1)  # 全局平均池化
        
        # 分类预测
        logits = classifier(pooled_features)
        probabilities = torch.softmax(logits, dim=-1)
        prediction = torch.argmax(probabilities, dim=-1)
    
    return {
        'prediction': '开关按下' if prediction.item() == 1 else '背景声音',
        'confidence': probabilities.max().item(),
        'probabilities': {
            '背景声音': probabilities[0][0].item(),
            '开关按下': probabilities[0][1].item()
        }
    }

# 使用示例
result = predict_audio("test_audio.wav")
print(f"预测结果: {result['prediction']}")
print(f"置信度: {result['confidence']:.3f}")

实时检测

import pyaudio
import numpy as np

def realtime_detection():
    # 音频参数
    SAMPLE_RATE = 16000
    CHUNK_SIZE = 1024
    DETECTION_WINDOW = 3.0  # 3秒检测窗口
    
    # 初始化音频流
    audio = pyaudio.PyAudio()
    stream = audio.open(
        format=pyaudio.paFloat32,
        channels=1,
        rate=SAMPLE_RATE,
        input=True,
        frames_per_buffer=CHUNK_SIZE
    )
    
    print("🎤 开始实时检测...")
    
    buffer = []
    window_size = int(DETECTION_WINDOW * SAMPLE_RATE)
    
    try:
        while True:
            # 读取音频数据
            data = stream.read(CHUNK_SIZE)
            audio_chunk = np.frombuffer(data, dtype=np.float32)
            buffer.extend(audio_chunk)
            
            # 保持窗口大小
            if len(buffer) > window_size:
                buffer = buffer[-window_size:]
            
            # 检测
            if len(buffer) == window_size:
                waveform = torch.FloatTensor(buffer).unsqueeze(0)
                
                with torch.no_grad():
                    features = wav2vec2_model(waveform).last_hidden_state
                    pooled_features = features.mean(dim=1)
                    logits = classifier(pooled_features)
                    probabilities = torch.softmax(logits, dim=-1)
                    
                    switch_prob = probabilities[0][1].item()
                    
                    if switch_prob > 0.93:  # 高置信度阈值
                        print(f"🔥 检测到开关按下! 置信度: {switch_prob:.3f}")
    
    except KeyboardInterrupt:
        print("\n⏹️  检测停止")
    finally:
        stream.stop_stream()
        stream.close()
        audio.terminate()

# 运行实时检测
realtime_detection()

技术特点

🚀 优势

• 少样本学习: 仅需6个样本即可达到完美分类
• 端到端训练: 从原始音频波形直接学习特征
• 预训练优势: 利用Wav2Vec2的大规模预训练知识
• 实时检测: 支持麦克风实时音频流处理
• 高精度: 测试集100%准确率

🎯 应用场景

• 智能家居: 自动检测热水器使用状态
• 设备监控: 远程监控设备操作
• 节能管理: 记录设备使用时间和频率
• 安全监控: 异常使用模式检测

⚙️ 技术细节

• 基础模型: facebook/wav2vec2-base
• 训练策略: 冻结预训练参数，只训练分类头
• 优化器: AdamW (lr=1e-4)
• 损失函数: CrossEntropyLoss
• 数据增强: 自动生成负样本

限制和改进

当前限制

• 训练数据较少，可能对新环境泛化能力有限
• 只能检测特定类型的开关声音
• 需要相对安静的环境以减少误报

未来改进

• 收集更多样化的训练数据
• 支持多类别检测（开/关/故障）
• 添加噪音鲁棒性训练
• 模型压缩和量化
• 支持更多设备类型

引用

如果您使用了这个模型，请引用：

@misc{heater-switch-detector-2024,
  title={基于Wav2Vec2的热水器开关声音检测器},
  author={lemonhall},
  year={2024},
  howpublished={\url{https://huggingface.co/lemonhall/heater-switch-detector}}
}

许可证

MIT License

联系方式

如有问题或建议，请通过以下方式联系：

• GitHub: 项目地址
• Email: [email protected]

---

该模型仅用于研究和教育目的。在生产环境中使用前，请进行充分的测试和验证。