Researching and Testing BirdNET, a Bird Detecting Algorithm

Abstract

Tässä opinnätetyössä keskityttiin BirdNETin käyttöön, joka on koneoppimisella luotu algoritmi lintujen tunnistamiseen niiden tuottamista lauluista ja äänistä, ja sen tehokkuuteen. Sille pohdittiin myös käyttötarkoituksia, kuten työkaluksi aloittelevalle lintuharrastajalle.

Prosessi aloitettiin panemalla BirdNET toimimaan Raspberry Pi:n Linux-ympäristössä ja mietittiin mahdollisia kokeita algoritmin käytölle. Internetistä löytyy satojatuhansia äänityksiä eri linnuista, joista muutama valittiin. Kokeissa näitä äänityksiä toistettiin, nauhoitettiin Raspberry Pi:hin kiinnitetyllä USB mikrofonilla ja analysoitiin BirdNET:llä. Kokeissa käytettiin eri äänenvoimakkuuksia, lisättiin taustamelua ja toistettiin päällekkäisiä vokalisointeja, jotta näemme miten algoritmi reagoisi erilaisiin tilanteisiin. Ylimääräisiä äänityksiä tehtiin myös oikeissa ympäristöissä.

Tulokset olivat vaihtelevia. Selkeästi kuultavilla nauhoituksilla BirdNET oli melkein täysin varma havainnoistaan. Lisäämällä taustamelua, pienentämällä toistettujen äänityksien äänenvoimakkuutta tai päällekkäisillä lintujen vokalisoinneilla saatiin huomattavasti alennettuja ennustuksia. Joskus BirdNET ei tunnistanut ainuttakaan lintua, vaikka ne olivat selvästi kuultavissa. Kokeneella lintuharrastajalla ei olisi vaikeuksia näiden lintujen tunnistamisessa.

Vaikka BirdNET ei tällä hetkellä ole täydellisen luotettava, löytyy sille käyttötarkoituksia. Aloitteleva lintuharrastaja, joka ei tunnista ainuttakaan lintua, voi käyttää BirdNET:iä ohjaamaan oikeaan suuntaan. Tuntien tai pidempien äänitiedostojen tutkiminen ei ole käytännöllistä ihmiselle. BirdNET voisi analysoida tiedoston, merkitä kohdat, joissa olettaisi linnun vokalisoivan, minkä ihminen myöhemmin tarkistaisi. Koska BirdNET:iä kehitetään jatkuvasti on todennäköistä, että se tulee olemaan ihmistä kyvykkäämpi lintujen tunnistamisessa.

This thesis will focus on using BirdNET, a machine learning algorithm designed to detect birds from their vocalisations, testing its efficacy and considering different uses for such a technology, such as a helpful tool for a novice birder.

The process started with getting BirdNET to work on Raspberry Pi’s Linux environment and considering possible experiments. The internet has large databases with hundreds of thousands of recordings of different birds, of which a few were chosen. In the experiments, the recordings were played back, captured with a USB microphone on the Raspberry Pi and analysed with BirdNET. The experiments included different volume levels, added environmental noise, and overlapping of bird recordings, to see how the algorithm reacted to varying circumstances. Additional recordings were done in real environments.

The results were highly variable. With near perfect conditions and clearly audible recordings, BirdNET was nearly a hundred percent confident in its predictions. Adding environmental noise, lowering volume levels, and overlapping birds with others made a sizeable negative impact in the algorithm’s predictions, sometimes lowering the confidence below the low threshold used. Even with very low prediction rates, the birds are mostly still clearly audible, and a sufficiently competent birder would have no trouble recognising the species.

Even if BirdNET is not perfectly reliable yet, it can be a useful tool. Especially a novice birder, who might not recognise a single bird, can use BirdNET to point them in the right direction. If hours or days long audio files need to be searched for birds, even with low confidence predictions, BirdNET could save large amounts of time by tagging intervals to be checked by a human. BirdNET is in constant development and considering how rapidly the progress of AI has been in the past decade, it will eventually surpass human capabilities.