Ítem
Acceso Abierto
Intelligent Classification of Urban Noise Sources Using TinyML: Towards Efficient Noise Management in Smart Cities
Título de la revista
Autores
Sneyder Remolina Soto, Maykol
Amaya Guzmán, Brian
Aya-Parra, Pedro Antonio
Perdomo, Oscar J.
Becerra-Fernandez, Mauricio
Sarmiento-Rojas, Jefferson
Fecha
2025-08-23
Directores
ISSN de la revista
Título del volumen
Editor
Buscar en:
Métricas alternativas
Resumen
Los niveles de ruido urbano que superan las recomendaciones de la Organización Mundial de la Salud (OMS) constituyen una preocupación creciente debido a sus efectos adversos sobre la salud pública. En Bogotá, Colombia, estudios de la Secretaría Distrital de Ambiente indican que un porcentaje significativo de la población está expuesto a niveles de ruido superiores a los límites recomendados. Esta investigación tiene como objetivo identificar y clasificar en tiempo real las fuentes de ruido ambiental mediante un sistema inteligente embebido. Para ello, se recopilaron 657 fragmentos de audio etiquetados en ocho clases, los cuales fueron procesados utilizando una división de datos para entrenamiento, validación y prueba que garantizó la independencia de los registros. El sistema fue implementado en una plataforma Raspberry Pi 2W equipada con un micrófono UMIK-1 y alimentada por energía solar, lo que permitió su funcionamiento autónomo. El modelo basado en TinyML alcanzó valores elevados de precisión y exhaustividad, demostrando un desempeño robusto en condiciones urbanas reales. Los vehículos pesados y las motocicletas representaron las fuentes de ruido más frecuentes, mientras que los eventos asociados al tráfico aéreo, aunque menos comunes, alcanzaron niveles sonoros que excedieron ampliamente los límites normativos locales. Los resultados evidencian que la clasificación de ruido ambiental mediante inferencia local con TinyML es una estrategia viable y eficiente, al reducir la latencia, el uso de ancho de banda y los riesgos para la privacidad. Este enfoque ofrece una base escalable y sostenible para la gestión del ruido en ciudades inteligentes y para el diseño de políticas públicas orientadas a mejorar el bienestar urbano.
Abstract
Urban noise levels that exceed the World Health Organization (WHO) recommendations have become a growing concern due to their adverse effects on public health. In Bogotá, Colombia, studies by the District Department of Environment (SDA) indicate that 11.8% of the population is exposed to noise levels above the WHO limits. This research aims to identify and categorize environmental noise sources in real time using an embedded intelligent system. A total of 657 labeled audio clips were collected across eight classes and processed using a 60/20/20 train–validation–test split, ensuring that audio segments from the same continuous recording were not mixed across subsets. The system was implemented on a Raspberry Pi 2W equipped with a UMIK-1 microphone and powered by a 90 Wsolar panel with a 12 V battery, enabling autonomous operation. The TinyML-based model achieved precision and recall values between 0.92 and 1.00, demonstrating high performance under real urban conditions. Heavy vehicles and motorcycles accounted for the largest proportion of classified samples. Although airplane-related events were less frequent, they reached maximum sound levels of up to 88.4 dB(A), exceeding the applicable local limit of 70 dB(A) by approximately 18 dB(A) rather than by percentage. In conclusion, the results demonstrate that on-device TinyML classification is a feasible and effective strategy for urban noise monitoring. Local inference reduces latency, bandwidth usage, and privacy risks by eliminating the need to transmit raw audio to external servers. This approach provides a scalable and sustainable foundation for noise management in smart cities and supports evidence-based public policies aimed at improving urban well-being. This work presents an introductory and exploratory study on the application of TinyML for acoustic environmental monitoring, aiming to evaluate its feasibility and potential for large-scale implementation.
Palabras clave
Ruido urbano , Contaminación acústica , Monitoreo ambiental , TinyML , Sistemas embebidos , Ciudades inteligentes , Clasificación de audio , Salud pública , Energía solar , Políticas públicas basadas en evidencia
Keywords
Urban noise , Public health , TinyML , Acoustic models , ML classification , YAMNet
