描述

大象是最大的陸地哺乳動(dòng)物，是高度敏感和關(guān)懷的動(dòng)物，就像人類一樣。它們是高度聰明的動(dòng)物，具有復(fù)雜的情感、感受、同情心和自我意識(shí)（大象是極少數(shù)能在鏡子中認(rèn)出自己的物種之一！）。他們用腳拾取隆隆聲，并且可以通過從腳傳到耳朵的振動(dòng)聽到遠(yuǎn)距離的低頻通信。和人類一樣，大象也為親人的逝世而哀悼。大象永遠(yuǎn)不會(huì)忘記。

但是這些奇妙的生物正處于嚴(yán)重的危險(xiǎn)之中。曾經(jīng)在非洲和亞洲很普遍的大象數(shù)量在 19 世紀(jì)和 20 世紀(jì)急劇下降，這主要是由于象牙貿(mào)易和棲息地的喪失。雖然一些種群現(xiàn)在已經(jīng)穩(wěn)定，但偷獵、人類與野生動(dòng)物的沖突和棲息地破壞繼續(xù)威脅著該物種。

非洲象的數(shù)量已從一個(gè)世紀(jì)前估計(jì)的 1200 萬(wàn)頭下降到約 400,000 頭。近年來(lái)，非洲每年至少有 20,000 頭大象因長(zhǎng)牙而被殺死。非洲森林象受到的打擊最為嚴(yán)重。2002-2011 年間，它們的種群數(shù)量下降了 62%，它們的地理分布范圍減少了 30%，其中非洲稀樹草原大象在 2007-2014 年間下降了 30%。2011 年至 2015 年間，這種急劇下降持續(xù)甚至加速，在某些景觀中累積損失高達(dá) 90%。今天，對(duì)非洲象的最大威脅是野生動(dòng)物犯罪，主要是為非法象牙貿(mào)易而偷獵，而對(duì)亞洲象的最大威脅大象是棲息地喪失，導(dǎo)致人象沖突。

邊緣脈沖

Edge Impulse 使開發(fā)人員能夠創(chuàng)建具有嵌入式機(jī)器學(xué)習(xí)的下一代智能設(shè)備解決方案。在這個(gè)項(xiàng)目中，我們將在 Edge 脈沖的幫助下創(chuàng)建一個(gè)機(jī)器學(xué)習(xí)模型。使用一些數(shù)據(jù)集，我們將訓(xùn)練模型區(qū)分人類和大象。

?

步驟 01：獲取數(shù)據(jù)

我沒有使用任何設(shè)備來(lái)捕獲數(shù)據(jù)。相反，我使用來(lái)自Elephant Voices 數(shù)據(jù)庫(kù)和 youtube的聲音創(chuàng)建了訓(xùn)練和測(cè)試數(shù)據(jù)集。我已經(jīng)拆分樣本以避免噪音并提高模型的準(zhǔn)確性。

我在兩個(gè)標(biāo)簽下創(chuàng)建了數(shù)據(jù)集：大象和人類。

?

?

?

?

1 / 2

?

步驟 02：創(chuàng)造沖動(dòng)

創(chuàng)建訓(xùn)練數(shù)據(jù)集后，我設(shè)計(jì)了一個(gè)脈沖。脈沖獲取原始數(shù)據(jù)，在較小的窗口中對(duì)其進(jìn)行切片，使用信號(hào)處理模塊提取特征，然后使用學(xué)習(xí)模塊對(duì)新數(shù)據(jù)進(jìn)行分類。信號(hào)處理模塊總是為相同的輸入返回相同的值，用于使原始數(shù)據(jù)更易于處理，而學(xué)習(xí)模塊則從過去的經(jīng)驗(yàn)中學(xué)習(xí)。

對(duì)于這個(gè)項(xiàng)目，我們將使用“MFCC”信號(hào)處理塊，它使用梅爾頻率倒譜系數(shù)從音頻信號(hào)中提取特征。

然后將這個(gè)簡(jiǎn)化的音頻數(shù)據(jù)傳遞給神經(jīng)網(wǎng)絡(luò)模塊，該模塊將從數(shù)據(jù)中學(xué)習(xí)模式，并將這些應(yīng)用于新數(shù)據(jù)并對(duì)其進(jìn)行分類。這非常適合對(duì)運(yùn)動(dòng)進(jìn)行分類或識(shí)別音頻。

?

步驟 03：MFCC 配置

配置過程中不要更改默認(rèn)參數(shù)。

?

?

?

?

1 / 2

?

向下滾動(dòng)并單擊“保存參數(shù)”。這會(huì)將您重定向到“生成功能”頁(yè)面。

?

特征瀏覽器向您展示了生成的 MFCC 的可視化。

?

步驟 04：神經(jīng)網(wǎng)絡(luò)配置

現(xiàn)在，是時(shí)候開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)了。神經(jīng)網(wǎng)絡(luò)是一種算法，松散地模仿人腦，可以學(xué)習(xí)識(shí)別出現(xiàn)在訓(xùn)練數(shù)據(jù)中的模式。我們?cè)谶@里訓(xùn)練的網(wǎng)絡(luò)將 MFCC 作為輸入，并嘗試將其映射到兩個(gè)類之一——大象和危險(xiǎn)。

?

?

?

?

1 / 2

?

我不得不用不同的組合訓(xùn)練我的模型幾次——訓(xùn)練周期數(shù)和神經(jīng)網(wǎng)絡(luò)架構(gòu)預(yù)設(shè)。

可以通過獲取更多數(shù)據(jù)來(lái)提高此機(jī)器學(xué)習(xí)模型的準(zhǔn)確性，并且每個(gè)標(biāo)簽至少需要 10 分鐘的數(shù)據(jù)。

?

步驟 04：模型測(cè)試

您可以通過此模型測(cè)試來(lái)測(cè)試模型的有效性。我測(cè)試了 8 個(gè)樣本，我的模型識(shí)別了其中的 5 個(gè)。如果每個(gè)標(biāo)簽下都有更多數(shù)據(jù)，這個(gè) ML 模型會(huì)更準(zhǔn)確。

?

步驟 05：部署

ML 模型現(xiàn)在可以部署了。這使得模型在沒有互聯(lián)網(wǎng)連接的情況下運(yùn)行，最大限度地減少延遲，并以最低的功耗運(yùn)行。您可以為開發(fā)板創(chuàng)建庫(kù)或構(gòu)建固件。

我已經(jīng)將我的音頻分類模型變成了可以在任何設(shè)備上運(yùn)行的優(yōu)化源代碼，例如：Arduino Nano 33 BLE sense。

該設(shè)備可以連接到大象項(xiàng)圈并實(shí)施以防止對(duì)減少的大象種群的危險(xiǎn)和威脅。

最終和完整的想法

為了讓事情變得更有趣和更有效，可以在大象項(xiàng)圈上安裝一個(gè) RFID 微芯片，或者可以將一個(gè)無(wú)源 RFID 標(biāo)簽貼在大象的耳朵上。每頭大象都有一個(gè)唯一的 ID，在超高頻天線和Sparkfun 的同步 RFID 閱讀器的幫助下，我們將能夠檢測(cè)到大象何時(shí)在遠(yuǎn)離偷獵風(fēng)險(xiǎn)區(qū)域或人們居住的地方的安全距離內(nèi)。同步 RFID 閱讀器能夠同時(shí)讀取多個(gè)標(biāo)簽。如果大象靠近，RFID閱讀器將能夠檢測(cè)到，因?yàn)樗梢杂?jì)算出某個(gè)RFID標(biāo)簽和閱讀器之間的距離。如果大象處于危險(xiǎn)之中，公園或護(hù)林員可以采取適當(dāng)?shù)男袆?dòng)。

RFID 閱讀器可以在距離人們居住或偷獵活動(dòng)頻繁的區(qū)域約 1 或 2 公里處連接到微控制器。如果系統(tǒng)檢測(cè)到大象接近，微控制器被編程為自動(dòng)打開信標(biāo)燈并提醒居住在該區(qū)域的人們。

如果機(jī)器學(xué)習(xí)模型無(wú)法從項(xiàng)圈中的麥克風(fēng)記錄的音頻中識(shí)別聲音，或者大象項(xiàng)圈的電池電量耗盡或出現(xiàn)故障，這也會(huì)很有幫助。

參考

• 阿拉帕霍圖書館：https ://arapahoelibraries.org/blogs/post/15-reasons-why-elephants-are-the-best/
• 世界自然基金會(huì) (WWF)：https ://wwf.panda.org/knowledge_hub/endangered_species/elephants/
• 世界自然基金會(huì) (WWF) - 大象：https ://www.worldwildlife.org/species/elephant
• Edge Impulse - 入門：https ://docs.edgeimpulse.com/docs
• Edge Impulse - 從音頻中識(shí)別聲音：https ://docs.edgeimpulse.com/docs/audio-classification