dc.contributor.advisor | Nordby, Jon | |
dc.contributor.advisor | Indahl, Ulf Geir | |
dc.contributor.author | Nemazi, Fabian | |
dc.date.accessioned | 2021-10-08T11:41:58Z | |
dc.date.available | 2021-10-08T11:41:58Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | https://hdl.handle.net/11250/2788727 | |
dc.description.abstract | Environmental noise is a serious and growing pollution problem,
with over 100 million people affected in Europe just by road traffic.
Measuring and monitoring noise using a wireless sensor network is therefore getting more common. However, many scenarios consist of multiple sources of noise, with each source varying over time.
That presents a challenge in determining which noise source is the cause of high noise levels, which is necessary to identify to reduce the problem.
This work investigates how to identify the source of impulsive noise events using a pair of wireless noise sensors.
One sensor is placed at a known noise source, and another sensor is placed at the noise receiver. Machine learning models receive data from the two sensors and estimate whether a given noise event originates from the known noise source or another source.
In order to avoid privacy issues, the approach uses on-edge preprocessing that converts the sound into privacy compatible spectrograms and sound level representations. These different representations of sound can be stored, combined, and processed at a central server.
The system was evaluated at a shooting range and explosives training facility, using data collected during noise emission testing.
The combination of convolutional neural networks with cross-correlation achieved the best results (denoted bundled model).
We created multiple bundled models with different stacking of delta-spectrograms. The best model detected 70.8\% of the impulsive noise events and correctly predicted 90.3\% of the noise events in the optimal trade-off between recall and precision score. | en_US |
dc.description.abstract | Miljøstøy er et seriøst og økende forurensingsproblem med over 100 millioner mennesker påvirket i Europa av veitrafikk. Målinger og monitorering av støy ved hjelp av trådløse sensor nettverk er derfor stadig vanligere. Mange scenarioer består derimot av flere kilder med støy, hvor hver kilde varierer i tid. Dette presenterer en utfordring når det gjelder å avgjøre hvilken støykilde som er årsaken til de høye støynivåene, som er nødvendig å identifisere for å redusere problemet.
Dette arbeidet undersøker hvordan støykilden til impulsive støybegivenheter kan identifiseres ved bruk av et par trådløse støy sensorer. En sensor er plassert hos en kjent støykilde, og en annen er plassert hos støymottakeren. Maskinlærings modeller mottar data fra de to sensorene og estimerer hvorvidt en gitt støy begivenhet kommer fra den kjente støykilden eller noe annet.
For å unngå problemer med personvern bruker denne tilnærmingsmåten ‘on-edge’ preprosessering som konverterer lyd til personvernskompatible spektrogrammer og lydnivå representasjoner. Disse ulike representasjonene av lyd kan bli lagret, kombinert og prosessert hos en server.
Systemet ble evaluert på skytebaners og eksplosivers treningsfasilitet, ved bruk av data innsamlet fra testingen av støy forurensing. Kombinasjonen av konvolusjonalt nevrale nettverk sammen med kryss-korrelasjon oppnådde best resultater (betegnet samlet modell). Vi skapte flere samlede modeller med ulike stablinger av ulike delta-spektrogrammer. Den beste samlede modellen detekterte 70.8% av de impulsive støy hendelsene og predikerte korrekt på 90.3% av hendelsene identifiserte som støy i den optimale kompromisset mellom precision og recall score. | en_US |
dc.language.iso | eng | en_US |
dc.publisher | Norwegian University of Life Sciences, Ås | en_US |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/deed.no | * |
dc.title | Determining the origin of impulsive noise events using wireless sound sensors | en_US |
dc.type | Master thesis | en_US |
dc.description.localcode | M-DV | en_US |