Autoencoder-based classifier and anomaly detector for underwater sounds

Thumbnail Image

Files

master_Tonteri_Ville_2025.pdf (2.72 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-04-15

Department

Major/Subject

Signal Processing and Data Science

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

90

Series

Abstract

Underwater surveillance systems are used to protect critical underwater infrastructure. Typically, the performance of classification algorithms is based on large libraries of known targets and the ability of a human operator to detect and classify unknown targets which can be called anomalies. Classification of a target is the basis for decision making and the actions taken to the target. Artificial intelligence offers a variety of different methods to enhance the performance of surveillance systems. In order to utilize the full potential of these methods, it is essential that these methods have a capability to, at least detect anomalies. This Thesis aims to develop an algorithm to classify underwater sounds and detect anomalies. One data set was used for training and the testing was conducted also with another, different data set. In order to develop the classification and anomaly detection algorithm a broad literature review was conducted to study underwater environment, sound propagation, sources and characteristics of underwater sounds. Artificial intelligence based methods were studied to find the most suitable method to a backbone classifier for the algorithm. Anomaly detection methods are also studied to find the type of method that fits the problem best. In the experimental part of the Thesis the proposed algorithm, SCAE-AD (separable convolution autoencoder and anomaly detector) was able to outperform other methods that has been selected for comparison. The SCAE-AD was able to classify over 90 \% of the test data set samples correctly as either anomalies or to their correct class. The key feature of the SCAE-AD is its ability to detect whether a sample belongs to a known class or is an anomaly. Anomaly detection module utilizes classification probability of the autoencoder and reconstruction error to detect anomaly. Results of the Thesis indicate that the SCAE-AD -type classifier and anomaly detector could be implemented in a real-life surveillance system. In the future studies or for the operational purposes training data need to be collected holistically and several different SCAE-AD implementations for different environmental or geometrical situations are needed.

Vedenalaisia valvontajärjestelmiä käytetään mm. vedenalaisen infrastruktuurin suojaamiseksi ja niiden kyky luokitella kohteita perustuu laajoihin äänikirjastoihin, jotka on koottu tunnetuista kohteista sekä operaattorin kykyyn havaita tunnistamattomia kohteita (anomalioita). Kohteen tunnistaminen on perusta päätöksenteolle ja kohteeseen tehtäville toimenpiteille. Tekoälyn avulla valvontajärjestelmien suorituskykyä on mahdollista parantaa, mutta niiden täyden potentiaalin hyödyntäminen vaatii, että ne kykenevät vähintään havaitsemaan tunnistamattomia kohteita. Diplomityön tavoitteena on kehittää tunnistusalgoritmi, joka kykenee havaitsemaan myös aiemmin tuntemattomat kohteet. Työssä hyödynnetään kahta toisistaan riippumatonta vedenalaisia ääniä sisältävää tietokantaa; toista käytetään mallin opettamiseen ja testaamiseen ja toista ainoastaan testaamiseen. Työ koostuu kirjallisuuskatsauksesta, jossa tutkitaan vedenalaista ympäristöä äänen näkökulmasta, sen etenemistä, lähteitä sekä erityispiirteitä. Tarkoituksenmukaisimman luokittelualgoritmin kehittämiseksi kirjallisuuskatsauksessa tutkitaan eri tekoälymenetelmiä sekä anomalioiden havaitsemiseen tarkoitettuja menetelmiä. Kokeellisessa osuudessa esitellään työn osana kehitetty SCAE-AD -algoritmi, joka kykenee luokittelemaan paremmin testiaineiston, kuin vertailuun valitut muut menetelmät. SCAE-AD -algoritmin avulla kyettiin joko luokittelemaan oikein tai havaitsemaan anomaliat testiaineistosta yli 90 \% tarkkuudella. SCAE-AD -algoritmin keskeinen ominaisuus on sen kyky tunnistaa ne kohteet joita se ei kykene luokittelemaan riittävällä varmuudella. Tällöin menetelmä luokittelee näytteen kuuluvaksi anomalia-luokkaan. Anomalioiden havaitsemiseen käytetään menetelmän tunnistustodennäköisyyksiä sekä rekonstruktion virhettä. Tulokset antavat viitteitä, että SCAE-AD -tyyppistä tunnistus- ja havaintoalgoritmia voitaisiin hyödyntää myös operatiivisessa järjestelmissä. Tulevissa tutkimuksissa tai operatiivisessa toiminnassa opetusdataa tulisi kerätä mahdollisimman kokonaisvaltaisesti käyttöalueelta ja SCAE-AD -algoritmeja tulisi kouluttaa eri ympäristömuuttujien tai geometrian mukaisiin tilanteisiin.

Description

Supervisor

Elvander, Filip

Thesis advisor

Oksanen, Sami

Keywords

vedenalainen ääni, vedenalainen valvonta, anomalioiden havaitseminen, syväoppiminen, signaalinkäsittely, neuroverkko

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202505213977

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC