Détection de Bateaux de Plaisance dans une Marina par Deep Learning - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Revue des Nouvelles Technologies de l'Information Année : 2021

Détection de Bateaux de Plaisance dans une Marina par Deep Learning

(1) , (2) , (1) , (3) , (2) , (1)
1
2
3

Résumé

An autonomous acoustic system based on two bottom-moored hydrophones, a two-input audio board and a small single-board computer was installed at the entrance of a marina to detect entering/exiting boats. Windowed time lagged cross-correlations are calculated by the system to find the consecutive time delays between the hydrophone signals and to compute a signal which is a function of the boats’ angular trajectories. Since its installation, the singleboard computer performs online prediction with a signal processing-based algorithm which achieved an accuracy of 80%. To improve system performance, a convolutional neural network (CNN) is trained with the acquired data to perform real-time detection.Two classification tasks were considered (binary and multiclass) to both detect a boat and its direction of navigation. Finally, a trained CNN was implemented in a single-board computer to ensure that prediction can be performed in real time.
Un système acoustique autonome basé sur deux hydrophones, une carte audio et un nano ordinateur a été installé à l’entrée d’une marina pour détecter le passage des bateaux. Une succession de corrélations crois es est calcul e par le système pour d terminer le retard temporel entre les signaux des hydrophones et construire un signal fonction de la trajectoire des bateaux. Depuis son installation, le nano ordinateur effectue la détection des bateaux   l’aide d’un algorithme bas  sur le traitement du signal avec une justesse de 80%. Pour améliorer les performances du système, un r seau de neurones   convolution (CNN) est entrain  avec les données acquises pour effectuer une détection en temps réel. Deux taches de classifications sont considérées (binaire et multi-classes) pour   la fois détecter un bateau et son sens de navigation. Finalement, un CNN entrain  est implémenté dans un nano ordinateur pour évaluer son temps d’exécution.
Fichier principal
Vignette du fichier
1002636.pdf (3.81 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03585150 , version 1 (23-02-2022)

Identifiants

  • HAL Id : hal-03585150 , version 1

Citer

Romane Scherrer, Erwan Aulnette, Thomas Quiniou, Kasarhérou Joël, Kolb Pierre, et al.. Détection de Bateaux de Plaisance dans une Marina par Deep Learning. Revue des Nouvelles Technologies de l'Information, 2021, vol.RNTI-E-37, pp.47-58. ⟨hal-03585150⟩

Collections

UNC ISEA-UNC
28 Consultations
14 Téléchargements

Partager

Gmail Facebook Twitter LinkedIn More