Volltext-Downloads (blau) und Frontdoor-Views (grau)

Convolutional Recurrent Neural Networks und ihre Rolle bei der akustischen Ereignisdetektion von Fahrradklingeln im Kontext des hörenden Autos

  • Diese Bachelorarbeit entstand im Rahmen des „The Hearing Car“-Projekts des Fraunhofer-Instituts für Digitale Medientechnologie (IDMT). Das Projekt untersucht das Potenzial von Außenmikrofonen in Kombination mit Machine-Learning-gestützter akustischer Ereignisdetektion und -lokalisierung als ergänzender Sensor für Fahrzeuge. Ziel der Arbeit ist die Entwicklung eines Machine-Learning-Ansatzes auf Basis von Convolutional Recurrent Neural Networks (CRNNs) zur Erkennung von Fahrradklingeln in urbanen Umgebungen. Das Modell wurde mit synthetischen Audiodaten trainiert und optimiert. Zur Evaluierung der Modellleistung kamen sowohl synthetische als auch reale Audiodaten zum Einsatz. Die Ergebnisse zeigen, dass das Modell eine zuverlässige Erkennung von Fahrradklingeln ermöglicht und softwareseitig eine angestrebte maximale Reaktionszeit von unter 200 ms erreicht. Diese Resultate bilden die Grundlage für die spätere echtzeitfähige Implementierung des Systems im Zielfahrzeug, um die Verkehrssicherheit, insbesondere für Radfahrer im toten Winkel, zu erhöhen.

Download full text files

Export metadata

Statistics

frontdoor_oas
Metadaten
Author:Noah Saibel
URN:urn:nbn:de:gbv:755-opus4-4995
Referee:Gerd von Cölln, Aike Ahrens
Advisor:Gerd von Cölln, Aike Ahrens
Document Type:Bachelor Thesis
Language:German
Date of Publication (online):2024/10/18
Publishing Institution:Hochschule Emden/Leer
Granting Institution:Hochschule Emden/Leer
Date of final exam:2024/10/14
Release Date:2025/02/23
Tag:Akustische Ereignisdetektion
Convolutional Recurrent Neural Network; Deep Learning; Machine Learning; Sound Event Detection
Pagenumber:97
Institute:Fachbereich Technik
Licence (German):License LogoCreative Commons - CC BY - Namensnennung 4.0 International