Op maandag 13 mei organiseerden Witteveen + Bos en DigiShape een hackaton over onderwatergeluid. Met een gevarieerde groep van experts op het gebied van onderwater akoestiek, signaalverwerking (signal processing) en/of machine learning en AI werkten we aan de vraag:
Welke opgewerkte parameters (met het oog op minimale gegevensopslag) kun je afleiden uit de geluidsopnames, waarmee je nog steeds voldoende input hebt voor scheepsherkenning met jouw favoriete AI model?
Want hoewel er potentieel een schat aan informatie beschikbaar is op het gebied van onderwatergeluid (denk aan scheepsherkenning, piling, explosies op zee en seismisch onderzoek), zijn de data moeilijk breed te delen vanwege de omvang van de geluidsbestanden en het arbeidsintensieve proces van labelling. Witteveen + Bos en Rijkswaterstaat wonnen in 2023 de DigiShape seedmoney om te inventariseren op welke wijze geluidsbestanden ‘uitgekleed’ kunnen worden, zodat ze in een kleiner formaat kunnen worden gedeeld, zonder dat er essentiële informatie verloren gaat.
Niels Kinneging van Rijkswaterstaat over onderwatergeluid
We begonnen de dag met een inleiding van Niels Kinneging van het team Onderwatergeluid van Rijkswaterstaat. Hij was van 2018 tot en met 2022 projectleider van het Europese project Jomopans, waarin elf instituten uit alle landen rond de Noordzee met behulp van metingen een framework ontwikkelden voor het monitoren van onderwatergeluid in de Noordzee. Hij ging in op wat het begrip onderwatergeluid eigenlijk inhoudt, welke natuurlijke geluidsbronnen er zijn en welke geluiden door mensen worden veroorzaakt. Ook vertelde hij welke gevolgen dit geluid kan hebben voor het onderwaterleven en op welke manieren je het kunt analyseren.
Niels: “Geluidmetingen bevatten een schat aan informatie. Door de metingen openbaar beschikbaar te maken is het mogelijk dat experts uit verschillende disciplines op een andere manier naar de data kijken. Hier leren we allemaal veel van.”
Hilde Hummel van CWI over Machine Learning en onderwatergeluid
Hilde Hummel van Centrum Wiskunde & Informatica (CWI) vertelde vervolgens over haar promotieonderzoek met als onderwerp: The State-of-the-Art Machine Learning in Undonerwater Acoustics. Ze ziet dat er in de laatste jaren een ware evolutie gaande is in het aantal applicaties op het gebied van Machine Learning en AI. Dat is goed nieuws, omdat er nog veel onontgonnen terrein is als het gaat om onderwatergeluid. Tegelijkertijd komen de onderzoekers en ontwikkelaars nog heel wat uitdagingen tegen, die onder andere te maken hebben met de complexiteit van de onderwater omgeving en de gelimiteerde hoeveelheid gelabelde data.
Hilde: “Heel mooi dat DigiShape en Witteveen+Bos zoveel experts op dit onderwater gebied bij elkaar hebben gebracht. Samen weten we meer.”
Marieke Bezemer van Witteveen + Bos over de resultaten van de hackaton
Marieke Bezemer, die het project vanuit Witteveen + Bos leidt, was zeer tevreden over de eerste aanzet die tijdens de hackaton is gedaan. “Je ziet dat er in Nederland nog een behoorlijk gat is tussen specialisten op het gebied van onderwatergeluid enerzijds en specialisten op het gebied van Machine Learning anderzijds. Vandaag hebben we deze twee vakgebieden dichter bij elkaar kunnen brengen.”
Zoals verwacht, is het een uitdaging om alle fragmenten te reduceren en tegelijkertijd geschikt te maken voor de verscheidenheid van beoogde toepassingen. Een mogelijke oplossingsroute is het op voorhand filteren van de geluidsfragmenten, waardoor je beter in beeld krijgt welke bestanden relevant zijn. Op basis van de relevantie bepaal je vervolgens hoeveel informatie je per fragment bewaart.
Marieke: “Afhankelijk van de achtergrond van de expert en de beoogde toepassing kunnen er andere behoeftes en voorkeuren zijn. We hebben gezien dat sommige deelnemers voorkeur hadden om de fragmenten om te zetten naar spectrogrammen en deze vervolgens in het geheel te voeden aan een AI algoritme, terwijl andere deelnemers deze spectrogrammen verder verwerken naar kenmerken en met deze opgewerkte parameters aan de slag gaan. Ook is er tijdens de hackaton uitgebreid gesproken over wat een geluidsfragment goed of nuttig maakt. Is dit een fragment met geluidsbronnen die ruim boven het ruisniveau uitkomen? Of willen we juist ook fragmenten, die vervuild zijn, gebruiken voor onze algoritmes? Ook hier speelt het verschil in de beoogde toepassing een grote rol.”
Aan het einde van de dag zijn de verschillende ideeën om de dataset te reduceren uitgebreid besproken. Hierbij was er onder andere aandacht voor:
- Selectie van fragmenten op basis van de labels. De afstand van een schip tot de hydrofoon en het type schip.
- Wijze van berekenen van een spectrogram.
- Opdelen van de fragmenten op basis van wavelet analyses, waarbij in feite per frequentieband een ander reductieniveau gehaald kan worden
- Het afleiden van kenmerken op basis van de frequentieanalyses, waarbij opwerkte parameters berekend worden.
Mogelijk vervolg
Het is duidelijk dat, als het gaat om onderwatergeluid, we op een goudmijn van informatie zitten. Alleen om deze data op een efficiënte en bruikbare manier beschikbaar te kunnen stellen, moeten er nog heel wat stappen worden gezet. Tijdens deze hackaton is hier een eerste aanzet voor gedaan en daarbij zijn, zoals verwacht, ook mogelijke drempels en vragen opgeworpen. In de loop van 2024 inventariseren we of er met deze groep, en wie daarbij wil aansluiten, behoefte is aan een vervolg.
