1Departamento de Geologia, Instituto de Geociências, Universidade

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ALGORITMO HÍBRIDO PARA DETECÇÃO DE EXPLOSÕES QUÍMICAS EM ÁREAS DE EXPLORAÇÃO DE
MINÉRIOS
1
LUCAS P. MOREIRA, 2PEDRO DE A. BERGER, 3GEOVANY A. BORGES, 3FRANCISCO ASSIS DE O. NASCIMENTO
1
2
Departamento de Geologia, Instituto de Geociências, Universidade de Brasília – UnB
Departamento de Ciência da Computação, Instituto de Ciências Exatas, Universidade de Brasília – UnB
3
Departamento de Engenharia Elétrica, Faculdade de Tecnologia, Universidade de Brasília - UnB
Campus Universitário Darcy Ribeiro, Asa Norte, Brasília
E-mails: [email protected], [email protected], [email protected],
[email protected]
Abstract Utilizing infrasound signals for monitoring natural and artificial activities in addition to studying the atmosphere’s
physical properties has grown in the past decades and much research has been developed in an attempt to extract information as
well as the characteristics of infrasonic signals. This study proposes and develops an algorithm for automated detection of chemical explosions using artificial neural networks (ANN) and discrete wavelet transform (DWT) to preprocess infrasound signals.
The objective of DWT is to reduce the intrinsic statistical dependence of time infrasound signals and, as a result, improve the
neural network’s performance. Normalized wavelet coefficients are used as the feature vector to be processed by the ANN. The
system developed was evaluated for chemical explosions generated in mineral exploration quarries and with data registered by
the infrasound station I09BR, an arrangement made up of four sensors located in the city of Brasília (Brazil) and operated by the
Seismology Observatory at the University of Brasília (UnB). The methodology employed revealed itself to be efficient in extracting characteristics of infrasound signals as well as in rapid processing for real time application. All of the explosion signals were
detected by the system meaning that there was 100% detectability.
Keywords infra-sound signal, neural network, wavelet transform
Resumo A utilização dos sinais de infrassom para monitoramento de atividades naturais e artificiais, além do estudo de propriedades físicas da atmosfera, tem crescido nas últimas décadas e várias pesquisas têm sido desenvolvidas na tentativa de extrair
características e informações de sinais infrassônicos. Este trabalho propõe o desenvolvimento de um algoritmo de detecção automática de explosões químicas utilizando redes neurais artificiais (RNA) pré-processadas com transformada wavelet discreta
(TWD), por se mostrar eficiente na diminuição da dependência estatística dos sinais e, consequentemente, melhorando o desempenho de detecção da rede neural. O sistema desenvolvido foi avaliado para explosões químicas geradas em pedreiras de exploração mineral e com dados registrados pela estação de infrassom I09BR, um arranjo composto de quatro sensores, localizada na
cidade de Brasília e operada pelo Observatório Sismológico da Universidade de Brasília. A metodologia empregada se mostrou
eficiente na extração de características dos sinais de infrassom e rápido processamento para aplicação em tempo real. Todos os
sinais de explosões foram detectados pelo sistema, apresentando uma detectabilidade de 100%.
Palavras-chave Sinal de infrassom, rede neural, transformada de wavelet.
1
Introdução
Em um país continental com características sócias
econômicas peculiares como é o Brasil, as atividades
de exploração de recursos minerais apresentam um
papel de destaque no crescimento econômico do país.
Contudo, frequentemente essa exploração mineral
não é realizada de maneira adequada, provocado
alterações ambientais com repercussões ao nível da
biodiversidade e dos ecossistemas.
O Brasil possui grandes reservas de minerais e, atualmente, mais de 55 diferentes minerais são explorados. Entre os principais minérios metálicos encontrados no Brasil podemos citar: o ferro, a bauxita, o
cobre, o cromo, o ouro, o estanho, o níquel, o manganês, o zinco e o potássio. A exploração de minerais não metálicos também apresenta grande importância econômica devido ao seu alto valor de mercado. A exploração desses minerais para uso na indústria de construção civil, indústria do cimento, cal
hidráulica e para aplicações ornamentais são frequentes ao longo de todo o território brasileiro. As principais substâncias exploradas são os mármores, grani-
ISBN: 978-85-8001-069-5
tos e calcários e também, areias argilas, basalto,
calcita, gesso, saibro e outros.
Muitas dessas explorações são realizadas em pedreiras com o uso de explosivos químicos. A exploração
em pedreiras tem originado grandes extensões de
áreas degradadas onde a destruição causa grande
impacto visual e enorme prejuízo ao meio ambiente.
Em um país das dimensões do Brasil e que possui
regiões remotas com baixa densidade populacional, é
necessário se desenvolver tecnologias que auxiliem,
por exemplo, a fiscalização da frequência do uso de
explosivos químicos nos locais de exploração mineral.
A atividade de extração de recursos minerais se dá
através do desmonte das rochas utilizando explosivos
químicos, que tem sua produção, comercialização e
utilização regulamentada e fiscalizada pelo Departamento de Fiscalização de Produtos Controlados do
Exército Brasileiro. O monitoramento dessas atividades, no entanto, é deficiente devido às dimensões
continentais do país, favorecendo a utilização não
autorizada de explosivos e extração ilegal de minério. Sinais de infrassom podem propagar por longas
distâncias sofrendo baixa atenuação, sendo uma
importante ferramenta para detecção de explosões
químicas provenientes de extração mineral. Esse é o
3452
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
contexto desse trabalho onde se apresenta um algoritmo dedicado para detectar explosões químicas
tendo como referências sinais de infrassom emitidos
no processo.
O infrassom é uma onda acústica inaudível para o ser
humano, ou seja, com frequências abaixo de 16 Hz.
Por ser uma perturbação acústica, ela se caracteriza
por variações da pressão do ar, sendo este o principal
meio de propagação. As fontes desse tipo de onda
são variadas, podendo estar relacionadas com
eventos naturais, como explosões vulcânicas e raios,
ou produzidas pelo homem, como aviões superando a
barreira da velocidade supersônica, explosões
químicas e nucleares. Por serem de baixa frequência,
elas são capazes de percorrer longas distâncias
sofrendo baixa atenuação, o que possibilita a
pesquisa de importantes propriedades da atmosfera.
Os estudos relacionados com sinais de infrassom têm
história recente e, por isso, é uma área de pesquisa
pouco explorada. O processamento e análise dos
sinais de infrassom possuem aplicações variadas, tais
como:
meteorologia,
física
da
atmosfera,
monitoramento de explosões vulcânicas e tornados,
detecção de explosões químicas e nucleares, entre
outras. Como exemplos de aplicações utilizando
dados de infrassom podemos citar Yanjie et al.
(2007), que utilizaram sinais de infrassom para
desenvolvimento de sistema de detecção de raios, o
estudo de Pilger e Bittner (2009) a respeito das
mudanças de temperatura na baixa atmosfera
(mesopausa) utilizando observações de infrassom
registrados na superfície, e o trabalho de Johnson
(2003), que observou sinais de infrassom em
conjunto com dados sísmicos para detecção e estudo
de erupções vulcânicas. Outros trabalhos como
detecção e quantificação de meteoros de Edwards et
al. (2006) e estudos da alta atmosfera (ionosfera) de
Laštovička (2006) também exemplificam aplicações
desse tipo de sinal.
Após a assinatura do Tratado Completo de Proibição
de Testes Nucleares “Comprehensive Nuclear-TestBan Treaty” (CTBT), o interesse no estudo de
infrassom, em especial nas ondas geradas por
explosões nucleares, aumentou significativamente, e
por isso foi, criada uma rede mundial de sensores
integrando
o
Sistema
de
Monitoramento
Internacional (IMS), da Organização para o
Cumprimento do Tratado Completo de Proibição de
Testes Nucleares “Comprehensive Nuclear-Test-Ban
Treaty Organization” (CTBTO) (Hedlin, 2003).
Devido ao grande número de eventos registrados em
várias estações infrassônicas do IMS, algumas
chegando a 215.000 eventos no intervalo de 4 anos, o
desenvolvimento de um sistema automático de
classificação e/ou detecção de eventos de interesse
torna-se importante e várias ferramentas tem sido
desenvolvidas para análise e processamento de sinais
de infrassom. Ham e Park (2002), Ham et al. (2005)
e Ham et al. (2007) aplicaram diferentes topologias
de redes neurais em diferentes bancos de dados de
infrassom para aplicações de sistemas de
classificação de eventos, utilizando em todos eles o
ISBN: 978-85-8001-069-5
mesmo pré-processamento baseado em coeficientes
cepstrais “cepstral coeficients”. Chilo et al. (2005)
apresentam as vantagens da utilização da
Transformada Wavelet Discreta (TWD) para extração
de características em sinais de infrassom. Por fim,
Chilo e Lindblad (2008) implementaram um
hardware baseado em FPGA para decomposição do
sinal em coeficientes wavelets em tempo real.
Nesse trabalho propomos um algoritmo baseado em
Redes Neurais Artificiais (RNA) pré-processadas
com a Transformada Wavelet Discreta (TWD) para a
detecção automática de explosões químicas geradas
por pedreiras. Os dados utilizados foram adquiridos
pela estação de infrassom I09BR, que é parte
integrante da rede mundial IMS e está localizada na
região central do Brasil. A estação é operada pelo
Observatório Sismológico da Universidade de
Brasília (UnB) e mantida com recursos do CTBTO.
Os sinais utilizados para treinamento e teste do
algoritmo desenvolvido são obtidos a partir de
explosões químicas geradas por empresas
mineradoras dos arredores da cidade de Brasília a
uma distância de aproximadamente 20 km da estação
I09BR, sendo captados tanto sinais acústicos quanto
sinais sísmicos em estações sismográficas da UnB.
A estação I09BR possui quatros sensores e disponibiliza simultaneamente quatro sinais como ilustrado na
Figura 1.
Figura 1. Sinais de infrassom registrados pelos quatro elementos
da estação I09BR, com escala de tempo em minutos e o evento da
explosão química indicados por setas nos respectivos gráficos.
2
Aquisição dos sinais de infrassom
A aquisição dos sinais de infrassom na estação
I09BR é feita por um arranjo de quatro sensores
dispostos na geometria de um triângulo, com três
sensores nos vértices do triângulo e um sensor no
centro, conforme pode ser visto na Figura 2. Os
pontos designados por “H1, H2, H3 e H4” indicam o
posicionamento geográfico dos sensores.
3453
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
3
Descrição do algoritmo
Os módulos individuais do algoritmo de detecção
de explosões químicas são mostrados a seguir na
figura 4. Observe que o pré-processamento é igual
para cada uma dos quatro sinais coletados de forma
simultânea pela estação I09BR. O módulo de pósprocessamento trata as saídas das redes neurais e
confirma ou não o evento espúrio.
Nas próximas seções serão descritos cada módulo
que constitui o sistema de detecção de explosões
químicas.
2.2 Pré-processamento
Figura 2. Geometria da estação I09BR
Bedard (2000) apresenta diferentes tipos de ruído de
fundo presente em sinais de infrassom e propõe
diferentes tipos de abordagem para aumento da
relação sinal-ruído para o devido processamento e
análise dos sinais. O principal tipo de ruído de fundo
é associado a turbulências causadas por: ventos e
pequenos redemoinhos, convexões térmicas e ondas
gravitacionais. Dessa forma, cada elemento do
arranjo contém um sistema de minimização de ruído
baseado em um filtro espacial constituído por rosetas
de 18 metros de largura (Hedlin et al., 2003).
Os sensores utilizados são microbarômetros do
modelo MB2000, desenvolvidos pelo Departamento
de
Análise
e
Monitoramento
Ambiental
(Département Analyse, Surveillance, Environnement
– DASE), da Comissão de Energia Atômica da
França (Commissariat à l'Énergie Atomique – CEA).
Esses sensores são sensíveis a variações de pressão
menores que 1 mPa e possuem faixa dinâmica de 134
dB, com resposta plana em frequência entre 0,07 e 4
Hz. Os dados são digitalizados pelo registrador
Aubrac, também produzido pelo DASE, a uma taxa
de vinte amostras por segundo, cada uma delas com
24 bits de precisão. Uma foto do sensor e do
digitalizador são mostradas nas figuras 3a e 3b.
A finalidade do algoritmo proposto é identificar
os eventos transitórios associados às explosões
químicas que são sobrepostas em um ruído de fundo
nos sinais colhidos a partir dos sensores da estação
de infrassom de maneira ininterrupta no tempo. O
pré-processamento tem como objetivo a extração de
características inerentes à assinatura espectral que
diferenciem os sinais de infrassom provenientes de
uma explosão química do ruído de fundo superposto,
com o intuito de otimizar o treinamento da rede
neural e aumentar seu desempenho discriminatório. A
figura 5 ilustra em diagramas de blocos os diversos
módulos do pré-processamento.
Figura 4. Diagrama mostrando uma visão panorâmica do sistema
que é constituído pela estação de infrassom I09BR, distribuição
geométrica dos sensores (H1, H2, H3 e H4), subsistema de
transmissão de sinais, estação remota no departamento de
sismologia - UnB e nos módulos do algoritmo de detecção de
explosões químicas.
(a)
(b)
Figura 3. a) Foto do microbarômetro MB2000 e b) foto do
digitalizador Aubrac, ambos desenvolvidos pela DASE/CEA.
Figura 5. Diagrama de blocos descritivos dos módulos
constitutivos do pré-processamento dos sinais de infrassom.
Primeiramente cada sinal é segmentado em janelas
deslizantes de comprimento igual a 256 amostras.
ISBN: 978-85-8001-069-5
3454
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
Janelas sucessivas terão uma superposição de 75%
do seu total de amostras. A remoção da linha de base
(componente DC) é efetuada em cada janela, devido
à grande amplitude dos ruídos de fundo de baixas
frequências inerentes aos sinais coletados. Esses
ruídos apresentam componentes de frequência abaixo
de 0,5 Hz. Integrado nesta etapa é implementada a
minimização de ruídos por limiar suave de Donoho
(1995). O objetivo é melhorar a relação sinal-ruído e,
consequentemente, realçar a diferença entre a
assinatura espectral dos sinais de explosões químicas
eventuais e o ruído de fundo característico do
processo. Um exemplo é mostrado na figura 6.
(a)
(b)
(c)
(d)
(a)
(b)
Figura 7. Na figura 7.a é mostrado o segmento de sinal ilustrado
na fugura 6.c o janelamento de Hanning e, analogamente, na figura
7.b é mostrado o segmento de sinal da figura 6.d após o
janelamento de Hanning.
Em seguida, é realizada uma decomposição em um
conjunto de sub-bandas por meio da transformada
discreta de Wavelet aplicada a cada segmento do
sinal de forma a separar bandas especificas de
frequência que permitirão identificar a ocorrência da
assinatura espectral de interesse. Foi adotada quatro
níveis de resolução utilizando a função Daubechies 4
como wavelet mãe (experimentalmente observou-se
que níveis de resolução maiores que 4 não continham
informação adicional acerca dos sinais de explosão).
Na figura 8 são apresentados exemplos de formas de
onda após a decomposição.
Figura 6. Exemplos de sinais de infrassom antes e depois da
minimização de ruídos onde a figura 6.a se refere a um segmento
de 256 amostras com sinal de explosão no centro da janela; figura
6.b a um segmento de 256 amostras de sinal de ruído de fundo;
figura 6.c corresponde ao segmento da figura 6.a após redução de
ruído; figura 6. D corresponde a janela da figura 6.b após redução
de ruído.
Após a minimização de ruído, apresentada na seção
anterior, os segmentos de janelas de 256 resultantes
são processados para se extrair um vetor de
características que descreve a assinatura espectral dos
sinais de explosões químicas. Esse vetor de
características é utilizado como entrada da RNA para
a detecção dos eventos de explosões químicas. No
processamento
em
questão,
utiliza-se
um
janelamento de Hanning em cada segmento de
amostras no domínio do tempo para minimizar o
efeito de bordas e ressaltar componentes espectrais
de interesse, como ilustrado da figura 7. A
multiplicação pela janela de Hanning pode distorcer,
nas proximidades de suas bordas, o evento que se
deseja identificar que, geralmente, é de duração
menor que a metade do comprimento da janela de
segmentação. Face a isto, é justificada a superposição
de 75% das amostras entre janelas sucessivas. Isto
significa que o deslocamento temporal de 25% do
comprimento total da janela permitirá que em algum
momento o evento associado à explosão química
fique inserido de forma evidente tal que possa ser
identificado em uma das janelas de análise.
ISBN: 978-85-8001-069-5
(a)
(b)
Figura 8. Decomposição em sub-bandas para as formas de ondas
apresentadas nas figuras 7.a e 7.b respectivamente.
Em cada saída do banco de filtros wavelet é
calculado o valor RMS para cada janela de sinal
obtendo-se quatro valores que são aglutinados na
forma de vetores na medida em que outras janelas
sucessivas são processadas. A figura 9 mostra um
exemplo ilustrativo.
(a)
(b)
Figura 9. Valores RMS computados a partir das formas de onda
mostradas na figura 8 para cada uma das quatro sub-bandas. (a)
mostra o resultado para o segmento de sinal contendo uma
explosão química e (b) análogo a 9.a quando se tem somente do
ruído de fundo.
3455
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
O logaritmo neperiano é aplicado em cada um dos
valores RMS calculados a partir de cada janela do
sinal de infrassom com o intuito de suavizar as
transições e, finalmente, a faixa dinâmica é ajustada
entre -1 e +1 para se adequar à entrada da rede
neural. Na figura 10 é mostrado um conjunto de
resultados já no formato para ser processado pela
rede neural artificial.
(b)
(a)
Figura 10. Resultado final do pré-processamento (vetor de entrada
da RNA) a) para uma janela contendo explosão e b) para uma
janela contendo apenas ruído de fundo.
Os sinais de entrada inseridos no algoritmo de préprocessamento são originados de sinais de infrassom
colhidos por meio da estação I09BR a partir de
eventos reais que são armazenados em banco de
dados.
Na próxima seção serão abordadas as características
do módulo de identificação de explosões químicas
que utiliza uma rede neural baseada no “perceptron”
multicamadas.
3.2 Classificação por meio de Rede Neural Artificial
(RNA
A técnica baseada em redes neurais artificiais foi
adotada para a solução do problema proposto em
face de um conjunto de características que se
mostraram interessantes como, por exemplo:
facilidade de generalização e robustez em processos
ruidosos.
Foi escolhida a topologia Perceptron Multicamadas
(MLP) para a realização da rede neural artificial
(RNA). Os vetores de características obtidos no
estágio anterior são usados para treinar uma RNA
para detectar os sinais de explosões químicas geradas
por pedreiras.
Como o vetor de entrada da rede possui 4 valores,
esse foi o número adotado de neurônios para a
primeira camada. A camada de saída possui apenas
um neurônio, visto que existem apenas dois possíveis
resultados, explosão e ruído. O número de neurônios
na camada intermediária foi definido empiricamente,
visando encontrar o menor número possível sem
comprometer a eficiência da rede na detecção dos
eventos de interesse. Os resultados experimentais
indicam 2 neurônios para essa camada. A função
tangente hiperbólica foi utilizada como função de
ativação em todos os neurônios.
O treinamento da rede é baseado no algoritmo
backpropagation (Hecht-Nielsen, 1989) com taxa de
ISBN: 978-85-8001-069-5
aprendizagem variável; coeficiente de momento de
0,9; e função de desempenho de Soma dos Erros
Quadráticos (SEQ) com erro alvo de 10-6. Esses
limiares foram determinados empiricamente,
levando-se em consideração a convergência do
treinamento da rede e os resultados obtidos na sua
validação.
Construiu-se um banco de sinais experimentais de
infrassom obtidos a partir da estação I09BR para
treinar e também para avaliar o desempenho da
RNA. O banco de sinais experimentais é constituído
por um conjunto de 80 segmentos (janelas) onde está
inserido um sinal contendo uma explosão química.
São utilizadas também segmentos de sinais de
infrassom contendo apenas ruído. Tais sinais são
adquiridos em quatro horários diferentes do dia, visto
que a variação diária dos níveis de ruído é
significativa. Esses horários são 03, 09, 15 e 21
horas, horário local. Os sinais contendo somente
ruído de fundo, em um total de 80 segmentos,
também fazem parte do banco de dados usados no
treinamento e validação da rede neural. Todos os
segmentos de sinais presentes no banco de dados,
contendo explosões químicas eventuais e ruídos de
fundo, contêm 256 amostras, o que corresponde a
12,8 segundos de sinal digitalizado e transmitido a
partir da estação de infrassom I09BR. Metade do
banco de dados foi utilizada para treinamento das
redes e a outra metade para validação.
A estação de infrassom I09BR transmite os sinais
produzidos nos quatro sensores (H1, H2, H3, H4)
que são processados separadamente. Assim, são
implementadas quatro redes com as mesmas
configurações, uma para cada sensor. A figura 11
mostra valores da taxa de aprendizado e do erro
médio quadrático para cada época de treinamento das
quatro redes.
Figura 11. Taxa de aprendizagem, em vermelho, e soma dos erros
quadráticos, em azul, por época de treinamento para os elementos
(a) sensor H1, (b) sensor H2, (c) sensor H3 e (d) sensor H4.
A classificação do evento, no entanto, é feita com
base no resultado apresentado na saída de cada rede
neural. Como os valores de saída da função tangente
hiperbólica estão entre o intervalo [-1,1], definiu-se
3456
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
como ocorrência de uma explosão química sinais
processados que obtivessem resultados maiores que
zero na saída da rede neural, enquanto é considerado
ruído de fundo os resultados menores que zero.
3.3 Pós-processamento
O procedimento de classificação de eventos
consiste na segmentação sucessiva do sinal de
infrassom em janelas de 256 amostras e na aplicação
dos procedimentos descritos nas seções anteriores:
pré-processamento, extração de características e
classificação utilizando RNA.
Cada novo segmento é tomando utilizando-se
superposição (em amostras) entre o atual e o
imediatamente anterior. Assim, cada segmento é
obtido deslizando-se a janela de 256 amostras sobre
o sinal de infrassom segundo um incremento dado
também
em
amostras.
Foram
avaliados
experimentalmente, diversos valores de incremento
buscando-se aquele que oferecesse menor esforço
computacional sem comprometer a qualidade dos
resultados.
As explosões químicas são eventos de curta duração
e geralmente apresentam duração inferior a 7(sete)
segundos. Desta forma, limitou-se o tamanho do
incremento, não podendo este, ser maior que a
metade do comprimento da janela, ou seja, 128
amostras, a fim de garantir que, no caso de uma
explosão, existam dois ou mais resultados positivos
consecutivos, ou caso contrário, na ausência de
explosão, não existam resultados positivos
consecutivos, tornando o critério de detecção da
explosão química mais robusto. O número ótimo
obtido experimentalmente para esse deslocamento da
janela de processamento foi de 64 amostras. A figura
12 ilustra a saída de uma RNA em um arquivo de
sinal de 10 minutos de duração obtido a partir de um
dos sensores da estação de infrassom para diferentes
valores de deslocamento da janela de análise.
sucessiva do sinal.
Como se digitaliza simultaneamente quatro sinais
oriundos dos quatro sensores da estação de infrassom
I09BR, o critério de detecção de explosões químicas
obtido através da análise conjunta dos resultados das
quatro redes neurais é, portanto, finalmente definido
como dois resultados positivos consecutivos em pelo
menos dois dos sinais obtidos dos elementos da
estação de infrassom simultaneamente
A figura 13 mostra um exemplo com sinais de
infrassom dos 4 elementos do arranjo da estação
I09BR e suas respectivas saídas da RNA. A explosão
química está sinalizada por uma seta. Analisando os
critérios de detecção estabelecidos, é possível
observar que somente na presença da explosão a
saída das 4 redes apresenta valor próximo de 1 e
falsos positivos de um único sensor não é o suficiente
para geração de um resultado equivocado.
Figura 13. Resultados experimentais para os quatro sinais obtidos
da estação I09BR. Os sinais de infrassom têm duração de 10
minutos e o transitório correspondente a explosão química está
sinalizada por uma seta. O resultado da saída de cada rede neural é
mostrado abaixo do seu respectivo sinal.
4 Resultados Experimentais
Os dados utilizados em todas as etapas do projeto
são provenientes da estação de infrassom I09BR.
Foram usados sinais de explosões químicas geradas
nas pedreiras localizadas no entorno da cidade de
Brasília, a uma distância aproximada de 20
quilômetros da estação e com carga média de
explosão de aproximadamente quatro toneladas de
dinamite.
Seguindo a definição de detectabilidade (D) e
seletividade (S) de Nuh et al. (2002), dada pelas
equações:
D
VP
Vp  FN
(1)
Figura 12. De cima para baixo: 10 minutos de sinal de infrassom
com sinal de explosão sinalizada por uma seta e saída da RNA
para deslocamento de 1, 2, 4, 8, 16, 32 e 64 amostras em janelas
ISBN: 978-85-8001-069-5
3457
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
S
VP
Vp  FP
(2)
onde VP é o número de positivos verdadeiros, FP o
número de positivos falsos e FN o número de
negativos falsos, a performance de detecção das
redes é mostrada na Tabela 1, na qual a primeira
coluna representa cada um dos quatro elementos do
arranjo da estação I09BR.
H1
H2
H3
H4
Tabela 1. Performance dos sistemas de detecção
Detectabilidade
Seletividade
97,5%
100%
100%
100%
97,5%
97,5%
100%
93,02%
Aplicando os arquivos de sinais infrassom contendo
12000 amostras, os resultados de desempenho
obtidos estão mostrados na Tabela 2, onde foram
utilizados 27 arquivos contendo explosões com
características semelhantes às usadas no estágio de
treinamento e validação. A Figura 13 ilustra um
exemplo de resultado obtido por uso do conjunto de
algoritmos mostrados neste trabalho. Observe que,
para cada um dos quatro sinais digitalizados e
transmitidos pela estação de infrassom I09BR o
evento determinado pela explosão está sinalizado por
uma seta e, logo abaixo, é mostrada a saída da
respectiva rede neural artificial.
Percebe-se que as redes detectaram corretamente a
explosão em todos os quatro sensores, obtendo dois
ou mais resultados consecutivos em cada arquivo.
Unindo esse critério de detecção de explosão com o
definido anteriormente no estágio de validação, de
obter uma explosão em pelo menos dois sensores,
pode-se concluir que o resultado obtido foi satisfatório.
Tabela 2. Performance do pós-processamento
18
Positivos verdadeiros
9
Positivos falsos
0
Negativos falsos
100%
Detectabilidade
66,67%
Seletividade
Apesar do sistema de detecção apresentar uma seletividade abaixo de 70% todos os eventos de interesse
foram corretamente detectados, apresentando uma
detectabilidade de 100%, a mesma apresentada por
Ham e Park (2002) para RNA com topologia MLP
aplicada em eventos de natureza impulsiva, como as
explosões químicas registradas na estação I09BR.
5 Conclusões
Foi proposto nesse trabalho um algoritmo de
detecção de explosões químicas em sinais de
infrassom constituído de três módulos: préprocessamento, classificação por meio de redes
neurais e pós-processamento que melhora a
eficiência do sistema e o torna mais robusto.
ISBN: 978-85-8001-069-5
A etapa de pré-processamento procura minimizar o
ruído de fundo do sinal original. Apos o préprocessamento calcula-se um vetor de características
da assinatura espectral que servirá como entrada do
classificador neural. No cálculo desse vetor
minimiza-se a correlação intrínseca, separa o sinal
em sub-bandas e adapta a um formato interessante
para ser tratado pela etapa de classificação. O
algoritmo de classificação utiliza uma rede neural
artificial baseada no Perceptron Multicamadas.
Como na realidade se tem quatro sinais obtidos de
forma simultânea de cada um dos quatro sensores da
estação de infrassom, se implementou um módulo de
pré-processamento e de classificação para cada sinal.
A etapa de pós-processamento trata, então a saída das
quatro redes neurais e pode ter uma tomada de
decisão mais segura quanto à detecção de uma
explosão química.
A avaliação experimental do método proposto tem se
mostrado bastante promissora. Os resultados da
classificação de explosões químicas obtidos com
sinais oriundos da estação de sinais de infrassom
I09BR têm apresentado um excelente desempenho.
Uma melhora significativa no desempenho do
sistema foi observada com a inclusão do pósprocessamento na saída de cada uma das redes
neurais, adotando um processo de contagem de dois
eventos positivos consecutivos em pelo menos dois
elementos do arranjo da estação simultanemante para
a confirmação do fenômeno de explosão. A
implementação deste pós-processamento nos
arquivos com longa duração elevou a detectabilidade
para 100% em todos os sinais até agora chegados ao
Observatório Sismológico da Universidade de
Brasília.
A técnica pode ser adaptada para a investigação e
classificação de outros fenômenos que gerem um
sinal de infrassom, como por exemplo, explosões
nucleares, eventos sísmicos, erupções vulcânicas,
monitoração de tornados, detecção de raios
atmosféricos, dentre outros.
Referências Bibliográficas
Chilo, J., Jabor, A., Liszka, L., Eide, A.J., Lindblad,
T., Bergkvist, L.P.N.-O., Stahlsten, T.,
Andersson, B.L., Karasalo, I., Cederholm, A.
Filtering and extracting features from
infrasound data. Real Time Conference. 14th
IEEE-NPSS. 2005.
Chilo, J. e Lindblad, T. Hardware implementation of
1D wavelet transform on an FPGA for
infrasound
signal
classification.
IEEE
Transaction in Nuclear Science. 2008.
Edwards, W. N., Brown, P. G., ReVelle, D. O.
Estimates of meteoroid kinetics energies from
observations of infrasonic airwaves. Journal of
Atmospheric and Solar-Terrestrial Physics,
Volume 68, Issue 10, June 2006, Pages 11361160. 2006
Ham, F. M. e Park, S. A robust neural network
3458
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
classifier for infrasound events using multiple
array data. Proceedings of the International
Joint Conference on Neural Networks. IJCNN
'02. 2002
Ham, F.M., Rekab, K., Sungjin Park, Acharyya, R.,
Lee, Y.-C. Classification of infrasound events
using radial basis function neural networks.
Proceedings of the International Joint
Conference on Neural Networks. IJCNN '05.
2005
Ham, F.M., Acharyya, R., Lee, Y.-C., Garces, M.,
Fee, D., Whitten, C., Rivera, E. Classification
of infrasound surf events using parallel Neural
Networks
Bank.
Proceedings
of
the
International Joint Conference on Neural
Networks. IJCNN '07. 2007
Hecht-Nielsen, R. Theory of the Backpropagation
Neural
Network.
Proceedings
of the
International Joint Conference on Neural
Networks IJCNN’89 vol.I, pp 593-605. 1989
Hedlin, M. A. H. Global monitoring of subaudible
sound in Earth's atmosphere. Proceedings
OCEANS 2003.
Hedlin, M. A. H., Alcoverro, B., D'Spain, G.
Evaluation of rosette infrasonic noise-reducing
spatial filters. Journal of the Acoustical Society
of America 114 (4), pp. 1807–1820. 2003
Laštovička, J. Forcing of the ionosphere by waves
from below. Journal of Atmospheric and SolarTerrestrial Physics, Volume 68, Issues 3-5,
Pages 479-497. 2006.
Nuh, M., Jazidie, A. e Muslim, M.A. Automatic
Detection of Epileptic Spikes Based on Wavelet
Neural Network. Asia-Pacific Conference on
Circuits and Systems. APCCAS '02, vol. II, pp
483-486. 2002.
Pilger, C., Bittner, M. Infrasound from tropospheric
source: impact on mesopause temperature?
Journal of Atmospheric and Solar-Terrestrial
Physics, Volume 71, Issues 8-9, Pages 816-822.
2009
Yanjie, W., Changyuan, F., Yiding, L., Baoqiang, W.
Design of Lightning Location System Based on
Photon and Infrasound Detection . The Eighth
International
Conference
on
Electronic
Measurement and Instruments. 2007.
ISBN: 978-85-8001-069-5
3459