Deep learning applique a la reduction de bruit multicanale de signaux audio captes par une antenne de microphones embarquee sur micro-drone

Deep learning applied to multichannel noise reduction of audio signals picked up by a micro-drone-mounted microphone antenna

• Auteur / Autrice : Argan Verrier
• Direction : Eric Bavu
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialié Acoustique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : LMSSC - Laboratoire de Mécanique des structures et des systèmes couplés
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France)

Mots clés

Mots clés libres

Deep learning

Réduction de bruit

Drone

Réseau de microphones

Deep learning

Noise réduction

Drone

Microphone array

Résumé

Le développement des drones volants a permis un accroissement des cas d'usage dans les domaines civils et militaires. Si leur utilisation appliquée à la vidéo pour la surveillance, la détection, ou simplement les loisirs, est désormais bien connue des professionnels et du grand public, l'exploitation de signaux acoustiques provenant d'une antenne de microphones embarquée représente un nouveau défi pour les chercheurs. La facilité de déploiement des drones, couplée avec des techniques connues de traitement d'antenne, permettrait l'application de méthodes de restitution d'environnement sonore ou de détection d'évènements sur une vaste zone d'opération. La recherche et le sauvetage de blessés, en cas de sinistre ou sur le champ de bataille, constitue un cas d'usage d'intérêt croissant. La problématique principale résultant de l'intégration d'une antenne de microphones à un drone demeure la captation du bruit produit par le moteur et les pales de ce dernier, qui viennent masquer les signaux sonores d'intérêt. Afin de limiter ce phénomène, il est donc nécessaire de réaliser une opération de débruitage multicanal des données captées par l'ensemble des microphones composant l'antenne. Pour cela, nous proposons l'utilisation de méthodes d'apprentissage profond. En effet, Les méthodes standard de réduction de bruit de type soustraction spectrale, filtrage de Wiener, exploitent des estimations de la source sonore à éliminer. Pour appliquer ces méthodes, il est donc nécessaire de connaître les moments où le signal d'intérêt est présent, nécessitant la mise en place de mécanismes adaptés (détection d'activité). Dans les applications envisagées, les caractéristiques du signal d'intérêt ne sont pas connues, cette mise en place est alors compromise. De plus, ces méthodes ont tendance à dégrader la phase des signaux, empêchant alors les traitements d'antenne réalisés à partir des données débruitées. Ces limites motivent l'utilisation de méthodes de réduction de bruit par Deep Learning afin d'éliminer les perturbations dues au drone.

The development of flying drones has led to a growing number of use cases in both the civilian and military fields. While their use in video surveillance, detection or simply for leisure purposes is now well known to professionals and the general public alike, the exploitation of acoustic signals from an on-board microphone antenna represents a new challenge for researchers. The ease with which drones can be deployed, coupled with known antenna processing techniques, would enable the application of methods for sound environment restitution or event detection over a vast area of operation. Search and rescue of casualties, in the event of a disaster or on the battlefield, is a use case of growing interest. The main problem with integrating a microphone antenna into a UAV is that the noise produced by the engine and its blades masks the sound signals of interest. To limit this phenomenon, it is therefore necessary to perform a multi-channel denoising operation on the data captured by all the microphones making up the antenna. To achieve this, we propose the use of deep learning methods. Standard noise reduction methods, such as spectral subtraction and Wiener filtering, use estimates of the sound source to be source to be eliminated. To apply these methods, it is therefore necessary to know when the signal of interest is present, requiring the implementation of suitable mechanisms (activity detection). In the applications envisaged, the characteristics of the signal of interest are not known, so this implementation is compromised. What's more, these methods tend to degrade the phase of the signals, thus preventing antenna processing based on denoised data. These limitations motivate the use of Deep Learning noise reduction methods to eliminate drone interference.