Μετρήσεις και στατιστική ανάλυση περιβαλλοντικού θορύβου από μη επανδρωμένα εναέρια οχήματα (drones)
Loading...
Date
2026-06-30
Authors
Τούμπλαρης, Γεώργιος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της ακουστικής ανίχνευσης και ταξινόμησης μη επανδρωμένων εναέριων οχημάτων (Unmanned Aerial Vehicles – UAVs), με στόχο τη διάκριση μεταξύ ηχητικών σημάτων drone και μη-drone μέσω τεχνικών επεξεργασίας σήματος και μηχανικής μάθησης. Η αυξανόμενη χρήση drones σε πολιτικές, βιομηχανικές και στρατιωτικές εφαρμογές έχει οδηγήσει στην ανάγκη ανάπτυξης αξιόπιστων συστημάτων επιτήρησης και αυτόματης αναγνώρισης. Στο πλαίσιο αυτό, η ανάλυση ακουστικών σημάτων αποτελεί μια οικονομικά αποδοτική και αποτελεσματική προσέγγιση, καθώς τα drones παράγουν χαρακτηριστικά φασματικά πρότυπα λόγω της λειτουργίας των κινητήρων και των ελίκων τους. Η μελέτη βασίζεται σε σύνολο ηχητικών δεδομένων που περιλαμβάνει ηχογραφήσεις drone και no-drone περιβαλλόντων από διαφορετικές συνθήκες καταγραφής. Αρχικά πραγματοποιείται προεπεξεργασία των σημάτων, η οποία περιλαμβάνει μετατροπή σε μονοφωνικό σήμα, επαναδειγματοληψία σε κοινό sampling rate και απομάκρυνση πολύ μικρών ηχητικών αποσπασμάτων. Στη συνέχεια εφαρμόζεται Βραχυχρόνιος Μετασχηματισμός Fourier (Short-Time Fourier Transform – STFT) για την παραγωγή φασματογραφημάτων, τα οποία χρησιμοποιούνται ως βασική αναπαράσταση των ακουστικών δεδομένων. Για τη δημιουργία των συνόλων εκπαίδευσης και αξιολόγησης εφαρμόζεται διαχωρισμός των δεδομένων σε επίπεδο ηχητικού αρχείου (track-level split), ώστε να αποφεύγεται η διαρροή πληροφορίας (data leakage) μεταξύ train και test subsets. Τα φασματογραφήματα μετατρέπονται σε σύνολα χαρακτηριστικών μέσω διάσπασης σε χρονικά πλαίσια (frames), τα οποία χρησιμοποιούνται ως δείγματα εισόδου για τα μοντέλα μηχανικής μάθησης. Για την εκπαίδευση και αξιολόγηση των μοντέλων χρησιμοποιούνται οι αλγόριθμοι K-Nearest Neighbors (KNN) και Support Vector Machine (SVM), σε συνδυασμό με κανονικοποίηση χαρακτηριστικών μέσω StandardScaler και διαδικασίες διασταυρωμένης επικύρωσης (cross-validation). Η αξιολόγηση πραγματοποιείται με χρήση μετρικών όπως accuracy, precision, recall και F1-score, καθώς και μέσω πινάκων σύγχυσης (confusion matrices). Τα αποτελέσματα δείχνουν ότι και οι δύο αλγόριθμοι επιτυγχάνουν υψηλή απόδοση στην ταξινόμηση drone και no-drone σημάτων, με το μοντέλο KNN να παρουσιάζει ελαφρώς καλύτερη συνολική επίδοση στο σύνολο ελέγχου. Συνολικά, η εργασία αναδεικνύει τη σημασία της σωστής προεπεξεργασίας, της αποφυγής data leakage και της κατάλληλης επιλογής φασματικής ανάλυσης για την ανάπτυξη αξιόπιστων συστημάτων ακουστικής αναγνώρισης drones.
Description
Keywords
Φασματική ανάλυση, Μηχανική μάθηση, Ηχητικά δεδομένα, Drone ήχοι