Monitoraggio automatico di cantieri edili attraverso l'utilizzo di microfoni e tecniche di deep learning

The aim of this paper is to propose a flexible and accurate approach for the automatic monitoring of construction sites by using acoustic sensors. Specifically, one or more microphones are positioned inside a construction site near work activities. The recorded and appropriately pre-processed signal is sent to a classifier based on deep learning models in order to be classified into a pre-established number of specific classes (excavator, compactor, concrete mixer, etc.). Experiments performed on signals recorded by different types of construction equipment and vehicles, frequently and widely used on construction sites, and comparisons with different state-of-the-art deep learning models, have demonstrated the effectiveness of the proposed idea, reaching an accuracy close to 99%.

Lo scopo del presente lavoro è quello di proporre un approccio flessibile e accurato per il monitoraggio automatico dei cantieri edili utilizzando sensori acustici. Nello specifico, uno o più microfoni vengono posizionati all'interno di un cantiere edile in prossimità delle attività lavorative. Il segnale registrato, e opportunamente pre-processato, viene inviato a un classificatore basato su modelli di deep learning al fine di essere classificato in un numero prestabilito di classi specifiche (escavatore, compattatore, betoniera, ecc.). Esperimenti eseguiti su segnali registrati da diverse tipologie di attrezzature e veicoli per l'edilizia, frequentemente e ampiamente utilizzati nei cantieri edili, insieme alla comparazione di diversi modelli di deep learning, hanno dimostrato l'efficacia dell'idea proposta, raggiungendo accuratezze prossime al 99%.