gabemagee/gunshot_detection

# 使用Raspberry Pi进行枪声检测 ### 工作原理 我们的流程，使用Python编排，运行三个并发线程：一个用于持续捕获从连接的麦克风接收到的音频，并将两秒钟的音频放入音频分析队列；一个用于分析从音频分析队列检索到的声音样本，并验证在给定样本中是否发生了枪声；最后，如果检测到音频片段中最新的部分发生了枪声，则将短信警报消息发送到预定的电话号码列表。 ### 硬件 我们的短信服务（SMS）枪声检测流程部署在连接到AT&T USBConnect Lightning Quickstart SMS调制解调器和Sizheng全向USB麦克风的Raspberry Pi 3 Model B+上。 ### 模型 我们在近60,000个两秒钟音频样本的集合上训练了三个不同的模型，以区分枪声和其他噪音。第一个模型是一个一维卷积神经网络，它将两秒钟的时间序列音频作为输入。第二个和第三个模型是二维卷积神经网络，它们将两秒钟音频样本的频谱作为输入。在实际推理中，通过三个模型之间的多数投票共识来决定样本的类别。 ### 数据集 我们的训练特征和样本以及我们的训练模型可以在[Dataverse](https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/2KI6IH)上找到。 ### 引用 此存储库包含与论文[使用Raspberry Pi上的深度学习进行低成本枪声检测](https://ieeexplore.ieee.org/abstract/document/9006456)相关的源代码。 请按照以下格式引用： ``` @INPROCEEDINGS{9006456, author={A. {Morehead} and L. {Ogden} and G. {Magee} and R. {Hosler} and B. {White} and G. {Mohler}}, booktitle={2019 IEEE International Conference on Big Data (Big Data)}, title={Low Cost Gunshot Detection using Deep Learning on the Raspberry Pi}, year={2019}, pages={3038-3044}, doi={10.1109/BigData47090.2019.9006456}} ```

标签：Apex, AT&T USBConnect, Harvard Dataverse, Raspberry Pi, Sizheng 微型麦克风, 低成本解决方案, 共识决策, 内存执行, 卷积神经网络, 声音识别, 多模型融合, 安全系统, 机器学习, 枪声检测, 模式识别, 深度学习, 深度学习应用, 短信警报, 边缘计算, 逆向工具, 集群部署, 音频分析