本发明涉及人工智能，具体而言，涉及一种基于人工智能和声纹的铁塔螺栓健康检测方法及系统。
背景技术：
1、在铁塔的日常维护中，对螺栓的健康状况进行监测是至关重要的。
2、如公开号为cn116839883a的中国专利公开了一种基于声纹识别的铁塔螺丝松动诊断方法及装置，涉及故障诊断技术领域。获取目标铁塔的实时铁塔信息，根据实时铁塔信息自适应确定声波发生器产生的目标声波信号；向目标铁塔发射目标声波信号，采集目标铁塔各螺丝连接处的声纹信号；针对每一螺丝连接处的声纹信号，提取该声纹信号的mfcc特征向量，对mfcc特征向量进行加权降维优化得到目标特征向量；将目标特征向量输入预设的声学模型，获得螺丝是否松动诊断识别结果。采用自适应主动发声体制，发声内容根据塔体型号大小环境等情况自行分析适配，大大优化声纹分析效率，通过预设的声学模型高效扫描分析全塔螺栓紧固状况，判定螺栓松动情况，提升了检测精度和工作效率。
3、又如公开号为cn112786059a的中国专利公开了一种基于人工智能的声纹特征提取方法及装置。本发明包括如下步骤：采集语音数据和非语音数据，建立样本数据库；从样本数据库中取一音频文件，进行处理得到音频帧序列；对音频帧序列中每一帧进行傅里叶变化，得到该帧对应的频谱图信息；将时域信息和频域信息进行提取，得到时域特征和频域特征；将时域特征和频域特征进行特征聚合，得到聚合后的特征；对聚合后的特征进行向量嵌入，得到声纹特征向量；将声纹特征向量输入至卷积神经网络模型进行训练，得到声纹特征模型；获取待识别语音数据进行预处理；从预处理后的语音特征数据输入声纹特征模型得到语音特征向量。本发明提高了声纹特征提取的准确率和效率。
4、再如公开号为cn111076960b的中国专利公开了一种基于人工智能算法的声纹质量检测方法，包括pc机内的声纹储存模块、标记模块；实现方法包括如下步骤，第一步：先将空调已知故障的声纹特征经标记模块进行数据标注，并将这些数据按照一定比例分为训练集和测试集；第二步：针对空调声纹的特征设计适合的人工智能深度学习类型；第三步：用标注过的声纹数据对模型进行训练；第四步：用测试集对实证模型进行测试其是否正确；第五步：将待检测声纹输入模型中，模型给出检测声纹的数据；第六步：对实证模型进行持续优化。本发明在干扰、多变的情况下，仍旧精确找到空调等各种质量问题，涵盖了空调主要四大类故障问题判别，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力。
5、当前，对铁塔螺栓的健康状态进行检测的主要方式是通过人工视觉检查和手动检测，并且现有技术都聚焦在螺丝松动这一技术点上，对于螺栓的健康监测并未提及。然而，这些传统的方法不仅效率低下，还可能因为人为因素导致检测结果的准确性受到影响。
技术实现思路
1、本发明的目的在于提供一种基于人工智能和声纹的铁塔螺栓健康检测方法及系统。
2、第一方面，本发明实施例提供一种基于人工智能和声纹的铁塔螺栓健康检测方法，包括：
3、获取待定反馈声纹实例数据，所述待定反馈声纹实例数据包括绑定真实值的铁塔螺栓反馈声纹，所述真实值表征所述铁塔螺栓反馈声纹对应的铁塔螺栓健康状态；
4、对所述待定反馈声纹实例数据进行数据平衡化，获得反馈声纹观测集合，所述反馈声纹观测集合的正类声纹实例数量大于负类声纹实例数量；
5、对所述反馈声纹观测集合执行特征提取操作，获得所述反馈声纹观测集合中每个反馈声纹实例的声纹特征；
6、根据所述反馈声纹观测集合中的反馈声纹实例和每个所述反馈声纹实例的声纹特征训练铁塔螺栓健康状态分类模型，获得完成训练的铁塔螺栓健康状态分类模型；
7、对采集的当前反馈声纹集执行特征提取操作，获得所述当前反馈声纹集中每个当前反馈声纹的声纹特征；
8、根据所述完成训练的铁塔螺栓健康状态分类模型以及所述当前反馈声纹集中每个所述当前反馈声纹的声纹特征进行铁塔螺栓健康状态识别，获得所述当前反馈声纹集中每个当前反馈声纹的预测真实值，所述预测真实值表征所述当前反馈声纹对应的铁塔螺栓健康状态。
9、第二方面，本发明实施例提供一种服务器系统，包括服务器，所述服务器用于执行第一方面所述的方法。
10、相比现有技术，本发明提供的有益效果包括：采用本发明公开的基于人工智能和声纹的铁塔螺栓健康检测方法及系统，通过获取含有真实值的待定反馈声纹实例数据，这些真实值代表对应的铁塔螺栓健康状态。之后，对这些数据进行平衡化处理，并从中提取出声纹特征。接着，根据提取出的声纹特征训练铁塔螺栓健康状态分类模型。最后，采集当前的反馈声纹集，提取其声纹特征，并运用已训练好的模型进行铁塔螺栓健康状态的识别。通过预测的真实值，可以了解当前反馈声纹对应的铁塔螺栓健康状态，如此设计，不仅提高了检测效率，还能显著提升检测结果的准确性。
1.基于人工智能和声纹的铁塔螺栓健康检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对采集的当前反馈声纹集执行特征提取操作，获得所述当前反馈声纹集中每个当前反馈声纹的声纹特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述当前反馈声纹集中每个当前反馈声纹的第一螺栓状态声纹表征和所述第二螺栓状态声纹表征执行整合操作，获得所述当前反馈声纹集中每个当前反馈声纹的声纹特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述获取待定反馈声纹实例数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述对所述待定反馈声纹实例数据进行数据平衡化，获得反馈声纹观测集合，包括：
6.根据权利要求1所述的方法，其特征在于，所述对所述反馈声纹观测集合执行特征提取操作，获得所述反馈声纹观测集合中每个反馈声纹实例的声纹特征，包括：
7.根据权利要求2所述的方法，其特征在于，所述第二螺栓状态声纹表征包括表示向量，所述表示向量包括铁塔螺栓声学轨迹表示向量和环境噪声表示向量。
8.根据权利要求1所述的方法，其特征在于，所述根据所述反馈声纹观测集合中的反馈声纹实例和每个所述反馈声纹实例的声纹特征训练铁塔螺栓健康状态分类模型，获得完成训练的铁塔螺栓健康状态分类模型，包括：
9.根据权利要求8所述的方法，其特征在于，在所述获得完成训练的铁塔螺栓健康状态分类模型之后，还包括：
10.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-9中任一项所述的方法。