Diseño e implementación de una red neuronal para la detección de firmas acústicas de embarcaciones

Abstract

[ES] El tráfico marítimo afecta significativamente al comportamiento y preservación de la fauna y flora submarina. Por ello, existe la necesidad de implementar un sistema de monitorización del flujo de embarcaciones en entornos marítimos protegidos y áreas de preservación. En este contexto, es de especial utilidad el uso de firmas acústicas como forma de identificación. Las firmas acústicas son las características sonoras propias de una señal de audio que permiten identificar una fuente sonora. Para definirla se utilizan variables de análisis como la amplitud, la frecuencia o patrones de carácter temporal. En el caso de la firma acústica generada por una embarcación, está formada por un conjunto de fuentes sonoras como son el casco, el motor o las hélices. Este trabajo final de grado tiene por objetivo el entrenamiento de una red neuronal para la detección de firmas acústicas de embarcaciones a partir de señales de audio. Para ello se entrena una red mediante un conjunto de datos que incluyen firmas acústicas de distintas embarcaciones. Y posteriormente, se evalúa el algoritmo a partir de un conjunto de grabaciones submarinas previas.

[EN] Maritime traffic significantly impacts the behavior and preservation of underwater fauna and flora. Therefore, there is a need to implement a system for monitoring vessel traffic in protected maritime environments and preservation areas. In this context, the use of acoustic signatures for identification is particularly useful. Acoustic signatures are the unique sound characteristics of an audio signal that allow the identification of a sound source. Variables such as amplitude, frequency, or temporal patterns are used to define them. In the case of the acoustic signature generated by a vessel, is formed by a set of sound sources such as the hull, the engine, or the propellers. The objective of this final degree project is to train a neural network for the detection of vessel acoustic signatures from audio signals. For this purpose, a network has been trained using a dataset that includes acoustic signatures from different vessels. Finally, the algorithm has been evaluated using a set of underwater recordings.