Aplicando algoritmos de Machine Learning en un sistema acústico de detección de larvas de insectos xilófagos

Abstract

Este Trabajo Fin de Grado se centra en la detección de insectos xilófagos mediante técnicas acústicas, con el objetivo de profundizar en los retos actuales asociados a esta línea de investigación y proponer mejoras en la interpretación y clasificación de las señales. Para ello, se han empleado imágenes acústicas generadas a partir de un array de micrófonos MEMS, permitiendo estimar la localización de larvas de Hylotrupes bajulus en función de la energía acústica emitida durante su actividad alimentaria sobre madera. La captura de las señales se ha desarrollado en una cámara anecoica, utilizando cuatro vigas de madera separadas 60 cm del array y una base de datos de 148.000 señales acústicas registradas a partir de seis larvas. A partir de esta base de datos, se han implementado esquemas en LabVIEW para la extracción sistemática de características acústicas relevantes. Previamente al entrenamiento de los modelos, se evalúan distintas técnicas de escalado con el objetivo de optimizar la calidad de los datos. Se entrenan diversos algoritmos de aprendizaje automático para identificar patrones discriminativos, discriminando entre todas las clases en unos casos y únicamente entre nudo y larva en otros, y evaluar su capacidad de generalización, así como para comparar entre distintas configuraciones de hiperparámetros. Los resultados pretenden contribuir a futuros estudios orientados a la detección en entornos distintos a los aquí evaluados, favoreciendo la aplicación práctica de los modelos desarrollados.

This Final Degree Project focuses on the detection of wood-boring insects using acoustic techniques, with the objective of deepening the current challenges associated with this line of research and proposing improvements in the interpretation and classification of the signals. For this purpose, acoustic images generated from a MEMS microphone array have been used, allowing the estimation of the location of Hylotrupes bajulus larvae based on the acoustic energy emitted during their feeding activity on wood. The signal capture was carried out in an anechoic chamber, using four wooden beams separated 60 cm from the array and a database of 148,000 acoustic signals recorded from six larvae. From this database, schemes have been implemented in LabVIEW for the systematic extraction of relevant acoustic features. Prior to model training, different scaling techniques are evaluated with the goal of optimizing data quality. Various machine learning algorithms are trained to identify discriminative patterns, discriminating between all classes in some cases and only between knot and larva in others, and to evaluate their generalization capacity, as well as to compare different hyperparameter configurations. The results aim to contribute to future studies oriented to detection in environments different from those evaluated here, favoring the practical application of the developed models.