描述

大象是在地球表面漫游的最大的陸地哺乳動物，它們有著獨特的巨大身體、耳朵和長長的樹干。在我的祖國斯里蘭卡，大象具有象征意義、文化意義和經濟意義，在宗教活動中具有特殊意義。可悲的是，許多問題正在威脅大象種群。根據世界自然基金會的說法，對非洲象的最大威脅是野生犯罪，而對亞洲象的最大威脅是棲息地喪失，從而導致大象-人類沖突。由于棲息地不斷縮小，亞洲象現在被 IUCN（國際自然保護聯盟）列為“瀕危物種”。

偷獵和人象沖突是一些最具威脅性的問題，因此監控它們可以幫助我們防止對大象造成危險。大象的聽力很差，可以用低于人類聽覺頻率范圍的低頻聲音進行交流。

他們有不同類型的叫聲——例如喉音、軀干、模仿和新奇的叫聲——它們在某些情況下表現出攻擊性、驚嚇、威脅等。人類可能無法區分這些叫聲并預測當時的情況。大象目前就是這樣，但是一個準確的機器學習模型有能力。

我決定使用 Edge Impulse 工作室構建一個機器學習模型，并利用我在Elephant Voices 數據庫的幫助下創建的數據集。我在我的機器學習模型中使用了與群體防御、必須行為和沖突相關的調用。

ML 模型可以部署為大象項圈中的音頻分類模型，供特定保護區甚至森林中的大象佩戴。該設備不需要任何互聯網連接，并且以最小的功耗運行。

繼續閱讀以了解有關此項目的更多信息。我的最終和完整的想法在最后一節中提出。

群體防御

大象通常成群結隊，通?；ハ嗾疹櫜⒈Ｗo自己免受威脅。

根據 Elephant Voices 的說法，與反捕食者行為相關的呼叫包括用于提醒同伴注意捕食者存在、恐嚇或“圍攻”捕食者的呼叫，以及在采取防御行動時使用的呼叫。當家庭成員面對掠食者或發現自己處于潛在的威脅或可怕情況時，他們會產生幾種不同的呼叫類型。這些包括隆隆聲、鼻息聲、喇叭聲和咆哮聲。關于大象在捕食者面前復雜且高度協調的防御和進攻行為的文章很多，但產生的各種叫聲以及其他大象對這些叫聲的戲劇性反應卻很少受到關注。

當暴露在獅子、鬣狗、人類或其他潛在危險的捕食者或情況下的聲音、視覺和氣味時，雌性和小牛通常會首先凍結，然后快速組裝（快速行走或跑向彼此），然后聚集在一起。一旦大象評估了所呈現的危險程度，它們可能會攻擊集體或倉促撤退。他們的特殊反應似乎部分是通過微調的聲音信號傳達的。

我們可以使用 Edge Impulse 來識別某些呼叫，并幫助我們了解戴著項圈的大象目前所面臨的情況。

必須的行為

Mustth 是雄性大象的一種正常周期性狀況，其特征是具有高度攻擊性的行為，并伴有生殖激素的大量升高。雄性個體在每年的特定時間進入高峰期，它們在此期間的活動極大地影響了大象社會以及人象互動。它們可能很危險，我們必須在它們經歷這種情況時對其進行監控。

使用 RFID 微芯片和同步 RFID 閱讀器，我們可以計算出大象距離風險區域的距離。使用超高頻天線有助于擴大 RFID 微芯片的檢測范圍。通過計算距離，我們可以預測大象是否正在接近該區域。我們還可以監控其行為，以評估與此沖突相關的風險。一旦檢測到接近的大象，就可以通過打開信標燈來提醒居住在該區域的人們。

沖突

根據大象之聲的說法，在食物、水和礦物質豐富且分布相對均勻的棲息地，大象不太可能因資源沖突而發生沖突，但在相反的情況下，大象之間的沖突可能會很激烈，與爭斗行為相關的發聲更多經常。此外，隨著人口的增加，許多大象必須與人類和牲畜以及其他大象爭奪資源。

資源的缺乏或減少只是沖突的來源之一。雄性相互威脅，甚至可能會為了必須的地位和接近接受性的雌性而戰斗至死。年輕的雄性進行陪練比賽以獲取經驗并測試彼此的力量，這種俏皮的格斗有時會變得具有攻擊性。與成年女性體型相同的十幾歲男性開始四處移動，了解到他們可以挑選比自己年長但比自己小的女性。這種行為是不能容忍的，可能會引起女族長或女性聯盟的攻擊性攻擊。

由于對資源的競爭，人象沖突已經發展成為一個巨大的問題，對日益減少的大象種群構成威脅。這也是斯里蘭卡農村地區最大的環境和社會經濟危機之一。大象 - 隨著越來越多的大象與人類密切接觸，人類沖突正在加劇。這通常會導致大象毀壞莊稼和財產，偶爾還會造成人員傷亡。這些負面互動可能導致大象遭到報復性攻擊/殺害。

在 2019 年的前 10 個月，93 人和 293 頭大象已經在這場沖突中喪生，相比之下，斯里蘭卡 2018 年全年有 96 人和 319 頭大象死亡。這種情況正在增加，政府正在研究不同類型的解決方案來防止這個問題。

監測大象的行為和叫聲可以幫助我們預測這種沖突并拯救這兩個物種。借助準確的機器學習模型，我們可以成功地預測沖突并提醒處于危險區域的人類。該系統也可以自動化，一旦預測到沖突，就可以打開信標燈。

邊緣脈沖

在這個項目中，我們將使用 Edge Impulse 工作室來構建機器學習模型，我們可以使用Elephant Voices 數據庫創建數據集。

為了使這個項目更容易，請遵循Edge Impulse 的關于從音頻中識別聲音的指南。

?

步驟 01：獲取數據

我沒有使用任何設備來捕獲數據。相反，我使用來自Elephant Voices 數據庫的聲音創建了一個數據集。我使用了來自 Group Defense、Male-Male Competition（Musth 條件期間）和 Conflict 的聲音。我從 YouTube 下載了 Jungle 和 Savannah 的聲音，并將其歸入“Noise”標簽。

我在四個標簽下創建了一個數據集：Conflict、Group Defense、Musth 和 Noise。

?

步驟 02：創造沖動

創建訓練數據集后，我設計了一個脈沖。脈沖獲取原始數據，在較小的窗口中對其進行切片，使用信號處理模塊提取特征，然后使用學習模塊對新數據進行分類。信號處理模塊總是為相同的輸入返回相同的值，用于使原始數據更易于處理，而學習模塊則從過去的經驗中學習。

對于這個項目，我們將使用“MFCC”信號處理塊，它使用梅爾頻率倒譜系數從音頻信號中提取特征，非常適合人聲。

然后將這個簡化的音頻數據傳遞給神經網絡模塊，該模塊將從數據中學習模式，并將這些應用于新數據并對其進行分類。這非常適合對運動進行分類或識別音頻。

?

步驟 03：MFCC 配置

配置過程中不要更改默認參數。

?

?

?

?

1 / 2 ? MFCC 配置頁面

?

向下滾動并單擊“保存參數”。這會將您重定向到“生成功能”頁面。

生成特征（訓練集）

?

單擊“生成功能”并向下滾動。你會看到類似這樣的東西：

Creating job... OK (ID: 314642)    

Job started  
Creating windows from 69 files...  
[ 0/69] Creating windows from files...  
[ 1/69] Creating windows from files...  
[ 1/69] Creating windows from files...  
[13/69] Creating windows from files...  
[43/69] Creating windows from files...  
[69/69] Creating windows from files...  
Created 1677 windows: Conflict: 127, Group Defense: 663, Musth: 62, Noise: 825    

Scheduling job in cluster...  
Job started  
Creating features  
[   1/1677] Creating features...  
[ 696/1677] Creating features...  
[1391/1677] Creating features...  
[1677/1677] Creating features...  
Created features    

Scheduling job in cluster...  
Job started  
Reducing dimensions for visualizations...  
UMAP(a=None, angular_rp_forest=False, b=None,          
    force_approximation_algorithm=False, init='spectral',  
learning_rate=1.0,           
    local_connectivity=1.0, low_memory=False,  
metric='euclidean',           
    metric_kwds=None, min_dist=0.1, n_components=3,  
n_epochs=None,           
    n_neighbors=15, negative_sample_rate=5,  
output_metric='euclidean',           
    output_metric_kwds=None, random_state=None,  
repulsion_strength=1.0,           
    set_op_mix_ratio=1.0, spread=1.0,  
target_metric='categorical',           
    target_metric_kwds=None, target_n_neighbors=-1,  
target_weight=0.5,           
    transform_queue_size=4.0, transform_seed=42, unique=False,  
verbose=True)  
Construct fuzzy simplicial set  
Sun Oct 18 01:29:25 2020 Finding Nearest Neighbors  
Sun Oct 18 01:29:27 2020 Finished Nearest Neighbor  
Search Still running...  
Sun Oct 18 01:29:30 2020  
Construct embedding 	     
    completed  0  /  500 epochs 	     
    completed  50  /  500 epochs 	     
    completed  100  /  500 epochs  
Still running... 	     
    completed  150  /  500 epochs 	     
    completed  200  /  500 epochs 	     
    completed  250  /  500 epochs    	     
    completed  300  /  500 epochs 	     
    completed  350  /  500 epochs 	     
    completed  400  /  500 epochs 	     
    completed  450  /  500 epochs  
Sun Oct 18 01:29:37 2020 Finished embedding  
Reducing dimensions for visualizations OK  
Job completed

步驟 04：神經網絡配置

現在，是時候開始訓練神經網絡了。神經網絡是一種算法，松散地模仿人腦，可以學習識別出現在訓練數據中的模式。我們在這里訓練的網絡將 MFCC 作為輸入，并嘗試將其映射到四個類別之一——沖突、群體防御、musth 和噪聲。

?

?

?

?

1 / 2 ? NN 分類器頁面

?

我不得不用不同的選項訓練我的模型大約 3 次。當訓練周期數為 100 時，我的第一次試驗給了我 65.2% 的準確率。我使用了 2D 卷積架構預設。我重新訓練了我的模型，這一次，我將訓練周期數增加到 300。我得到了 67.3% 的準確率。

最后，當我用 300 個訓練周期和默認架構預設重新訓練我的音頻分類模型時，我得到了 76.5% 的準確率。

可以通過獲取更多數據來提高此機器學習模型的準確性，并且每個標簽至少需要 10 分鐘的數據。

?

步驟 04：模型測試

您可以通過此模型測試來測試模型的有效性。我測試了 13 個樣本，我的模型只識別了一個。如果每個標簽下都有更多數據，這個 ML 模型會更準確。

步驟 05：部署

ML 模型現在可以部署了。這使得模型在沒有互聯網連接的情況下運行，最大限度地減少延遲，并以最低的功耗運行。您可以為開發板創建庫或構建固件。

我已經將我的音頻分類模型變成了可以在任何設備上運行的優化源代碼，例如：STMicroelectronics MP23ABS1 。

該設備可以連接到大象項圈并實施以防止對減少的大象種群的危險和威脅。

最終和完整的想法

為了讓事情變得更有趣和更有效，可以在大象項圈上安裝一個 RFID 微芯片，或者可以將一個無源 RFID 標簽貼在大象的耳朵上。每頭大象都有一個唯一的 ID，在超高頻天線和Sparkfun 的同步 RFID 閱讀器的幫助下，我們將能夠檢測到大象何時在遠離偷獵風險區域或人們居住的地方的安全距離內。同步 RFID 閱讀器能夠同時讀取多個標簽。如果大象靠近，RFID閱讀器將能夠檢測到，因為它可以計算出某個RFID標簽和閱讀器之間的距離。如果大象處于危險之中，公園或護林員可以采取適當的行動。

RFID 閱讀器可以在距離人們居住或偷獵活動頻繁的區域約 1 或 2 公里處連接到微控制器。如果系統檢測到大象接近，微控制器會被編程為自動打開信標燈并提醒居住在該區域的人們。

如果機器學習模型無法從項圈中的麥克風記錄的音頻中識別聲音，或者大象項圈的電池電量耗盡或出現故障，這也會很有幫助。