Detection and Classification of Cetacean Echolocation Clicks using Image-based Object Detection Methods applied to Advanced Wavelet-based Transformations

Cette thèse présente l'efficacité de la méthode CLICK-SPOT, qui combine des transformations en ondelettes avancées et des réseaux de neurones profonds pour détecter et classifier automatiquement les clics d'écholocation des cétacés dans des environnements acoustiques complexes, surmontant ainsi les limites des spectrogrammes traditionnels.

L'essentiel

🐋 Le Détective des Sons : Comment l'IA apprend à écouter les baleines tueuses

Imaginez que vous êtes un détective privé, mais au lieu de traquer des criminels dans une ville bruyante, vous devez écouter les conversations d'une baleine tueuse (orque) au fond de l'océan. Le problème ? L'océan est rempli de bruit (vagues, bateaux, pluie) et les orques parlent très vite, avec des sons qui ressemblent à des clics d'ordinateur.

C'est exactement le défi que Christopher Hauer a relevé dans sa thèse. Il a créé un outil intelligent appelé CLICK-SPOT pour aider les biologistes à comprendre ce que disent ces animaux.

Voici comment tout cela fonctionne, étape par étape, avec quelques analogies amusantes.

1. Le Problème : Une montagne de travail manuel

Avant cette invention, les biologistes devaient écouter des heures d'enregistrements audio et marquer manuellement chaque "clic" émis par la baleine.

• L'analogie : C'est comme essayer de compter chaque goutte de pluie dans une tempête en utilisant un stylo et du papier. C'est épuisant, lent, et impossible à faire pour de grandes quantités de données. De plus, il faut distinguer le "clic" original de la baleine de son "écho" (le bruit qui rebondit sur le fond de l'océan), un peu comme distinguer un coup de feu de son écho dans une grotte.

2. La Solution : Transformer le son en image

Pour que l'ordinateur puisse "voir" le son, il faut le transformer en image.

• L'ancien moyen (Spectrogramme) : C'est comme regarder une photo floue où l'on voit les couleurs (fréquences) mais où les détails rapides (le temps) sont flous. C'est comme essayer de lire une plaque d'immatriculation sur une voiture qui passe à 200 km/h avec une photo prise au flash.
• La nouvelle méthode (Ondelettes) : Christopher a utilisé une technique appelée Transformation en Ondelettes. Imaginez que vous avez une loupe magique.
  • Quand le son est grave (basse fréquence), la loupe zoome pour voir les détails fins.
  • Quand le son est aigu (haute fréquence, comme le clic rapide de la baleine), la loupe se dézoome pour voir l'instant précis où cela se produit.
  • Résultat : Une image ultra-claire où chaque clic ressemble à un petit cône pointu, facile à repérer.

3. Le Chasseur : YOLO (You Only Look Once)

Une fois le son transformé en image, Christopher a utilisé un détecteur d'objets très célèbre en intelligence artificielle appelé YOLO.

• L'analogie : Imaginez un chasseur de trésor qui regarde une carte (l'image du son) et pointe immédiatement du doigt : "Il y a un clic ici !" et "Il y a un écho là-bas !".
• Au début, le chasseur était un peu confus et mettait parfois plusieurs clics dans le même panier. Christopher a donc ajouté un post-traitement (un petit assistant) qui utilise la "pente" du signal pour séparer les clics qui sont collés les uns aux autres, comme si on séparait des grains de riz qui s'étaient agglutinés.

4. Le Juge : La Forêt Aléatoire (Random Forest)

Le plus dur n'est pas de trouver le clic, mais de savoir si c'est un clic original ou un écho.

• Le problème : Un clic et son écho se ressemblent énormément. C'est comme essayer de distinguer une personne de son reflet dans une vitre juste en regardant une photo isolée.
• La solution : Christopher a créé un "jury" composé de plusieurs arbres de décision (une Forêt Aléatoire). Au lieu de juger un clic tout seul, le jury regarde le contexte :
  • Quand est-il arrivé ? (Juste après un autre clic ?)
  • Quelle est sa force ?
  • Y a-t-il un motif répétitif ?
• L'analogie : C'est comme un détective qui ne se fie pas à un seul témoin, mais qui compare les témoignages de plusieurs personnes pour reconstituer la scène du crime. Si le "clic" arrive exactement au bon moment après un autre, le jury dit : "C'est un clic !". Sinon : "C'est un écho".

5. Les Résultats : Un succès prometteur

Grâce à cette chaîne d'outils (CLICK-SPOT) :

• Le système trouve 96 % des clics réels (il en rate très peu).
• Il distingue correctement les clics des échos avec une grande précision.
• Il est beaucoup plus rapide et fiable que les anciennes méthodes mathématiques simples.

Cependant, il y a un petit bémol : Pour l'instant, l'ordinateur met 25 minutes pour analyser 1 minute d'enregistrement. C'est comme si vous deviez attendre 25 minutes pour lire une page de livre. Ce n'est pas encore assez rapide pour une utilisation en direct sur un bateau en mer, mais c'est parfait pour analyser des archives de données pendant la nuit.

En résumé

Christopher Hauer a réussi à créer un détective numérique qui transforme le bruit de l'océan en images claires, utilise un chasseur rapide pour trouver les sons, et un jury intelligent pour comprendre le contexte. Cela ouvre la porte à une nouvelle ère où nous pourrons enfin "lire" les conversations complexes des orques et comprendre leur vie sociale, sans passer des années à écouter des enregistrements à l'oreille.

C'est un magnifique exemple de comment l'intelligence artificielle, combinée à la biologie, peut nous aider à mieux comprendre la nature. 🌊🐋🤖

Résumé technique

1. Problématique

L'analyse bioacoustique des cétacés, en particulier des orques (Orcinus orca), nécessite la détection et l'annotation précise de leurs clics d'écholocalisation et de leurs échos pour étudier leur comportement social et leurs interactions.

• Défi principal : L'annotation manuelle est extrêmement chronophage. Un biologiste peut passer environ une heure pour annoter une seule seconde de données contenant des rafales de clics et d'échos.
• Complexité technique :
  • Différenciation Clic/Écho : Les clics et leurs échos (réflexions) partagent des caractéristiques physiques similaires (forme d'onde, durée, énergie), rendant leur distinction difficile, surtout dans des environnements à faible rapport signal-sur-bruit (SNR).
  • Limites des méthodes actuelles : Les détecteurs basés sur des seuils (comme PAMGuard) ou les modèles de classification par fenêtres (comme ANIMAL-SPOT) échouent souvent à isoler des événements individuels précis (de l'ordre de la milliseconde) ou à distinguer les clics des échos sans intervention humaine.
  • Représentation du signal : Les spectrogrammes classiques (basés sur la Transformée de Fourier à Court Terme - STFT) imposent un compromis entre résolution temporelle et fréquentielle, ce qui est problématique pour les impulsions brèves de type Dirac.

2. Méthodologie

L'auteur propose une chaîne de traitement nommée CLICK-SPOT, qui combine des transformations de signal avancées et des architectures de Deep Learning modernes.

A. Prétraitement et Représentation des Données

Au lieu d'utiliser uniquement des spectrogrammes, le système génère des images 2D combinant trois représentations du signal audio (échantillonné à 192 kHz) dans les canaux RVB d'une image de 960x960 pixels :

1. Ondelette (Wavelet) : Utilisation de la Transformée en Ondelettes Continues (CWT) avec une ondelette "Chapeau Mexicain" (Mexican Hat). Cela offre une meilleure résolution temporelle pour les hautes fréquences et une meilleure résolution fréquentielle pour les basses fréquences, idéal pour les impulsions brèves.
2. Spectrogramme : Représentation fréquentielle standard.
3. Forme d'onde (Waveform) : Le signal brut.
   Cette combinaison (appelée SCWTSPEC) permet au réseau de neurones de voir à la fois la structure temporelle fine et les caractéristiques fréquentielles.

B. Détection d'Événements (YOLO)

Le cœur de la détection repose sur YOLOv8 (You Only Look Once), un réseau de détection d'objets en temps réel.

• Approche : Le flux audio est découpé en fenêtres de 5 ms, converties en images SCWTSPEC.
• Fonctionnement : YOLO détecte les boîtes englobantes (bounding boxes) correspondant aux clics et aux échos, traitant l'audio comme une image où les clics sont des "objets".
• Post-traitement FOD (First Order Detection) : Pour résoudre le problème de chevauchement des boîtes englobantes (où un clic et son écho sont fusionnés), un détecteur de gradient du premier ordre est appliqué à l'intérieur des boîtes YOLO. Cela permet d'identifier les pics de gradient précis et de "trancher" (splicing) les grandes boîtes en événements individuels distincts.

C. Classification Contextuelle (Random Forest)

YOLO détecte les événements mais ne distingue pas toujours bien un clic d'un écho car il traite chaque fenêtre de manière isolée.

• Solution : Un classifieur Random Forest est utilisé en post-traitement.
• Entrées : Il analyse un contexte temporel (fenêtre glissante d'événements passés et futurs) avec des caractéristiques telles que :
  • L'intervalle de temps inter-arrivée (inter-arrival time).
  • La différence d'énergie et de confiance entre les événements.
  • La phase de départ (polarité).
  • La densité énergétique.
• Objectif : Reproduire l'intuition humaine qui utilise le contexte (ex: un clic est souvent suivi d'un écho à intervalle régulier) pour classifier l'événement.

3. Contributions Clés

1. Développement de CLICK-SPOT : Une chaîne de traitement complète intégrant YOLO, la transformation par ondelettes et un classifieur contextuel pour l'annotation automatique.
2. Représentation SCWTSPEC : Démonstration que la combinaison de la forme d'onde, du spectrogramme et de la scalogramme (ondelette) dans un seul canal d'image améliore significativement la détection par rapport aux méthodes traditionnelles.
3. Stratégie de post-traitement hybride : L'utilisation de la détection de gradient (FOD) pour affiner les sorties de YOLO, permettant une séparation précise des clics et des échos fusionnés.
4. Approche contextuelle : L'intégration d'un classifieur Random Forest pour surmonter les limites de la détection d'objets purement locale, en exploitant la structure temporelle des rafales de clics.

4. Résultats

L'évaluation a été réalisée sur des enregistrements d'orques norvégiennes annotés manuellement (5 322 événements : clics et échos).

• Comparaison des méthodes :

  • PAMGuard (Seuillage) : Précision globale de 39,7 %.
  • FOD seul (Mathématique) : Précision de 53,1 %.
  • ANIMAL-SPOT (Classification par fenêtre) : Précision de 63,9 % (mais incapable d'isoler des événements individuels précis).
  • CLICK-SPOT (YOLO + FOD + Random Forest) :
    • Précision de détection des clics : 86,32 %.
    • Rappel (Recall) des clics : 95,93 %.
    • Précision globale de classification (Clic vs Écho) : 82,56 %.
    • Corrélation entre le taux de clics détectés et le taux réel : 98,01 %.

• Optimisation : Le système a été optimisé pour maximiser la précision globale plutôt que le rappel, afin de fonctionner de manière autonome sans correction humaine, réduisant ainsi les faux positifs tout en maintenant une forte corrélation avec les données réelles.

5. Signification et Perspectives

• Impact Scientifique : CLICK-SPOT offre une solution viable pour automatiser l'analyse de grandes quantités de données bioacoustiques, permettant aux chercheurs d'étudier le comportement social des orques (interactions, communication) à une échelle auparavant impossible en raison du temps d'annotation manuel.
• Adaptabilité : Bien que conçu pour les orques, la méthode est adaptable à d'autres espèces (dauphins, cachalots) via l'apprentissage par transfert, car la nature impulsionnelle des clics est commune aux odontocètes.
• Limites et Futur :
  • Temps de calcul : Le système actuel a un facteur temps réel de 25 (25 minutes pour traiter 1 minute de données), ce qui le rend inadapté à une surveillance en temps réel sur le terrain sans optimisation matérielle ou parallélisation massive.
  • Futur travail : L'auteur suggère l'intégration de YOLO avec des réseaux récurrents (RNN) pour une détection contextuelle directe, la réduction de la taille des images d'entrée pour accélérer l'inférence, et l'extension de la classification aux types de fréquences (Basse, Haute, Ultrasonique).

En conclusion, cette thèse démontre que l'application de techniques de vision par ordinateur (YOLO) à des représentations audio avancées (ondelettes), couplée à une logique contextuelle (Random Forest), surpasse largement les méthodes traditionnelles pour la détection et la classification des clics d'écholocalisation complexes.