Machine learning methods for vessel type classification with underwater acoustic data

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Domingos, Lucas Cesar Ferreira
Orientador(a): Santos, Paulo Eduardo
Banca de defesa: Não Informado pela instituição
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:
Deep learning
Acústica
Hidrofones
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
id FEI_ec9c5da5fbbfa78d6ad1798b14dcedab
oai_identifier_str oai:repositorio.fei.edu.br:FEI/4674
network_acronym_str FEI
network_name_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
repository_id_str
spelling Domingos, Lucas Cesar FerreiraSantos, Paulo Eduardo2023-01-09T01:12:39Z2023-01-09T01:12:39Z2022DOMINGOS, 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/4674https://doi.org/10.31414/EE.2022.D.131558A 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 purposesFundação Educacional Inaciana Padre Saboia de Medeirosengen_USCentro Universitário FEI, São Bernardo do CampoDeep learningAcústicaHidrofonesMachine learning methods for vessel type classification with underwater acoustic datainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisInteligência Artificial Aplicada à Automação e Robóticareponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)instname:Centro Universitário da Fundação Educacional Inaciana (FEI)instacron:FEIinfo:eu-repo/semantics/openAccessORIGINALfulltext.pdfapplication/pdf1412312https://repositorio.fei.edu.br/bitstreams/df5ac0c6-caf6-4976-9aa8-e9d9d6077955/downloadb3e6cebf8e3a525c9cf8a42ce620aa09MD51trueAnonymousREADTEXTfulltext.pdf.txtfulltext.pdf.txtExtracted texttext/plain100278https://repositorio.fei.edu.br/bitstreams/744b672f-d607-4f9b-a808-8e08388c81f6/downloaddfd0541366e5c4261a6f3a326513040dMD54falseAnonymousREADTHUMBNAILfulltext.pdf.jpgfulltext.pdf.jpgGenerated Thumbnailimage/jpeg2420https://repositorio.fei.edu.br/bitstreams/fb5958cb-a2e8-46bd-975d-c3c3a7f7286f/download7a6cc97059c1a1eb460db638f362238dMD55falseAnonymousREADFEI/46742025-04-07 23:08:06.498open.accessoai:repositorio.fei.edu.br:FEI/4674https://repositorio.fei.edu.brBiblioteca Digital de Teses e Dissertaçõeshttp://sofia.fei.edu.br/pergamum/biblioteca/PRIhttps://repositorio-api.fei.edu.br/server/oai/requestcfernandes@fei.edu.bropendoar:2025-04-07T23:08:06Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)false
dc.title.pt_BR.fl_str_mv Machine learning methods for vessel type classification with underwater acoustic data
title Machine learning methods for vessel type classification with underwater acoustic data
spellingShingle Machine learning methods for vessel type classification with underwater acoustic data
Domingos, Lucas Cesar Ferreira
Deep learning
Acústica
Hidrofones
title_short Machine learning methods for vessel type classification with underwater acoustic data
title_full Machine learning methods for vessel type classification with underwater acoustic data
title_fullStr Machine learning methods for vessel type classification with underwater acoustic data
title_full_unstemmed Machine learning methods for vessel type classification with underwater acoustic data
title_sort Machine learning methods for vessel type classification with underwater acoustic data
author Domingos, Lucas Cesar Ferreira
author_facet Domingos, Lucas Cesar Ferreira
author_role author
dc.contributor.author.fl_str_mv Domingos, Lucas Cesar Ferreira
dc.contributor.advisor1.fl_str_mv Santos, Paulo Eduardo
contributor_str_mv Santos, Paulo Eduardo
dc.subject.por.fl_str_mv Deep learning
Acústica
Hidrofones
topic Deep learning
Acústica
Hidrofones
description 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
publishDate 2022
dc.date.issued.fl_str_mv 2022
dc.date.accessioned.fl_str_mv 2023-01-09T01:12:39Z
dc.date.available.fl_str_mv 2023-01-09T01:12:39Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv DOMINGOS, 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.
dc.identifier.uri.fl_str_mv https://repositorio.fei.edu.br/handle/FEI/4674
dc.identifier.doi.none.fl_str_mv https://doi.org/10.31414/EE.2022.D.131558
identifier_str_mv DOMINGOS, 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.
url https://repositorio.fei.edu.br/handle/FEI/4674
https://doi.org/10.31414/EE.2022.D.131558
dc.language.iso.fl_str_mv eng
en_US
language eng
language_invalid_str_mv en_US
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.coverage.area.pt_BR.fl_str_mv Inteligência Artificial Aplicada à Automação e Robótica
dc.publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
dc.source.none.fl_str_mv reponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
instname:Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron:FEI
instname_str Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron_str FEI
institution FEI
reponame_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
collection Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
bitstream.url.fl_str_mv https://repositorio.fei.edu.br/bitstreams/df5ac0c6-caf6-4976-9aa8-e9d9d6077955/download
https://repositorio.fei.edu.br/bitstreams/744b672f-d607-4f9b-a808-8e08388c81f6/download
https://repositorio.fei.edu.br/bitstreams/fb5958cb-a2e8-46bd-975d-c3c3a7f7286f/download
bitstream.checksum.fl_str_mv b3e6cebf8e3a525c9cf8a42ce620aa09
dfd0541366e5c4261a6f3a326513040d
7a6cc97059c1a1eb460db638f362238d
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)
repository.mail.fl_str_mv cfernandes@fei.edu.br
_version_ 1862545940125057024

Registros relacionados