简介：这份PDF是2023年全国大学生电子设计竞赛高职高专组K题「辨音识键奏乐系统」的完整赛题文档，面向备赛的专科与本科参赛队及指导教师，帮助读者快速掌握题目任务、技术指标与评分构成。文档完整给出基本要求与发挥部分：以5个水杯为琴键、敲击棒演奏、识别控制器完成拾音与音高识别，涵盖空杯与注水杯的敲击学习、杯号显示、乐曲演奏及8杯乱序识别等任务，并附说明规则与120分评分标准，涉及敲击声特征分析、水量对声音影响、传感器与信号处理电路设计等内容。资源包仅含1个PDF文件，大小约233KB，轻量便于打印与随时查阅。已有813人学习下载，适合用于赛题研读、方案论证与设计报告撰写参考。
1. 辨音识键：为什么敲杯子这件事，难在“听出是哪个杯子”
敲一下玻璃杯，听个响，然后让机器说出这是几号杯——听起来像个玩具。但 2023 年全国大学生电子设计竞赛高职高专组 K 题把它做成了 120 分的硬仗，原因只有一个：人耳觉得“一听就知道”的事，机器拿到的只是一段几百毫秒、混着敲击瞬态和环境噪声的非平稳信号。更麻烦的是，题目要求杯子外观完全相同、不能有任何标记和附加物，位置随机摆放，水量由队员现场注入且容量差可以小到 20ml。这意味着系统不能靠视觉、不能靠位置先验、不能靠贴标签，只能从敲击声本身反推出“这是哪个物理对象”。
这就是辨音识键奏乐系统的核心矛盾：你要识别的不是“声音类别”，而是“物体身份”。同一个杯子，敲重一点轻一点、敲上沿偏左偏右，频谱都会漂；不同杯子之间，水量差 20ml 带来的共振峰偏移可能只有几十赫兹。系统必须在 3 秒内、最多敲 3 次的约束下完成一次可信判决，还要在 90 到 120 秒内完成学习训练加逐个识别。搞懂这套机制，不只是为了这道题——它几乎是所有“用振动信号做物体辨识”场景的缩小版：从敲击检测到特征提取，从模板学习到在线判决，每一层都有明确的工程取舍。下面按“信号怎么来 → 特征怎么选 → 判决怎么做 → 现场怎么不翻车”的顺序拆开讲。
2. 敲击声的物理链路：从杯子振动到可判决的特征向量
2.1 玻璃杯被敲响时，到底在振什么
玻璃杯加水后，是一个典型的“薄壁圆柱壳 + 液体附加质量”耦合振动系统。空杯被敲击时，主要激发出杯壁的低阶弯曲模态，频率通常在几百赫兹到两千赫兹之间；加水之后，液体参与振动，等效质量增加、等效刚度变化，共振频率整体下移，而且不同水量下移量不同。题目里 50、100、150ml 的梯度，以及发挥部分“各杯水量差不少于 20ml”，本质上就是在利用这个频率下移量做区分。
但这里有个容易被忽略的点：敲击声不是单一频率的正弦，而是一组模态的叠加，外加一个很宽的瞬态冲击成分。敲击棒接触杯沿的几毫秒内，激励频谱近似平坦，之后杯壁按自己的模态振型自由衰减。所以拾音器拿到的波形大致是“短促冲击 + 若干指数衰减正弦”的混合。识别控制器要做的第一件事，不是直接做 FFT，而是把这段“冲击 + 衰减”从背景里切出来，否则环境噪声和上一次敲击的余音会污染特征。
常见的实现思路是：拾音器（驻极体麦克风或压电片）→ 前置放大与偏置 → 带通滤波（比如 200Hz~5kHz，覆盖杯壁主模态又压掉低频空调噪声和高频电路噪声）→ MCU 的 ADC 连续采样。判决“有没有敲击”用短时能量加过零率双门限：能量突增超过自适应阈值、且过零率落在冲击信号的合理区间，才认为是一次有效敲击。这个门限不能写死，因为不同杯子、不同水量、不同敲击力度下能量差异很大，通常用前若干帧的噪声底做滑动估计，阈值取噪声底的若干倍。
2.2 为什么不能只取一个共振峰
一个直觉方案是：对每段敲击做 FFT，找最大峰对应的频率，拿这个频率当“指纹”。这个方案在实验室里能跑通，但现场很容易翻车。原因有三：第一，敲击位置在上沿附近，杯壁的模态振型在圆周方向有节线，敲在节线附近时某个模态激励很弱，最大峰可能跳到另一个模态上；第二，水量变化会让多个模态同时移动，单峰跟踪容易跟丢；第三，玻璃杯个体差异（壁厚、椭圆度）本身就会让同水量下的峰位有几十赫兹的散布。
所以更稳的做法是取一组特征而不是一个数。典型的特征向量包括：前若干个谱峰的中心频率、各峰的相对幅度比、谱质心、谱带宽、衰减时间常数。衰减时间常数尤其有用——水量多的杯子，液体耗散增加，自由衰减更快，这个信息在频域里体现为峰更“胖”，在时域里体现为包络下降更陡。把频域峰位和时域衰减组合起来，不同水量杯子之间的可分性会明显好于单看峰位。
下面是一段特征提取的示意代码，重点看它怎么把一次敲击切成“有效段”再算特征：
import numpy as np def extract_features(frame, fs): # frame: 一次敲击触发后采集的整段样本，长度约 200~400ms # 1) 用短时能量找冲击起点，去掉触发前的静默段 win = int(0.005 * fs) # 5ms 短窗 energy = np.array([np.sum(frame[i:i+win]**2) for i in range(0, len(frame)-win, win)]) thresh = 0.2 * energy.max() # 相对阈值，抗力度差异 onset = np.argmax(energy > thresh) * win seg = frame[onset:onset + int(0.15 * fs)] # 取冲击后 150ms # 2) 加汉宁窗后做 FFT，压频谱泄漏 spec = np.abs(np.fft.rfft(seg * np.hanning(len(seg)))) freqs = np.fft.rfftfreq(len(seg), 1/fs) # 3) 在 300~2500Hz 内找前 4 个局部峰 band = (freqs > 300) & (freqs < 2500) idx = np.where(band)[0] peaks = [i for i in idx[1:-1] if spec[i] > spec[i-1] and spec[i] > spec[i+1]] peaks = sorted(peaks, key=lambda i: spec[i], reverse=True)[:4] peak_freqs = sorted(freqs[peaks]) # 4) 谱质心与谱带宽，反映整体“亮度” p = spec[idx] / (spec[idx].sum() + 1e-12) centroid = np.sum(freqs[idx] * p) bandwidth = np.sqrt(np.sum(((freqs[idx] - centroid)**2) * p)) # 5) 包络衰减时间：对 seg 做希尔伯特变换取包络，拟合指数 env = np.abs(__import__('scipy.signal', fromlist=['hilbert']).hilbert(seg)) env = env[:int(0.1 * fs)] t = np.arange(len(env)) / fs decay = -np.polyfit(t, np.log(env + 1e-9), 1)[0] # 衰减率 return np.array(peak_freqs + [centroid, bandwidth, decay])这段代码里几个参数值得说清楚。0.005 * fs的短窗是为了让能量曲线能分辨出毫秒级的冲击起点，窗太长会把起点抹平；0.2 * energy.max()用相对阈值而不是绝对阈值，是为了让轻敲和重敲都能切到同一位置；取冲击后 150ms 是因为杯壁主模态的自由衰减基本在这个时间内完成，再往后信噪比下降、环境反射占主导；峰值搜索限制在 300~2500Hz，是避开低频工频干扰和高频电路噪声的经验区间。衰减率用对数包络线性拟合，斜率越大说明衰减越快，对应水量越多。这些参数不是拍脑袋定的，而是由“杯子振动的物理时间尺度”和“ADC 采样率”共同决定的，换一套拾音器和杯子，区间要重新标定。
2.3 学习训练阶段到底在学什么
题目反复强调“敲击识别学习训练”，这个环节不是走形式。系统在训练阶段要建立的是每个杯号对应的特征模板，而模板的质量直接决定后面判决的上限。常见的实现思路是：对同一个杯子在 3 秒内敲不超过 3 次，每次提取一个特征向量，然后做两件事——求均值作为模板中心，求各维方差作为容差尺度。后面在线识别时，用马氏距离或归一化欧氏距离衡量“当前特征离哪个模板最近”。
这里有个设计取舍：模板是“每杯一个中心”，还是“每杯多个样本做最近邻”？前者存储小、判决快，但对敲击位置变化不鲁棒；后者把 3 次敲击都存下来，在线时取最小距离，鲁棒性好一些，代价是存储和计算略增。在 MCU 上，5 到 8 个杯子、每杯 3 个样本、每样本 7 维特征，存储量完全可接受，所以更稳的选择是保留多样本。训练阶段还要顺便估计类间间隔：如果两个杯子的模板中心距离太近，说明当前水量梯度不足以区分，系统应该在显示上给出提示或者要求重新注水，而不是硬判。这个“训练时自检可分性”的机制，是很多队伍忽略但现场极其救命的一步。
3. 判决机制：最近模板为什么不够，以及怎么补
3.1 单次判决的置信度从哪来
最近模板判决的输出是“离谁最近”，但它不告诉你“有多确定”。现场最怕的情况是：两个杯子水量接近，特征向量落在两个模板中间，系统每次敲击都给出不同答案，队员在 90 秒限时里反复敲、反复错，最后超时。解决办法是给每次判决算一个置信度，比如用“最近距离与次近距离之比”：比值明显小于 1 说明判决可信，接近 1 说明模糊。模糊时系统不应该立刻显示结果，而是利用题目允许的“3 秒内不超过 3 次敲击”做多敲融合——把同一杯子连续几次敲击的特征取平均再判，或者对几次判决做投票。
这个机制的设计动机很直接：单次敲击的随机性（敲击位置、力度、接触时间）是主要误差源，而多次敲击的误差近似独立，平均之后方差下降。题目给的“3 次”约束不是限制，反而是提示——它明示了出题人预期你用多次观测换可靠性。实现上要注意，融合的前提是这几次敲击确实打在同一个杯子上，所以系统需要在两次敲击之间做“同一目标”的粗判：如果连续两次特征距离过大，说明队员可能换杯子了，应该清空缓存重新开始，而不是把不同杯子的特征混在一起平均。
3.2 8 杯场景下的开集识别问题
发挥部分第（2）项是整道题最刁钻的地方：在 5 个已学习的杯子之外，再增加 3 个不同水量的杯子，打乱 8 个杯子排序，要求敲到原 1~5 号时显示对应杯号，敲到新增杯子时显示 0。这在模式识别里叫开集识别——测试时出现的类别，训练时没见过。最近模板判决在这里会必然失败：新增杯子的特征总会离某个已知模板最近，系统会自信地给出一个错误杯号。
正确的机制是引入拒识门限。训练阶段除了记录各模板中心，还要记录“类内距离分布”的上界，比如每类样本到自身模板中心距离的均值加若干倍标准差。在线判决时，如果当前特征到最近模板的距离超过这个上界，就判为“未知类”，显示 0。这个门限的设定是整道题最需要血泪经验的地方：设太松，新增杯子被误判成已知杯号；设太紧，已知杯子因为敲击位置变化被误拒。工程上通常取类内距离上界的 1.5 到 2 倍作为初始值，再用现场敲击做几次校准。
还有一个容易被忽略的细节：新增的 3 个杯子水量是 30、100、150ml，而原 5 个杯子的水量是队员自定的、彼此差不少于 20ml。这意味着新增杯子的特征很可能落在原 5 个杯子特征的“空隙”里，也可能落在某个原杯子附近。所以拒识不能只看绝对距离，还要看相对间隔：如果最近距离和次近距离差距很小，即使绝对距离没超门限，也应该倾向拒识。把绝对门限和相对间隔两个条件做与运算，误判率会明显下降。
3.3 显示与发声的时序耦合
题目要求“敲击的同时显示杯号并发出对应音高”，这句话在实现上有个时序陷阱。拾音、特征提取、判决需要时间，如果等判决完再发声，声音会明显滞后于敲击，演奏体验很差；但如果一检测到敲击就发声，又可能在判决出来之前发错音。常见的折中是把“发声”和“显示”解耦：检测到有效敲击后，立即用上一次同位置判决的缓存音高发声（或者用当前特征的快速粗判结果发声），等完整判决出来后再修正显示。对于演奏乐曲的场景，人耳对几十毫秒的延迟不敏感，但对错音敏感，所以粗判的准确率要足够高——这又回到特征设计和训练质量上。
另一个细节是音高映射。题目说“5 个琴键与不同音高间的对应关系由选手自定”，这给了自由度，但也意味着系统内部要维护一张“杯号 → 频率”的表。发声可以用 PWM 加滤波做方波/正弦，也可以用专用音频芯片。无论哪种，频率精度要够，否则演奏出来走调。常见的做法是用定时器输出 PWM，周期由目标频率反算，占空比 50% 得到基频最强的方波，再经 RC 低通取基波。这个链路的参数（定时器时钟、分频、RC 截止频率）要在设计报告里算清楚，也是评分标准里“理论分析与计算”的落点。
4. 避坑与排查：现场最容易翻车的几件事
4.1 现象：训练时识别全对，正式测试第一个杯子就错
原因通常是训练和测试的敲击条件不一致。训练时队员可能敲得比较正、比较重，正式测试时紧张，敲得偏、敲得轻，特征向量整体偏移。解决方法是训练阶段就刻意做扰动增强：同一个杯子在 3 次敲击里，有意改变敲击位置和力度，让模板的方差估计覆盖真实变化范围；同时在判决时用归一化距离而不是绝对距离，降低整体偏移的影响。
4.2 现象：加了水之后，相邻水量杯子频繁互判
原因是水量差接近 20ml 下限时，共振峰偏移量可能小于特征提取的频率分辨率。FFT 的频率分辨率由分析窗长决定，150ms 窗在 8kHz 采样下分辨率约 6.7Hz，而 20ml 水量差带来的峰移可能只有十几赫兹，加上噪声就分不开。解决办法有两个方向：一是加长分析窗（但会引入更多反射和噪声），二是换更高分辨率的频率估计方法，比如对主峰做抛物线插值或相位差分法，把峰位估计精度提到亚 bin 级别。更根本的办法是把衰减率特征用足——水量差小的时候，衰减率的区分度往往比峰位更好。
4.3 现象：连续敲击时，第二次敲击的特征被第一次的余音污染
原因是杯子自由衰减虽然快，但环境反射和控制器外壳共振会拖尾，如果触发门限设得太低，第二次敲击的采样窗里混进了上一次的残余。解决办法是设置最小敲击间隔（比如 150ms 内不重复触发），并在每次触发后做一段“静默等待”，等能量回落到噪声底附近再开放下一次检测。这个间隔要和题目“3 秒内不超过 3 次”的约束对齐，既不能太短导致混叠，也不能太长导致 3 秒内敲不完 3 次。
4.4 现象：发挥部分打乱 8 个杯子后，新增杯子有时显示 0、有时显示错误杯号
这是拒识门限没调好的典型表现。排查顺序是：先看新增杯子的特征到最近已知模板的距离分布，再看已知杯子类内距离分布，如果两者有重叠，说明门限无论如何设都会有错。这时候要回到特征层，增加对水量敏感的特征维度（比如低频段某个模态的峰位），把两类分布拉开，而不是在判决层硬调门限。另一个常见原因是训练样本太少，类内方差估计偏小，导致门限过紧，已知杯子被误拒——增加训练敲击次数或者用更稳健的方差估计（如中位数绝对偏差）可以缓解。
4.5 现象：自动演奏环节超时或节奏不对
基本要求第（1）项要求一键启动自动演奏不超过 15 秒。常见问题是发声和延时用阻塞式实现，一首曲子播完才发现超时，或者节拍靠软件延时不准。解决办法是把曲谱存成“频率 + 时值”的数组，用定时器中断驱动发声状态机，主循环只负责推进节拍，这样时值精度由定时器保证，也方便在演奏前做总时长校验。这个模块虽然简单，但它是基本要求里第一个被测试的项，翻车了很影响后面节奏。
5. 设计取舍：为什么这道题考的不是算法，而是“约束下的工程闭环”
回头看整道题，真正难的地方不在某一个算法有多先进，而在于所有约束是互相咬合的：杯子不能标记，所以只能靠声学特征；水量差可以小到 20ml，所以特征分辨率要够；3 秒 3 次的限制，逼你做多观测融合；90 到 120 秒的总时限，逼你把训练和判决都做得足够快；发挥部分的开集场景，逼你引入拒识而不是一味追求分类准确率。任何单点优化如果破坏了闭环里的另一环，整体就会崩。
一个具体的取舍例子是特征维度。维度越高，理论上可分性越好，但训练样本只有 3 次敲击，高维空间里协方差估计会严重失真，马氏距离反而不可靠。所以更稳的选择是控制在 6 到 8 维，并且优先选物理意义明确、对水量单调敏感的特征（峰位、衰减率），而不是盲目堆谱矩。另一个取舍是判决策略：是用一个复杂的分类器，还是用“模板 + 拒识 + 多敲投票”这套简单机制？在样本极少、现场条件多变的场景下，简单机制的参数少、可解释、可现场标定，往往比复杂模型更抗造。这也是我一般会这么理解这类题的原因——它考的是你能不能把物理、信号、判决、时序串成一个能在 90 秒内稳定跑完的闭环，而不是某个模型的指标。
验证这套闭环是否真的成立，最有效的方法不是只看最终识别率，而是分层记录中间量：每次敲击的触发时刻、特征向量、到各模板的距离、置信度、最终判决。把这些打成日志，现场出错时能立刻定位是触发层漏检、特征层漂移还是判决层门限问题。我在类似项目里吃过亏，一开始只看最终对错，结果一个偶发错误查了半天，后来强制每次敲击都落一行结构化日志，排查时间从小时级降到分钟级。从那以后我每次做这种“传感器 + 判决”的系统，都强制走一遍“训练自检可分性、在线记录置信度、出错可回放”的流程，哪怕题目没要求。希望帮到你。
本文还有配套的精品资源，点击获取
