Detecção e Classificação de Sons de Disparos: Uma Abordagem com Redes Neurais Convolucionais

• Fábio Luiz Júnior Instituto Militar de Engenharia (IME)
• Bruno Eduardo de Oliveira Carvalho Instituto Militar de Engenharia (IME)
• Julio Cesar Santana da Rosa Filho Instituto Militar de Engenharia (IME)
• Paulo Fernando Ferreira Rosa Instituto Militar de Engenharia (IME) https://orcid.org/0000-0003-1323-0502
• Julio Cesar Duarte Instituto Militar de Engenharia (IME) https://orcid.org/0000-0001-6656-1247

DOI: https://doi.org/10.5753/bresci.2026.249369

Resumo

Este trabalho aborda o desafio da detecção e classificação de armas de fogo, pelo som emitido no disparo, utilizando uma rede neural convolucional (CNN). A pesquisa foi motivada pela sua aplicabilidade em segurança pública, forças armadas e perícia criminal, em que a rápida detecção e identificação do armamento podem representar um diferencial importante, permitindo uma rápida e eficaz resposta das autoridades. Para isso, foram criadas 4 arquiteturas CNN para executar as tarefas de detecção de disparos, classificação por tipo e por calibre e identificação da arma. Os resultados alcançados no trabalho mostram-se promissores, alcançando acurácia de 100 % na detecção, 95,03 % para classificação por tipo, 77,64 % na classificação por calibre e 47,58 % na classificação por armamento.

Palavras-chave: redes neurais profundas, CNN, análise de áudio

Referências

Gencoglu, O., Virtanen, T., and Huttunen, H. (2014). Recognition of acoustic events using deep neural networks. In 2014 22nd European Signal Processing Conference (EUSIPCO), pages 506–510, Lisbon, Portugal. IEEE.

Gray, R. (2017). Gunfire audio opens new front in crime-fighting. BBC News.

Khan, S., Divakaran, A., and Sawhney, H. S. (2010). Weapon identification across varying acoustic conditions using an exemplar embedding approach. In Sensors, and command, control, communications, and intelligence (C3I) technologies for homeland security and homeland defense IX, volume 7666, pages 494–501, Bellingham, WA USA. SPIE, SPIE.

Kiktova, E., Lojka, M., Pleva, M., Juhar, J., and Cizmar, A. (2015). Gun type recognition from gunshot audio recordings. In 3rd international workshop on biometrics and forensics (IWBF 2015), pages 1–6, Gjovik, Norway. IEEE.

Lilien, R. (2018). Development of computational methods for the audio analysis of gunshots. Cadre Research Lab, Chicago, IL.

Piczak, K. J. (2015). Esc: Dataset for environmental sound classification. In Proceedings of the 23rd ACM International Conference on Multimedia, MM ’15, page 1015–1018, New York, NY, USA. Association for Computing Machinery.

Raponi, S., Oligeri, G., and Ali, I. M. (2022). Sound of guns: digital forensics of gun audio samples meets artificial intelligence. Multimedia tools and applications, 81(21):30387–30412.

Stephens, S. (2023). Knightscope announces automated gunshot detection. [link].