IMPACT：基于声学认知Transformer的工业机器感知
声音
2025-07-10 v1 音频与语音处理
摘要
来自工业机器的声学信号为异常检测、预测性维护和运营效率提升提供了宝贵的见解。然而，现有的特定任务监督学习方法通常扩展性差，且难以泛化到不同的工业场景，这些场景的声学特性与通用音频截然不同。此外，缺乏可访问的、大规模的数据集和专为工业音频定制的预训练模型，阻碍了社区驱动的研究和基准测试。为了解决这些挑战，我们引入了 DINOS（多样化工业运行声音），一个大规模开放访问数据集。DINOS 包含超过 74,149 个音频样本（超过 1,093 小时），收集自各种工业声学场景。我们还提出了 IMPACT（基于声学认知Transformer的工业机器感知），一个用于工业机器声音分析的新型基础模型。IMPACT 以自监督方式在 DINOS 上进行预训练。通过联合优化语句级和帧级损失，它同时捕捉全局语义和细粒度的时间结构。这使得其表示适用于在少量标注数据下对各种工业下游任务进行高效微调。在 30 个不同的下游任务（涵盖四种机器类型）上的全面基准测试表明，IMPACT 在 24 个任务上优于现有模型，确立了其卓越的有效性和鲁棒性，同时为未来研究提供了新的性能基准。
引用
@article{arxiv.2507.06481,
title = {IMPACT: Industrial Machine Perception via Acoustic Cognitive Transformer},
author = {Changheon Han and Yuseop Sim and Hoin Jung and Jiho Lee and Hojun Lee and Yun Seok Kang and Sucheol Woo and Garam Kim and Hyung Wook Park and Martin Byung-Guk Jun},
journal= {arXiv preprint arXiv:2507.06481},
year = {2025}
}