使用卷积神经网络,在各种珊瑚礁声景中快速检测鱼类呼叫)

科学领域:

• 海洋生物学 海洋生物学
• 生物声学是一种生物声学.
• 人工智能的人工智能

背景情况:

• 在海洋环境中被动声学监测产生了大量的数据集.
• 处理这些音景数据,特别是识别鱼叫声等生物模式,是由于手动注释需求而造成的重大分析瓶.

研究的目的:

• 开发和验证一种自动化方法,用于检测海洋声景中的鱼类发声.
• 评估YOLOv5卷积神经网络 (CNN) 在识别音调和脉冲鱼叫声方面的有效性.

主要方法:

• 在超过22小时的被动声学数据中训练了一台YOLOv5 CNN,其中包含来自五个热带珊瑚礁的55,015条鱼声.
• 处理光谱图数据以检测鱼叫声,并将CNN性能与训练有素和未训练有素数据集上的人类注释者进行比较.

主要成果:

• 美国有线电视新闻网 (CNN) 在捕鱼呼叫检测方面实现了高达0.633的平均精度.
• 自动化系统处理数据的速度是实时记录的25倍以上.
• 美国有线电视新闻网检测到的呼叫率与珊瑚礁鱼类和珊瑚覆盖相关,确定了预期的和新的声学模式.

结论:

• 训练有素的CNN提供了一个至关重要的和可扩展的工具,用于在大型声学数据集中自动化鱼类呼叫检测.
• 这种自动化方法可以通过分析它们的生物声学模式,显著帮助评估珊瑚礁社区的健康状况.
• 鉴于生物多样性危机和了解珊瑚礁生态系统的重要性,这些发现至关重要.