Sensor Acústico para Detecção de Desmatamento Ilegal na Floresta Amazônica
Resumo
Neste trabalho, apresentamos um método para detecção de sons de motosserras, com o objetivo de auxiliar no combate de extração ilegal de madeira nas florestas tropicais. Em nossa abordagem utilizamos um método de classificação de uma classe para detectar apenas o som de interesse e rejeitar todos os outros sons, sejam estes naturais ou artificiais, tais como: chuva, vento, diversas vocalizações de animais, fala humana, e motores de barcos. O método de classificação escolhido é o Support Vector Data Description (SVDD), que consiste em criar uma hiperesfera ao redor dos pontos que representam a classe alvo no espaço de características acústicas. Aplicando a transformada Wavelet, para a extração das características acústicas, conseguimos processar o sinal de entrada em tempo real. Assim, o método proposto consegue processar e classificar os áudios em tempo real com baixa complexidade computacional, o que beneficia o uso de sensores por economizar processamento, reduzindo o consumo de bateria. 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 = 95%), mas perde eficiência quando comparada com sons artificiais (AUC = 77%).
Referências
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 chainsaw 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.
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.
Pereira, A. S., Silva, T. R. M. B., Silva, F. A., Loureiro, A. A. F., & Ruiz, L. B. (2016). Avaliando algoritmos para um elemento sensor autonômico. Simpósio Brasileiro de Computação Ubíqua e Pervasiva.
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.
Tax, D. & Martinus, J. (2001). One-class classification. PhD thesis, TU Delft, Delft University of Technology.
