Car Sound Anomaly Detection
완료자동차 이상소리 탐지
진행률100%
Web
2025.11 ~ 2026.01
1명 (ML 엔지니어 + 백엔드 개발)
프로젝트 설명
자동차 브레이크, 엔진 공회전, 시동 시 발생하는 소리를 딥러닝으로 분석하여 이상 여부를 진단하는 시스템입니다. CNN(~2.5M), CRNN(~3.5M), Transformer(~4M) 3종 모델을 비교 실험했습니다.
- Mel-Spectrogram + MFCC 오디오 특징 추출 파이프라인 구축
- CNN/CRNN(CNN+BiLSTM)/Audio Spectrogram Transformer 3종 모델 학습 및 비교
- FastAPI + PostgreSQL + Redis + AWS S3 실시간 진단 API 서빙
기술 스택
PythonPyTorchFastAPILibrosascikit-learnPostgreSQLRedisAWS S3Docker
아키텍처
오디오 입력 (WAV/MP3)
└─ 전처리 파이프라인
├─ Librosa (Mel-Spectrogram / MFCC 추출)
└─ 모델 추론
├─ CNN (~2.5M params)
├─ CRNN: CNN + BiLSTM (~3.5M params)
└─ Audio Spectrogram Transformer (~4M params)
└─ FastAPI (REST API 서빙)
├─ PostgreSQL (진단 결과 저장)
├─ Redis (캐싱)
├─ AWS S3 (오디오 파일 저장)
└─ Docker (컨테이너 배포)차량 소리(브레이크/엔진/시동)를 Mel-Spectrogram과 MFCC로 특징 추출한 뒤, CNN/CRNN/Transformer 3종 모델로 이상 여부를 분류합니다. FastAPI로 실시간 진단 API를 서빙합니다.
주요 기능
Mel-Spectrogram / MFCC 추출
Librosa로 오디오에서 Mel-Spectrogram과 MFCC 특징을 추출하는 전처리 파이프라인
CNN 모델 (~2.5M)
2D Convolutional Neural Network로 스펙트로그램 이미지 기반 이상 분류
CRNN 모델 (~3.5M)
CNN + BiLSTM 결합. 공간적 특징(CNN) + 시간적 패턴(BiLSTM) 동시 학습
Transformer 모델 (~4M)
Audio Spectrogram Transformer. Self-Attention으로 전역 패턴 포착
실시간 진단 API
FastAPI REST API로 오디오 업로드 → 실시간 이상 진단 결과 반환
배치 분석
대량 오디오 파일 일괄 분석 + 결과 PostgreSQL 저장 + S3 원본 보관
기능
#Mel-Spectrogram/MFCC 특징 추출#CNN/CRNN/Transformer 3종 모델#실시간 REST API 진단#배치 분석#브레이크/엔진/시동 상태 분류#Docker 컨테이너 배포
링크
