描述

大象是在地球表面漫游的最大的陸地哺乳動物，它們有著獨(dú)特的巨大身體、耳朵和長長的樹干。在我的祖國斯里蘭卡，大象具有象征意義、文化意義和經(jīng)濟(jì)意義，在宗教活動中具有特殊意義。可悲的是，許多問題正在威脅大象種群。根據(jù)世界自然基金會的說法，對非洲象的最大威脅是野生犯罪，而對亞洲象的最大威脅是棲息地喪失，從而導(dǎo)致大象-人類沖突。由于棲息地不斷縮小，亞洲象現(xiàn)在被 IUCN（國際自然保護(hù)聯(lián)盟）列為“瀕危物種”。

偷獵和人象沖突是一些最具威脅性的問題，因此監(jiān)控它們可以幫助我們防止對大象造成危險(xiǎn)。大象的聽力很差，可以用低于人類聽覺頻率范圍的低頻聲音進(jìn)行交流。

他們有不同類型的叫聲——例如喉音、軀干、模仿和新奇的叫聲——它們在某些情況下表現(xiàn)出攻擊性、驚嚇、威脅等。人類可能無法區(qū)分這些叫聲并預(yù)測當(dāng)時(shí)的情況。大象目前就是這樣，但是一個(gè)準(zhǔn)確的機(jī)器學(xué)習(xí)模型有能力。

我決定使用 Edge Impulse 工作室構(gòu)建一個(gè)機(jī)器學(xué)習(xí)模型，并利用我在Elephant Voices 數(shù)據(jù)庫的幫助下創(chuàng)建的數(shù)據(jù)集。我在我的機(jī)器學(xué)習(xí)模型中使用了與群體防御、必須行為和沖突相關(guān)的調(diào)用。

ML 模型可以部署為大象項(xiàng)圈中的音頻分類模型，供特定保護(hù)區(qū)甚至森林中的大象佩戴。該設(shè)備不需要任何互聯(lián)網(wǎng)連接，并且以最小的功耗運(yùn)行。

繼續(xù)閱讀以了解有關(guān)此項(xiàng)目的更多信息。我的最終和完整的想法在最后一節(jié)中提出。

群體防御

大象通常成群結(jié)隊(duì)，通?；ハ嗾疹櫜⒈Ｗo(hù)自己免受威脅。

根據(jù) Elephant Voices 的說法，與反捕食者行為相關(guān)的呼叫包括用于提醒同伴注意捕食者存在、恐嚇或“圍攻”捕食者的呼叫，以及在采取防御行動時(shí)使用的呼叫。當(dāng)家庭成員面對掠食者或發(fā)現(xiàn)自己處于潛在的威脅或可怕情況時(shí)，他們會產(chǎn)生幾種不同的呼叫類型。這些包括隆隆聲、鼻息聲、喇叭聲和咆哮聲。關(guān)于大象在捕食者面前復(fù)雜且高度協(xié)調(diào)的防御和進(jìn)攻行為的文章很多，但產(chǎn)生的各種叫聲以及其他大象對這些叫聲的戲劇性反應(yīng)卻很少受到關(guān)注。

當(dāng)暴露在獅子、鬣狗、人類或其他潛在危險(xiǎn)的捕食者或情況下的聲音、視覺和氣味時(shí)，雌性和小牛通常會首先凍結(jié)，然后快速組裝（快速行走或跑向彼此），然后聚集在一起。一旦大象評估了所呈現(xiàn)的危險(xiǎn)程度，它們可能會攻擊集體或倉促撤退。他們的特殊反應(yīng)似乎部分是通過微調(diào)的聲音信號傳達(dá)的。

我們可以使用 Edge Impulse 來識別某些呼叫，并幫助我們了解戴著項(xiàng)圈的大象目前所面臨的情況。

必須的行為

Mustth 是雄性大象的一種正常周期性狀況，其特征是具有高度攻擊性的行為，并伴有生殖激素的大量升高。雄性個(gè)體在每年的特定時(shí)間進(jìn)入高峰期，它們在此期間的活動極大地影響了大象社會以及人象互動。它們可能很危險(xiǎn)，我們必須在它們經(jīng)歷這種情況時(shí)對其進(jìn)行監(jiān)控。

使用 RFID 微芯片和同步 RFID 閱讀器，我們可以計(jì)算出大象距離風(fēng)險(xiǎn)區(qū)域的距離。使用超高頻天線有助于擴(kuò)大 RFID 微芯片的檢測范圍。通過計(jì)算距離，我們可以預(yù)測大象是否正在接近該區(qū)域。我們還可以監(jiān)控其行為，以評估與此沖突相關(guān)的風(fēng)險(xiǎn)。一旦檢測到接近的大象，就可以通過打開信標(biāo)燈來提醒居住在該區(qū)域的人們。

沖突

根據(jù)大象之聲的說法，在食物、水和礦物質(zhì)豐富且分布相對均勻的棲息地，大象不太可能因資源沖突而發(fā)生沖突，但在相反的情況下，大象之間的沖突可能會很激烈，與爭斗行為相關(guān)的發(fā)聲更多經(jīng)常。此外，隨著人口的增加，許多大象必須與人類和牲畜以及其他大象爭奪資源。

資源的缺乏或減少只是沖突的來源之一。雄性相互威脅，甚至可能會為了必須的地位和接近接受性的雌性而戰(zhàn)斗至死。年輕的雄性進(jìn)行陪練比賽以獲取經(jīng)驗(yàn)并測試彼此的力量，這種俏皮的格斗有時(shí)會變得具有攻擊性。與成年女性體型相同的十幾歲男性開始四處移動，了解到他們可以挑選比自己年長但比自己小的女性。這種行為是不能容忍的，可能會引起女族長或女性聯(lián)盟的攻擊性攻擊。

由于對資源的競爭，人象沖突已經(jīng)發(fā)展成為一個(gè)巨大的問題，對日益減少的大象種群構(gòu)成威脅。這也是斯里蘭卡農(nóng)村地區(qū)最大的環(huán)境和社會經(jīng)濟(jì)危機(jī)之一。大象 - 隨著越來越多的大象與人類密切接觸，人類沖突正在加劇。這通常會導(dǎo)致大象毀壞莊稼和財(cái)產(chǎn)，偶爾還會造成人員傷亡。這些負(fù)面互動可能導(dǎo)致大象遭到報(bào)復(fù)性攻擊/殺害。

在 2019 年的前 10 個(gè)月，93 人和 293 頭大象已經(jīng)在這場沖突中喪生，相比之下，斯里蘭卡 2018 年全年有 96 人和 319 頭大象死亡。這種情況正在增加，政府正在研究不同類型的解決方案來防止這個(gè)問題。

監(jiān)測大象的行為和叫聲可以幫助我們預(yù)測這種沖突并拯救這兩個(gè)物種。借助準(zhǔn)確的機(jī)器學(xué)習(xí)模型，我們可以成功地預(yù)測沖突并提醒處于危險(xiǎn)區(qū)域的人類。該系統(tǒng)也可以自動化，一旦預(yù)測到?jīng)_突，就可以打開信標(biāo)燈。

邊緣脈沖

在這個(gè)項(xiàng)目中，我們將使用 Edge Impulse 工作室來構(gòu)建機(jī)器學(xué)習(xí)模型，我們可以使用Elephant Voices 數(shù)據(jù)庫創(chuàng)建數(shù)據(jù)集。

為了使這個(gè)項(xiàng)目更容易，請遵循Edge Impulse 的關(guān)于從音頻中識別聲音的指南。

?

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)庫的聲音創(chuàng)建了一個(gè)數(shù)據(jù)集。我使用了來自 Group Defense、Male-Male Competition（Musth 條件期間）和 Conflict 的聲音。我從 YouTube 下載了 Jungle 和 Savannah 的聲音，并將其歸入“Noise”標(biāo)簽。

我在四個(gè)標(biāo)簽下創(chuàng)建了一個(gè)數(shù)據(jù)集：Conflict、Group Defense、Musth 和 Noise。

?

步驟 02：創(chuàng)造沖動

創(chuàng)建訓(xùn)練數(shù)據(jù)集后，我設(shè)計(jì)了一個(gè)脈沖。脈沖獲取原始數(shù)據(jù)，在較小的窗口中對其進(jìn)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(jìn)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(yàn)中學(xué)習(xí)。

對于這個(gè)項(xiàng)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，非常適合人聲。

然后將這個(gè)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(jìn)行分類。這非常適合對運(yùn)動進(jìn)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 ? MFCC 配置頁面

?

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。

生成特征（訓(xùn)練集）

?

單擊“生成功能”并向下滾動。你會看到類似這樣的東西：

Creating job... OK (ID: 314642)    

Job started  
Creating windows from 69 files...  
[ 0/69] Creating windows from files...  
[ 1/69] Creating windows from files...  
[ 1/69] Creating windows from files...  
[13/69] Creating windows from files...  
[43/69] Creating windows from files...  
[69/69] Creating windows from files...  
Created 1677 windows: Conflict: 127, Group Defense: 663, Musth: 62, Noise: 825    

Scheduling job in cluster...  
Job started  
Creating features  
[   1/1677] Creating features...  
[ 696/1677] Creating features...  
[1391/1677] Creating features...  
[1677/1677] Creating features...  
Created features    

Scheduling job in cluster...  
Job started  
Reducing dimensions for visualizations...  
UMAP(a=None, angular_rp_forest=False, b=None,          
    force_approximation_algorithm=False, init='spectral',  
learning_rate=1.0,           
    local_connectivity=1.0, low_memory=False,  
metric='euclidean',           
    metric_kwds=None, min_dist=0.1, n_components=3,  
n_epochs=None,           
    n_neighbors=15, negative_sample_rate=5,  
output_metric='euclidean',           
    output_metric_kwds=None, random_state=None,  
repulsion_strength=1.0,           
    set_op_mix_ratio=1.0, spread=1.0,  
target_metric='categorical',           
    target_metric_kwds=None, target_n_neighbors=-1,  
target_weight=0.5,           
    transform_queue_size=4.0, transform_seed=42, unique=False,  
verbose=True)  
Construct fuzzy simplicial set  
Sun Oct 18 01:29:25 2020 Finding Nearest Neighbors  
Sun Oct 18 01:29:27 2020 Finished Nearest Neighbor  
Search Still running...  
Sun Oct 18 01:29:30 2020  
Construct embedding 	     
    completed  0  /  500 epochs 	     
    completed  50  /  500 epochs 	     
    completed  100  /  500 epochs  
Still running... 	     
    completed  150  /  500 epochs 	     
    completed  200  /  500 epochs 	     
    completed  250  /  500 epochs    	     
    completed  300  /  500 epochs 	     
    completed  350  /  500 epochs 	     
    completed  400  /  500 epochs 	     
    completed  450  /  500 epochs  
Sun Oct 18 01:29:37 2020 Finished embedding  
Reducing dimensions for visualizations OK  
Job completed

步驟 04：神經(jīng)網(wǎng)絡(luò)配置

現(xiàn)在，是時(shí)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，并嘗試將其映射到四個(gè)類別之一——沖突、群體防御、musth 和噪聲。

?

?

?

?

1 / 2 ? NN 分類器頁面

?

我不得不用不同的選項(xiàng)訓(xùn)練我的模型大約 3 次。當(dāng)訓(xùn)練周期數(shù)為 100 時(shí)，我的第一次試驗(yàn)給了我 65.2% 的準(zhǔn)確率。我使用了 2D 卷積架構(gòu)預(yù)設(shè)。我重新訓(xùn)練了我的模型，這一次，我將訓(xùn)練周期數(shù)增加到 300。我得到了 67.3% 的準(zhǔn)確率。

最后，當(dāng)我用 300 個(gè)訓(xùn)練周期和默認(rèn)架構(gòu)預(yù)設(shè)重新訓(xùn)練我的音頻分類模型時(shí)，我得到了 76.5% 的準(zhǔn)確率。

可以通過獲取更多數(shù)據(jù)來提高此機(jī)器學(xué)習(xí)模型的準(zhǔn)確性，并且每個(gè)標(biāo)簽至少需要 10 分鐘的數(shù)據(jù)。

?

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 13 個(gè)樣本，我的模型只識別了一個(gè)。如果每個(gè)標(biāo)簽下都有更多數(shù)據(jù)，這個(gè) 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(yùn)行，最大限度地減少延遲，并以最低的功耗運(yùn)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(yùn)行的優(yōu)化源代碼，例如：STMicroelectronics MP23ABS1 。

該設(shè)備可以連接到大象項(xiàng)圈并實(shí)施以防止對減少的大象種群的危險(xiǎn)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(xiàng)圈上安裝一個(gè) RFID 微芯片，或者可以將一個(gè)無源 RFID 標(biāo)簽貼在大象的耳朵上。每頭大象都有一個(gè)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(shí)在遠(yuǎn)離偷獵風(fēng)險(xiǎn)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(shí)讀取多個(gè)標(biāo)簽。如果大象靠近，RFID閱讀器將能夠檢測到，因?yàn)樗梢杂?jì)算出某個(gè)RFID標(biāo)簽和閱讀器之間的距離。如果大象處于危險(xiǎn)之中，公園或護(hù)林員可以采取適當(dāng)?shù)男袆印?/font>