Santos, Paulo EduardoDomingos, Lucas Cesar Ferreira2023-01-092023-01-092022DOMINGOS, Lucas Cesar Ferreira. <b> Machine learning methods for vessel type classification with underwater acoustic data. </b> 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.https://repositorio.fei.edu.br/handle/FEI/4674A 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 acadêmicosVesselidentificationinacontrolledtrafficenvironmentcanbebeneficialforbiodiversity 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 purposesen-USDeep learningAcústicaHidrofonesDissertaçãohttps://doi.org/10.31414/EE.2022.D.131558