경적 소리 분석을 통한 차량 분류 탐색: 딥 러닝 기반 접근 방식

실제 교통 시나리오에서 차량 분류는 도로 안전 및 교통 관리에 매우 중요합니다. 그러나 다양한 차량 타입, 통제되지 않은 환경, 및 컴퓨팅 자원의 한계 때문에 복잡한 작업입니다. 시각 기반 모델은 매우 정확하지만, 높은 컴퓨팅 자원을 요구하고 한계가 있습니다. 반면, 오디오 기반 차량 분류는 고유한 강점을 가지고 있어 지속적이고 실시간 모니터링에 적합하며 컴퓨팅 부하를 최소화합니다. 본 연구에서는 차량 경적 소리를 분석하여 1D 합성곱 신경망(CNN1D)을 사용한 차량 분류에 대한 새로운 접근 방식을 제안합니다. 이는 다양한 차량에서 200개의 경적 소리를 수집하고 Audacity를 통해 분석, 스케일링 및 레이블링하는 작업을 포함했습니다. 멜 주파수 켑스트럴 계수(MFCCs)는 전처리 및 특징 추출에 사용되었습니다. 이 데이터로 훈련된 CNN1D 모델은 자전거, 버스, 자동차 및 CNG 차량과 같은 차량을 정확히 분류합니다. 제안된 모델은 검증 목적으로 장단기 메모리(LSTM), 서포트 벡터 머신(SVM), 인공 신경망(ANN)과 같은 다른 모델과 비교되었습니다. 이는 균형 잡히고 정밀한 차량 분류를 보여주며, 95.12%의 높은 정밀도, 재현율, F1 점수 및 정확도를 기록했습니다. 또한 이 모델은 재현율, 정확도 및 정밀도 측면에서 다른 평가보다 더 나은 성과를 보여주어 모델의 사용을 추가로 검증합니다. 본 연구에서 제안된 모델은 실제 차량 분류 및 탐지 애플리케이션에 대한 잠재적 솔루션이 될 수 있으며, 실제 애플리케이션을 위한 실행 가능한 경로를 제공합니다. 또한 지속적인 소음 오염의 원인이 되는 차량을 식별하는 데 도움을 줄 수 있어, 더 나은 교통 관리와 환경 보호에 기여할 수 있습니다.