تشخيص موقعيت منبع صدا در صفحات به وسيله ي حس‌گرهاي صوتي ارزان قيمت

Sound Localization in Plates Using Low Cost Acoustical Sensors

ضرورت پاسخ گويي به نيازهاي صنعتي روز با توجه به رشد مباني تيوري و تسهيل و فراهم شدن اقتصادي تجهيزات، محققين بسياري را به پژوهش در كاربرد سامانه‌هاي پايش وضعيت ترغيب نموده است. در اين مقاله هدف شناسايي موقعيت مكاني ضربه در صفحه با كمك صداي حاصل از آن است. براي اين منظور در بخش آزمايشي اين تحقيق از صداي اصابت توپ به ميز پينگ‌پنگ، استفاده شده است. در اين راستا يك بانك داده ي صدا به وسيله ي يك ميكروفون ارزان قيمت ايجاد شده است. بانك داده ي فوق حاوي صداي ايجاد شده ناشي از 25 بار اصابت توپ به 5 نقطه مختلف در راستاي طولي ميز مي باشد. در روش پيشنهادي نخست داده‌هاي مربوط به صداي برخورد توپ، از سيگنال ضبط شده توسط رايانه مشخص و جداسازي مي گردد. سپس با استخراج يك فضاي ويژگي 4 بعدي با استفاده از گشتاورهاي آماري سيگنال، كليه ضربات بر مبناي نقطه برخورد خوشه‌بندي مي‌شوند. در ادامه به منظور تشخيص موقعيت ضربات، يك بردار ويژگي مبتني بر انرژي سيگنال تقريب و جزييات تبديل موجك فضاي فركانسي ضربات، توسعه يافت. در نهايت براي طبقه‌بندي موقعيت نقاط برخورد از شبكه عصبي مصنوعي، استفاده شده است. روش هاي پيشنهادي به بانك اطلاعاتي گردآوري شده اعمال و ميانگين مقادير حساسيت و پيش بيني مثبت در خوشه‌بندي به ترتيب 20/91 و 18/91 درصد و در تشخيص موقعيت به ترتيب 97/91 و 45/93 درصد حاصل شده اند.

The necessity to meet ongoing needs of industry, considering theoretical progress achievements and availability of cost-effective equipment, has encouraged numerous researchers to investigate the application of monitoring systems. In this paper the sound localization is implemented to find the impact position on the surface of a plate. As an experimental example, the sound caused by ball impact on a ping pong table is used. For this purpose, a database is gathered. These soundʹs signals were recorded 25 times at 5 different points along the length of the table by a low cost microphone, attached to the surface. In the proposed method, first the data related to the ball impacts are detected and isolated from the whole pc recorded signals sent by the microphone. Then, the above 125 impacts are clustered based on the impact point locations using a 4 dimensional space feature extracted from statistical signal moments. Furthermore, in order to specify sound localization, a second space feature based on energy of wavelet transform coefficient signals was extracted. Finally, for clustering the impact point locations, an artificial neural network was designed and applied to the above data. The results show average values of sensitivity Se=91.20% and positive predictivity P+=91.18%. Also, sensitivity Se=91.97% and positive predictivity P+ = 93.45%, correspondingly for impact localization.