描述

1800 年，僅在非洲就可能有 2600 萬頭大象，盡管很難精確。

?

大象被毀的原因

• 去年大約有 20,000 頭非洲象因長牙而死亡，比出生的還多
• 由于人口繁盛，大象因占用土地而被殺。一群大象可以摧毀許多小農的一年生作物。人的生命也處于危險之中。在印度，恐慌或憤怒的大象每年會殺死 400 多人(pdf)。
• 亞洲象的象牙、肉和身體部位也被偷獵，而小象則被從野外捕獲并出售給旅游業。在世界范圍內，亞洲象被訓練、交易并用于旅游公園和馬戲團的娛樂活動，也用于非法采伐活動。

關鍵解決方案：

我開發了一個機器學習模型，用于使用邊緣脈沖軟件預測大象的行為。這些模型將預測大象附近的偷獵者活動、大象進入村莊時的人類沖突、大象防止人類接觸大象的必須行為以及玩耍、睡覺、性和母子等正常活動跟蹤。在我訓練有素的模型中，我涵蓋了以下這些條件。

硬件部分將是大象的項圈，將由智能公園部署。在這個項目中，我只專注于機器學習模型。我添加了測試數據，可用于評估我的模型。

數據采集

我基于兩個不同的數據輸入在邊緣脈沖中創建了兩個不同的 TinyML 模型。我使用音頻輸入、三軸加速度計來訓練模型并進行部署。

項圈有以下配置：

所以我決定用這兩個數據輸入（音頻，3 軸）來訓練我的模型。所以它可以部署在衣領中以備將來使用。

模型架構

根據數據輸入，我將機器學習模型分為三類。

• 模型 1 -> 數據集將是音頻輸入
• 模型 2 -> 數據集將是三倍加速度計軸

模型1

模型 1 將涵蓋模型中提到的所有用例。大象在各種各樣的情況下發聲。他們呼吁宣傳生理或荷爾蒙狀態，警告他人和威脅，表現出強烈的情緒，宣布需求或愿望，提出、談判或討論行動計劃，協調群體運動，確保群體防御，關心對小牛來說，尋求關心或支持，加強家人和朋友之間的聯系，調和分歧，并保持統治地位。

模型 1 能夠在大多數情況下以最小的誤差和更高的準確度預測大象的行為。在我的機器學習模型中，模型 1 和模型 2 將主要用于預測大象的行為。

模型2

模型 2 還將涵蓋模型 1 中提到的相同用例。大象的行為會根據防御、警告部隊、攻擊、玩耍等情況而有所不同。因此，根據加速度計數據，我們可以預測行為。

模型 1 - 數據集將是音頻

在 Edge Impulse 中創建項目

步驟1：

要在邊緣脈沖中創建新帳戶，您需要提供新帳戶的電子郵件 ID 和密碼。它非常直接和簡單，因為它不會詢問出生日期、姓名、地址等。

創建邊緣脈沖后，將定向到創建項目頁面。

對于模型 1，我為項目輸入了一個唯一名稱。

第2步：

創建帳戶后，您可以在頁面頂部看到您的項目名稱，在左側您會注意到要遵循的步驟。截至目前，它沒有突出顯示，說明步驟尚未完成。

連接設備并獲取數據

轉到設備選項，然后單擊連接新設備

您有四個選項來獲取數據。

• 開發板
• 使用您的手機
• 移植指南
• 導入預構建數據集

在這里，我更喜歡手機來收集數據。

它將顯示一個唯一的二維碼來連接您的手機，掃描此二維碼以獲取鏈接并在您的手機中打開像谷歌瀏覽器一樣的網絡瀏覽器，自動連接以獲取數據。

現在手機已連接到您的項目。

第 3 步：數據采集

請確保設備連接為電話并為音頻數據選擇麥克風。您可以將樣本長度從 1 秒到 60 秒不等，并給出唯一的名稱標簽。

第 4 步：標簽 - 模型 1

標簽在機器學習中對數據樣本進行分類起著重要作用，它有助于根據可用標簽的數量訓練模型。

在我們的模型 1 -> 數據集將是音頻輸入項目，標簽將分類如下圖。這是基于野生動物地區的用例和環境噪聲。

在每個數據集標簽中，都會添加背景噪音。因此，我們需要捕獲音頻數據以及背景噪聲以獲得更好的準確性。由于在實時數據中，噪聲肯定是可用的，因此在訓練自身時，我們需要將這些數據與所有現有標簽一起添加。

4.1偷獵者攻擊

偷獵者通常使用卡拉什尼科夫沖鋒槍或毒箭，”世界自然基金會西非協調員 Pauwel De Wachter 在新聞周刊發表的一份聲明中說。“這些武器會傷害動物，但不要立即殺死它們。大象一落地，偷獵者就會割斷他的肌腱以固定它，讓它們痛苦地死去。為了讓大象更快地排出血液，他們割斷了它的鼻子。”

所以從以上信息可以看出，偷獵者使用卡拉什尼科夫沖鋒槍和毒箭作為獵殺大象的武器。

。

為卡拉什尼科夫沖鋒槍收集一分鐘樣本

雨林聲音可以上傳為 wav 格式，如下所示。

將卡拉什尼科夫沖鋒槍與森林背景噪音混合

模型 2：數據集將是三軸加速度計

步驟 1 和步驟 2 將與模型 1 方法相同。所以step1&2請參考Model1中提到的步驟。

第 3 步：數據采集

請確保設備連接為電話并選擇加速度計以獲取 3 軸數據。給出唯一的名稱標簽。

第 4 步：標記 - 模型 2

標簽在機器學習中對數據樣本進行分類起著重要作用，它有助于根據可用標簽的數量訓練模型。

在我們的模型 2 -> 數據集將是三軸加速度計項目，標簽將分類如下圖。這是基于野生動物地區的用例和環境噪聲。

模型 2 的標簽

• 慢走
• 跑步
• 好斗的
• 坐姿
• 閑置的

4.1 捕獲三軸加速度計數據

捕捉大象的動作是該項目中最艱巨的任務。開源中提供了非常罕見的 3 軸數據。因此，模擬各種大象動作的肚軸數據是非常不可能的。

然后我決定用四足動物模擬類似的數據。對于我的項目，我選擇了我的哈巴狗。我為我的狗制作了定制的腰帶來固定手機。

我已經把手機放在狗身上，做了如下的標簽動作，捕捉到了超過 4 分鐘的數據。

4.2 創建脈沖部分

在創建脈沖部分，窗口大小為 3000 毫秒，增加窗口大小為 500 毫秒。對于學習塊，選擇神經網絡 (keras) 和 k-means 異常檢測。

NN分類器中的最小置信度選擇為65%。

5. 測試模型

在實時分類中，連接手機并測試數據。

這里是一些測試數據的快照。

準確性

準確度定義了訓練模型的質量。在這里，我在輸入數據為音頻的模型 1 中實現了 87.2%。在模型 2（加速度計數據）中，我達到了 77%。

模型 1 精度

?

模型 2 精度

在模型 2 中，準確性損失是由于通過真狗捕獲數據造成的。將來我計劃收集更多數據來訓練模型。

部署

部署是項目的最終過程。訓練后的模型可以根據需要以不同的格式部署。部署選項列表如下：

Model1 的過程將相同。我已將該模型部署為 C++ 庫。

這兩個模型以 C++、Arduino 格式部署，并添加了 GitHub 存儲庫鏈接。

基于兩種模型的活動分類

根據這兩個模型的結果，活動可以分為三類。

紅色警報：

紅色警報表示需要從護林員一側立即進行檢查。只要有偷獵活動，就可以通過大象的運動來識別。大象大多處于防御模式或攻擊性。在大象的動作【奔跑、進取】中可以清楚地表現出來。

除此之外，如果通過模型1（音頻輸入）識別偷獵者攻擊。因此，如果檢測到?卡拉什尼科夫沖鋒槍的聲音或灌木箭頭攻擊的聲音，那么大象就有被偷獵的風險。需要為行動部署護林員。

警告：

最近幾天，偷獵者使用毒箭攻擊大象，當他們用毒箭攻擊大象時，大象不會立即死亡。取而代之的是，偷獵者將跟隨受傷的大象。幾個小時后，大象就會被擱淺。

上述情況可以作為警告通知給儀表板。監測灌木箭頭的撞擊聲或大象的動作長時間閑置，則可以作為對護林員的警告。

正常活動：

每當模型 1 中沒有檢測到偷獵者活動（音頻輸入）并且大象活動正常，如空閑、行走、坐姿和很少的跑步動作（嬉戲的情緒）。它可以標記為正常活動。

通過這兩個邊緣脈沖模型，可以監測大象的活動并幫助保護瀕危物種免受風險。

?

?