Real-time system for bird sound recognition

Abstract

Çevresel seslerin işlenmesi, biyoçeşitliliğin korunması için yapılan çalışmaların temelaraştırma konularından biridir. Bu çalışmaların en önemli ögelerinden biri kullanılacak olanses işleme sistemidir. Biz bu çalışmada kendi kendine çalışabilen, düşük seviyeli, amacauygun tasarlanmış, gerçek zamanlı, tek etiketli kuş sesleri üzerine yoğunlaşmış, bir adetmikrofon devresinden, bir adet Tiva C Connected Lauchpad'ten (Üzerinde ARM CortexM4F tabanlı bir mikrodenetleyici barındıran) ve bir depolama biriminden oluşan çevreselsesleri işleyen bir sistem ileri sürmekteyiz. Önerilen sistemde, aynı anda verileri kaydederve işleriz. İlk işlem adımı olarak, spektral gürültü kapılama tekniği kullanarak durumunukoruyan arka plan gürültüsünü filtreleriz. İkinci olarak, ses kaydı içindeki gerekli kısımlarıayırırız. Daha sonra, ses sinyalinden mel frekanslı cepstrum katsayılarını (MFCC) çıkarıp,öğretilmiş özellikler kullanarak en düşük mesafe sınıflandırıcısı ile özellikleri sınıflandırırız.Son adım olarak, sınıflandırma sonunda oluşan sınıf etiketlerini bir SD karta kaydederiz.Bu işlemler, mikro denetleyici üzerinde ping-pong arabellek yapısının etkin bir şekildetanımlanması ve kullanılması ile yapılır. Önerilen sistem yazılımsal ve donanımsal anlamdaesneklik sunar.

Environmental sound processing is one of the main research areas in biodiversitypreservation studies. One of the most important components of these studies is the soundprocessing system to be used. In this study, we propose a stand-alone, low-level, custommade,real-time environmental sound processing system concentrated on single-labeled birdcalls and composed of a microphone circuitry, a Texas Instruments Tiva C ConnectedLaunchpad (consisting of an ARM Cortex-M4F based microcontroller), and a storage unit.The proposed system enables data recording and on-board preliminary signal processing,feature extraction, classification and data storage. In the proposed system, we simultaneouslyrecord and process data. As the first processing step, we filter out steady background noiseusing spectral noise gating technique. Secondly, we detect necessary sound signal parts. Wethen extract mel frequency cepstrum coefficients (MFCCs) as features from the sound signaland classify features by minimum distance classifier with trained features. As the last step,store class labels after classification on an SD card. This is done by effectively defining andutilizing a ping-pong buffer structure on the microcontroller. The proposed system offersflexibility (both in hardware and software) for expansion.