KaydedilenlerDerginizi ekleyin

Dergiler / Acta Infologica / 2020 / Cilt: 4 - Sayı: 1

Ses Kullanarak Otomatik Yerel İkili Model Yöntemi ile Gemi Tanımlama

An Automated Local Binary Pattern Ship Identification Method by Using Sound

Emrah AYDEMİR
Türker TUNCER
Sayfa
57–63
Yayın Tarihi
2022-09-04
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu sonuçlar, gemi ses sınıflandırması ve ses tabanlı gemi tanımlaması üzerine sunulan 1D-BP tabanlı yöntemin değerini açıkça göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Ses sınıflaması, makine öğrenimi ve uygulamalı bilgisayar bilimleri için en önemli araştırma konularından biridir.
📊
Temel Bulgular & Veri:Sunulan bu yöntem çok basit ve etkilidir.
💡
Sonuç & Katkı:Bu sonuçlar, gemi ses sınıflandırması ve ses tabanlı gemi tanımlaması üzerine sunulan 1D-BP tabanlı yöntemin değerini açıkça göstermiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Ses sınıflaması, makine öğrenimi ve uygulamalı bilgisayar bilimleri için en önemli araştırma konularından biridir. Ses sınıflandırma yöntemi kullanılarak literatürde birçok biyometrik uygulama / yöntem sunulmuştur. Bu çalışma sesleri kullanarak bir gemi tanımlama yöntemi sunmaktadır. Sunulan bu yöntem çok basit ve etkilidir. Bu yöntemin sadece iki temel fazı vardır ve bu fazlar, bir boyutlu ikili örüntü (1D-BP) ile özellik çıkarma ve geleneksel sınıflandırıcı fazlarla sınıflandırmadır. 1D-BP her sesten 256 özellik çıkarır ve bu sesler sınıflandırıcılara iletilir. Bu ultra hafif ses tanımlama yöntemini test etmek için YouTube’dan bir gemi sesleri veri kümesi toplandı. Sonuçlara göre, bu yöntem %97 sınıflandırma doğruluğu elde etmiştir. Bu sonuçlar, gemi ses sınıflandırması ve ses tabanlı gemi tanımlaması üzerine sunulan 1D-BP tabanlı yöntemin değerini açıkça göstermiştir.

Abstract

Sound classification is one of the most important areas of research for mechanics and applied computersciences. Using the sound classification method, many biometric applications/methods have been presented inthe literature. This study presents a ship identification method using sounds. The method presented here isvery simple and effective. It has only two fundamental phases and these are feature extraction by onedimensional binary pattern (1D-BP) and classification with conventional classifiers phases. 1D-BP extracts256 features from each sound and these sounds are forwarded to classifiers. To test this ultra-lightweightsound identification method, a ship sounds dataset was collected from YouTube. According to our results, thismethod achieved a 97% classification accuracy. This result clearly demonstrates the merits of the 1D-BP basedon ship sound classification method and the sound-based ship identification method which we present here.

🔖

Bu Makaleye Atıf Yap

AYDEMİR, E., TUNCER, T. (2022). Ses Kullanarak Otomatik Yerel İkili Model Yöntemi ile Gemi Tanımlama. Acta Infologica, Cilt: 4 - Sayı: 1, 57–63. https://ajindex.com/articles/425992

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Aberni, Y., Boubchir, L., & Daachi, B. (2020). Palm Vein Recognition based on Competitive Coding Scheme using Multi-scale Local Binary Pattern with Ant Colony Optimization. Pattern Recognition Letters, 136, 101-110.
  2. Badem, H. (2019). Parkinson Hastaliğinin Ses Sinyalleri Üzerinden Makine Öğrenmesi Teknikleri ile Tanimlanmasi. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 630-637.
  3. Çalik, N., Ata, L. D., Serbes, A., Bolat, B., & Yavuz, E. (2015, May). Performance analysis of feature extraction methods in indoor sound classification. In 2015 23nd Signal Processing and Communications Applications Conference (SIU) (pp. 2025-2028).
  4. IEEE. Chen, C. H., Huang, W. T., Tan, T. H., Chang, C. C., & Chang, Y. J. (2015). Using k-nearest neighbor classification to diagnose abnormal lung sounds. Sensors, 15(6), 13132-13158.
  5. Chen, J., Li, H., Tang, S., & Sun, J. (2002, June). A SOM-based probabilistic neural network for classification of ship noises. In IEEE 2002 International Conference on Communications, Circuits and Systems and West Sino Expositions (Vol. 2, pp. 1209-1212).
  6. IEEE. Farcas, A., Thompson, P. M., & Merchant, N. D. (2016). Underwater noise modelling for environmental impact assessment. Environmental Impact Assessment Review, 57, 114-122.
  7. George, J., Cyril, A., Koshy, B. I., & Mary, L. (2013). Exploring sound signature for vehicle detection and classification using ANN. International Journal on Soft Computing, 4(2), 29. Gupta, C. N., Palaniappan, R., Swaminathan, S., & Krishnan, S. M. (2007). Neural network classification of homomorphic segmented heart sounds. Applied soft computing, 7(1), 286-297.
  8. Hassaballah, M., Alshazly, H. A., & Ali, A. A. (2019). Ear recognition using local binary patterns: A comparative experimental study. Expert Systems with Applications, 118, 182-200.
  9. Khan, S., Divakaran, A., & Sawhney, H. S. (2009, May). Weapon identification using hierarchical classification of acoustic signatures. In Sensors, and Command, Control, Communications, and Intelligence (C3I) Technologies for Homeland Security and Homeland Defense VIII (Vol. 7305, p. 730510). International Society for Optics and Photonics. Král, P., Vrba, A., & Lenc, L. (2019). Enhanced local binary patterns for automatic face recognition. In International conference on artificial intelligence and soft computing (pp. 27-36).
  10. Springer, Cham. Liang, H., & Nartimo, I. (1998, October). A feature extraction algorithm based on wavelet packet decomposition for heart sound sign