Otomobil motor sesinden modelinin tanınması

Abstract

Bu tez çalışmasında, ses işleme yöntemleri ve sınıflandırma teknikleri kullanılarak 5 farklı model ve tipteki otomobilin motor seslerinden, bu otomobillerin modellerinin tanınması amaçlanmıştır. Ses kayıtları, yalıtımlı ve kapalı bir ortamda imkanlar dahilinde alınamamıştır. Bu nedenle ses kayıtları, dış ortam seslerinin (insan sesi, kuş sesi, çevre sesleri vb.) en az olacağı düşünülen gece saatlerinde açık bir ortamda alınmıştır. Ses kayıtları alınırken tüm araçlar rölanti halinde çalıştırılmıştır. Otomobiller rölanti halinde çalışırken her otomobilin motorundan ayrı ayrı ortalama 10'ar saniyelik süreler ile 50'şer adet ses verisi toplanmıştır. Toplanan ses verileri bilgisayar ortamına aktarılarak dijitalleştirilmiştir.Ses verileri incelendikten sonra, her araca ait 50 adet ses verisine welch yöntemi uygulanarak sinyallerin güç spektrum yoğunlukları hesaplanmış ve grafikleri tüm sesler için ayrı ayrı çizdirilmiştir. Güç spektrum grafiklerinden 17 adet farklı frekans bölgesi belirlenmiştir. Bu frekans bölgelerindeki genlik değerleri her araç için öznitelik olarak alınmıştır. Toplamda her araç için 50 adet ses kaydı olup 17 adet öznitelik seçildiğinden 17x50'lik öznitelik matrisi oluşturulmuştur. Çalışmada 5 farklı araç bulunduğu için toplamda 17x250'lik bir öznitelik matrisi elde edilmiştir. Bu öznitelik matrisinden 17x125'lik kısmı sınıflandırma için eğitimde kullanılmıştır geri kalan 17x125'lik kısmı ise eğitilen sınıflandırma yapısında başarı hesaplatmak için kullanılmıştır. Sınıflandırma için Yapay Sinir Ağları, Destek Vektör Makineleri ve k-En Yakın Komşuluk yöntemleri kullanılmıştır. Yapay Sinir Ağları ve k- En Yakın Komşuluk yöntemleri kullanılarak %99.2 başarı oranında, Destek Vektör Makineleri yöntemi kullanılarak %100 başarı oranında sınıflandırma yapılmış ve araç modelleri tanınmıştır.

In this thesis study, it is aimed to recognize the vehicle models of 5 different model vehicles using their own motor sounds by using sound processing and classification techniques. Sound recordings were not taken in an isolated and enclosed environment. For this reason, the sound recordings were taken in an open environment at night, where the ambient sounds (human voice, bird sound, ambient sounds, etc.) are expected to be minimal. All the vehicles were operated in idle mode while sound recordings were taken. While the vehicles were operating in idle mode, 50 voice sounds were collected every 10 seconds for each car. The collected sound data was digitized by being transfered the computer.After examining the sound data, the power spectral densities of the signals were calculated by applying the welch method to 50 sound data of each interval and the graphs were ploted separately for all sounds. 17 different frequency regions were determined from the power spectrum graphs. The amplitude values in this frequency domain are taken as attributes for each vehicle. When there are 50 voice recordings and 17 feature vectors for each vehicle, the feature matrix is set to 17x50. Since there were 5 different vehicles in the study, a total of 17x250 feature matrices were obtained. The 17x125 part of this matrix was used in training for classification and the remaining 17x125 was used to calculate success in the trained classification. Artificial Neural Networks, Support Vector Machines and k-Nearest Neighbors method were used for classification. 100% success rate was achieved by Support Vector Machine method and 99.2% success rate was achieved by Artificial Neural Networks and k- Nearest Neighbors methods. With these high success rates, the vehicle models were recognized.