[논문]산업현장에서의 선택적 소음 제거를 위한 환경 사운드 분류 기술

최현국; 김상민; 박호종

doi:10.5909/jbe.2020.25.6.845

초록
AI-Helper

본 논문에서는 산업현장에서의 선택적 소음 제거를 위한 환경 사운드 분류 기술을 제안한다. 산업현장에서의 소음은 작업자의 청력 손실의 주요 원인이 되며, 소음 문제를 해결하기 위한 소음 제거 기술이 널리 연구되고 있다. 그러나 기존 소음 제거 기술은 모든 소리를 구분 없이 차단하는 문제를 가지며, 모든 소음에 공통된 제거 방법을 적용하여 각 소음에 최적화된 소음 제거 성능을 보장할 수 없다. 이러한 문제를 해결하기 위해 사운드 종류에 따라 선택적 동작을 하는 소음 제거가 필요하고, 본 논문에서는 이를 위해 딥 러닝 기반의 환경 사운드 분류 기술을 제안한다. 제안 방법은 기존 오디오 특성인 멜-스펙트로그램의 한계를 극복하기 위해 새로운 특성으로서 멜-스펙트로그램 기반의 시간 변화 특성과 통계적 주파수 특성을 사용하며, 합성곱 신경망을 이용하여 특성을 모델링 한다. 제안하는 분류기를 사용하여 3가지 소음과 2가지 비소음으로 구성된 총 5가지 클래스로 사운드를 분류하였고, 제안하는 오디오 특성을 사용하여 기존 멜-스펙트로그램 특성을 사용할 때에 비하여 분류 정확도가 6.6% 포인트 향상되는 것을 확인하였다.

Abstract ▼ AI-Helper

In this paper, we propose a method for classifying environmental sound for selective noise cancellation in industrial sites. Noise in industrial sites causes hearing loss in workers, and researches on noise cancellation have been widely conducted. However, the conventional methods have a problem of ...

In this paper, we propose a method for classifying environmental sound for selective noise cancellation in industrial sites. Noise in industrial sites causes hearing loss in workers, and researches on noise cancellation have been widely conducted. However, the conventional methods have a problem of blocking all sounds and cannot provide the optimal operation per noise type because of common cancellation method for all types of noise. In order to perform selective noise cancellation, therefore, we propose a method for environmental sound classification based on deep learning. The proposed method uses new sets of acoustic features consisting of temporal and statistical properties of Mel-spectrogram, which can overcome the limitation of Mel-spectrogram features, and uses convolutional neural network as a classifier. We apply the proposed method to five-class sound classification with three noise classes and two non-noise classes. We confirm that the proposed method provides improved classification accuracy by 6.6% point, compared with that using conventional Mel-spectrogram features.

주제어

표/그림 (14)

그림 그림 1. 각 클래스 신호의 스펙트로그램 Fig. 1. Spectrogram of signal in each class
그림 그림 2. 각 클래스 신호의 30 밴드 멜-스펙트로그램 X_mel Fig. 2. 30-band Mel-spectrogram X_mel of signal in each class
그림 그림 3. 각 클래스 신호의 시간 기반 특성 X_temp Fig. 3. Temporal features X_temp of signal in each class
그림 그림 4. 각 클래스 신호의 통계적 주파수 특성 X^stat Fig. 4. Statistical frequency features X^stat of signal in each class
그림 그림 5. 제안하는 특성 벡터의 구성 Fig. 5. Composition of proposed feature vectors
그림 그림 6. 첫 번째 합성곱 단의 구조 Fig. 6. Structure of the first convolution stage
그림 그림 7. 제안하는 분류기의 네트워크 구조 Fig. 7. Network structure of the proposed classifier
표 표 1. 각 클래스의 인스턴스 개수 Table 1. The number of instances for each class
표 표 2. 멜 밴드 수에 따른 분류 성능 Table 2. Classification accuracy for each number of mel bands
표 표 3. 멜-스펙트로그램을 사용하는 베이스라인의 혼동 행렬 Table 3. Confusion matrix of baseline using mel-spectrogram
표 표 4. X_mel과 X_temp을 사용할 때의 혼동 행렬 Table 4. Confusion matrix when using X_mel and X_temp
표 표 5. X_mel과 X_stat을 사용할 때의 혼동 행렬 Table 5. Confusion matrix when using X_mel and X_stat
표 표 6. X_mel, X_temp, X_stat을 사용할 때의 혼동 행렬 Table 6. Confusion matrix when using X_mel, X_temp and X_stat
표 표 7. 소음과 비소음의 분류 성능 Table 7. Classification accuracy for noise and non-noise

참고문헌 (15)

A. Dzhambov and D. Dimitrova, "Occupational noise exposure and the risk for work-related injury: a systematic review and meta-analysis," Annals of Work Exposures and Health, Vol. 61, No. 9, pp. 1037-1053, Nov. 2017.

상세보기
S. Kuo and D. Morgan, "Active noise control : a tutorial review," Proceedings of the IEEE, Vol. 87, No. 6, pp. 943-973, June 1999.

상세보기
S. Suh, W. Lim, Y. Jeong, T. Lee and H. Kim, "Dual CNN structured sound event detection algorithm based on real life acoustic dataset," J. of Broadcast Engineering, Vol. 23, No. 6, pp. 855-865, 2018.

원문보기 상세보기
K. J. Piczak, "Environmental sound classification with convolutional neural networks," in Proc. of IEEE Int. Workshop on Machine Learning for Signal Processing (MLSP), Boston, pp. 1-6, Sep. 2015.
H. W. Yun, S. H. Shin, W. J. Jang and H. Park, "On-line audio genre classification using spectrogram and deep neural network," J. of Broadcast Engineering, Vol. 21, No. 6, pp. 977-985, Nov. 2016.

원문보기 상세보기
Y. LeCun, Y. Bengio and G. Hinton, "Deep learning," Nature, 521.7553, pp. 436-444, May 2015.

상세보기
X. Glorot, A. Bordes and Y. Bengio, "Deep sparse rectifier neural networks," in Proc. of Int. Conf. on Artificial Intelligence and Statistics, pp. 315-323. 2011.
K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," arXiv:1409.1556, 2014.
S. Zagoruyko and N. Komodakis, "Wide residual networks," arXiv:1605.07146, 2016.
V. Zue, S. Seneff and J. Glass, "Speech database development at MIT: TIMIT and beyond," Speech Communication, Vol. 9, No. 4, pp. 351-356, Aug. 1990.

상세보기
https://www.sound-ideas.com/Collection/54/2/0/Industry-Machinery-Tools-and-Office-SFX (accessed May 2019)
K. He, X. Zhang, S. Ren and J. Sun, "Delving deep into rectifiers: surpassing human-level performance on ImageNet classification," in Proc. IEEE Int. Conf. on Computer Vision, Chile, pp. 1026-1034, 2015.
D. P. Kingma and J. Ba, "Adam: a method for stochastic optimization," arXiv:1412.6980, 2014.
N. Srivastava, G. Hinton, A. Krizhevesky and R. Salakhutdinov, "Dropout: a simple way to prevent neural networks from overfitting," J. of Machine Learning Research, Vol. 15, No. 1, pp. 1929-1958, June 2014.
A. Krogh and J. Vedelsby, "Neural network ensembles, cross validation, and active learning," Advances in Neural Information Processing Systems, pp. 231-238, 1995.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

산업현장에서의 선택적 소음 제거를 위한 환경 사운드 분류 기술
Environmental Sound Classification for Selective Noise Cancellation in Industrial Sites 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (14)

표/그림 (14)

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

산업현장에서의 선택적 소음 제거를 위한 환경 사운드 분류 기술 Environmental Sound Classification for Selective Noise Cancellation in Industrial Sites 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (14) 모든 표/그림 보기

표/그림 (14) 슬라이드로 보기

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

박호종 (45)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

산업현장에서의 선택적 소음 제거를 위한 환경 사운드 분류 기술
Environmental Sound Classification for Selective Noise Cancellation in Industrial Sites 원문보기

초록
AI-Helper

표/그림 (14)

표/그림 (14)