Machine learning methods for vessel type classification with underwater acoustic data
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2022
Autores
Domingos, Lucas Cesar Ferreira
Orientador
Santos, Paulo Eduardo
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
DOMINGOS, Lucas Cesar Ferreira. Machine learning methods for vessel type classification with underwater acoustic data. 2022. 89 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131558.
Texto completo (DOI)
Palavras-chave
Deep learning,Acústica,Hidrofones
Resumo
A identificaçãodeembarcaçõesemambientesdetráfegocontroladopodeserbenéfica
para manutençãodabiodiversidadeeproteçãodosambientescosteirosderegiõesprotegidas,
gerandocontribuiçõesparaacomunidadelocaleparaoecossistema.Nesseâmbito,vê-se
latente anecessidadedemelhorestécnicasdeidentificaçãoeclassificaçãodeembarcações,
proporcionando mecanismosparamelhoradestessistemas.Sinaissonorossubaquáticossão
mais difíceisdeseremmascaradosouomitidosduranteanavegaçãodeumaembarcaçãoquando
comparados comoutrasfontesdedados,proporcionandoumafonteconfiáveleresistentea
fraudes parasistemasdeclassificação,porém,estessofreminterferênciasdascondiçõesdomeio
em queseencontram.Nestetrabalho,umametodologiafoipropostapararealizaraclassificação
de sinaissonorossubaquáticosprovenientesdeembarcaçõesutilizandotécnicasdeaprendizado
de máquina,considerandotambémasvariáveisambientais,comoadistânciaentreoshidrofonese
as embarcações.Umacomparaçãorelativaàperformancedasredesneuraisconvolucionaismais
comuns foirealizadautilizandoaarquiteturadaVGGedaResNet18.Tambémforamrealizadas
comparações entreostrêsfiltrosdepré-processamentoscomumentepresentesnaliteratura,os
espectrogramasMel,osfiltrosGamma,eatransformadadeconstanteQ,proporcionandoum
estudosobreoimpactodetaisvariáveisnaclassificaçãofinal.Devidoaescassezdeconjuntos
de dadosanotadosparaestudodesteproblema,umconjuntodedadosanotadosfoiproposto
utilizando comobaseossinaissonorosdainiciativaOceanCanadaNetwork.Osresultados
obtidos atingiramaacuráciade94.95%noconjuntodedadospropostousandoCQTcomofiltro
de pré-processamentoparaumaredeneuralconvolucionalbaseadanaResNet.Oscódigosfontes
para reproduçãodostestes,assimcomoparaobtençãododataset,estãodisponibilizadosde
maneira gratuita e pública para fins acadêmicos
Vesselidentificationinacontrolledtrafficenvironmentcanbebeneficialforbiodiversity maintenance andcoastalenvironmentsurveillanceinprotectedregions,generatingcontributions to thelocalcommunityandtheecosystem.Inthiscontext,thereisalatentneedforbetter techniquesforidentifyingandclassifyingvessels,providingmechanismstoimprovethesesystems. Underwatersoundsignalsaremorechallengingtobemaskedoromitted,duringthenavigationof a vessel,whencomparedtootherdatasources,providingareliableandfraud-resistantsourcefor classification systems,however,theysufferinterferencefromtheconditionsoftheenvironment in whichtheyareused.Inthiswork,amethodologywasproposedtoperformtheunderwater acousticclassification,usingsignalsproducedbyvessels,usingmachinelearningtechniques, and alsoconsideringenvironmentalvariables,suchasthedistancebetweenthehydrophonesand the targetvessels.Acomparisonregardingtheperformanceofthemostcommonconvolutional neural networkswasperformedusingtheVGGandResNet18architectures.Comparisonswere also madebetweenthethreepreprocessingfilterscommonlypresentintheliterature,theMel spectrograms,theGammafilters,andtheconstantQtransform,providingastudyontheimpact of suchvariablesinthefinalclassification.Duetothescarcityofannotateddatasetstostudythis problem, anannotateddatasetwasproposedbasedonthesoundsignalsoftheOceanCanada Networkinitiative.Theresultsobtainedreachedtheaccuracyof94.95%ontheproposeddataset using CQTasthepreprocessingfilterforaResNet-basedconvolutionalneuralnetwork.The source codesforreproducingthetests,aswellasforobtainingthedataset,arefreelyandpublicly available for academic purposes
Vesselidentificationinacontrolledtrafficenvironmentcanbebeneficialforbiodiversity maintenance andcoastalenvironmentsurveillanceinprotectedregions,generatingcontributions to thelocalcommunityandtheecosystem.Inthiscontext,thereisalatentneedforbetter techniquesforidentifyingandclassifyingvessels,providingmechanismstoimprovethesesystems. Underwatersoundsignalsaremorechallengingtobemaskedoromitted,duringthenavigationof a vessel,whencomparedtootherdatasources,providingareliableandfraud-resistantsourcefor classification systems,however,theysufferinterferencefromtheconditionsoftheenvironment in whichtheyareused.Inthiswork,amethodologywasproposedtoperformtheunderwater acousticclassification,usingsignalsproducedbyvessels,usingmachinelearningtechniques, and alsoconsideringenvironmentalvariables,suchasthedistancebetweenthehydrophonesand the targetvessels.Acomparisonregardingtheperformanceofthemostcommonconvolutional neural networkswasperformedusingtheVGGandResNet18architectures.Comparisonswere also madebetweenthethreepreprocessingfilterscommonlypresentintheliterature,theMel spectrograms,theGammafilters,andtheconstantQtransform,providingastudyontheimpact of suchvariablesinthefinalclassification.Duetothescarcityofannotateddatasetstostudythis problem, anannotateddatasetwasproposedbasedonthesoundsignalsoftheOceanCanada Networkinitiative.Theresultsobtainedreachedtheaccuracyof94.95%ontheproposeddataset using CQTasthepreprocessingfilterforaResNet-basedconvolutionalneuralnetwork.The source codesforreproducingthetests,aswellasforobtainingthedataset,arefreelyandpublicly available for academic purposes