AI Sound Event Detection per la sicurezza stradale nelle gallerie

Use Cases
AI

La Sfida

Un primario gestore della rete stradale nazionale ha avviato una sperimentazione per rendere le gallerie capaci di “ascoltare”: riconoscere automaticamente, dall’audio dei microfoni, i suoni che segnalano un pericolo (frenate, urti, urla, clacson, sirene, scoppi di pneumatici) e allertare la centrale operativa. La criticità principale era duplice: l’assenza di registrazioni reali di incidenti in galleria e un ambiente acustico ostile, dominato da ventilazione, traffico e riverbero, nel quale gli eventi critici vanno distinti con affidabilità e con il minor numero possibile di falsi allarmi.

La Soluzione

Il progetto ha previsto lo sviluppo di una soluzione di Sound Event Detection basata su modelli di Deep Learning per l’audio. Un motore di data preparation ha “ambientato” in galleria 297 suoni di evento, miscelandoli con il rumore reale di un tunnel e simulandone l’eco: ne è nato un dataset di 2.970 campioni su 8 classi (crash, frenate, clackson, urla, …). Il confronto tra tre architetture pre-addestrate (EfficientAT, AST, CLAP) ha permesso di selezionare il modello con il miglior equilibrio tra accuratezza, falsi allarmi e leggerezza. Il modello analizza l’audio a finestre di 5 secondi e invia gli alert alla centrale operativa; una web app consente di gestire regole, soglie e monitoraggio.

I Benefici

In fase di sperimentazione il modello ha raggiunto un’accuratezza superiore al 90%, con buone prestazioni anche sugli eventi più rari. La taratura delle soglie ha dimezzato i falsi allarmi rispetto alle alternative valutate. Il processo è ripetibile e scalabile: il dataset si arricchisce con le registrazioni reali e la soluzione è pronta per la validazione sul campo e l’estensione ad altre gallerie.

Il Ruolo di Humanativa

HUMANATIVA ha curato l’intero ciclo di vita della soluzione: dalla preparazione dei dati e dall’analisi dei segnali, alla selezione e all’addestramento dei modelli, fino all’ingegnerizzazione del servizio di analisi in tempo reale e della web app di gestione. Grazie alle competenze del proprio team di Data Science e MLOps, il Gruppo ha consegnato una soluzione documentata, tracciabile e riproducibile, primo passo verso una piattaforma di ascolto intelligente delle infrastrutture.

Condividi

Use cases