git-02/01src

系统简介
本系统是一个基于SVM机器学习的墙体声纹检测系统，支持通过录制或上传 WAV 格式音频文件，实现音频片段的自动切分、特征提取与分类，并将结果存储于本地数据库中，方便后续查看、管理与导出。主要应用场景包括对特定音频（如敲击声等）的分类识别，支持 "实心" 和 "空心" 两类标签的识别与管理。
核心功能
音频输入：支持两种输入方式
实时录音：通过麦克风采集音频，支持设备选择与录音时长监控
文件上传：上传本地 WAV 格式音频文件
音频处理与分类
自动切分：基于音频能量特征切分有效片段
特征提取：提取音频片段的 RMS、主频、频谱偏度等多维特征
模型预测：使用预训练的 SVM 模型进行分类，输出每个片段的标签（0/1）和概率值
数据管理
本地存储：采用 SQLite 数据库存储分类结果（含文件名、片段数、平均概率等）及片段详情
历史记录：支持查询、搜索、编辑、删除历史记录
片段管理：可查看、新增、编辑、删除特定记录的音频片段
可视化交互：通过直观的 GUI 界面操作，包括主菜单、输入界面、结果展示、历史管理等模块

配置环境
依赖库
本系统依赖以下 Python 库，建议使用 Python 3.9 + 版本：
GUI 框架：PyQt5（用于构建图形界面）
音频处理：librosa（音频加载、特征提取）、pyaudio（录音功能）
数值计算：numpy（数组处理、特征矩阵运算）
机器学习：scikit-learn（SVM 模型、数据标准化）
模型存储：joblib（保存 / 加载训练好的模型）
数据库：sqlite3（本地数据库操作，Python 标准库）
可视化：matplotlib（特征可视化，可选）
数据序列化：pickle（特征数据存储与读取）

SVM模型的开发依赖于Python下的Scikit-learn、Librosa、NumPy等一系列科学计算与音频处理库。这些库本身存在复杂的底层依赖，在不同操作系统上通过传统的pip安装方式极易出现依赖冲突、编译失败等问题。
为彻底解决环境配置的复杂性，建议选用Anaconda，预编译的二进制包和强大的环境管理功能，能够自动处理库与库之间的依赖关系