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置為每天分發(fā)一定數量的食物，以及干草架中存在的干草數量。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，具有內置傳感器和無線連接功能，適用于攝像頭識別、執(zhí)行設備上處理和發(fā)送結果。

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據集。通過在 Arduino Nano BLE 33 Sense 上部署我們經過訓練的模型，它現在可以實時處理設備攝像頭捕獲的圖像。該模型分析動物并提供有關動物存在與否的預測。

?

機器學習訓練結果

?

?

模型訓練

我們使用 MobileNetV1 架構訓練我們的模型，圖像大小為 96x96，比例因子為 0.25。該模型經過訓練，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）連接來實現與中央網關的遠距離高效低功耗通信。

LoRa 是一種無線通信技術，可實現遠距離、低功率的數據傳輸。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。該技術在傳統(tǒng)蜂窩網絡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處理過的數據（例如白天出現的動物數量）遠距離傳輸到中央獵人辦公室。然后可以進一步分析這些數據，以確定動物數量或通??知獵人有關動物移動的信息，從而實現有效的監(jiān)測和保護工作。

在線數據平臺

xxxx

?

?

?

在森林中可能的實際應用

?

?

憑借這些令人信服的結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。