随着社会的快速发展以及信息化时代的来临，音乐信息检索技术开始广泛地应用在我们的生活中。几乎所有的音乐数据都有与之对应的乐器，因此研究乐器分类对音乐信息检索有着非常重要的意义。通过声音来识别乐器，是通过人工智能研究中国传统乐器的各种课题的前提。目前的乐器音频识别并没有专门针对中国传统乐器的，因此我们要开展这项有关中国传统乐器音频识别的研究。
本文首先介绍了乐器音频识别的理论基础，包括音频信号的理论基础和音频识别的整个流程。然后自己搭建了中国传统乐器音频数据库，包括78件乐器和1630个音频文件。接着本文研究了中国传统乐器音频的乐器种类识别问题，利用梅尔频谱特征作为输入，训练了8层的卷积神经网络，最终取得了99.3%的准确率，随后从三个角度对实验结果进行了分析。接着本文研究了中国传统乐器音频的演奏技巧识别问题，首先进行了单一乐器的演奏技巧识别，利用预训练的ResNet模型提取梅尔频谱的特征，然后通过SVM分类在所有乐器上均取得了99%的准确率，接着为了提高模型的泛化性，提出了同一类乐器的演奏技巧识别，通过训练卷积神经网络进行实现，最终四大类乐器的识别准确率如下：吹奏类乐器95.7%，弹拨类乐器82.2%，拉弦类乐器88.3%，敲击类乐器97.5%。
我们开放了中国传统乐器音频数据库和整个实验的Python源代码以供进一步研究。
<iframe src="//player.bilibili.com/player.html?aid=795902578&bvid=BV1PC4y1a7Yc&cid=200341022&page=1" scrolling="no" frameborder="no" width="100%" height="600"> </iframe>
对中国传统乐器数据库进行标注和整理
搭建了中国传统乐器音频数据库，包含78件中国传统乐器和18819个音频片段
中国传统乐器音频的乐器种类识别
使用梅尔频谱特征，训练8层的卷积神经网络模型进行识别，测试集准确率达到了99.3%
中国传统乐器音频的演奏技巧识别
- 单一乐器演奏技巧识别 使用预训练的神经网络模型提取特征，利用SVM进行分类识别。最终取得了99%的准确率。
- 同一类乐器演奏技巧识别 训练8层的卷积神经网络进行识别，四大类乐器的平均准确率为90.9%
GTX 950M+CUDA9.2
python虚拟环境，python3.6
原始数据库https://pan.baidu.com/s/1x3gAmabbIyJA9S_AeXYMvA 提取码：m117
本项目研究了中国传统乐器音频的乐器种类识别问题，利用梅尔频谱特征作为输入，训练了8层的卷积神经网络，最终取得了99.3%的准确率。
本项目研究了中国传统乐器音频的演奏技巧识别问题，首先进行了单一乐器的演奏技巧识别，利用预训练ResNet模型提取梅尔频谱的特征，然后通过SVM分类在所有乐器上均取得了99%的准确率，接着为了提高模型的泛化性，提出了同一类乐器的演奏技巧识别，通过训练卷积神经网络进行实现，最终四大类乐器的识别准确率如下：吹奏类乐器95.7%，弹拨类乐器82.2%，拉弦类乐器88.3%，敲击类乐器97.5%。
我们开放了中国传统乐器音频数据库和整个实验的Python源代码以供进一步研究。
本文地址https://github.com/jinzhaochaliang/Chinese-Musical-Instruments-Classification