Dissertação
Machine learning methods for vessel type classification with underwater acoustic data
Registro en:
Autor
Domingos, Lucas Cesar Ferreira
Resumen
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