Die Identifizierung von Fledermäusen erfolgt häufig durch die Nutzung der charakteristischen Merkmale ihrer Echoortungsrufe. Dabei wird in der Regel Expertenwissen benötigt, sowie teures Equipment und eine zeitraubende Nachbearbeitung von zuvor aufgezeichneten Rufen. Automatisierte Lösungen existieren bereits, sind aber in der Regel nicht so genau wie die menschlichen Experten. Eine neue Studie präsentiert eine automatisierte Lösung für die Verarbeitung von Fledermausrufen und die Identifizierung von Fledermausarten mit extrem hoher Klassifizierungsgenauigkeit, die während der Live-Aufzeichnung oder in einer automatisierten Nachbearbeitungssoftware verwendet werden kann. Dieser Algorithmus ist die erste Anwendung eines sogenannten Deep Convolutional Neural Network, um Fledermausarten basierend auf Schallspektrogrammbildern ihrer Echoortungsrufe zu klassifizieren. Hierbei wurden mehrere tiefe CNN-Architekturen getestet, darunter eine modifizierte Google Inception- und eine ResNet50-Architektur. Die Netze wurden basierend auf einer sehr großen Rufdatenbank trainiert, die aus Bildern von Schnipseln von Rufspektrogrammen besteht. Die gesamte Software wurde in der Programmiersprache Python entwickelt und eine ausführbare Datei der Software ist auf Anfrage erhältlich.
[frei übersetztes Abstract]
Originalstudie:
Schwab, E., Pogrebnoj, S., Freund, M., Flossmann, F., Vogl, S., Frommolt K.-H. (2022): Automated bat call classification using deep convolutional neural networks, Bioacoustics. https://doi.org/10.1080/09524622.2022.2050816