Deep Learning-based Noise Reduction and Sound Classification for Rescue in Disaster Sites

도시 재난 현장에서는 다양한 형태의 잡음이 발생하여 인명 탐지 및 구조 작업의 정확도와 효율성을 저하시킬 수 있다. 이를 해결하기 위해 본 연구는 Wave-U-Net 기반의 딥러닝 모델과 Wiener 필터를 결합한 잡음 제거 방법을 제안하였다. 깨끗한 오디오 신호와 다양한 잡음을 합성하여, 깨끗한 신호 (data1), 잡음 제거를 적용한 신호 (data2), 추가로 Wiener 필터를 적용한 신호 (data3)로 구성된 데이터셋을 생성하였다. 데이터셋은 SNR 0 dB부터 30 dB까지 5 dB 단위로 다양한 잡음 수준에서 생성되었으며, 이를 사용하여 각각의 모델을 학습하였다. 제안된 잡음 제거 방법의 효과를 평가하기 위해 Simple CNN (Convolutional Neural Network), XGBoost (eXtreme Gradient Boosting), SVM (Support Vector Machine)을 사용하여 각 데이터셋의 성능을 측정하였다. 실험 결과, SNR 0 dB에서 5 dB 구간에서는 잡음 제거가 성능 향상에 긍정적인 영향을 미쳤으나, SNR 10 dB 이상의 환경에서는 잡음 제거가 오히려 성능 저하를 초래하였다. 이는 잡음이 적은 환경에서 과도한 잡음 제거가 신호 왜곡을 일으키거나, 불필요한 신호 처리로 인해 원래 신호의 품질을 손상시킬 수 있기 때문이다. 본 연구는 복잡한 잡음 환경에서 잡음 제거의 효과를 확인하였으며, 향후 연구는 SNR 10 dB 이상의 고잡음 환경에서도 성능을 유지할 수 있는 방법을 탐색하는 데 중점을 두어야 한다.