Rodrigo Emanoel de Britto Andrade Barros
Título
CLASSIFICAÇÃO DE EMBARCAÇÕES BASEADA EM REDES NEURAIS CONVOLUCIONAIS E CICLO-ESTACIONARIDADE
Resumo
Apresenta-se, nesta tese, o desenvolvimento e teste de um classi cador de embarcações baseado em Análise Ciclo-estacionária e Redes Neurais Convolucionais. A Coerência Espectral do ruído irradiado pelo navio foi utilizada como features de entrada para um classi cador de Rede Neural Convolucional baseado na arquitetura MobileNetV2. Para se obter a Coerência Espectral dos áudios foi utilizado o algoritmo FastSC. Em paralelo, outros três classi cadores foram desenvolvidos utilizando Support Vector Machine. Os modelos foram amplamente testados em dois bancos de dados distintos e foram capazes de discriminar as diferentes classes. Os resultados dos modelos foram comparados com resultados de outros modelos que usaram as mesmas bases de dados. Foi conduzida, também, uma avaliação de imunidade ao ruído, sendo observada uma alta acurácia do método proposto mesmo ao classi car sinais bastante ruidosos. Testes para veri car a in uência do tamanho da entrada de dados na acurácia da rede convolucional foram realizados. Regressores foram desenvolvidos para realizar a tarefa de identi cação da frequência de cavitação das embarcações, apresentando bons resultados. Finalmente, um estudo de caso é apresentado, onde se descreve o desenvolvimento de um classi cador para ser empregado em sistemas embarcados microcontrolados. Ensaios para identi car o tempo de execução do classi cador embarcado, para diferentes frequências de clock, foram conduzidos. Por meio desses ensaios foi visto que existe grande possibilidade da utilização do classi cador em aplicações reais, inclusive em sistemas autônomos microcontrolados.
Abstract
This thesis presents the development and testing of a ship classi er based on Cyclostationary Analysis and Convolutional Neural Networks. The Spectral Coherence of the noise radiated by the ship was used as input features for a Convolutional Neural Network classi er based on the MobileNetV2 architecture. To obtain the Spectral Coherence of the audios, the FastSC algorithm was used. In parallel, three other classi ers were developed using Support Vector Machine. The models were extensively tested in two dierent databases and were able to discriminate the dierent classes. The model results were compared with results from other models that used the same databases. An evaluation of immunity to noise was also carried out, and a high accuracy of the proposed method was observed even when classifying very noisy signals. Tests to verify the in uence of the input size on the accuracy of the convolutional network were performed. Regressors were developed to perform the task of identifying the cavitation frequency of vessels, showing good results. Finally, a case study is presented, which describes the development of a classi er to be used in microcontrolled embedded systems. Tests to identify the running time of the embedded classi er, for dierent clock frequencies, were conducted. Through these tests it was seen that there is a great possibility of using the classi er in real applications, including microcontrolled autonomous systems.
