Análisis del uso de algoritmos de Deep Learning en un sistema acústico de detección de larvas de insectos xilófagos

Abstract

Este Trabajo Fin de Grado se centra en la investigación sobre la detección de insectos xilófagos mediante técnicas acústicas, un área ampliamente estudiada pero con ciertas limitaciones que este trabajo busca reducir. Para ello, se han utilizado imágenes acústicas capturadas por un array de micrófonos MEMS, a partir de las cuales se estima la localización de larvas basándose en la energía de la emisión acústica producida por su actividad vital, principalmente su alimentación a base de madera. Se cuenta con una base de datos de 148,000 señales capturadas a partir de seis larvas de Hylotrupes bajulus, colocadas en cuatro vigas de madera diferentes a una distancia de 60 centímetros del array acústico, dentro de una cámara anecoica. Para validar las detecciones realizadas, se han desarrollado varios algoritmos de aprendizaje profundo con el objetivo de reducir las detecciones de falsos positivos, que actualmente se producen debido a la energía radiada por zonas de la madera distintas al lugar donde se originó la emisión acústica, resultando en una localización errónea. Se obtuvieron resultados prometedores, con una precisión del 98.8 % en el mejor modelo y un valor de área bajo la curva ROC de 0.998. El problema de clasificación se centra en discriminar entre las detecciones capturadas que provienen directamente del lugar de origen de la emisión acústica y aquellas que han atravesado la madera y han sido radiadas a través de otra zona, como un nudo.

This thesis focuses on research into the detection of wood-boring insects using acoustic techniques, an extensively studied area with certain limitations that this work aims to mitigate. To achieve this, acoustic images captured by an array of MEMS microphones have been utilized to estimate the location of larvae based on the energy of acoustic emissions produced by their vital activity, primarily their wood-feeding behavior. The study includes a database of 148,000 signals collected from six larvae of Hylotrupes bajulus, placed on four different wooden beams at a distance of 60 centimeters from the acoustic array, within an anechoic chamber. To validate the detections made, several deep learning algorithms have been developed with the goal of reducing false positives, which currently occur due to energy radiated from areas of the wood other than the origin of the acoustic emission, resulting in incorrect localization. Promising results were obtained, with an accuracy of 98.8 % in the best model and an area under the ROC curve value of 0.998. The classification challenge focuses on distinguishing between captured detections originating directly from the site of acoustic emission and those that have passed through the wood and have been radiated through another area, such as a knot.