Шумомер

Шумомер в браузъра с нормите на ЕС и България, акустика на помещения и машинно обучение.

Python бекенд слуша микрофона на компютъра (или на телефона), а интерфейсът се отваря навсякъде в същата мрежа. Подходящ за жалба за шум от съседи, оценка на шума на работното място, акустика на стая или наблюдение на машина.

Български · English

Бърз старт · Възможности · Стандарти · Машинно обучение · Калибриране · Как работи · API

Снимки

Ниво – циферблат, „прилича на“, жива скала на шума и какво се чува	Анализ – спектър, третинооктави, NR/NC, спектрограма
Норми – работно място (LEX,8h), околна среда (Lden), NIOSH/OSHA доза	Помещение – време на реверберация RT60 по ISO 3382-2
Записи – отчет с Ln, SEL, LAeq по интервали, сравнение с наредбите	Табло – кога е шумно, прогноза за 24 ч, сравнение на два записа
Звуци – свои звуци, откриване на аномалии, аудио клипове	Протокол – A4 за печат или PDF, по образец на ISO 1996-2
Светла тема и английски език – с един клик	Настройки – микрофон, калибриране, аларма, модел за разпознаване

  
_{На телефон разделите са в долна лента, останалите – под „Още“. Може да се инсталира като приложение.}

Бърз старт

Нужен е Python 3.10 или по-нов.

git clone https://github.com/Krumqnkata/noise-measure-tool.git
cd noise-measure-tool
python -m venv .venv

Активирай средата – на Windows (PowerShell):

.venv\Scripts\Activate.ps1

на Linux / macOS:

source .venv/bin/activate

Инсталирай и пусни:

pip install -r requirements.txt
python backend/main.py

Отвори http://localhost:8000. Няма микрофон? Демо режимът симулира разговор, бучене, силни удари и плясък за RT60:

python backend/main.py --demo

Разпознаването на звуци и машинното обучение са по желание – нужна им е една библиотека (официалният TFLite runtime на Google). Моделът YAMNet (~16 MB) се сваля сам в папка models/:

pip install -r requirements-ml.txt

Възможности

Седем раздела, всеки със свой адрес (/#norms, /#records/5, /#records/dashboard…). Светла и тъмна тема (или според системата), български и английски език.

Клавиши: Интервал старт/стоп · 1–7 раздел · F цял екран · R нулиране · S снимка · T тема.

🎚️ Ниво

• циферблат 0–140 dB; честотно претегляне A / C / Z и времево Fast / Slow / Impulse;
• „Прилича на“ и жива скала на шума – 15 познати звука от шепот до реактивен двигател;
• „Чува се“ – какво разпознава моделът в момента;
• минимум, Leq, максимум, L10 / L50 / L90, пик; графика на последната минута; цял екран и снимка.

📊 Анализ

• разпознаване на източника – 12 групи: 🗣️ хора · 🎵 музика · 🐕 куче · 🐾 животни · 🚗 трафик · 🔨 ремонт · 🚨 сирена · 🌧️ природа · 🏠 домакинство · 💥 удари · 〰️ бучене · 🔇 тишина (плюс твоите звуци);
• спектър 20 Hz – 20 kHz, 31 третинооктавни ленти (IEC 61260), спектрограма, форма на вълната;
• NR и NC на фоновия шум в помещение – октавният спектър върху кривите.

🛡️ Норми

• Работно място по Директива 2003/10/ЕО и Наредба № 6/2005: LEX,8h и LCpeak на живо, „светофар“ за долна (80 dB(A) / 135 dB(C)), горна (85 / 137) и гранична стойност (87 / 140) и какво изисква всяка;
• Околна среда по Директива 2002/49/ЕО и Наредба № 6/2006: Lден, Lвечер, Lнощ и Lden спрямо граничните стойности за избрания вид територия или помещение;
• дозиметър по NIOSH и OSHA: доза, TWA, прогноза за 8 ч и колко още е безопасно.

🎙️ Записи

• всяка секунда: LAeq, LAFmax, LAFmin, LAImax, LCeq, LCpeak, LZeq, LZpeak и разпознатият източник;
• по график (напр. всяка нощ 23:00–07:00) – и сутрешен отчет за съня: Lнощ и събитията над 45 dB(A) по насоките на СЗО (2018), с източник и клип;
• отчет: L1…L99, SEL, LAeq за 1 / 5 / 15 / 60 мин, време над праг, хистограма, източници, доза, LEX,8h, сравнение с наредбите, нискочестотен шум, събития с клипове;
• протокол за печат / PDF (A4) – данни за измерването, показатели, сравнение с нормите, подпис;
• табло: топлинна карта ден × час, прогноза за следващите 24 ч (медиана и 10–90 %, от поне 7 дни данни), източник по час, сравнение на два записа; CSV експорт.

🧠 Звуци

• свои звуци – запиши 2–3 примера („кучето на съседа“, асансьор) и приложението ги разпознава и известява;
• откриване на аномалии – научава „нормалното“ за стая или машина и предупреждава при необичаен звук (идеята на предиктивната поддръжка);
• аудио клипове – 3 s преди и 5 s след всяко събитие, по желание без клипове с говор, лимит на мястото.

🏠 Помещение

• RT60 по ISO 3382-2 (инженерен метод): плясък или балон → крива на Шрьодер, T20 и T30 по октави 125 Hz – 4 kHz, проверка на обхвата над шума и ориентир за спалня, клас, офис, зала.

⚙️ Настройки

• микрофон на компютъра или на телефона; калибриране за всеки поотделно (ръчно, типично или по еталонен шумомер);
• аларма: праг, продължителност, звук, известия в браузъра и списък със събития;
• модел за разпознаване: бърз YAMNet или точен PANNs CNN14.

📱 Телефон и PWA

• микрофонът на телефона – звукът се изпраща към сървъра без автоматично усилване и потискане на шума, и всичко останало (норми, записи, разпознаване) работи както с компютърния;
• браузърите дават микрофона само по https – пусни с --https и приеми предупреждението за самоподписания сертификат;
• инсталиране като приложение (PWA) – икона на началния екран, отваря се в собствен прозорец.

Стандарти и норми

Граничните стойности на Наредба № 6/2006 са сверени с официалния текст и изменението от 2021 г. (то сменя само имената на част от териториите). Всички числа са на едно място – backend/norms.py, с източника в коментар.

Машинно обучение

• И двата модела вървят със същата библиотека ai-edge-litert – без PyTorch или TensorFlow. CNN14 е LiteRT копието от litert-community с фиксирана версия и проверка на SHA-256 при сваляне.
• Свои звуци – всеки запис на пример се нарязва на прозорци от ~1 s и за всеки се пази embedding-ът на YAMNet. Нов звук се сравнява с примерите по косинусово сходство (средно от трите най-близки); прагът за „непознат“ се смята сам от примерите чрез leave-one-out.
• Аномалии – профилът пази embeddings-ите от „нормалното“. Оценката е разстоянието до най-близките от тях, разделено на прага (99.5-ия процентил при обучението × 1.2) – над 1.0 е необичайно. Необичайно силен звук също е аномалия, дори да прилича на нормалното: ако нивото е с над 6 dB над 99-ия процентил от обучението, оценката минава 1.0.
• Събитията от своите звуци и аномалиите влизат в записите, известията и клиповете като тези от алармата.

Калибриране

Звуковата карта мери спрямо своя максимум (dBFS). За dB SPL се добавя калибрационен офсет – по подразбиране 120 dB, типичното за MEMS микрофоните в телефони и лаптопи (−26 dBFS при 94 dB SPL).

За по-точни стойности в Настройки → По еталонен шумомер: сложи истински шумомер (или калибратор 94 dB) до микрофона, пусни постоянен шум, въведи показанието му и натисни „Калибрирай“. Офсетът се пази отделно за всеки микрофон – компютърния и всеки свързан телефон.

Как работи

flowchart LR
    mic["🎤 Микрофон на компютъра<br/>или демо сигнал"] --> audio
    phone["📱 Микрофон на телефона<br/>AudioWorklet → /ws/mic"] --> audio
    audio["<b>audio.py</b><br/>A/C филтри · F/S/I<br/>FFT · третинооктави · NR/NC<br/>буфер 12 s"]
    audio -- "20 кадъра/s" --> ws["WebSocket /ws"]
    audio -- "1 ред/s" --> db[("SQLite<br/>noise.db")]
    audio -- "LAF" --> alarm["аларма"] --> db
    audio -- "звук" --> cls["<b>classifier.py</b><br/>YAMNet · PANNs"]
    cls --> ml["<b>ml.py</b><br/>свои звуци · аномалии<br/>клипове"]
    ml --> db
    cls -- "1/s" --> ws
    audio -- "плясък" --> room["<b>room.py</b><br/>RT60"]
    db --> api["REST API<br/>отчети · табло · CSV"]
    ws --> ui["🖥️ Браузър / PWA<br/>7 раздела"]
    api --> ui

• A- и C-претегляне – цифрови филтри от аналоговите криви по IEC 61672 чрез билинейна трансформация.
• Fast / Slow / Impulse – експоненциално усредняване на квадрата на сигнала с τ = 125 ms / 1 s; Impulse е асиметричен детектор с 35 ms нагоре и 1.5 s надолу.
• LAeq, Ln, SEL – от едносекундните стойности; LAE = LAeq,T + 10·lg(T / 1 s).
• LEX,8h = LAeq,Te + 10·lg(Te / 8 ч); Lden = 10·lg((12·10^(Ld/10) + 4·10^((Le+5)/10) + 8·10^((Ln+10)/10)) / 24).
• RT60 – октавен филтър, обратно интегриране на Шрьодер, права през −5…−25 dB (T20) и −5…−35 dB (T30).
• Разпознаване – YAMNet веднъж в секунда върху последните 0.975 s при 16 kHz; CNN14 на всеки ~2 s върху последните 2.5 s при 32 kHz (повторени до 10 s – входа на модела). Класовете се обединяват в 12 групи.

Структура

backend/
  main.py        FastAPI: страница, API, WebSocket, аларма, записи, график, https
  audio.py       запис / демо / звук от телефона, филтри, нива, спектри, NR/NC
  norms.py       наредбите и стандартите: прагове, LEX,8h, Lden, NR/NC криви
  room.py        RT60 (ISO 3382-2)
  scheduler.py   записи по график
  classifier.py  разпознаване (YAMNet) и избор на модел
  panns.py       по-точният модел PANNs CNN14
  custom.py      свои звуци и аномалии (numpy)
  ml.py          събития от машинното обучение и аудио клипове
  db.py          SQLite с миграции: записи, измервания, събития, отчети, табло
  certs.py       самоподписан сертификат за --https
static/
  index.html     обвивката и седемте раздела, цветовете на двете теми
  common.js      форматиране, помощни функции за графиките, грешки
  i18n.js        преводите (ключът е българският текст)
  meter.js · norms.js · analysis.js · records.js · dashboard.js · room.js · sounds.js
  mic.js         микрофонът на телефона (AudioWorklet)
  report.html    протоколът за печат / PDF
  sw.js · manifest.webmanifest · icons/   PWA
tests/           pytest – формулите, наредбите, RT60, базата, машинното обучение
scripts/
  screenshots.py снимките в docs/screenshots
  make_icons.py  иконите на PWA

Тестове и снимки:

pip install -r requirements-dev.txt
python -m pytest
python scripts/screenshots.py

API

Грешките идват като код ({"detail": {"code": "not_found"}}), а интерфейсът ги превежда.

Идеи за бъдещето

• микрофонът на телефона и инсталиране като приложение (PWA)
• записи по график с отчет за съня
• разпознаване на източника, свои звуци, откриване на аномалии
• сравнение на два записа и PDF протокол
• известия в Telegram или Discord при аларма
• няколко микрофона едновременно (напр. стая и улица) и разлика между тях
• карта на шума от измервания на различни места

Лиценз

MIT © 2026 Krumqnkata

Моделите не са част от хранилището, а се свалят при нужда в models/:

• YAMNet – Google, Apache 2.0;
• PANNs CNN14 – Q. Kong и др., PANNs: Large-Scale Pretrained Audio Neural Networks for Audio Pattern Recognition, 2020; тегла CC-BY-4.0 (Zenodo 3987831), LiteRT конверсия от litert-community.