Machine learning methods for vessel type classification with underwater acoustic data

Abstract

RESUMOA identificação de embarcações em ambientes de tráfego controlado pode ser benéfica para manutenção da biodiversidade e proteção dos ambientes costeiros de regiões protegidas, gerando contribuições para a comunidade local e para o ecossistema. Nesse âmbito, vê-se latente a necessidade de melhores técnicas de identificação e classificação de embarcações, proporcionando mecanismos para melhora destes sistemas. Sinais sonoros subaquáticos são mais difíceis de serem mascarados ou omitidos durante a navegação de uma embarcação quando comparados com outras fontes de dados, proporcionando uma fonte confiável e resistente a fraudes para sistemas de classificação, porém, estes sofrem interferências das condições do meio em que se encontram. Neste trabalho, uma metodologia foi proposta para realizar a classificação de sinais sonoros subaquáticos provenientes de embarcações utilizando técnicas de aprendizado de máquina, considerando também as variáveis ambientais, como a distância entre os hidrofones e as embarcações. Uma comparação relativa à performance das redes neurais convolucionais mais comuns foi realizada utilizando a arquitetura da VGG e da ResNet 18. Também foram realizadas comparações entre os três filtros de pré-processamentos comumente presentes na literatura, os espectrogramas Mel, os filtros Gamma, e a transformada de constante Q, proporcionando um estudo sobre o impacto de tais variáveis na classificação final. Devido a escassez de conjuntos de dados anotados para estudo deste problema, um conjunto de dados anotados foi proposto utilizando como base os sinais sonoros da iniciativa Ocean Canada Network. Os resultados obtidos atingiram a acurácia de 94.95% no conjunto de dados proposto usando CQT como filtro de pré-processamento para uma rede neural convolucional baseada na ResNet. Os códigos fontes para reprodução dos testes, assim como para obtenção do dataset, estão disponibilizados de maneira gratuita e pública para fins acadêmicos.