ANN/run.py at master · RobertJaskolski/ANN · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
# Import (Tutaj umieszczamy wszystkie biblioteki których będziemy używać)
import librosa
import csv
import os
import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.model_selection import train_test_split
from keras import layers
from keras.models import Sequential


# DataLoading (Tutaj wczytamy nasze pliki dźwiękowe z danej ścieżki,
# a nastepnie przekonwertujemy to do danych zrozumiałych dla komputera i zapiszemy w ppliku .cvs)
def dataLoading(csvFilename):
    # Przygotowanie nagłówka naszego pliku .csv (Nazwa oraz Stosowane funkcje)
    header = 'filename chroma_stft rmse spectral_centroid spectral_bandwidth rolloff zero_crossing_rate'
    for i in range(1, 21):
        header += f' mfcc{i}'
    header += ' label'
    header = header.split()

    file = open(csvFilename, 'w', newline='')
    with  file:
        writer = csv.writer(file)
        writer.writerow(header)
    # Dźwięki które będziemy wykrywać
    sounds = 'Baby-cry Chainsaw Clock-tick Dog-bark Fire-crackling Helicopter Person-sneeze Rain Rooster Sea-waves'.split()
    for s in sounds:
        for filename in os.listdir(f"./ESC-10/{s}"):
            # Tutaj sobie wczytamy konkretny dźwięk i przekonwertujemy go za pomocą librosy
            songname = f'./ESC-10/{s}/{filename}'
            y, sr = librosa.load(songname, mono=True)

            # Tutaj zaczynamy zapisywanie naszych funkcji
            # rmse
            rmse = librosa.feature.rms(y=y)
            # chroma
            stft = librosa.feature.chroma_stft(y=y, sr=sr)
            # spectral
            cent = librosa.feature.spectral_centroid(y=y, sr=sr)
            bawi = librosa.feature.spectral_bandwidth(y=y, sr=sr)
            rolo = librosa.feature.spectral_rolloff(y=y, sr=sr)
            # zero crossing rate
            zero = librosa.feature.zero_crossing_rate(y)
            # mfcc
            mfcc = librosa.feature.mfcc(y=y, sr=sr)

            # Teraz będziemy to wszystko układać w stringu a na końcu zapiszemy do naszego arkusza
            toAppend = f'{filename} {np.mean(stft)} {np.mean(rmse)} {np.mean(cent)} {np.mean(bawi)} {np.mean(rolo)} '
            toAppend += f'{np.mean(zero)}'
            for result in mfcc:
                toAppend += f' {np.mean(result)}'
            toAppend += f' {s}'
            file = open(csvFilename, 'a', newline='')
            with file:
                writer = csv.writer(file)
                writer.writerow(toAppend.split())


def forOneAudio(model, audio, data):
    # Dla tego pojedyńczego dźwięku
    y, sr = librosa.load(audio, mono=True)
    # Tutaj zaczynamy zapisywanie naszych funkcji
    audioFeatures = []
    #'chroma_stft rmse spectral_centroid spectral_bandwidth rolloff zero_crossing_rate'
    # chroma
    stft = librosa.feature.chroma_stft(y=y, sr=sr)
    audioFeatures.append(np.mean(stft))
    # rmse
    rmse = librosa.feature.rms(y=y)
    audioFeatures.append(np.mean(rmse))
    # spectral
    cent = librosa.feature.spectral_centroid(y=y, sr=sr)
    bawi = librosa.feature.spectral_bandwidth(y=y, sr=sr)
    rolo = librosa.feature.spectral_rolloff(y=y, sr=sr)
    audioFeatures.append(np.mean(cent))
    audioFeatures.append(np.mean(bawi))
    audioFeatures.append(np.mean(rolo))
    # zero crossing rate
    zero = librosa.feature.zero_crossing_rate(y)
    audioFeatures.append(np.mean(zero))
    # mfcc
    mfcc = librosa.feature.mfcc(y=y, sr=sr)
    for result in mfcc:
        audioFeatures.append(np.mean(result))
    # skalowanie
    scaler = StandardScaler()
    cal = np.append(data, [audioFeatures], axis=0)
    X = scaler.fit_transform(cal)
    predictions_single = model.predict(X)
    sounds = 'Baby-cry Chainsaw Clock-tick Dog-bark Fire-crackling Helicopter Person-sneeze Rain Rooster Sea-waves'.split()
    print(np.argmax(predictions_single[400]))

    return (sounds[np.argmax(predictions_single[400])])
def nn():
    # Załadowanie danych oraz przygotowanie ich do naszej sieci ANN
    data = pd.read_csv('data.csv')
    data.head()
    data = data.drop(['filename'], axis=1)
    soundList = data.iloc[:,-1]
    encoder = LabelEncoder()
    y = encoder.fit_transform(soundList)
    scaler = StandardScaler()
    dataTonewNetwork = np.array(data.iloc[:, :-1])
    X = scaler.fit_transform(np.array(data.iloc[:, :-1], dtype=float))
    # X - są to dane do uczenia naszej sieci a y - to nr dźwięków od 0-9
    # Podział jest prosty do trenowania 80% czyli 320 wektorów a do testowania 80 wektorów

    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

    # Tutaj określamy nasze ANN

    model = Sequential()
    model.add(layers.Dense(130, activation='relu', input_shape=(X_train.shape[1],)))
    model.add(layers.Dense(65, activation='relu'))
    model.add(layers.Dense(32, activation='relu'))
    model.add(layers.Dense(10, activation='softmax'))
    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])

    model.fit(X_train, y_train, epochs=100, batch_size=320)
    model.evaluate(X_test, y_test, verbose=2)
    return model, dataTonewNetwork


# Funkcja główna
if __name__ == '__main__':
    # dataLoading("data.csv")
    network, data = nn()
    forOneAudio(network, "chainsaw.ogg", data)