Détection et classification automatique de signaux de cétacés

Automatic detection and classification of cetacean acoustic signals

• Auteur / Autrice : Paul Best
• Direction : Hervé Glotin
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 30/09/2022
• Etablissement(s) : Toulon
• Ecole(s) doctorale(s) : École doctorale Mer et Sciences (Toulon ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique et Systèmes (Marseille ; La Garde, Var ; 2018-….)
• Jury : Président / Présidente : Odile Gérard
• Jury : Examinateurs / Examinatrices : Luke Rendell, Julie N. Oswald, Samy Bengio, Jan Schlüter, Ricard Marxer, Sébastien Paris
• Jury : Rapporteur / Rapporteuse : Marie A. Roch, Dan Stowell

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Bioacoustique

Chant des baleines

Cétacés -- Observations

Mots clés libres

Cétacés

Bioacoustique

Réseaux de neurones

Collisions

Suivi long terme

Chant

Modélisation de communication

Cetaceans

Bioacoustic

Neural networks

Collisions

Long term monitoring

Song

Communication modelling

Résumé

Les cétacés font un usage important de l’acoustique pour socialiser, se déplacer et chasser. De ce fait, leur suivi par l’acoustique passive permet d’accroître nos connaissances sur ces espèces dont certaines sont en voie de disparition. Cette approche génère de grandes quantités de données qui motive le développement de procédures automatiques pour les traiter. Les réseaux neuronaux représentent une opportunité pour cette tâche, ayant déjà démontré de grandes performances pour la classification d’image ou encore la reconnaissance de parole. Les travaux de cette thèse sont articulés en trois parties: l’annotation de données, l’entraînement de réseaux neuronaux, et la mise en application des modèles résultants. Différentes méthodes sont d’abord proposées pour accélérer le processus d’annotation en fonction du type de signal cible et des données disponibles. Ces travaux ont permis de constituer des bases d’entraînement pour la détection de 5 types de signaux (cliques de cachalots, impulsions 20Hz de rorqual communs, vocalises d’orques, vocalises de delphinidés, et appels de baleines à bosse). Les différents modèles résultants ont d’abord permis le développement d’un système embarqué d’alerte temps réel pour la réduction de risques de collision avec les ferrys. Ensuite, l’analyse des bases de données long terme a montré des phénomènes de présence de cachalots en fonction du bruit anthropique, et révélé la structure de chant du rorqual commun méditerranéen avec une évolution sur 20 ans. Enfin, une modélisation du système de communication des orques de Colombie Britannique a été effectuée grâce aux modèles de détection et de classification de vocalises.

Cetaceans make an important use of acoustics to socialise, travel and hunt. Therefore, their monitoring via passive acoustics allows to increase our knowledge on these species, some of which are endangered. This approach generates large amounts ofdata which motivates the development of automatic procedures. Neural networks represent an opportunity for this task, having already shown great performances for image classification or speech recognition. The work of this thesis is in three folds: data annotation, neural network training, and model application. Different methods are first proposed to speed up the annotation process depending on the type of target signal and the available data. This work allowed to build training databases for the detection of 5 types of signals (sperm whale clicks, fin whale 20Hz pulses, killer whale vocalisations, delphinid vocalizations, and humpback whale calls). The resulting models have first allowed the development of an embedded real time alert system for the reduction of collision risks with ferries. Then, the analysis of long term data showed sperm whale presence patterns in relation to anthropogenic noise, and revealed the song structure of the Mediterranean fin whale with an evolution over 20 years. Finally, a modelling of the orcas communication system in British Columbia was carried out using vocalisation detection and classification models.