但是這些奇妙的生物正處于嚴(yán)重的危險之中。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)量已從一個世紀(jì)前估計的 1200 萬頭下降到約 400,000 頭。近年來，非洲每年至少有 20,000 頭大象因長牙而被殺死。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 90%。今天，對非洲象的最大威脅是野生動物犯罪，主要是為非法象牙貿(mào)易而偷獵，而對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)建具有嵌入式機器學(xué)習(xí)的下一代智能設(shè)備解決方案。在這個項目中，我們將在 Edge 脈沖的幫助下創(chuàng)建一個機器學(xué)習(xí)模型。使用一些數(shù)據(jù)集，我們將訓(xùn)練模型區(qū)分不同類型的音頻，即大象在安全時發(fā)出的聲音，以及在不安全時發(fā)出的聲音。

?

步驟 01：獲取數(shù)據(jù)

我沒有使用任何設(shè)備來捕獲數(shù)據(jù)。相反，我使用來自Elephant Voices 數(shù)據(jù)庫和 youtube的聲音創(chuàng)建了訓(xùn)練和測試數(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。

我在兩個標(biāo)簽下創(chuàng)建了一個數(shù)據(jù)集：安全和危險。

?

?

?

?

1 / 2

?

步驟 02：創(chuàng)造沖動

創(chuàng)建訓(xùn)練數(shù)據(jù)集后，我設(shè)計了一個脈沖。脈沖獲取原始數(shù)據(jù)，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(xué)習(xí)模塊對新數(shù)據(jù)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(shù)據(jù)更易于處理，而學(xué)習(xí)模塊則從過去的經(jīng)驗中學(xué)習(xí)。

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(shù)從音頻信號中提取特征。

然后將這個簡化的音頻數(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(rèn)參數(shù)。

?

?

?

?

1 / 2

?

向下滾動并單擊“保存參數(shù)”。這會將您重定向到“生成功能”頁面。

?

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)識別出現(xiàn)在訓(xùn)練數(shù)據(jù)中的模式。我們在這里訓(xùn)練的網(wǎng)絡(luò)將 MFCC 作為輸入，并嘗試將其映射到兩個類別之一——安全和危險。

?

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)來提高此機器學(xué)習(xí)模型的準(zhǔn)確性，并且每個標(biāo)簽至少需要 10 分鐘的數(shù)據(jù)。

?

?

?

?

1 / 2

?

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 27 個樣本，我的模型識別出了其中的 8 個。如果每個標(biāo)簽下都有更多數(shù)據(jù)，這個 ML 模型會更準(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(fā)板創(chuàng)建庫或構(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(biāo)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(fēng)險區(qū)域或人們居住的地方的安全距離內(nèi)。同步 RFID 閱讀器能夠同時讀取多個標(biāo)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(biāo)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(dāng)?shù)男袆印?/font>