Les chercheurs ont enregistré des sons ressemblant à des coups de feu dans des endroits où il y avait une probabilité que des coups de feu soient tirés, notamment un parc extérieur. Crédit :Université de l'Atlantique de Floride
Selon Gun Violence Archive, il y a eu 296 fusillades de masse aux États-Unis cette année. Malheureusement, 2021 est sur le point d'être l'année la plus meurtrière de la violence armée en Amérique au cours des deux dernières décennies.
Faire la distinction entre un événement audio dangereux comme un coup de feu et un événement qui ne met pas la vie en danger, comme l'éclatement d'un sac en plastique, peut faire la différence entre la vie et la mort. De plus, il peut également déterminer s'il faut ou non déployer des travailleurs de la sécurité publique. Les humains, ainsi que les ordinateurs, confondent souvent les sons d'un sac en plastique qui éclate et les vrais sons de coups de feu.
Au cours des dernières années, il y a eu une certaine hésitation quant à la mise en œuvre de certains des systèmes de détecteurs de coups de feu acoustiques bien connus disponibles, car ils peuvent être coûteux et souvent peu fiables.
Dans une étude expérimentale, des chercheurs du College of Engineering and Computer Study de la Florida Atlantic University se sont concentrés sur la fiabilité de ces systèmes de détection en ce qui concerne le taux de faux positifs. La capacité d'un modèle à discerner correctement les sons, même dans les scénarios les plus subtils, différenciera un modèle bien formé d'un autre qui n'est pas très efficace.
Avec la tâche ardue de tenir compte de tous les sons similaires à un coup de feu, les chercheurs ont créé un nouvel ensemble de données composé d'enregistrements audio d'explosions de sacs en plastique collectés dans une variété d'environnements et de conditions, tels que la taille du sac en plastique et la distance de l'enregistrement. micros. Les enregistrements des clips audio ont duré de 400 à 600 millisecondes.
Les chercheurs ont également développé un algorithme de classification basé sur un réseau neuronal convolutif (CNN), comme référence, pour illustrer la pertinence de cet effort de collecte de données. Les données ont ensuite été utilisées, avec un ensemble de données sonores de coups de feu, pour former un modèle de classification basé sur un CNN afin de différencier les événements de coups de feu potentiellement mortels des événements d'explosion de sacs en plastique non mortels.
Les chercheurs ont utilisé une chambre anéchoïque comme l'un des environnements, qui fournit des échantillons "purs" non perturbés qui ont ajouté beaucoup d'informations au CNN, ce qui a rendu le modèle plus robuste. Crédit :Université de l'Atlantique de Floride
Les résultats de l'étude, publiés dans la revue Sensors, démontrent comment de faux sons de coups de feu peuvent facilement confondre un système de détection de coups de feu. Soixante-quinze pour cent des bruits de sac en plastique ont été classés à tort comme des bruits de coup de feu. Le modèle de classification basé sur l'apprentissage en profondeur formé avec un ensemble de données de sons urbains populaires contenant des sons de coups de feu n'a pas pu distinguer les bruits de sac en plastique des bruits de coups de feu. Cependant, une fois que les sons de sac en plastique ont été injectés dans la formation du modèle, les chercheurs ont découvert que le modèle de classification CNN fonctionnait bien pour distinguer les sons de coups de feu réels des sons de sacs en plastique.
"En tant qu'êtres humains, nous utilisons des entrées sensorielles supplémentaires et des expériences passées pour identifier les sons. Les ordinateurs, en revanche, sont formés pour déchiffrer des informations souvent non pertinentes ou imperceptibles pour les oreilles humaines", a déclaré Hanqi Zhuang, Ph.D., auteur principal. , professeur et directeur, Département de génie électrique et d'informatique, Collège d'ingénierie et d'informatique. "Semblable à la façon dont les chauves-souris tournent autour des objets lorsqu'elles transmettent des ondes sonores aiguës qui rebondissent vers elles à différents intervalles de temps, nous avons utilisé différents environnements pour donner à l'algorithme d'apprentissage automatique une meilleure perception de la différenciation des sons étroitement liés. "
Pour l'étude, des sons semblables à des coups de feu ont été enregistrés dans des endroits où il y avait une probabilité que des coups de feu soient tirés, ce qui comprenait un total de huit emplacements intérieurs et extérieurs. Le processus de collecte de données a commencé par l'expérimentation de différents types de sacs, les sacs poubelles étant sélectionnés comme étant les plus appropriés. La plupart des clips audio ont été capturés à l'aide de six appareils d'enregistrement. Pour vérifier dans quelle mesure un modèle de classification sonore pouvait être confondu par de faux coups de feu, les chercheurs ont entraîné le modèle sans l'exposer aux bruits de sac en plastique.
Il y avait 374 échantillons de coups de feu initialement utilisés pour former le modèle, qui ont été obtenus à partir de la base de données sonore urbaine. Les chercheurs ont utilisé 10 classes de la base de données (coup de feu, aboiement de chien, jeux d'enfants, klaxon de voiture, climatiseur, musique de rue, sirène, moteur au ralenti, marteau-piqueur et forage). Après la formation, le modèle a ensuite été utilisé pour tester sa capacité à rejeter les bruits de sac en plastique comme de véritables sons de coups de feu.
"Le pourcentage élevé d'erreurs de classification indique qu'il est très difficile pour un modèle de classification de discerner les sons de type coup de feu, tels que ceux des sacs en plastique, et les vrais sons de coup de feu", a déclaré Rajesh Baliram Singh, premier auteur et titulaire d'un doctorat. étudiant au département de génie électrique et informatique de la FAU. "Cela justifie le processus de développement d'un ensemble de données contenant des sons similaires à de vrais sons de coups de feu."
Dans la détection des coups de feu, disposer d'une base de données d'un son particulier qui peut être confondu avec le son d'un coup de feu mais qui est riche en diversité peut conduire à un système de détection de coup de feu plus efficace. Ce concept a motivé les chercheurs à créer une base de données des sons d'explosion de sacs en plastique. Plus la diversité d'un même son est élevée, plus la probabilité que l'algorithme d'apprentissage automatique détecte correctement ce son spécifique est élevée.
"L'amélioration des performances d'un algorithme de détection de coups de feu, en particulier pour réduire son taux de faux positifs, réduira les risques de traiter des événements de déclenchement audio inoffensifs comme des événements audio périlleux impliquant des armes à feu", a déclaré Stella Batalama, Ph.D., doyenne du Collège. d'Ingénierie et d'Informatique. "Cet ensemble de données développé par nos chercheurs, ainsi que le modèle de classification qu'ils ont formé pour les sons de coups de feu et de coups de feu, est une étape importante conduisant à beaucoup moins de faux positifs et à l'amélioration de la sécurité publique globale en déployant du personnel critique uniquement lorsque cela est nécessaire."
