De Marco R. · 2026

An open reproducible framework for CNN-based cetacean vocalization detection in passive acoustic monitoring

Resumo em português

CONTEXTO: O monitoramento acústico passivo (PAM) combinado com aprendizado profundo é cada vez mais utilizado para detectar vocalizações de cetáceos. O fluxo de trabalho desde o áudio bruto até um detector treinado (anotação, segmentação, parametrização de espectrograma, processamento de imagem e avaliação do modelo) raramente é documentado em detalhes suficientes para permitir que outros grupos reproduzam ou comparem os resultados. Essa falta de padronização limita a comparabilidade metodológica entre estudos e dificulta a investigação sistemática de como as escolhas do pré-processamento afetam o desempenho da detecção. MÉTODOS: Este artigo apresenta o ai-pam-pipeline, um framework de código aberto com seis etapas que formaliza o fluxo completo da detecção baseada em rede neural convolucional (CNN), com todos os parâmetros definidos em um único arquivo de configuração YAML, garantindo reprodutibilidade exata dos experimentos. O framework separa a estrutura metodológica da implementação computacional, permitindo adaptação a diferentes espécies, tipos de vocalizações ou ambientes acústicos apenas pela configuração, sem modificação de código. A validação foi realizada em gravações de assobios de golfinho-nariz-de-garrafa (Tursiops truncatus) por meio de dois experimentos complementares: (A) um detector binário de assobios treinado com gravações em ambiente controlado e avaliado em um conjunto de dados independente de oceano aberto, e (B) um classificador de vocalizações com cinco classes, demonstrando a escalabilidade do framework. RESULTADOS: O detector binário alcançou macro F1=0,966 em validação cruzada de dez partes nos dados do domínio original. A avaliação em domínio cruzado produziu zero falsos positivos em todas as dez partes (taxa de descoberta falsa = 0,000) com macro F1=0,759, confirmando a generalização para condições acústicas não vistas sem novo treinamento. A extensão multiclasses alcançou macro F1=0,843 em cinco categorias de vocalização; a confusão entre classes de trens de cliques de ecolocalização e sons de pulsos descontínuos reflete sobreposição biológica dos sinais, e não falha do classificador. CONCLUSÕES: O framework oferece uma base reproduzível e documentada para detecção de cetáceos baseada em CNN no PAM. O conjunto completo de ferramentas é disponibilizado publicamente sob licença Apache 2.0, enquanto os conjuntos de dados usados neste estudo estão abertos em repositórios públicos separados. Juntos, esses recursos permitem replicação exata das análises e apoiam adaptação a novos contextos de monitoramento.

Resumo original em inglês

Background: Passive acoustic monitoring (PAM) combined with deep learning is increasingly used to detect cetacean vocalizations. The workflow from raw audio to a trained detector (annotation, segmentation, spectrogram parameterization, image processing, and model evaluation) is rarely documented in sufficient detail to allow other groups to reproduce or compare results. This lack of standardization limits methodological comparability across studies and hinders systematic investigation of how upstream preprocessing choices affect detection performance. Methods This article presents ai-pam-pipeline, an open-source six-stage framework that formalizes the complete CNN-based detection workflow, with every parameter defined in a single YAML configuration file ensuring exact experimental reproducibility. The framework separates the methodological structure from its computational implementation, allowing adaptation to different species, vocalization types, or acoustic environments, through configuration alone, without code modification. Validation was conducted on recordings of bottlenose dolphin (Tursiops truncatus) whistles through two complementary experiments: (A) a binary whistle detector trained with controlled environment recordings, and evaluated on an independent open-ocean dataset, and (B) a five-class vocalization classifier demonstrating framework scalability. Results The binary detector achieved macro F1 = 0.966 under ten-folds cross-validation on in-domain data. Cross-domain evaluation produced zero false positives across all ten folds (false discovery rate = 0.000) with macro F1 = 0.759, confirming generalization to unseen acoustic conditions without retraining. The multiclass extension achieved macro F1 = 0.843 across five vocalization categories; inter-class confusion between echolocation click trains and burst-pulse sounds reflects biological signal overlap rather than classifier failure. Conclusions The framework provides a reproducible and documented baseline for CNN-based cetacean detection in PAM. The complete toolkit is publicly released under the Apache 2.0 license, while the datasets used in this study are made openly available through separate public repositories. Together, these resources enable exact replication of the analyses and support adaptation to new monitoring contexts.

Espécies citadas

• Tursiops truncatus · golfinho-nariz-de-garrafa
  ?

  Nomes populares variam entre regiões e uma mesma palavra pode designar espécies diferentes. Confira sempre o nome científico: Tursiops truncatus.