Utilisation du patrimoine acoustique d’un observatoire par des techniques d’apprentissage profond pour la classification d’événements acoustiques
Résumé
Un observatoire est une structure organisationnelle dont les acteurs sont amenés dans leur expertise à faire des prises de sons sur le terrain pour caractériser un bruit de transport particulier ou un environnement sonore. Acoucité, observatoire de l’environnement sonore de la Métropole de Lyon et accompagnant des collectivités en France sur le thème de nuisances sonores, a accumulé depuis sa création en 1996 des prélèvements de l’environnement sonore pour caractériser des bruits de véhicules routiers, trains, tramway, avion… Ces données, ajoutées à des jeux de données présent sur Internet à fins de recherche, constituent un fort potentiel pour la génération d’un modèle mathématique, inspiré par la littérature scientifique, pour répondre à des cas d’usage tels que la classification d’une base de données audio non labellisée ou la classification automatisée selon une taxonomie adéquate. L’apprentissage automatique ou “machine learning” est une technique de l’intelligence artificielle qui puise sa force dans la quantité et la qualité de la donnée à disposition pour la préparation d’un modèle mathématique. L’apprentissage profond est une technique adjacente où le modèle prend la forme d’un réseau de neurones avec plusieurs couches. Acoucité a testé l’apprentissage profond avec des outils de développement « open source » pour plusieurs cas d’utilisations dont le classement d’événements aéronautiques et la détection d’activité vocale, en mixant la base de données « bruit » avec une base de données d’enregistrements vocaux français réalisés par des volontaires pour la fondation Mozilla. Cette présentation (article) fera part également des avancés du Conseil National du Bruit vis à vis de la RGPD.