Machine learning methods for vessel type classification with underwater acoustic data
| Ano de defesa: | 2022 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | eng |
| Instituição de defesa: |
Centro Universitário FEI, São Bernardo do Campo
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://repositorio.fei.edu.br/handle/FEI/4674 https://doi.org/10.31414/EE.2022.D.131558 |
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 |