描述

概述：

該項(xiàng)目演示了如何使用TensorFlow 和 Artemis 模塊構(gòu)建設(shè)備，以解決任何地方農(nóng)村或農(nóng)業(yè)社區(qū)面臨的大部分問題。該設(shè)備使用機(jī)器學(xué)習(xí)算法來檢查整體植物健康、極端氣候預(yù)測和保護(hù)、自動溫室適應(yīng)，并使用音頻分析檢測致命的疾病傳播媒介或非法砍伐森林。該項(xiàng)目還展示了我們?nèi)绾蝺H通過收集和利用從傳感器獲得的數(shù)據(jù)就可以對我們的農(nóng)場有更多的了解。我從澳大利亞野火、印度 GDP 由于錯誤的農(nóng)業(yè)實(shí)踐而下降等新聞中獲得了制作這個項(xiàng)目的靈感蝗蟲群正在迅速破壞東非、巴基斯坦和許多其他國家的莊稼，蚊子以驚人的速度繁殖，被忽視的熱帶疾病，所以我在我心中找到了作為這個創(chuàng)新、忠誠社區(qū)的積極成員的呼聲。

在制作這個項(xiàng)目時采取的重要措施是有效和耐心地收集數(shù)據(jù)，一旦收集到數(shù)據(jù)，工作就會變得更加容易（如果你不收集正確的數(shù)據(jù)來滿足你饑餓的 ML 框架，你肯定會失敗）。對于數(shù)據(jù)收集部分，我使用了我過去的項(xiàng)目，該項(xiàng)目僅從傳感器收集數(shù)據(jù)并使用 Sigfox 協(xié)議發(fā)送到后端，但在這里我將根據(jù)這些數(shù)據(jù)訓(xùn)練我的設(shè)備。

該項(xiàng)目的核心是您需要在每個階段之后調(diào)整您的設(shè)備。所以讓我們開始吧，享受機(jī)器學(xué)習(xí)的學(xué)習(xí)。

技術(shù)概述：

雖然我們已經(jīng)搬到了一個現(xiàn)代化的城市，但我仍然愛我的村莊。村莊的清新仍然讓我從憂郁的心情中恢復(fù)過來，但由于周圍的污染，我們的健康狀況不佳，無論我們種植什么作物，它們也會對我們的身體產(chǎn)生一些不良影響，因此照顧這些作物以及植物和人類疾病的早期跡象，無需使用復(fù)雜、耗電的設(shè)備，這些設(shè)備需要大量維護(hù)，而且遠(yuǎn)遠(yuǎn)超出貧困農(nóng)民或村民的能力范圍。因此，我決定使用能夠使用 ML 功能且延遲低且幾乎沒有碳足跡的 Edge 設(shè)備。

背景：

主題：自然

1)農(nóng)場分析：

隨著人口的增加，可持續(xù)的耕作方法變得很重要。以前我們只是用來玩?zhèn)鞲衅鳎F(xiàn)在使用 TensorFlow，我們不僅可以感知，還可以分析、預(yù)測和采取行動。使用所有收集到的數(shù)據(jù)，我們 將這一步將農(nóng)民之間的競爭使用正確的農(nóng)場分析，機(jī)器會自動建議農(nóng)民何時在他的農(nóng)場使用化學(xué)品，從而節(jié)省他的金錢、精力和環(huán)境退化。您可以查看本網(wǎng)站了解更多我國農(nóng)業(yè)界面臨的問題。find abnormalities in crop growth, photosynthesis rate, extreme climate and need for smart green house adaptation.stop using excess fertilizers, pesticides, insecticides to boost production.

2）使用音頻分析檢測某些有益和有害的生物：

花可以聽到蜜蜂的嗡嗡聲——這使它們的花蜜更甜

農(nóng)民正在使用大量化學(xué)品來提高他們的農(nóng)場產(chǎn)量，但我們往往忘記，由于過度使用這些殺蟲劑、殺蟲劑和無機(jī)肥料、異花授粉劑，節(jié)肢動物（地球上發(fā)現(xiàn)的 90% 的生物體都是昆蟲）不會不要被這些植物吸引或因過度接觸化學(xué)物質(zhì)和污染而死亡。超過2,000 種傳粉昆蟲現(xiàn)在已經(jīng)滅絕，如果不加以保護(hù)，只有500 種會滅絕。

我們還需要盡早發(fā)現(xiàn)作物病害，以阻止其在農(nóng)場傳播。為了解決這個問題，我想為什么不告訴農(nóng)民只有在有任何不良生長模式或有害害蟲時才使用化學(xué)品，如今即使沒有疾病，農(nóng)民也無用地噴灑化學(xué)品并殺死蜜蜂等有用的昆蟲。它還可以檢測某些授粉劑以及它們在田間的頻率，根據(jù)觀察它可以幫助農(nóng)民種植觀賞植物，也可以通過聲音和頻率檢測到破壞作物的大型動物。現(xiàn)在我訓(xùn)練我的設(shè)備來識別幾種蚊子的聲音，比如伊蚊、庫蚊和按蚊，還有蜜蜂. 我還將添加蟋蟀、蝗蟲和其他一些害蟲，因?yàn)槲矣幸粋€非常小的數(shù)據(jù)集。這里的重點(diǎn)是，一旦出現(xiàn)任何害蟲跡象，農(nóng)民或政府可以在它傳播到各處之前采取行動，用戶也可以確切地知道從哪個設(shè)備接收到的信號。閱讀這篇文章https://www.aljazeera.com/news/2020/01/200125090150459.html

如果上述問題不解決，那么整個世界將陷入糧食危機(jī)之中。“東非蝗蟲爆發(fā)引發(fā)國際援助呼聲”

3) 停止砍伐森林：

有很多非法砍伐樹木，所以我的設(shè)備可以通過聲音分析技術(shù)讓有關(guān)部門意識到砍伐樹木，特別是它可以檢測木材切割工具的聲音和頻率。

4) 預(yù)測野火并適應(yīng)極端情況：

如果我們能夠分析來自環(huán)境傳感器和氣體傳感器的數(shù)據(jù)，我們就可以輕松預(yù)測野火，也可以讓設(shè)備學(xué)會在植物沒有獲得最佳溫度和光照的情況下采取行動，以便設(shè)備可以激活溫室模式。

[Note: Please look every image carefully in this section,each image contains critical data required to run model successfully]

我們走吧！

音頻分類：

第 1 步：收集音頻分析所需的數(shù)據(jù)集：

我從 kaggle 數(shù)據(jù)集中獲得了不同種類的蚊翅拍、蜜蜂的音頻文件，你也可以從那里下載，文件很大，但我們不需要那么多數(shù)據(jù)集，因?yàn)槲覀兊脑O(shè)備內(nèi)存很小，所以我們會限制我們的每個班級的 200 個音頻文件，每個 1 秒的話語。同樣，您可以通過這種方式獲得電鋸、蝗蟲、板球。如果你有一個有昆蟲的安靜房間，你也可以記錄你自己的數(shù)據(jù)，那會更好，更準(zhǔn)確，這會非常令人興奮，但由于學(xué)校考試壓力很大，我無法這樣做。注意：如果我們直接加載為訓(xùn)練過程下載的音頻數(shù)據(jù)，它將無法工作，因?yàn)辂溈孙L(fēng)架構(gòu)會有所不同，并且設(shè)備將無法識別任何東西。因此，一旦下載了文件，我們需要通過 Artemis 麥克風(fēng)再次對其進(jìn)行錄制，以便我們可以對準(zhǔn)確用于運(yùn)行推理的數(shù)據(jù)進(jìn)行訓(xùn)練。因此，讓我們?yōu)?Artemis Redboard ATP 配置我們的 Arduino IDE，請查看以下鏈接。

選擇板作為 Artemis ATP，然后從 File->Examples->Sparkfun Redboard Artemis Example->PDM->Record_to_wav

除了代碼之外，還有一個 python 腳本，您需要運(yùn)行它來錄制來自板載麥克風(fēng)的音頻。這是非常必要的，因?yàn)橐纛l文件來自不同的麥克風(fēng)，因此電路板可能無法準(zhǔn)確識別頻率并將聲音視為噪音。

（Protip：錄音時，通過緩慢地來回移動聲源來模擬真實(shí)的昆蟲靠近麥克風(fēng)，從而使氣柱發(fā)生變化，以便我們獲得更好的結(jié)果。我自己嘗試過，它提高了準(zhǔn)確性。）

#!/usr/bin/python
from __future__ import division
"""
Author: Justice Amoh
Date: 11/01/2019
Description: Python script to stream audio from Artemis Apollo3 PDM microphone
"""
import sys
import serial
import numpy as np
import matplotlib.pyplot as plt
from serial.tools import list_ports
from time import sleep
from scipy.io import wavfile
from datetime import datetime
# Controls
do_plot  = True
do_save  = True
wavname  = 'recording_%s.wav'%(datetime.now().strftime("%m%d_%H%M"))
runtime  = 50#100                      # runtime in frames, sec/10, set it according to your audio duration default is 5 seconds, I set it to 4 minutes as per my audio duration

# Find Artemis Serial Port
ports = list_ports.comports()
try:
sPort = [p[0] for p in ports if 'cu.wchusbserial' in p[0]][0]
except Exception as e:
print 'Cannot find serial port!'
sys.exit(3)
# Serial Config
ser = serial.Serial(sPort,115200)
ser.reset_input_buffer()
ser.reset_output_buffer()
# Audio Format & Datatype
dtype   = np.int16                  # Data type to read data
typelen = np.dtype(dtype).itemsize  # Length of data type
maxval  = 32768. # 2**15            # For 16bit signed
# Plot Parameters
delay   = .00001                    # Use 1us pauses - as in matlab
fsamp   = 16000                     # Sampling rate
nframes = 10                        # No. of frames to read at a time
buflen  = fsamp//10                 # Buffer length
bufsize = buflen*typelen            # Resulting number of bytes to read
window  = fsamp*10                  # window of signal to plot at a time in samples
# Variables
x = [0]*window
t = np.arange(window)/fsamp         # [x/fsamp for x in range(10)]
#---------------
# Plot & Figures
#---------------
plt.ion()
plt.show()
# Configure Figure
with plt.style.context(('dark_background')):
fig,axs = plt.subplots(1,1,figsize=(7,2.5))
lw, = axs.plot(t,x,'r')
axs.set_xlim(0,window/fsamp)
axs.grid(which='major', alpha=0.2)
axs.set_ylim(-1,1)
axs.set_xlabel('Time (s)')
axs.set_ylabel('Amplitude')
axs.set_title('Streaming Audio')
plt.tight_layout()
plt.pause(0.001)
# Start Transmission
ser.write('START')          # Send Start command
sleep(1)
for i in range(runtime):
buf = ser.read(bufsize)                 # Read audio data
buf = np.frombuffer(buf,dtype=dtype)    # Convert to int16
buf = buf/maxval                        # convert to float
x.extend(buf)                           # Append to waveform array
# Update Plot lines
lw.set_ydata(x[-window:])
plt.pause(0.001)
sleep(delay)
# Stop Streaming
ser.write('STOP')
sleep(0.5)
ser.reset_input_buffer()
ser.reset_output_buffer()
ser.close()
# Remove initial zeros
x = x[window:]
# Helper Functions
def plotAll():
t   = np.arange(len(x))/fsamp
with plt.style.context(('dark_background')):
fig,axs = plt.subplots(1,1,figsize=(7,2.5))
lw,     = axs.plot(t,x,'r')
axs.grid(which='major', alpha=0.2)
axs.set_xlim(0,t[-1])
plt.tight_layout()
return
# Plot All
if do_plot:
plt.close(fig)
plotAll()
# Save Recorded Audio
if do_save:
wavfile.write(wavname,fsamp,np.array(x))
print "Recording saved to file: %s"%wavname

錄制音頻后，您可以使用任何音頻拆分器將音頻文件拆分為 1 秒。我將以下代碼與 jupyter notebook 一起使用來實(shí)現(xiàn)上述步驟。

from pydub import AudioSegment
from pydub.utils import make_chunks

myaudio = AudioSegment.from_file("myAudio.wav" , "wav") 
chunk_length_ms = 1000 # pydub calculates in millisec
chunks = make_chunks(myaudio, chunk_length_ms) #Make chunks of one sec

#Export all of the individual chunks as wav files

for i, chunk in enumerate(chunks):
    chunk_name = "chunk{0}.wav".format(i)
    print "exporting", chunk_name
    chunk.export(chunk_name, format="wav")

我使用 Audacity 來清理我下載的音頻文件，然后再將它們切片，還有一些非常棒的功能可以用來判斷你的音頻是否純凈，音頻頻譜圖。

分割音頻文件后，您就可以為 Artemis 訓(xùn)練這些文件了。但是，您需要調(diào)整以使其完美運(yùn)行，因?yàn)橛捎谕鈿せ蚬ぷ鳝h(huán)境，數(shù)據(jù)可能包含大量噪聲，因此我建議您也訓(xùn)練背景數(shù)據(jù)集，以便即使存在持續(xù)的特殊噪聲也可以工作。背景包含 Audacity 軟件中所有修剪過的音頻片段和一些明顯的噪音。

我使用 Google Colab 進(jìn)行訓(xùn)練，下面是完整的訓(xùn)練過程圖像，您需要在 Colab notebook 中訓(xùn)練時上傳這些文件并在 GPU 上運(yùn)行，對我來說花了將近 2 個小時。我不得不訓(xùn)練三次，因?yàn)橛捎谖业幕ヂ?lián)網(wǎng)連接速度慢，筆記本一直斷開連接，所以我首先訓(xùn)練了一個小數(shù)據(jù)集，只有蜜蜂、蚊子（沒有基因或品種分類）和電鋸，然后我訓(xùn)練了整個數(shù)據(jù)集兩次，幸運(yùn)的是我成功了。

第 2 步：訓(xùn)練音頻數(shù)據(jù)

音頻培訓(xùn) #1：標(biāo)簽 = 蚊子、蜜蜂、電鋸

訓(xùn)練完成后，我們需要凍結(jié)模型并將其轉(zhuǎn)換為 lite 模型以在 Edge 設(shè)備中使用。我將附上代碼以及所有必需的注釋。

音頻培訓(xùn) #2：標(biāo)簽 = 伊蚊、庫蚊、按蚊、蜜蜂、電鋸

下載上述步驟生成的所有文件，還需要為每個類音頻文件生成微特征文件，我將在我們編寫設(shè)備時解釋這一點(diǎn)。您還可以閱讀 TensorFlow Lite for Microcontrollers 文檔以獲取更多信息。

數(shù)據(jù)分類：

第 1 步：收集所需行為和不良行為的傳感器數(shù)據(jù)

1) 株高：我使用我過去的項(xiàng)目來確定發(fā)芽后的水稻株高，但這還不夠，因?yàn)橹灰《葲]有 SigFox 連接，我就可以讓我的設(shè)備保持開啟狀態(tài)，所以無論我得到什么讀數(shù)，我都使用 Excel數(shù)學(xué)統(tǒng)計(jì)函數(shù)，回歸技術(shù)來找到所有其他點(diǎn)并添加一些噪音。我真的很抱歉為 ML 提供了小數(shù)據(jù)集，但幸運(yùn)的是它適合我的應(yīng)用程序，如果有一天我將它變成一個商業(yè)產(chǎn)品，那么我會通過生成合成數(shù)據(jù)來擴(kuò)展我的數(shù)據(jù)集。

2）火災(zāi)預(yù)測：我使用環(huán)境組合快速傳感器收集正常讀數(shù)以及火災(zāi)情況讀數(shù)。對于火災(zāi)，我們需要 himidiy、溫度、tVOC、CO2 讀數(shù)。所以基本上我們正在使用回歸技術(shù)制作分類模型來進(jìn)行預(yù)測。我使用傳感器的示例代碼來獲取所有讀數(shù)。檢測野火是非常重要的功能。

3) 溫室適應(yīng)：我使用 quiic VCNL4040 模塊來檢測環(huán)境光照水平和用于溫度和 CO2 傳感的環(huán)境組合傳感器。根據(jù)數(shù)據(jù)，設(shè)備可以預(yù)測何時適應(yīng)溫室模式以拯救農(nóng)作物。它可以進(jìn)一步優(yōu)化以保護(hù)作物免受冰雹或大雪的影響。

第 2 步：使用深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)

永遠(yuǎn)不要在沒有規(guī)范化的情況下進(jìn)行任何訓(xùn)練，因?yàn)槟阌肋h(yuǎn)不會看到你的模型提高它的準(zhǔn)確性。下面是我訓(xùn)練過程的一些圖像，任何人都可以知道訓(xùn)練過程中發(fā)生了什么。

培訓(xùn)#1：火災(zāi)預(yù)測

我使用了'adam'優(yōu)化器和'binary_crossentropy'損失，它們比任何其他方法都工作得更好，你可以相應(yīng)地使用任何方法。其他數(shù)據(jù)集也遵循相同的訓(xùn)練步驟。sigmoid也用作輸出層的激活函數(shù)，因?yàn)?sigmoid 適用于非線性數(shù)據(jù)和二進(jìn)制預(yù)測

培訓(xùn)#2：溫室適應(yīng)預(yù)測

神經(jīng)網(wǎng)絡(luò)的回歸模型配置與火災(zāi)預(yù)測模型相同。輸出預(yù)測將幫助用戶根據(jù)相關(guān)傳感器數(shù)據(jù)了解植物是否獲得了足夠的二氧化碳、光照、溫暖，如果沒有，則設(shè)備可以采取行動適應(yīng)溫室（我會告訴我們何時編碼設(shè)備）。

培訓(xùn)#3：植物生長追蹤

這里使用rmsprop代替adam優(yōu)化器，并使用mse作為損失函數(shù)。在此，我訓(xùn)練了底層神經(jīng)網(wǎng)絡(luò)以識別與天相關(guān)的生長模式，因此我將使用它根據(jù)天數(shù)從模型中計(jì)算植物高度，并檢查我的傳感器讀數(shù)是否值差異很大，這意味著植物那個季節(jié)長得不好。

由于我們已經(jīng)完成了所有的培訓(xùn)步驟，我們將著手對設(shè)備進(jìn)行編程。

準(zhǔn)備好我們的代碼：

在這里，我將描述我們所有項(xiàng)目實(shí)現(xiàn)共有的所有頭文件，

#include "xyz_model_data.h"

我們使用 xxd 訓(xùn)練、轉(zhuǎn)換并轉(zhuǎn)換為 C++ 的模型

#include "tensorflow/lite/experimental/micro/kernels/all_ops_resolver.h"

一個允許解釋器加載我們模型使用的操作的類

#include "tensorflow/lite/experimental/micro/micro_error_reporter.h"

一個可以記錄錯誤和輸出以幫助調(diào)試的類

#include "tensorflow/experimental/lite/micro/micro_interpreter.h"

TensorFlow Lite for Microcontrollers 解釋器，它將運(yùn)行我們的模型

#include "tensorflow/lite/schema/schema_generated.h"

定義 TensorFlow Lite FlatBuffer 數(shù)據(jù)結(jié)構(gòu)的模式，用于理解 sine_model_data.h 中的模型數(shù)據(jù)

#include "tensorflow/lite/version.h"

模式的當(dāng)前版本號，因此我們可以檢查模型是否使用兼容版本定義。

//You need to install Arduino_Tensorflow_Lite library before proceeding.
#include 

在 void setup() 函數(shù)之前定義了一個命名空間，命名空間用于解決不同包之間的名稱沖突。您還需要為張量和其他相關(guān)操作分配內(nèi)存。

namespace
{
tflite::ErrorReporter* error_reporter = nullptr;
const tflite::Model* model = nullptr;
tflite::MicroInterpreter* interpreter = nullptr;
TfLiteTensor* input = nullptr;
TfLiteTensor* output = nullptr;
// Create an area of memory to use for input, output, and intermediate arrays.
// Finding the minimum value for your model may require some trial and error.
constexpr int kTensorArenaSize = 6 * 1024;
uint8_t tensor_arena[kTensorArenaSize];
}  // namespace

您可以從 Arduino IDE 示例部分中的 Arduino Tensorflow Lite 示例開始，只需將轉(zhuǎn)換后的 lite 模型數(shù)據(jù)傳輸?shù)?model_data.h 文件，然后根據(jù)預(yù)測模型的輸出采取任何行動。

編程、模型測試和連接 Sparkfun Artemis 設(shè)備：

測試#1：音頻分析-

檢查我們的語音模型并在 OLED 屏幕上顯示結(jié)果。如果您對整個項(xiàng)目的編程沒有信心，您可以選擇示例項(xiàng)目并將其作為基礎(chǔ)修改它，您將很容易學(xué)會以這種方式進(jìn)行調(diào)試。圖片沒有詳細(xì)顯示，因此我已經(jīng)上傳了代碼，但您仍然需要根據(jù)您的項(xiàng)目對其進(jìn)行調(diào)整。您還可以輕松修改它，根據(jù)檢測到的聲音（如蚊子）將結(jié)果發(fā)送到移動設(shè)備或基站，這樣人們就可以輕松查看當(dāng)?shù)卮祟惱ハx最常見的地方并防止其繁殖或制造自動化無人機(jī)導(dǎo)航系統(tǒng)在農(nóng)場區(qū)域噴灑特定的殺蟲劑、殺蟲劑或通知機(jī)構(gòu)有關(guān)非法采伐的全面精確控制。在下面查看我們的測試結(jié)果圖像。

我們已經(jīng)完成了我們項(xiàng)目的音頻分析模型的訓(xùn)練和編程，現(xiàn)在我將繼續(xù)編程其他基于價(jià)值的輸出模型。

測試#2：火災(zāi)預(yù)測-

我們將數(shù)據(jù)模型加載到板上，然后對我們的傳感器值進(jìn)行實(shí)時預(yù)測，根據(jù)預(yù)測，我們將在 OLED 屏幕上顯示通知，從而消除農(nóng)場大面積火災(zāi)的可能性。這真的花了我大部分時間，因?yàn)闊o論我多么努力，我的董事會每次都會給我編譯錯誤。但是感謝 Hackster 社區(qū)，他們幫助我成功上傳了代碼。

測試#3：溫室預(yù)測

這里我們將利用環(huán)境光、溫度和CO2濃度檢測傳感器來預(yù)測是否有足夠的光、溫度和CO2可供植物生長，如果條件不正常，我們將引導(dǎo)伺服電機(jī)啟動并通過帶來保護(hù)植物來保護(hù)植物。像溫室設(shè)置一樣在農(nóng)場上層。

測試#4：植物高度測定

我們已經(jīng)訓(xùn)練我們的模型通過回歸來確定植物高度，但是回歸有一個缺點(diǎn)，缺點(diǎn)是它只能確定一個線性方向的值，因此如果讓它永遠(yuǎn)運(yùn)行它會在某天返回植物高度（以公里為單位），如果沒有上限已設(shè)置。所以我們要做的是，我們會檢測對應(yīng)天的植物高度，并用我們的模型檢查對應(yīng)天的高度，檢查模型預(yù)測的高度是否與我們測量的植物高度相差很大，差異很大意味著有一些營養(yǎng)不足。

我附上了所有注釋很好且可讀性強(qiáng)的代碼，供您實(shí)現(xiàn)自己的算法，不要浪費(fèi)時間考慮代碼，花時間使您的訓(xùn)練數(shù)據(jù)集盡可能好。

我沒有 3D 打印機(jī)，所以我只是拿了一個塑料盒來構(gòu)建我的模型，在提交想法的過程中，我們還需要指定我們的項(xiàng)目的外觀，所以這里是安裝（不是花園，因?yàn)槲覜]有一）但我盡我最大的努力在我的最后做盡可能多的創(chuàng)新和創(chuàng)造力。對不起，伙計(jì)們，我找不到這個硬件的fritzing 部件，但接線相當(dāng)簡單，因?yàn)槲沂褂昧朔浅３Ｒ姷膫鞲衅鳎琿uiic 傳感器是即插即用的，所有圖像都足夠清晰，可以詳細(xì)說明我的傳感器的引腳。

您可以將您的設(shè)備設(shè)置為您想要的任何模式以及您想要的任何位置。我還想為我的植物實(shí)施水分適應(yīng)，我稍后也會完成。

可持續(xù)發(fā)展目標(biāo) 3：良好的健康和福祉

使用我們的設(shè)備，我們試圖讓當(dāng)?shù)亓私馑写嬖诨蚍敝车臄y帶疾病的媒介，而且我們能夠在聽到任何害蟲發(fā)出的聲音時立即拯救作物，因此它節(jié)省了農(nóng)民的大量精力并讓他們噴灑化學(xué)品只在需要時，吃得健康。

SDG 13 和 SDG 15：氣候行動和陸地生物

聯(lián)合國目標(biāo)：到 2020 年，促進(jìn)對所有類型森林實(shí)施可持續(xù)管理，停止砍伐森林，恢復(fù)退化的森林，并在全球大幅增加植樹造林和重新造林。從所有來源和各級調(diào)動大量資源，為可持續(xù)森林管理提供資金，并提供充足的資源. 鼓勵發(fā)展中國家推進(jìn)此類管理，包括保護(hù)和重新造林。通過我們的項(xiàng)目，我們能夠識別非法砍伐樹木并將信息傳達(dá)給林業(yè)部門采取行動。因此，我們很快就準(zhǔn)備好停止森林砍伐，我還想到了另一個包括檢測槍聲并讓政府了解特定地區(qū)的偷獵者并對他們采取嚴(yán)厲行動的措施。

任何人都可以向我推薦任何可以輕松實(shí)現(xiàn)并對社區(qū)有所幫助的新功能。直接在代碼部分添加大量代碼文件不是很舒服，所以我添加了github鏈接。感謝您仔細(xì)閱讀我的想法和實(shí)現(xiàn)。