Akustische Fahrzeugklassifikation mittels Deep Learning, das auf einer Fusion von Spektrogramm und Skalogramm trainiert wurde

Dieses Paper untersucht ein audio-basiertes Fahrzeugklassifikationsverfahren für Fahrzeuge auf der Straße, das visuelle Darstellungen von Schall durch Spektrogramme, Skalogramme und deren Fusion als Merkmale nutzt, die durch eine modifizierte VGG16 Convolutional Neural Network (CNN)-Architektur klassifiziert werden. Die vorgeschlagene Methode bietet eine nicht-intrusive, potenziell kostengünstigere und umweltanpassbare Alternative zu traditionellen sensorbasierten und computersehenspezifischen Techniken. Unsere Ergebnisse zeigen, dass die Fusion von Skalogramm- und Spektrogrammmerkmalen eine verbesserte Genauigkeit und Zuverlässigkeit beim Unterscheiden zwischen Fahrzeugtypen bietet. Leistungskennzahlen wie Training und Verlust sowie Präzision und Rückruf von Klassen unterstützen die Wirksamkeit eines reichhaltigeren Merkmalsatzes zur Verbesserung der Klassifikationsergebnisse. Die Fusionsmerkmale zeigen eine deutliche Verbesserung beim Unterscheiden von eng verwandten Fahrzeugklassen wie 'Autos' und 'Lkw'. Diese Ergebnisse unterstreichen das Potenzial unseres Ansatzes zur Verfeinerung und Erweiterung von Fahrzeugklassifikationssystemen für intelligentes Verkehrsmonitoring und -management.