Détection et identification automatique en temps-réel des vocalises de rorqual bleu (Balaenoptera musculus) et de rorqual commun (Balaenoptera physalus) dans l'estuaire du Saint-Laurent

• Main Author: Mouy, Xavier
• Format: Other/Unknown Material
• Language: French
• Published: 2007
• Subjects: Vocalise; Rorqual; Bleu; Balaenoptera; Musculus; Commun; Physalus; Detection; Identification; Automatique; Temps; Reel; Traitement; Signal; Estuaire; Saint-laurent; Balaenoptera musculus; Balaenoptera physalus
• Online Access: https://semaphore.uqar.ca/id/eprint/60/; https://semaphore.uqar.ca/id/eprint/60/1/Xavier_Mouy_octobre2007.pdf

La détection et l'identification automatique des vocalises d' animau.'( est un out il ut ile pour documenter leur distribution saisonni ère, leur abondance relative ainsi que leur comportement dans leur habitat naturel. La performance des méthodes de traitement du signal ut ilisées est cependant dépendante du type de vocalisations (bande de fréquence, variabilité du patron temps-fréquence) et des caractéristiques environnementales (bruit , effets de propagation sonore). Ce proj et de recherche compare plusieurs méthodes de détect ion et d 'identification dans le domaine t emps-fréquence, des vocalises de rorquals bleus (Balaenoptera musculus) et de rorquals communs (Balaenoptera physalus) dans le Saint- Laurent. Trois des vocalises de ces balaenoptéridés sont des patrons réguliers d 'infrasons « 30 Hz) stéréotypés et une autre est de fréquence plus élevée (30- 110 Hz), irrégulière et variable à la fois en fréquence et en durée (1-5 s). À cause du trafic marit ime important , des caractéristiques bathymétriques et physiques de la Voie maritime du Saint-Laurent, la majorité des vocalises sont polluées par du bruit intense dans les basses fréquences et étirées en temps par les trajets multiples. Toutes les méthodes commencent par le calcul du spectrogramme puis d 'une étape de réduction du bruit basée sur des techniques de traitement d 'image. Ensuite la première approche consiste à binariser le spectrogramme et à calculer la coïncidence avec Ull modèle temps-fréquence binarisé, via une opération logique AND. La seconde approche consiste à sélectionner les maxima locaux à chaque pas de temps du spectrogramme et à extraire les contours temps-fréquence des vocalises en utilisant un algorit hme de suivi . Ensuite deux méthodes de reconnaissance sont testées pour classifier ces contours, la déformation temporelle dynamique (DTW) et la quantifi- cation vectorielle (VQ). Les taux de faux négatifs et de faux posit ifs sont évalués sur une série de plus de 2000 vocalises extraites d'enregistrements continus collectés dans ...