ΑΝΑΠΤΥΞΗ ΚΑΙ ΑΞΙΟΛΟΓΗΣΗ ΨΗΦΙΑΚΟΥ ΗΧΟΜΕΤΡΟΥ ΣΕ ΕΝΣΩΜΑΤΩΜΕΝΗ ΣΥΣΚΕΥΗ

Abstract

Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη ενός έξυπνου, φορητού ψηφιακού ηχομέτρου βασισμένου σε τεχνολογίες μικροελεγκτών και Internet of Things (IoT). Στόχος είναι η μέτρηση, ανάλυση και απομακρυσμένη παρακολούθηση της στάθμης ηχητικής πίεσης (Sound Pressure Level - SPL) σε πραγματικό χρόνο, καθώς και η αναγνώριση των πηγών ήχου μέσω τεχνικών Machine learning. Η συσκευή αξιοποιεί μικρόφωνο τύπου MEMS και μικροελεγκτή με υποστήριξη WiFi, επιτρέποντας τη συλλογή και μετάδοση ηχητικών δεδομένων σε δίκτυο. Ο ήχος μετατρέπεται σε ψηφιακά δείγματα μέσω διαύλου I²S, ενώ εφαρμόζονται αλγόριθμοι υπολογισμού RMS και A-weighting για την εκτίμηση της στάθμης dB και dBA. Η απεικόνιση των μετρήσεων πραγματοποιείται σε οθόνη OLED, παρέχοντας άμεση ενημέρωση του χρήστη. Για την αναγνώριση πηγών ήχου χρησιμοποιήθηκε η πλατφόρμα Edge Impulse, όπου συλλέχθηκαν και ταξινομήθηκαν δείγματα ήχου σε κατηγορίες όπως “car horn”, “dog bark”, “siren” και “human noise”. Μετά τη δημιουργία χαρακτηριστικών (feature extraction) και την εκπαίδευση νευρωνικού δικτύου, επιτεύχθηκε ακρίβεια ταξινόμησης περίπου 78% στο σύνολο εκπαίδευσης και 53% στο σύνολο δοκιμών. Η αποστολή των δεδομένων γίνεται μέσω του πρωτοκόλλου MQTT σε server, όπου τα αποτελέσματα απεικονίζονται σε Node-RED dashboard σε πραγματικό χρόνο. Παράλληλα, ενσωματώθηκαν δεδομένα καιρού μέσω του OpenWeatherMap API, εμπλουτίζοντας το περιβάλλον παρακολούθησης. Η εργασία αποδεικνύει ότι είναι εφικτή η ανάπτυξη ενός οικονομικού και ευέλικτου ηχομέτρου, ικανού να συνδυάζει παραδοσιακή ακουστική μέτρηση με τεχνολογίες τεχνητής νοημοσύνης και IoT, αποτελώντας μια ολοκληρωμένη λύση για εφαρμογές περιβαλλοντικής ανάλυσης και έξυπνων πόλεων.