Αυτόματη ταξινόμηση βιοακουστικών σημάτων (Bachelor thesis)
Μιχαηλίδης, Μανώλης
In modern era, many bird species face the danger of extinction. The need of
study and maintaining the biodiversity, contributed in development of automated
observation systems. In current work the effort is done in order to classify 3 different
bird species of Greece.
The felicitous extraction of features require the correct processing of the data
base. In this work, have been collected only specific parts of the recordings (trills) and
with them the classification and recognition system is made. So for each recording
firstly the noise level is reduced with the pre-emphasis filter where necessary and then
using the Hilbert follower trills are obtained. Then, the fundamental frequency from
each trill is computed via the autocorrelation. The features that are used are the
average value of the fundamental frequency, the standard deviation, the bandwidth
and the rapidness of changing the fundamental for each trill.
Several tests were made with different neural networks (specifically, with
different number of nodes) and the results are discussed. Also two different
approaches in experiments were done (using different number of inputs and outputs of
the neural network). The results are very encouraging for future use and improvement
of the system
| Alternative title / Subtitle: | Automated classification of biοacoustic signals |
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Αυτοματισμού |
| Keywords: | διατήρηση της βιοποικιλότητας;βιοακουστικά σήματα;αυτόματη ταξινόμηση;αυτόματα συστήματα εποπτείας;πτηνά;Ελλάδα;ηχητικές καταγραφές |
| Description: | Πτυχιακή εργασία--ΣΤΕΦ-Τμήμα Μηχανικών Αυτοματισμού, 2018—9803 |
| URI: | http://195.251.240.227/jspui/handle/123456789/11653 |
| Item type: | bachelorThesis |
| Name(s) of contributor(s): | Μιχαηλίδης, Μανώλης |
| Submission Date: | 2020-03-28T18:33:15Z |
| Item language: | el |
| Item access scheme: | free |
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Αυτοματισμού |
| Publication date: | 2018-06-08 |
| Bibliographic citation: | Μιχαηλίδης, Μ.(2018). Αυτόματη ταξινόμηση βιοακουστικών σημάτων (Πτυχιακή εργασία). Αλεξάνδρειο ΤΕΙ, Θεσσαλονίκη. |
| Abstract: | In modern era, many bird species face the danger of extinction. The need of
study and maintaining the biodiversity, contributed in development of automated
observation systems. In current work the effort is done in order to classify 3 different
bird species of Greece.
The felicitous extraction of features require the correct processing of the data
base. In this work, have been collected only specific parts of the recordings (trills) and
with them the classification and recognition system is made. So for each recording
firstly the noise level is reduced with the pre-emphasis filter where necessary and then
using the Hilbert follower trills are obtained. Then, the fundamental frequency from
each trill is computed via the autocorrelation. The features that are used are the
average value of the fundamental frequency, the standard deviation, the bandwidth
and the rapidness of changing the fundamental for each trill.
Several tests were made with different neural networks (specifically, with
different number of nodes) and the results are discussed. Also two different
approaches in experiments were done (using different number of inputs and outputs of
the neural network). The results are very encouraging for future use and improvement
of the system Στη σύγχρονη εποχή, πολλά είδη πτηνών διατρέχουν κίνδυνο εξαφάνισης. Η ανάγκη της μελέτης και της διατήρησης της βιοποικιλότητας συνέβαλε στην ανάπτυξη αυτόματων συστημάτων εποπτείας. Στην παρούσα εργασία, γίνεται προσπάθεια αυτόματης αναγνώρισης τριών πτηνών της Ελλάδας μέσα από ηχητικές καταγραφές τους. Η εύστοχη εξαγωγή χαρακτηριστικών από τα ηχητικά σήματα προϋποθέτει σωστή επεξεργασία της βάσης δεδομένων. Στην εργασία αυτή, έχουν εξαχθεί μόνο τα τμήματα της τρίλιας και με αυτά γίνεται η προσπάθεια δημιουργίας συστήματος ταξινόμησης και αναγνώρισης. Έτσι, για κάθε ηχογράφηση, μέσω του ακολουθητή Hilbert, συλλέχθηκαν οι τρίλιες, αφού πρώτα ακυρώθηκε ο θόρυβος μέσω φίλτρου προέμφασης, όπου κρίθηκε αναγκαίο. Ύστερα, υπολογίσθηκε η θεμελιώδης συχνότητα από κάθε τρίλια με την χρήση της αυτοσυσχέτισης. Τα χαρακτηριστικά που χρησιμοποιήθηκαν για την ταξινόμηση είναι η μέση τιμή της θεμελιώδους συχνότητας, η τυπική απόκλιση, το εύρος τιμών της καθώς και η νευρικότητα (ταχύτητα εναλλαγής θεμελιώδους) στις τρίλιες. Πραγματοποιήθηκαν δοκιμές σε νευρωνικά δίκτυα ποικίλης αρχιτεκτονικής (νευρωνικά δίκτυα με διαφορετικό αριθμό κόμβων) και παρουσιάζονται τα αποτελέσματα. Επίσης, εφαρμόσθηκαν δύο ξεχωριστές προσεγγίσεις, με διαφορετική δομή του εκάστοτε δικτύου (δηλαδή αλλάζοντας τον αριθμό εισόδων και εξόδων του νευρωνικού δικτύου). Τα αποτελέσματα είναι αρκετά ενθαρρυντικά για τη μελλοντική χρήση και βελτίωση του συστήματος |
| Advisor name: | Παπαδοπούλου, Φωτεινή |
| Examining committee: | Παπαδοπούλου, Φωτεινή |
| Publishing department/division: | Τμήμα Μηχανικών Αυτοματισμού |
| Publishing institution: | teithe |
| Number of pages: | 84 |
| Appears in Collections: | Πτυχιακές Εργασίες |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Michailidis.pdf | 3.28 MB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/11653
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
