Sound-based drone fault classification using multitask learning

要約

タイトル：マルチタスク学習を用いた音響ベースのドローン故障分類

要約：
– ドローンは、軍事用途、空中写真撮影、農薬散布など、様々な目的で使用されている。
– しかし、ドローンは外部の干渉に弱く、プロペラやモーターの故障が容易に発生する。
– ドローン操作の安全性を向上するには、ドローンの機械的な故障をリアルタイムで検知する必要がある。
– 本論文では、音響に基づく深層ニューラルネットワーク（DNN）故障分類器とドローン音データセットを提案する。
– データセットは、3つの異なるドローンに取り付けられたマイクから取得されたドローンの動作音を、響消音室内で収集して構築された。
– データセットには、前方、後方、右方、左方、時計回り、反時計回りの飛行方向やプロペラやモーターの故障など、様々なドローンの稼働条件が含まれている。
– 次に、5つの異なる場所で収録されたノイズとドローン音を混合し、シグナル対ノイズ比（SNR）が10 dBから15 dBまで変化するようにした。
– 取得したデータセットを使用して、1DCNN-ResNetというDNN分類器をトレーニングし、短時間の入力波形から機械的な故障の種類と場所を分類できるようにした。
– 分類器がより一般的なオーディオ機能を学習するように、方向分類タスクを補助タスクとして組み込み、マルチタスク学習（MTL）を採用した。
– 見えないデータを対象としたテスト結果は、提案されたマルチタスクモデルが、単一タスクモデルよりも少ないトレーニングデータでも、ドローンの故障を正しく分類できることを示している。

要約(オリジナル)

The drone has been used for various purposes, including military applications, aerial photography, and pesticide spraying. However, the drone is vulnerable to external disturbances, and malfunction in propellers and motors can easily occur. To improve the safety of drone operations, one should detect the mechanical faults of drones in real-time. This paper proposes a sound-based deep neural network (DNN) fault classifier and drone sound dataset. The dataset was constructed by collecting the operating sounds of drones from microphones mounted on three different drones in an anechoic chamber. The dataset includes various operating conditions of drones, such as flight directions (front, back, right, left, clockwise, counterclockwise) and faults on propellers and motors. The drone sounds were then mixed with noises recorded in five different spots on the university campus, with a signal-to-noise ratio (SNR) varying from 10 dB to 15 dB. Using the acquired dataset, we train a DNN classifier, 1DCNN-ResNet, that classifies the types of mechanical faults and their locations from short-time input waveforms. We employ multitask learning (MTL) and incorporate the direction classification task as an auxiliary task to make the classifier learn more general audio features. The test over unseen data reveals that the proposed multitask model can successfully classify faults in drones and outperforms single-task models even with less training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI