Clasificación acústica de cangrejos con modelos neuronales compactos

Resumen

En este trabajo se presenta un clasificador acústico basado en redes neuronales, orientado a su implementación en un sistema portátil para la detección y clasificación en campo de señales emitidas por Neohelice granulata y Cyrtograpsus angulatus. A partir de grabaciones adquiridas con un hidrófono en un entorno controlado, se aplican técnicas de prefiltrado y segmentación adaptativa para extraer 22 características acústicas empleadas en el entrenamiento de una red neuronal de baja dimensionalidad. Mediante destilación del conocimiento, se analizan distintas configuraciones de modelos maestros, así como diferentes ventanas de segmentación y esquemas de muestreo, con el objetivo de obtener un modelo eficiente apto para su ejecución en microcontroladores de bajo costo. El modelo final se exporta en formato TensorFlow Lite, listo para su integración en plataformas embebidas, alcanzando precisiones del orden del 80% con requerimientos de CPU y memoria compatibles con este tipo de sistemas.