Détectez le vandalisme en utilisant la classification audio sur le Nano 33 BLE Sense
Détectez le vandalisme en utilisant la classification audio sur le Nano 33 BLE Sense
Équipe Arduino — 1er décembre 2022
Faire entrer et/ou détruire quelque chose est un acte que la plupart des gens espèrent éviter complètement ou au moins attraper l'auteur de l'acte lorsqu'il se produit. Et comme le note Nekhil R. dans la description de son projet, les méthodes traditionnelles de dissuasion/détection échouent souvent, ce qui signifie qu'un nouveau type de solution était nécessaire.
Contrairement à d'autres capteurs de bris de verre, le projet de Nekhil repose sur un seul Arduino Nano 33 BLE Sense peu coûteux et son microphone numérique intégré pour enregistrer l'audio, le classer, puis alerter un propriétaire via WiFi via une carte ESP8266-01. L'ensemble de données utilisé pour former le modèle d'apprentissage automatique provenait de deux sources : l'ensemble de données Microsoft Scalable Noisy Speech pour le bruit de fond et le bris de verre enregistré sur l'appareil lui-même. Ces deux éléments ont été ajoutés à un projet Edge Impulse via le Studio et divisés en échantillons de deux secondes avant d'être traités par un algorithme Mel-filterbank Energy (MFE).
100
Le modèle résultant, entraîné à l'aide de 200 cycles d'entraînement et de légers ajouts de bruit, a donné une précision impressionnante de 92 %, certains échantillons de bris de verre étant classés à tort comme un simple bruit. Cela a ensuite été exporté vers le Nano 33 BLE Sense en tant que bibliothèque à utiliser dans un croquis qui classe en permanence les sons entrants et envoie un e-mail à l'aide d'IFTTT si un bris de verre est détecté.
Vous pouvez regarder la vidéo de démonstration de Nekhil ci-dessous et en savoir plus sur ce projet ici sur le blog Edge Impulse.
Équipe Arduino — 1er décembre 2022
Faire entrer et/ou détruire quelque chose est un acte que la plupart des gens espèrent éviter complètement ou au moins attraper l'auteur de l'acte lorsqu'il se produit. Et comme le note Nekhil R. dans la description de son projet, les méthodes traditionnelles de dissuasion/détection échouent souvent, ce qui signifie qu'un nouveau type de solution était nécessaire.
Contrairement à d'autres capteurs de bris de verre, le projet de Nekhil repose sur un seul Arduino Nano 33 BLE Sense peu coûteux et son microphone numérique intégré pour enregistrer l'audio, le classer, puis alerter un propriétaire via WiFi via une carte ESP8266-01. L'ensemble de données utilisé pour former le modèle d'apprentissage automatique provenait de deux sources : l'ensemble de données Microsoft Scalable Noisy Speech pour le bruit de fond et le bris de verre enregistré sur l'appareil lui-même. Ces deux éléments ont été ajoutés à un projet Edge Impulse via le Studio et divisés en échantillons de deux secondes avant d'être traités par un algorithme Mel-filterbank Energy (MFE).
100
Le modèle résultant, entraîné à l'aide de 200 cycles d'entraînement et de légers ajouts de bruit, a donné une précision impressionnante de 92 %, certains échantillons de bris de verre étant classés à tort comme un simple bruit. Cela a ensuite été exporté vers le Nano 33 BLE Sense en tant que bibliothèque à utiliser dans un croquis qui classe en permanence les sons entrants et envoie un e-mail à l'aide d'IFTTT si un bris de verre est détecté.
Vous pouvez regarder la vidéo de démonstration de Nekhil ci-dessous et en savoir plus sur ce projet ici sur le blog Edge Impulse.
What's Your Reaction?
