RECONHECIMENTO DE COMANDOS DE VOZ BASEADO EM CODIFICAÇÃO LINEAR PREDITIVA E

Transcrição

1 RECONHECIMENTO DE COMANDOS DE VOZ BASEADO EM CODIFICAÇÃO LINEAR PREDITIVA E REDES NEURAIS ARTIFICIAS PARA APLICAÇÕES DE ACIONAMENTOS DE PROCESSOS INDUS- TRIAIS Resumo Diversos processos industriais requerem o acionamento de maquinas e atuadores por comandos de voz. Este procedimento pode ser implementado usando técnicas de processamento digital de sinais, entretanto, diversas limitações de nível de voz, relação sinal a ruído, frequências, etc., limitam sua aplicabilidade devido a sua baixa taxa de acerto. Assim, neste trabalho foi proposto uma metodologia de reconhecimento de voz para o acionamento de sistema de reservatórios com bomba de água. O sistema proposto realiza o reconhecimento dos locutores por meio da codificação da voz usando o algoritmo de codificação linear preditiva (LPC) e aprendizagem e reconhecimento do locutor por Redes Neurais Artificiais (RNA). Foram realizados experimentos usando um Controlador Lógico Programável e uma planta modelo DE LO- RENZO. Os resultados obtidos foram satisfatórios com uma taxa de acerto de 99,16%. 1 INTRODUÇÃO O avanço da tecnologia nos dias de hoje vem trazendo novos métodos para simplificar o cotidiano das pessoas e até mesmo para as indústrias. Desenvolvimento de fechadura eletrônica, sistemas de segurança e controle, acionamentos de dispositivos em automóveis, atendimento telefônico para solicitação de serviços, e celulares são aplicações que utilizam o sistema de reconhecimento de voz. (Miranda, 2009) Como também para pessoas com deficiência motora as quais utilizam cadeira de rodas, é de interesse este tipo de sistema, facilitando assim a acessibilidade em diversos ambientes como elevadores e bancos (Barwaldt, 2008) Em ambientes industriais, o reconhecimento de fala pode ser empregado onde necessita ter maior relação homem-máquina para facilitar a comunicação entre ambos. As trocas de informações, na indústria, entre estações de trabalho são realizadas frequentemente, entretanto, nestes ambientes, o operário está exposto a várias intensidades de ruídos modificando a informação acústica produzida pelo locutor (Ribeiro, 2012). Desta maneira, torna-se importante o desenvolvimento de sistemas de reconhecimento de voz com características de alta robustez e imunidade ao ruído. O estudo do reconhecimento de voz está dividido em 3 áreas: Identificação Automática de Locutores (ASR, Automatic Speaker Recognition), em que o sistema é apto para identificar diferentes locutores em um conjunto pré-determinado de pessoas; Verificação Automática de Locutores (ASV, Automatic Speaker Verification), em que confere-se apenas se a voz adquirida é autorizada, ou seja, se o locutor está cadastrado; e Reconhecimento de Comandos Independente do Locutor (RCIL), em que reconhece palavras pronunciadas independente do locutor (Niquini, 2007). A princípio, o reconhecimento de voz foi propagado e essa tecnologia foi conceituada e desenvolvida por meio da aplicação de técnicas de processamento digital de sinais. Entretanto, conforme eram encontradas as diferenças de frequências e intensidade da voz de um indivíduo para outro percebeu-se que existem algumas limitações com respeito à aplicação das técnicas convencionais (Valiati, 2000). O uso das Redes Neurais Artificiais sobre o reconhecimento da fala aconteceu nos anos 80, devido às mesmas terem uma capacidade de processamento paralelo e distribuído, dispondo na diminuição nas baixas taxas de confiabilidade que os sistemas existentes na época

2 conseguiam utilizando outros métodos. Sua aplicação também procurava fundamentos por ser uma técnica que tem sua origem derivada da Inteligência Artificial, a qual se destina pesquisar e extrair os conhecimentos relativos ao cérebro humano, relacionando-se com a formação da fala que é um processo cognitivo e inteligente exclusivo da espécie humana (Valiati, 2000). Neste trabalho é proposto um sistema de reconhecimento dos comandos de voz, a qual combina técnicas de processamento digital de sinais (para a codificação da voz) e redes neurais artificiais (para o reconhecimento de voz), com locutores restritos em um pequeno vocabulário, que seja capaz de identificar qual a palavra pronunciada e por qual locutor. Serão apresentados resultados experimentais para o acionamentos de processos industriais usando uma planta modelo (DE LORENZO) que inclui um sistema de bomba-reservatório em conjunto com uma bancada de CLP (WEG) para a automatização do sistema. 2 DEFINIÇÕES PRELIMINARES 2.1 Sinais de Voz Analisando na frequência, a voz apresenta um conteúdo espectral em torno de 20 Hz a 20 khz. Os sons vozeados ou nasais, como por exemplo as vogais e algumas consoantes (j, l e m) exibem um espectro discreto com uma frequência fundamental de 200 Hz nos homens e 200 a 400 Hz nas mulheres. As frequências que carregam a energia do sinal são as mais baixas, e as mais elevadas a emoção. Para se desenvolver uma técnica de codificação eficiente, é preciso conhecer antecipadamente as características básicas do sinal de voz. O mecanismo de produção da voz oferece uma resposta limitada em frequência, com limite por volta de 10 khz. Como uma grande parte da energia do sinal de voz está centralizada na faixa de frequência entre 300 e 3400 Hz, o canal pode se limitar a esta banda com um dano tolerável em qualidade (Carvalho; Dias, 2000). 2.2 Codificação Linear Preditiva (LPC) O LPC é um tipo de codificação que possui a análise preditiva linear em que a amostra de voz pode ser aproximada como uma combinação linear das amostras de vozes passadas (Adami, 1997). A predição linear, em processamento de voz, talvez seja a forma mais comum de análise do sinal e exerce um papel fundamental em diversas aplicações, tais como o reconhecimento da fala, reconhecimento do locutor, compressão e modelagem (Uliani Neto; Et. Al., 2013). Neste trabalho, o LPC foi usado para a codificação de voz de quatro locutores, codificando-se assim as palavras: Play, Stop, On e Off. 2.3 Reconhecimento usando RNA As redes neurais artificiais simulam o funcionamento do cérebro de modo simplificado. Os modelos de RNA se baseiam, por exemplo, nos conhecimentos sobre o funcionamento da memória, como princípios associativos ou capacidade de aprendizado. (Kohonen, 1988). Os grupos de neurônios são divididos em camadas dentro da estrutura da rede, organizadas em uma camada de entrada, na sequência de uma ou mais camadas intermediárias, finalizando em uma camada de saída. Assim, quanto maior for o número de camadas maior será a complexidade e o tempo de processamento da rede (Valiati, 2000).

3 Neste trabalho foi usado a RNA com topologia multilayer perceptron, com treinamento supervisionado. Os dados usados para treinamento e teste foram coletados por meio de um sistema de aquisição de vozes com características de baixo ruído e distorção, utilizando um microfone omnidirecional que elimina o efeito de proximidade, ou seja, não importa o quão próximo o locutor está no microfone. Este procedimento foi realizado em parceria com o laboratório de mídias digitais do curso de Mídias Digitais da Universidade Federal da Paraíba (UFPB) 3 RECONHECIMENTO DE VOZ USANDO LPC E RNA Nesta seção, será apresentada a proposta de solução para o reconhecimento de voz usado para a ativação de acionamentos em processos industriais. Inicialmente, foi construído um banco de dados de vozes de quatro locutores, cujas palavras gravadas foram: Play, Stop, On e Off. A gravação foi feita em um estúdio de gravação no Curso de Mídias Digitais da UFPB e utilizamos um microfone NT2-A com princípio acústico baseado no gradiente de pressão com a faixa de frequência de 20Hz a 20kHz, impedância de saída de 200Ω e nível de saída máximo é 16dBu a 1kHz, sendo um microfone de alta qualidade por sua performance. Ao total foram coletadas 600 amostras de cada um dos locutores: 150 de cada palavrateste (Play, Stop, On e Off). E os sinais foram tratados no estúdio passando por um filtro passa-baixa para limitação da banda e atenuação do ruído. Foi construído desta maneira um banco de dados com 2400 amostras diferentes provindas de 4 locutores e cada locutor falando 4 palavras diferentes. Todo desenvolvimento do software foi feito no MATLAB e utilizamos a função built-in do LPC para codificar o sinal de voz das amostras em 31 coeficientes referentes a cada locutor, sendo o vetor com esses coeficientes a matriz de entrada do sistema e cada locutor tinha sua matriz de saída codificada. Este procedimento é ilustrado na Figura 1. Figura 1. Codificação da voz usando o LPC. Em seguida, foi construído um banco de dados para o treinamento e teste da RNA. Para isto, para cada locutor, foram separadas aleatoriamente 80% das vozes para o treinamento e 20% para o teste. Na Figura 2, se ilustra a forma de separação das informações para a construção do banco de dados.

4 Figura 2. Construção do banco de dados. Com a finalidade de implementar o sistema de reconhecimento de voz, para cada locutor, foi construída uma codificação binaria para a saída da RNA, associa o reconhecimento da voz a um dos locutores falantes, como se ilustra na Figura 3. Em seguida para o treinamento da RNA considerou-se que o 80% das amostras de cada pessoa foram usadas para treinamento e 20% para teste. A RNA escolhida tem duas camadas e 40 neurônios em cada uma. O tipo usado foi o MLP back-propagation e Levenberg-Marquardt, pois é o mais rápido, apesar de requerer muita memória. Observe-se que a codificação da saída é binaria representando o reconhecimento de cada locutor. Figura 3. Codificação entrada-saída da RNA. 4 Acionamento de Processos Industriais: Estudo de Caso Bomba de Água Em diversos cenários indústrias podem ser necessários a implementação de sistemas de reconhecimento de voz para a ativação de comandos para acionamentos de processos industriais, como por exemplo, uma bomba de água. O uso desse sistema em processos industriais tem a função de agilizar e facilitar o operador, visto que ele poderá acionar um equipamento por voz quando suas mãos estiverem ocupadas. Esta situação, pode ser justificada em situações em que um processo deva ser modificado apenas por pessoas responsáveis. Como a voz é um elemento único cria-se um sistema capaz de reconhecer o locutor e ativar a função a ser exercida. Há também situações em que o operador esteja com as mãos ocupadas e não consiga ativar algum botão. Na Figura 4, ilustra-se o cenário utilizado como estudo de caso. A bomba de água que transfere a água do reservatório inferior (R1) para o superior (R2), a válvula de escoamento é quando aberta completa é ativado o sensor de nível. Esta figura ilustra uma configuração da

5 planta modelo De Lorenzo disponível no Laboratório de Automação e Controle do Curso de Engenharia Elétrica da UFPB. Assim, o acionamento da bomba poderia estar sujeita à entrada de comando de voz, fornecida por algum dos locutores (Play, Stop, On e Off). Figura 4. Acionamento de uma bomba de água por comandos de voz. 5 Resultados Na Figura 5, ilustra-se as etapas para o acionamento de uma bomba de água usando reconhecimento de voz baseada em RNA, composto por: Locutor Sistema de Reconhecimento de Voz (LPC-RNA) Microcontrolador para o condicionamento de dados digitais (Identificação do Locutor) CLP Bancada WEG Planta Modelo DE LORENZO com uma configuração de reservatórios e bomba de água. Figura 5. Acionamento de uma Bomba de Água usando Reconhecimento de Voz. Neste cenário, estudo de caso, a saída da RNA será uma palavra de 4 bits, representando o reconhecimento de um locutor. Em seguida um microcontrolador (TIVA) realizará a identificação do locutor por meio de uma tabela de equivalência (Tabela I), dada por:

6 TABELA I. Identificação do locutor. Codificação de Saída da Identificação do Locutor RNA Locutor Locutor Locutor Locutor 4 Após a identificação do locutor, o microcontrolador gera um evento discreto que acionam relés que estão nas entradas referentes do CLP. As saídas dos relés servirão de entrada para a bancada WEG que implementa o Controlador Lógico Programável (CLP-WEG). O CLP tem um programa de software em diagrama LADDER capaz de ligar a bomba após o reconhecimento do locutor. Finalmente, um sinal de acionamento, será enviado do CLP para a planta modelo DE LORENZO atuando sobre a bomba de água. Diversos acionamentos podem ser realizados, tais como LIGAR/DESLIGAR/PAUSA. Dependendo do requerimento do problema outras opções podem ser incluídas. Com o 20% das informações armazenadas no banco de dados para teste, foram realizadas as verificações, com os quatro locutores. Assim um total de 480 palavras foram testadas (120 de cada locutor), obtendo-se como resultado uma taxa de acerto de 99,16%, isto é, apenas quatro experimento não funcionaram. 6 Conclusões Com base nos resultados de acordo com o método adotado, o estudo é completamente válido. Os resultados são satisfatórios e mostram a eficácia e robustez do sistema de reconhecimento de voz para aplicações em acionamento de processos industriais baseado em Redes Neurais Artificiais. Limitou-se a implementação ao laboratório por falta de um ambiente propício para execução dos testes. O produto tem um leque de utilidades, como são atribuídas um número limite de ações para cada locutor, isso caracteriza um processo excludente que serve como senhas. Em muitos casos apenas pessoas autorizadas devem fazer alterações em determinados processos a fim de que se evitem danos à equipamentos por mau uso. Utilizando o processo até aqui estudado, essa seria uma forma de amenizar esse tipo de situação, mas também é útil para casos de difícil acesso ou que o usuário esteja com as mãos obstruídas. Prova-se que é um ótimo sistema e se aprimorado com as sugestões aqui citadas, teria grande aceitação no mercado. Referências Bibliográficas Adami, A. G. Sistema de Reconhecimento de Locutor Utilizando Redes Neurais Artificiais, Porto Alegre, Barwaldt, R. Ferramenta com recurso de voz: uma proposta para favorecer o processo de interação e inclusão dos cegos em ambientes virtuais de aprendizagem, Porto Alegre, v.11, n.2, jul./dez Carvalho, J. L. A. and Dias, D. Técnicas de Codificação de Voz Aplicadas em Sistemas Móveis Celulares, 2000.

7 Cerqueira, E. 0., Andrade, J. C., Poppi, R. J. Redes Neurais e suas Aplicações em Calibração Multivariada, Quim. Nova, Vol 24, No.6, Kohonen, T. Na Introduction to Neural Computing. Neural Networks, v. 1, p. 3-16, Miranda, M. B. Assinatura Digital ou Criptografia. Revista Virtual Direito Brasil Volume 3 nº 1, 2009 Niquini, F. M. M. Reconhecimento de Comandos de voz com Verificação de Locutores e Vocabulário Restrito Utilizando Redes Neurais Artificiais, Ribeiro, F. P. Automatização da Planta Didática Através do Acionamento de Carga por Comando de Voz, Viçosa MG, Uliani Neto, M., Violato, R. P. V., Simões, F. O., Costa, B. R. Técnicas de Codificação de Fala Baseadas em Análise por Síntese. Revista Intelectus, Ano IX, Nº 23, p28-41, Valiati, J. F. Reconhecimento de Voz para Comandos de Direcionamento por meio de Redes Neurais. Porto Alegre, Novembro de Witten, I. H. Principles of Computer Speech. London: Academic Press, 1982.