Detecção de Desmatamento Ilegal na Floresta Amazônica Baseada em Processamento de Áudio

• Waldomiro J. G. Seabra UFAM
• Juan G. Colonna UFAM
• Eduardo F. Nakamura UFAM

Resumo

Neste trabalho apresentamos um método de detecção de motosserras através de som para auxiliar no combate a extração ilegal de madeira. Em nossa abordagem é utilizada a decomposição Wavelet (W) nas altas frequências, o que divide de forma ótima a classe de sons naturais das demais classes e divide muito bem, apesar de ainda haver sobreposição, a classe de motosserras da classe de sons artificias. Nós usamos um método de classificação de uma classe, o Support Vector data Description (SVDD), que cria uma hiperesfera ao redor do dos pontos que representam a classe alvo (motosserras) no espaço de características acústicas, desta forma sendo capaz de diferenciar motosserras de outros sons naturais e artificiais. Através dos experimentos realizados, concluímos que nossa abordagem é eficiente diferenciando sons de motosserras de sons naturais (AUC = 96%), diferenciando motosserras e sons artificiais de sons naturais (AUC = 91%), mas perde eficiência quando comparada com sons artificiais (AUC = 87%).

Referências

Bertrand, A. (2011). Applications and trends in wireless acoustic sensor networks: a signal processing perspective. In Communications and Vehicular Technology in the Benelux (SCVT), 2011 18th IEEE Symposium on, pages 1–6. IEEE.

Chang, W.-C., Lee, C.-P., & Lin, C.-J. (2013). A revisit to support vector data description. Dept. Comput. Sci., Nat. Taiwan Univ., Taipei, Taiwan, Tech. Rep.

Colonna, J. G., Gama, J., & Nakamura, E. F. (2016a). How to Correctly Evaluate an Automatic Bioacoustics Classification Method, volume 9868 of Advances in Artificial Intelligence. Lecture Notes in Computer Science (LNCS), pages 37–47. Springer International Publishing.

Colonna, J. G., Gatto, B., Dos Santos, E. M., & Nakamura, E. F. (2016b). A framework for chain-saw detection using one-class kernel and wireless acoustic sensor networks into the amazon rainforest. In Mobile Data Management (MDM), 2016 17th IEEE International Conference on, volume 2, pages 34–36. IEEE.

Fawcett, T. (2006). An introduction to roc analysis. Pattern Recognition Letters, 27(8):861–874.

Graps, A. (1995). An introduction to wavelets. IEEE computational science and engineering, 2(2):50–61.

Greenpeace (2016). Desmatamento dispara na amazônia. disponível em: [link].

Khan, S. S. (2010). Kernels for One-Class Nearest Neighbour Classification and Comparison of Chemical Spectral Data. PhD thesis, College of Engineering and Informatics, National University of Ireland.

Lin, J. (1991). Divergence measures based on the shannon entropy. IEEE Transactions on Information theory, 37(1):145–151.

Papán, J., Jurečka, M., & Púchyová, J. (2012). Wsn for forest monitoring to prevent illegal logging. In Computer Science and Information Systems (FedCSIS), 2012 Federated Conference on, pages 809–812. IEEE.

Seabra, W. J. G., Colonna, J. G., & Nakamura, E. F. (2017). Sensor acústico para detecção de desmatamento ilegal na floresta amazônica. IX Simpósio Brasileiro de Computação Ubíqua e Pervasiva (SBCUP).

Soisiinthorn, T. & Rujipattanapong, S. (2007). Deforestation detection algorithm for wireless sensor networks. In Communications and Information Technologies, 2007. ISCIT’07. International Symposium on, pages 1413–1416. IEEE.

Tax, D. & Duin, R. (2004). Support vector data description. Machine learning, 54(1):45–66.