Scientific journal
Modern high technologies
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 1,279
DEVELOPMENT OF AN AUTOMATED SYSTEM FOR ANALYZING URBAN NOISE USING UNMANNED AERIAL VEHICLES
Введение
Воздействие шума на организм человека может оказывать негативное влияние, однако жители города непосредственно это могут не ощущать [1, 2]. Обычно для измерения шума в городах применяются стационарные или мобильные наземные средства его измерения, однако они являются дорогостоящими и не позволяют получить полную, объективную картину по зашумленности территории. Также их недостатком является многоступенчатость процесса получения, измерения и анализа шума, что делает данный процесс длительным.
Для решения описанных проблем могут быть использованы беспилотные летательные аппараты (БПЛА). С их помощью сбор аудиоданных становится более мобильным и быстрым, предоставляя возможность охватывать разнообразные участки города, в том числе труднодоступные, в кратчайшие сроки. В [3] приведено начало авторского исследования по оценке зашумленности городских территорий с помощью БПЛА, в котором также рассматривалась следующая проблема: наличие шума винтов дрона в аудиозаписи. Этот шум может сильно искажать полезную информацию, из-за чего невозможно проводить объективный анализ зашумленности территории. Поэтому предварительно необходимо очистить полученные аудиоданные от шума винтов и вибрации самого БПЛА [4]. В данной статье приводятся усовершенствованные методики отделения шума городской среды от шума дрона с использованием математических методов и современных нейросетевых технологий. После очистки звуковая дорожка должна быть проанализирована с точки зрения уровня зашумленности территории, выделения типов шумов [5], их составляющих и предоставления информации в виде отчетов с различными характеристиками. Для автоматизации данных процессов необходима разработка специального программного обеспечения, что будет являться результатом исследования.
Цель исследования – разработать автоматизированную систему для обработки аудиоданных, полученных с использованием БПЛА, и анализа зашумленности городских территорий.
Для достижения поставленной цели был разработан следующий алгоритм:
1) получение аудиофайла по БПЛА (шум улицы + шум от дрона);
2) обработка аудиофайла с помощью математических методов (шум улицы – грубая очистка);
3) обработка аудиофайла с помощью ИИ (шум улицы – тонкая очистка);
4) анализ «очищенного» шума: получение характеристик зашумленности;
5) формирование отчета о зашумленности;
6) формирование шумовой карты.
Материалы и методы исследования
Для обработки аудиосигналов использовались математические методы «грубой очистки» – кратковременное преобразование Фурье и спектральная фильтрация, а также «тонкая очистка» с помощью нейросети, обученной авторами.
Аудиозапись, полученная с использованием БПЛА, содержит в себе несколько компонент:
, (1)
где s[n] – городской шум, d[n] – шум дрона, v[n] – фоновый шум окружающей среды.
Для последующей обработки запись переводится в спектральную область с помощью кратковременного преобразования Фурье [6]:
(2)
где w[n] – окно [7], R – шаг окна, t – индекс временного кадра, f – частота.
Спектральная область используется, потому что в ней задача разделения упрощается, поскольку шум дрона имеет отчетливую гармоническую структуру, состоящую из интенсивных узкополосных пиков.
Гармоническая модель шума дрона будет выглядеть следующим образом:
(3)
где Dharm(t,f) – спектр гармонического шума дрона, Ak(t) – амплитуда k-й гармоники, fk(t) – частота k-й гармоники, δ(f – fk(t)) – дельта-функция, моделирующая узкий спектральный пик, K – количество гармоник, которые необходимо подавить.
Формула (3) позволяет изолировать доминирующий узкополосный шум дрона (частоты пропеллеров) таким образом, чтобы обработка не внесла изменений в аудиозапись городского шума.
Следующий шаг – убрать широкополосный шум [8], который обычно связан с турбулентностью воздуха и вибрациями корпуса БПЛА. Для него оценивают спектральную плотность мощности [9, 10]:
(4)
После этого формируется спектральная маска [11]:
(5)
где |Y(t,f)| – амплитуда спектра текущего кадра.
Если применить такую маску, широкополосная составляющая заметно уменьшается, а полезный сигнал остается:
. (6)
Чтобы обработка была качественнее, дальше используем адаптивный фильтр Винера. Он аккуратно подавляет шум, не влияя на сигнал:
(7)
где ФSS(t,f) – оценка мощности полезной части сигнала.
После этого остаточный шум становится меньше, и на выходе получается уже более чистый спектр:
(8)
Второй этап очищения аудиофайла – использование нейросетевой модели. Благодаря архитектуре phase-aware [12], аудиосигнал рассматривается как двумерная структура, в которой учитываются амплитуда и фазовые особенности. Поэтому нейронная сеть лучше восстанавливает детали, которые могли потеряться на предыдущих этапах обработки.
Нейросеть работает не с исходной волной, а с комплексным спектрограммным представлением [13]. На вход подаются две компоненты спектра – действительная и мнимая части
,
а на выходе модель оценивает комплексную маску, которая доочищает сигнал M(t,f).
Модель не восстанавливает сигнал «с нуля», а дорабатывает уже очищенный спектр, поэтому лучше сохраняет полезные детали и меньше искажает речь/фон:
. (9)
Обучение нейросети идет на парных данных: входное аудио после математической очистки и соответствующее ему аудио, очищенное от шума дрона.
Качество обучения контролируется составной функцией потерь, которая учитывает сразу несколько аспектов:
, (10)
где 
– ошибка по действительной и мнимой частям, 
– ошибка по модулю спектра, 
– штраф за фазовое расхождение,
Lenergy – ошибка по сглаженной энергии кадров.
После удаления шума БПЛА уровень очищенного сигнала удобно оценивать через среднеквадратичное значение (RMS) [14, 15], которое считается по формуле (11) и передает его воспринимаемую громкость:
. (11)
Для удобства интерпретации этот абсолютный показатель переводят в логарифмический масштаб – в децибелы:
. (12)
В процессе исследования для разработки автоматизированной системы анализа шума были использованы следующие библиотеки языка программирования Python, выбранного:
Tkinter – предоставляет базовые средства для создания интерфейса системы;
CustomTkinter – дает доступ к современному оформлению элементов интерфейса;
NumPy – реализует векторные вычисления, расчет спектральных характеристик, массивы;
SciPy – осуществляет фильтрацию, поиск пиков, билинейное преобразование фильтров;
Librosa – загружает аудиоданные, использует кратковременное преобразование Фурье (STFT) и обратное кратковременное преобразование Фурье (STFT);
SoundFile – сохраняет очищенные аудиофайлы в формате WAV;
PyTorch – реализует и запускает нейросеть, построенную на основе архитектуры Phase-Aware;
Matplotlib – осуществляет построение спектров, спектрограмм и карт зашумленности;
Pillow – загружает и отображает графические изображения в интерфейсе;
ReportLab – формирует pdf-отчеты.
Результаты исследования и их обсуждение
В результате проведенного исследования была разработана автоматизированная система, интерфейс главной страницы которой приведен на рис. 1.
Рабочий процесс обработки аудиоданных БПЛА включает три этапа: обработку аудиофайлов, их анализ и формирование отчета. После обработки аудиофайла можно просмотреть, какие этапы он прошел, нажав на кнопку «История обработки» (рис. 2).
Рис. 1. Интерфейс главной страницы системы Примечание: составлен авторами по результатам данного исследования
Рис. 2. Интерфейс окна «История обработки аудиофайлов» Примечание: составлен авторами по результатам данного исследования
Рис. 3. Этап обработки аудиофайла Примечание: составлен авторами по результатам данного исследования
Рис. 4. Результат анализа аудиофайла Примечание: составлен авторами по результатам данного исследования
Рис. 5. Результат этапа «Формирование отчета» Примечание: составлен авторами по результатам данного исследования
На рис. 3 представлен результат обработки файла, включающий пять этапов:
1) загрузка аудиофайла;
2) математическая очистка: STFT, гармоники, субтракция, фильтр Винера;
3) нейросетевая «тонкая» очистка с помощью архитектуры phase-aware;
4) сохранение очищенного файла в выбранную директорию;
5) отображение итогов обработки аудиофайла.
Второй этап «Анализ аудиофайлов» (рис. 4) отображает следующие полученные характеристики уровня звука:
– RMS – средняя мощность цифрового аудиосигнала (если RMS ближе к 1, запись очень громкая);
– LAeq – средний уровень шума за все время записи;
– LAFmax – максимальный уровень шума;
– LCpeak – максимальный мгновенный пик шума;
– доминирующая частота,
– норматив и соответствие того, что показатель находится в норме;
– превышение – показатель того, насколько шум выше допустимого уровня;
– составляющие шумов – распределение энергии аудиосигнала по частотным диапазонам и др.
Последним этапом является формирование отчета (рис. 5), который выгружается в pdf-формате.
Таким образом разработанная система выполняет полный цикл обрабоки аудиофайлов: от загрузки до формирования отчета с различными характеристиками шума.
Заключение
Разработанное ПО успешно прошло тестирование на реальных аудиозаписях городской среды и показало качественные результаты по «очистке» шума с помощью математических методов и использования обученной авторами нейронной сети.
Результаты анализа шума представлены в виде pdf-отчета, включающего средние и максимальные характеристики уровня шума, а также его разделение на типы шумов, что имеет важное практическое значение при экологическом мониторинге города и составлении его шумовой карты.
Conflict of interest
Financing
Библиографическая ссылка
Бакаева О.А., Буткина А.А., Ледяйкин Н.В. РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДЛЯ АНАЛИЗА ГОРОДСКОГО ШУМА С ИСПОЛЬЗОВАНИЕМ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ // Современные наукоемкие технологии. 2026. № 7. С. 25-30;URL: https://top-technologies.ru/en/article/view?id=40856 (дата обращения: 12.08.2026).