Для обеспечения комфортных условий жизни населения и сохранения здоровья окружающей среды становится все более важной задача измерения шума. Традиционные методы зачастую малоэффективны и дорогостоящи, поэтому перспективным подходом является использование беспилотных летательных аппаратов (дронов) для записи городского шума и его последующего анализа. Цель проводимого исследования – разработать автоматизированную систему для обработки аудиоданных, полученных с использованием дрона, и анализа зашумленности городских территорий. В статье предложен алгоритм исследования городского шума, состоящий из шести этапов. Одной из ключевых особенностей данного алгоритма является обработка полученных с помощью дрона аудиозаписей математическими методами (кратковременное преобразование Фурье, спектральная фильтрация) и специально обученной нейронной сетью с архитектурой phase-aware. Таким образом решается основная проблема исследования – очистка аудиофайлов городского шума от звуковых помех, вызванных работой винтов дрона и вибрацией его корпуса. Полученный чистый аудиосигнал поступает и анализируется в автоматизированной системе, разработанной на языке Python с использованием библиотек Tkinter, SciPy, Librosa, SoundFile, PyTorch и др. Конечным результатом работы системы является сформированный pdf-отчет с вычисленными характеристиками шума (RMS, средний и максимальный уровень шума и другими) и его разделением на составляющие. К тому же указано соответствие полученного уровня нормативным значениям.
To ensure comfortable living conditions for the population and preserve a healthy environment, noise measurement is becoming increasingly important. Traditional methods are often ineffective and expensive, so a promising approach is the use of unmanned aerial vehicles (drones) to record urban noise and subsequently analyze it. The objective of this study is to develop an automated system for processing drone audio data and analyzing urban noise levels. This article proposes a six-stage algorithm for studying urban noise. One of the key features of this algorithm is the processing of drone audio recordings using mathematical methods (short-time Fourier transform, spectral filtering) and a specially trained neural network with a phase-aware architecture. This solves the main research problem: removing noise interference from urban audio files caused by drone screws and drone body vibration during flight. The resulting clean audio signal is received and analyzed in an automated system developed in Python using Tkinter, SciPy, Librosa, SoundFile, PyTorch, and other libraries. The final output of the system is a generated pdf report with calculated noise characteristics (RMS, average and maximum noise level, and others) and its separation into components. The compliance of the obtained level with standard values is also indicated.
1. Тимофеева Н. В., Клюшниченко В. Н. Картографирование шумового загрязнения урбанизированных территорий как инструмент формирования комфортной среды обитания человека // Вестник Балтийского федерального университета им. И. Канта. Сер.: Естественные и медицинские науки. 2024. № 2. С. 85–100. URL: https://cyberleninka.ru/article/n/kartografirovanie-shumovogo-zagryazneniya-urbanizirovannyh-territoriy-kak-instrument-formirovaniya-komfortnoy-sredy-obitaniya/viewer (дата обращения: 09.06.2026). DOI: 10.5922/vestniknat-2024-2-6.
2. Ручкина Е. М., Шаталова К. С. Шумовое загрязнение: влияние шума на организм человека // Вестник Калужского университета. 2023. № 4 (61). С. 105–108. URL: https://www.elibrary.ru/item.asp?id=62778924 (дата обращения: 09.06.2026).
3. Бакаева О. А., Буткина А. А., Ледяйкин Н. В., Серегина А. А. Разработка программного обеспечения для оценки зашумленности городских территорий с использованием беспилотных летательных аппаратов // Современные наукоемкие технологии. 2025. № 8. С. 8–13. URL: https://top-technologies.ru/ru/article/view?id=40458 (дата обращения: 09.06.2026). DOI: 10.17513/snt.40458.
4. Гончаренко Б. И., Кузьменков В. Ю., Котов А. Н. Экспериментальное исследование особенностей формирования спектра шумов беспилотного летательного аппарата // Noise Theory and Practice. 2020. № 4 (22). С. 49–59. URL: https://cyberleninka.ru/article/n/eksperimentalnoe-issledovanie-osobennostey-formirovaniya-spektra-shumov-bespilotnogo-letatelnogo-apparata (дата обращения: 09.06.2026).
5. Ледяйкин Н. В., Серегина А. А., Бакаева О. А. Исследование зашумленности городской среды с использованием беспилотных летательных аппаратов // Юность и знания – гарантия успеха – 2025: сборник научных статей 12-й Международной молодежной научной конференции (г. Курск, 25–26 сентября 2025 г.). Курск: ЗАО «Университетская книга», 2025. Т. 3. С. 61–65. EDN: FVBPWH.
6. Романовская Ю. М., Ильюшин Е. А. Методы аугментации аудиосигнала // International Journal of Open Information Technologies. 2023. № 3. С. 12–18. URL: https://cyberleninka.ru/article/n/metody-augmentatsii-audio-signala (дата обращения: 09.06.2026).
7. Меерсон В. Э., Хорольский О. С. Применение весовых окон для оценки спектральной плотности // Современные аспекты моделирования систем и процессов: материалы Всероссийской научно-практической конференции (г. Воронеж, 8 февраля 2021 г.). Воронеж: ВГЛТУ им. Г. Ф. Морозова, 2021. С. 71–77. DOI: 10.34220/MAMSP_71-77. EDN: AWMQXT.
8. Хайло Н. С. Робастное обнаружение и оценивание широкополосных сигналов // Доклады Академии наук высшей школы Российской Федерации. 2024. № 1 (62). С. 90–99. URL: https://elibrary.ru/item.asp?id=65623631 (дата обращения: 09.06.2026). DOI: 10.17212/1727-2769-2024-1-90-99.
9. Ефимов Е. Н., Шевгунов Т. Я., Кузнецов Ю. В. Оценка циклической спектральной плотности мощности инфокоммуникационных сигналов // Труды МАИ. 2017. № 97. URL: https://trudymai.ru/published.php?ID=87294 (дата обращения: 09.06.2026).
10. Якимов В. Н., Машков А. В. Вычислительно-эффективное математическое обеспечение для оценки спектральной плотности мощности периодограммным и коррелограммным методами // Цифровая обработка сигналов и ее применение DSPA – 2024: доклады XXVI Международной конференции (г. Москва, 27–29 марта 2024 г.). М.: РНТОРЭС имени А. С. Попова, 2024. С. 54–58. URL: https://elibrary.ru/item.asp?id=69216619 (дата обращения: 09.06.2026).
11. Хорев А. А., Дворянкин С. В., Козлачков С. Б., Василевская Н. В. Анализ предельных возможностей методов шумопонижения и реконструкции речевых сигналов, маскируемых различными типами помех // Вопросы кибербезопасности. 2024. № 1 (59). URL: https://elibrary.ru/item.asp?id=59932757 (дата обращения: 09.06.2026). DOI: 10.21681/2311-3456-2024-1-89-100.
12. Peer T. and Gerkmann T. Phase-aware deep speech enhancement: It’s all about the frame length // JASA Express Lett. 2022. Vol. 2. Is. 10. № 104802. URL: https://pubs.aip.org/asa/jel/article/2/10/104802/2845278/Phase-aware-deep-speech-enhancement-It-s-all-about (дата обращения: 09.06.2026). DOI: 10.1121/10.0014875.
13. Майер Д. В., Стаценко Л. Г. Оптимизация параметров предобработки аудиосигналов для нейросетевой классификации шумов // Noise Theory and Practice. 2025. Т. 11. № 4. С. 184–198. URL: https://elibrary.ru/item.asp?id=89063099 (дата обращения: 09.06.2026).
14. Яковлев А. А., Кузин Д. А., Свердлов Е. Классификация звуков окружающей среды с использованием моделей машинного обучения // Журнал СФУ. Техника и технологии. 2025. Т. 18. № 5. С. 688–707. URL: https://elibrary.ru/item.asp?id=82749929 (дата обращения: 09.06.2026).
15. Белов С. В., Катунин С. С., Кучин И. Ю., Руденко М. Ф. Тестирование эффективности гибридной методики шумоподавления в речевом сигнале для системы видеоконференций // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. 2025. № 1. С. 93–102. URL: https://www.elibrary.ru/item.asp?id=81024289 (дата обращения: 11.06.2026). DOI: 10.24143/2072-9502-2025-1-93-102.