使用機器學習的森林動物計數(shù)器

描述

在我們的動物檢測項目中，我們旨在解決獵人在管理和保護野生動物種群方面面臨的挑戰(zhàn)，尤其是在不斷擴張的城市附近的森林中。森林砍伐、棲息地破碎化和退化導致森林野生動物棲息地喪失，導致種群數(shù)量下降，在某些情況下甚至滅絕。

我們正在解決的一個具體問題是當動物難以獲得食物時的補充喂養(yǎng)。目前，谷物或種子喂食器設(shè)置為每天分發(fā)一定數(shù)量的食物，以及干草架中存在的干草數(shù)量。然而，獵人無法知道是一群大鹿或麋鹿會吃掉它，還是只會吃掉一只狍子。缺乏信息通常會導致提供的食物量不足或過多，從而影響野生動物的健康和棲息地的可持續(xù)性。

使用邊緣脈沖的機器學習

在我們的動物檢測項目中，通過 Edge Impulse 的無縫集成，我們很高興能夠利用尖端技術(shù)促進有效的野生動物管理并為保護我們的自然生態(tài)系統(tǒng)做出貢獻。Edge Impulse 是一個提供工具和資源的平臺，用于在嵌入式設(shè)備上開發(fā)和部署機器學習模型。

在我們的案例中，我們正在使用攝像頭識別模型，該模型可以檢測由 Arduino Nano BLE 33 Sense 及其攝像頭捕獲的喂食器附近的動物。Arduino Nano BLE 33 Sense 是一款功能強大的微控制器板，具有內(nèi)置傳感器和無線連接功能，適用于攝像頭識別、執(zhí)行設(shè)備上處理和發(fā)送結(jié)果。

首先，我們收集了一組不同的圖像，其中包含我們希望模型檢測到的不同動物。這些圖像用作訓練數(shù)據(jù)集。通過在 Arduino Nano BLE 33 Sense 上部署我們經(jīng)過訓練的模型，它現(xiàn)在可以實時處理設(shè)備攝像頭捕獲的圖像。該模型分析動物并提供有關(guān)動物存在與否的預測。

?

機器學習訓練結(jié)果

?

?

模型訓練

我們使用 MobileNetV1 架構(gòu)訓練我們的模型，圖像大小為 96x96，比例因子為 0.25。該模型經(jīng)過訓練，可將圖像分為六種不同的動物類別：熊、野豬、鹿、狐貍、狍子和沒有動物的圖像的空類。我們的培訓過程的結(jié)果令人印象深刻。該模型的總準確率為 90.5%，這意味著它正確分類了 90.5% 的測試圖像。此外，衡量模型預測誤差的損失僅為 25%，表明其穩(wěn)健性。一個值得注意的方面是我們模型的有效資源利用。推理期間的峰值 RAM 使用量僅為 124KB，展示了其輕量級的特性。此外，衡量模型存儲要求的閃存使用量僅為 308KB。

LoRa 連接

我們的解決方案是利用 LoRa（遠程）連接來實現(xiàn)與中央網(wǎng)關(guān)的遠距離高效低功耗通信。

LoRa 是一種無線通信技術(shù)，可實現(xiàn)遠距離、低功率的數(shù)據(jù)傳輸。它在亞千兆赫茲頻段運行，允許擴大覆蓋范圍，同時消耗最少的能量。該技術(shù)在傳統(tǒng)蜂窩網(wǎng)絡(luò)因功率限制或長距離不可用或不實用的情況下特別有利。

借助 LoRa，我們的檢測解決方案可以將已經(jīng)處理過的數(shù)據(jù)（例如白天出現(xiàn)的動物數(shù)量）遠距離傳輸?shù)街醒氆C人辦公室。然后可以進一步分析這些數(shù)據(jù)，以確定動物數(shù)量或通??知獵人有關(guān)動物移動的信息，從而實現(xiàn)有效的監(jiān)測和保護工作。

在線數(shù)據(jù)平臺

xxxx

?

?

?

在森林中可能的實際應(yīng)用

?

?

憑借這些令人信服的結(jié)果和高效的資源利用，我們訓練有素的模型有望提供可靠和準確的動物檢測能力，為有效的野生動物監(jiān)測和保護工作做出貢獻。