Una frenata brusca, un urto, un grido d’aiuto. In una galleria stradale i primi secondi dopo un incidente sono decisivi, e spesso il primo segnale che qualcosa non va non si vede: si sente. Da questa intuizione nasce il progetto di Sound Event Detection che il team Data Science di Humanativa ha sviluppato per un primario gestore della rete stradale nazionale: una soluzione di intelligenza artificiale che ascolta l’audio registrato in galleria, riconosce i suoni di pericolo e invia automaticamente una segnalazione alla centrale operativa. Ecco come ci siamo arrivati, e perché il percorso è interessante quanto il risultato.
Il problema: riconoscere un allarme in mezzo al rumore
Una galleria è uno degli ambienti acustici più difficili che si possano immaginare. Ventilatori, traffico continuo e un riverbero di diversi secondi producono un rumore di fondo costante, concentrato soprattutto sotto i 2 kHz. In questo «muro» sonoro il sistema deve distinguere otto tipi di evento: frenate, incidenti, urla, voci, clacson, sirene, scoppi di pneumatici e portiere che sbattono. E deve farlo con un requisito preciso: pochi falsi allarmi, perché ogni segnalazione inutile costa tempo e attenzione agli operatori.
C’era poi un ostacolo ancora più grande: non esistono registrazioni reali di incidenti in galleria da usare per addestrare un modello. Bisognava quindi insegnare a una macchina a riconoscere suoni che, in quel luogo, non aveva mai «sentito».
Insegnare a una macchina un suono che non ha mai sentito
La risposta è stata un motore di data preparation che costruisce dati sintetici realistici, partendo da due ingredienti: 297 suoni di evento provenienti da archivi pubblici e una registrazione reale del rumore di fondo di una galleria. Il processo funziona come uno studio di post-produzione audio automatizzato:
- Ambientazione: a ogni suono viene applicata l’eco tipica di una galleria, simulata matematicamente, e una leggera variazione di tono, così che nessun esempio sia identico all’altro.
- Miscelazione: l’evento viene sovrapposto al rumore reale del tunnel a volumi diversi, più basso, simile o nettamente più forte del fondo, e in istanti diversi, perché il modello non impari a riconoscere un suono dalla sua posizione.
- Selezione: per ogni suono vengono provate 27 combinazioni di volume, eco e tono; un’analisi automatica misura quanto l’evento si distingue dal fondo e vengono conservati 10 esempi.
Il risultato è un dataset di 2.970 clip da 3 secondi su 8 classi (crash, frenata, urla, portiera che sbatte, scoppio pneumatico clacson, sirena, voci), completamente tracciabile e, soprattutto, ripetibile: quando saranno disponibili registrazioni reali, il dataset potrà crescere con lo stesso processo.
Guardare il suono prima di ascoltarlo
Prima di addestrare qualsiasi modello, abbiamo «guardato» i dati. L’analisi esplorativa (EDA) trasforma l’audio in immagini, gli spettrogrammi, e ne misura energia, dinamica e distribuzione delle frequenze. Le evidenze sono state preziose: gli eventi si riconoscono meglio nella fascia tra 2 e 8 kHz, proprio sopra la zona occupata dal rumore della galleria; 233 suoni su 297 si distinguono chiaramente dal fondo; il volume da solo non basta a separare le classi. Serviva un modello capace di cogliere pattern più complessi.
Una mappa t-SNE degli embedding, cioè delle rappresentazioni interne prodotte da una rete neurale pre-addestrata, ha mostrato gruppi di suoni già ben separati, anche tra classi acusticamente vicine come urla e voci o clacson e sirene. Era il segnale che l’approccio giusto era il transfer learning.
Tre modelli a confronto, una scelta ragionata
Invece di partire da zero, abbiamo utilizzato modelli di riconoscimento audio già addestrati su milioni di suoni e li abbiamo specializzati sui suoni della galleria: la rete pre-addestrata estrae le caratteristiche del segnale, un piccolo classificatore posto «on top» impara a distinguere le nostre classi. Una grid search ha messo alla prova dieci configurazioni costruite su tre architetture molto diverse:
- EfficientAT mn04 e mn10, reti convoluzionali leggere, ottenute per distillazione da modelli transformer;
- AST (Audio Spectrogram Transformer), un transformer puro da circa 86 milioni di parametri;
- CLAP, un modello multimodale audio-testo, il più complesso del gruppo.
Il criterio di scelta non è stato soltanto l’accuratezza, ormai prossima al massimo per quasi tutti i modelli, ma l’equilibrio tra accuratezza, falsi allarmi e semplicità. Il vincitore è stato EfficientAT mn10 con un classificatore compatto da 32 neuroni: circa 5 milioni di parametri, eseguibile anche su CPU, e un tasso di falsi allarmi pari alla metà di quello delle migliori alternative. Un esempio concreto di come, nel Machine Learning applicato, il modello più grande non sia sempre il migliore.
Dal laboratorio alla centrale operativa
Un modello è utile solo se lavora dentro un processo. Per questo il team ha ingegnerizzato l’intera catena di inferenza:
- Ingestione flessibile: i file audio arrivano da una cartella condivisa, da un servizio REST o da una coda di messaggi.
- Analisi a finestre: l’audio viene esaminato in tratti di 5 secondi, parzialmente sovrapposti; se il riconoscimento è incerto, il suono viene classificato come «altro».
- Regole di allarme: la segnalazione parte solo quando il suono supera una soglia di confidenza configurabile e si ripete; l’alert contiene sensore, data e ora, tipo di evento, livello di confidenza e l’estratto audio da riascoltare.
- Web app di gestione: gli operatori scelgono quali suoni monitorare, con quali soglie e verso quale centrale inviare gli allarmi, e consultano storico e statistiche.
Il modello è esportato in formato ONNX, uno standard aperto che rende l’ambiente di produzione leggero e indipendente dal framework usato per l’addestramento.
I risultati, letti con onestà
Nella fase di POC il modello selezionato ha raggiunto un’accuratezza superiore al 90% sia nella validazione incrociata sia su un test set indipendente mai visto in addestramento, con precisione elevata anche sulle classi più rare. Un’analisi della soglia di decisione ha inoltre individuato il punto di lavoro ottimale, intorno a 0,40, che minimizza i falsi allarmi senza perdere eventi reali.
Sono numeri ottenuti su dati sintetici, e lo diciamo con chiarezza: la prossima tappa naturale è una campagna di registrazioni reali in galleria per validare le prestazioni sul campo. Ma è proprio qui che il lavoro svolto mostra il suo valore: un processo documentato, riproducibile e pronto a imparare dai nuovi dati.
Un’infrastruttura che ascolta non è più soltanto un’infrastruttura monitorata: è un sistema capace di cogliere segnali, riconoscere eventi e fornire nuove informazioni a chi deve prendere decisioni. Questa esperienza dimostra che portare l’intelligenza artificiale nella realtà operativa richiede metodo, sperimentazione e una profonda comprensione del contesto. Le gallerie che ascoltano sono solo l’inizio di un percorso verso infrastrutture sempre più intelligenti e consapevoli di ciò che accade al loro interno.