使用機器學習模型(AI)進行預測是否安全

2416098 2023-06-14 | zip | 0.00 MB | 次下載 | 免費

資料介紹

描述

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

但是這些奇妙的生物正處于嚴重的危險之中。曾經在非洲和亞洲很普遍的大象數量在 19 世紀和 20 世紀急劇下降，這主要是由于象牙貿易和棲息地的喪失。雖然一些種群現在已經穩定，但偷獵、人類與野生動物的沖突和棲息地破壞繼續威脅著該物種。

非洲象的數量已從一個世紀前估計的 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重。2002-2011 年間，它們的種群數量下降了 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易而偷獵，而對亞洲象的最大威脅大象是棲息地喪失，導致人象沖突。

邊緣脈沖

Edge Impulse 使開發人員能夠創建具有嵌入式機器學習的下一代智能設備解決方案。在這個項目中，我們將在 Edge 脈沖的幫助下創建一個機器學習模型。使用一些數據集，我們將訓練模型區分不同類型的音頻，即大象在安全時發出的聲音，以及在不安全時發出的聲音。

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 數據庫和 youtube的聲音創建了訓練和測試數據集。我已經拆分樣本以避免噪音并提高模型的準確性。

我在兩個標簽下創建了一個數據集：安全和危險。

1 / 2

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。

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

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。

特征瀏覽器向您展示了生成的 MFCC 的可視化。

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，并嘗試將其映射到兩個類別之一——安全和危險。

我不得不用不同的組合訓練我的模型幾次——訓練周期數和神經網絡架構預設。

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。

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：Arduino Nano 33 BLE sense 。

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。