Ítem
Embargo
Implementación de un sistema embebido para la clasificación de fuentes de ruido ambiental urbano utilizando técnicas de TinyML en un entorno acústico de Bogotá
Título de la revista
Autores
Amaya Guzmán, Brian
Remolina Soto, Maykol Sneyder
Fecha
2024-07-19
Directores
Sarmiento Rojas, Jefferson
Aya Parra, Pedro Antonio
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
El aumento del ruido urbano, derivado del desarrollo continuo de actividades económicas y sociales en las ciudades, se ha convertido en una preocupación diaria con un impacto negativo en la población. Estudios presentados por la Secretaría Distrital de Ambiente (SDA) de Bogotá, Colombia indican que al menos el 11.8% de la población está expuesta a niveles de ruido que exceden las recomendaciones de la Organización Mundial de la Salud . El objetivo principal del proyecto de investigación es diseñar una herramienta de clasificación inteligente que permita identificar y categorizar diferentes fuentes de ruido en tiempo real. El sistema implementado está basado en dispositivos de bajo consumo energético equipados con sensores de audio y capacidad de procesamiento (TinyML). Se utilizó el modelo YAMNet, optimizado para las condiciones específicas de Bogotá, logrando una clasificación precisa de las fuentes de ruido en clases como alarmas, ambiente, aplausos, aviones, actividades humanas, impactos, motocicletas y vehículos pesados. Los resultados obtenidos muestran que en el entorno acústico objeto de estudio los ruidos de vehículos pesados y motocicletas constituyen una gran parte del ruido ambiental en el sector. Además, los aviones, aunque menos frecuentes, permiten establecer que una gran cantidad de eventos (87%) se encuentran por encima del estándar máximo permisible para el sector llegando a eventos de hasta 88.4 dBA. En conclusión, esta investigación demuestra que el uso de TinyML para la clasificación de fuentes de ruido urbano es una estrategia viable y efectiva. La metodología desarrollada facilita una gestión más eficiente del ruido urbano, proporcionando una base sólida para futuras investigaciones y desarrollos tecnológicos, con el potencial de mejorar significativamente la calidad de vida en entornos urbanos.
Abstract
The increase in urban noise, stemming from the continuous development of economic and social activities in cities, has become a daily concern with a negative impact on the population. Studies presented by the District Secretary of Environment (SDA) of Bogotá, Colombia, indicate that at least 11.8% of the population is exposed to noise levels that exceed the recommendations of the World Health Organization. The main objective of this project is to design an intelligent classification tool that allows the identification and categorization of different noise sources in real-time. The implemented system is based on low-power devices equipped with audio sensors and processing capability (TinyML). The YAMNet model was used, optimized for the specific conditions of Bogotá, achieving accurate classification of noise sources into categories such as alarms, ambiance, applause, airplanes, human activities, impacts, motorcycles, and heavy vehicles. The results obtained show that in the acoustic environment under study, noises from heavy vehicles and motorcycles constitute a large part of the environmental noise in the sector. Additionally, airplanes, although less frequent, show that many events (87%) exceed the maximum permissible standard for the sector, reaching levels of up to 88.4 dBA. In conclusion, this work demonstrates that the use of TinyML for the classification of urban noise sources is a viable and effective strategy. The developed methodology facilitates more efficient management of urban noise, providing a solid foundation for future research and technological developments, with the potential to significantly improve the quality of life in urban environments.
Palabras clave
TinyML , YAMNet , Clasificación fuentes de ruido , Entorno acústico , Estaciones de monitoreo
Keywords
TinyML , YAMNet , Noise sources classification , Acoustic environment , Monitoring stations
