Понять, что именно шумит за окном, — важная часть борьбы с акустическим загрязнением. Учёные Политехнического института Дальневосточного федерального университета разрабатывают систему, которая с помощью искусственного интеллекта распознаёт городские звуки. В экспериментах они определили, какой способ обработки записи помогает нейросети лучше отличать один источник шума от другого.
О работе сообщило Минобрнауки России; материал и изображение ДВФУ опубликовал «Поиск».
Для обучения и проверки модели исследователи подготовили 63 аудиозаписи продолжительностью по минуте. Набор включал десять типов звуков: вертолёт, выстрел, гудок, дождь, лай собаки, мотоцикл, плач ребёнка, поезд, речь и сирену. Нейросеть анализировала характерные признаки звуков и то, как они меняются во времени.
Перед анализом запись преобразуют в спектрограмму — изображение, показывающее распределение звуковых частот во времени. Учёные сравнили несколько способов её построения и разную продолжительность фрагментов записи. Лучший результат в проведённых экспериментах дали мел-спектрограммы с временным кадром 0,2 секунды. Используемая в них шкала учитывает особенности восприятия частот человеком.
«Эффективность систем распознавания шумов зависит не только от архитектуры нейронной сети, но и от способа подготовки исходных аудиоданных», — отметила профессор ДВФУ Любовь Стаценко.
Параллельно исследователи изучили шумовую обстановку в кампусе университета на острове Русском. Измерения проводили шумомером первого класса SVAN-959, а результаты нанесли на карты с помощью геоинформационных программ. Так удалось определить участки с повышенной акустической нагрузкой днём и ночью.
Самой тихой точкой оказалась территория в центре лесопарковой зоны. Исследователи связывают это с удалённостью от основных источников шума и его поглощением растительностью.
Следующий этап развития системы — сеть микрофонов, которые будут совместно определять источники звука. Как пояснили участники работы Сергей Ушаков и Диана Майер, датчики можно объединить с существующей инфраструктурой видеонаблюдения. Такой мониторинг предполагается использовать для контроля строительного шума и ночных нарушений тишины.
В перспективе данные помогут городским службам выбирать места для шумозащитных экранов и планировать меры по снижению транспортного шума. Для этого важно знать не только громкость, но и происхождение звука, время и продолжительность его воздействия.
Результаты опубликованы в статьях «Анализ шумового загрязнения территории кампуса Дальневосточного федерального университета г. Владивостока» и «Оптимизация параметров предобработки аудиосигналов для нейросетевой классификации шумов».
