用人工智能保護森林

描述

如果森林從大氣中吸收的碳多于釋放的碳，則森林被認為是碳匯。

森林是穩(wěn)定氣候的力量。它們調(diào)節(jié)生態(tài)系統(tǒng)、保護生物多樣性、在碳循環(huán)中發(fā)揮不可或缺的作用、支持生計并提供能夠推動可持續(xù)增長的商品和服務。

森林在氣候變化中的作用是雙重的。它們既是溫室氣體排放的原因，也是解決方案。全球約 25% 的排放來自土地部門，這是僅次于能源部門的第二大溫室氣體排放源。其中大約一半（每年 5-10 GtCO2e）來自森林砍伐和森林退化。

森林也是應對氣候變化影響的最重要解決方案之一。每年約有 26 億噸二氧化碳被森林吸收，占燃燒化石燃料釋放的二氧化碳的三分之一。估計表明，全世界有近 20 億公頃退化土地——面積相當于南美洲的面積——為恢復提供了機會。因此，增加和維護森林是應對氣候變化的基本解決方案。[來源]

森林最常受到野火和森林砍伐的影響。

野火是農(nóng)村或城市地區(qū)植被區(qū)域的不受控制的火災，而叢林大火是指叢林中無法控制的火災。叢林大火/野火會迅速燒毀數(shù)百萬英畝的土地，并會以它們的方式摧毀一切——樹木、房屋、動物和人類。

我們通常聽說加利福尼亞的野火。野火也發(fā)生在其他州和國家。截至 2020 年 9 月 25 日：

• 超過 440 萬英畝的土地在 10 個州被燒毀，僅在加利福尼亞就有 330 萬英畝。
• 數(shù)十人死亡。
• 超過 4,000 座建筑物被摧毀。
• 近 50 萬人逃離家園。澳大利亞很容易發(fā)生威脅性的叢林大火。

從 2019 年 9 月到 2020 年 3 月，當最后一場大火被撲滅時，澳大利亞發(fā)生了歷史上最嚴重的叢林大火之一。2019 年是澳大利亞創(chuàng)紀錄的最熱年份，叢林大火季節(jié)從 2019 年 6 月開始。這在全國各地造成了大規(guī)模破壞，每個州和領地都發(fā)生火災。截至 2020 年 1 月 6 日：

• 1 月 6 日星期一，澳大利亞新南威爾士州發(fā)生了大約 136 起火災。
• 新南威爾士州有超過 4.8 億只動物死亡。
• 該國六個州總共燒毀了超過 1500 萬英畝土地。
• 官員們說，在這個火災季節(jié)，全國有 24 人喪生。

氣候變化導致的炎熱天氣使森林和植被更加干燥，因此更容易燃燒。結(jié)果，平均野火季節(jié)比幾十年前長了三個半月，西部每年的大火數(shù)量增加了兩倍。消息人士稱，未來野火將變得更加嚴重。

氣候變化可能是更嚴重的野火/叢林大火的原因，但這場災難也會導致氣候變化，導致溫室氣體排放無法控制。一氧化碳和二氧化碳以危險的大量釋放，這對人類和環(huán)境都是有害的。

當木材的采伐、運輸、加工、購買或銷售違反國家或地方法律時，就會發(fā)生非法采伐和相關貿(mào)易。當森林被清除以種植油棕等種植園時，也會發(fā)生這種情況。由于對木材、紙張和衍生產(chǎn)品（包括包裝）的需求不斷增加，存在非法采伐。

非法采伐不僅給森林留下了明顯的破壞痕跡——古樹曾經(jīng)矗立的大洞——它剝奪了當?shù)厣鐓^(qū)和負責任公司的經(jīng)濟生計。[來源]

非法采伐對環(huán)境的影響包括森林退化、生物多樣性喪失和溫室氣體排放，從而導致全球氣候變化。

目標/目的

該項目的目的是通過使用 QuickLogic QuickFeather 開發(fā)套件和 SensiML Analytics Toolkit 分析實時音頻來檢測野火和非法伐木。

QuickFeather 板將由可充電電池 - 鋰離子電池供電。

硬件設置

QuickLogic QuickFeather 開發(fā)套件

QuickFeather開發(fā)套件是一個小型系統(tǒng)，非常適合支持下一代低功耗機器學習 (ML) 的物聯(lián)網(wǎng)設備。與其他基于專有硬件和軟件工具的開發(fā)套件不同，QuickFeather 基于開源硬件，與 Adafruit Feather 外形兼容，并且圍繞 100% 開源軟件（包括 Symbiflow FPGA 工具）構(gòu)建。

QuickFeather 由 QuickLogic 的 EOS? S3 提供支持，這是首款完全支持 Zephyr RTOS 且支持 FPGA 的 Arm Cortex?-M4F MCU

6V 3.5W 太陽能電池板

我將使用 6V 3.5W 太陽能電池板為 QuickLogic QuickFeather 開發(fā)套件供電。

配置您的 QuickFeather 開發(fā)工具包

在開始之前，您應該使用最新的數(shù)據(jù)收集固件刷新 QuickFeather 開發(fā)套件，以便與 SensiML Data Capture Lab 一起使用。您可以從這里下載二進制文件。

在這個項目中，我們將使用簡單流 - 音頻數(shù)據(jù)收集二進制文件。

您可以從位于https://github.com/QuickLogic-Corp/qorc-sdk的 qorc github 存儲庫中的數(shù)據(jù)收集源構(gòu)建自己的二進制文件。

使用 Data Capture Lab 記錄數(shù)據(jù)需要 Data Collection 固件。運行知識包時禁用數(shù)據(jù)收集。

確保您的系統(tǒng)上安裝了 Python；建議安裝 Python 3.6 或更新版本。

您將需要 QuickLogic 的 TinyFPGA Programmer 來刷新您的設備。當您下載 TinyFPGA Programmer 時，您需要使用 git 從 github 克隆 repo。下載 repo 的 zip 版本可能會導致意外結(jié)果。

用于git clone下載 TinyFPGA Programmer，git clone --recursive https://github.com/QuickLogic-Corp/TinyFPGA-Programmer-Application.git然后pip3 install tinyfpgab安裝 Python 庫。

將固件文件放在 TinyFPGA 編程器目錄中，該目錄還包含tinyfpga-programmer-gui.py. 通過 USB 插入設備并按下 QuickFeather 上的“重置”按鈕。LED 將呈藍色閃爍五秒鐘。在 LED 仍在快速閃爍時按下“用戶”按鈕。按下“用戶”按鈕后，LED 將開始閃爍綠色，并且閃爍的速度會像“呼吸”一樣緩慢。這意味著設備處于上傳模式。如果 LED 沒有閃爍綠色，請重復此步驟。

當 LED 閃爍綠色時，通過運行以下命令將數(shù)據(jù)收集二進制程序編程到 QuickFeather 中：

python /Your-directory-path-to-TinyFPGA-Programmer/tinyfpga-programmer-gui.py --port COMX --m4app /Your-directory-path-to-binary/quickfeather-audio-data-collection-uart.bin --mode m4

如果固件文件和固件文件tinyfpga-programmer-gui.py在同一目錄中，那么您可以通過運行以下命令來刷新 QuickFeather：

python tinyfpga-programmer-gui.py --port COMX --m4app quickfeather-audio-data-collection-uart.bin --mode m4

在運行此命令之前，請確保在命令提示符中將目錄更改為 TinyFPGA 程序員的目錄。

COMX 是 QuickFeather 的 COM 端口。您可以通過轉(zhuǎn)到控制面板中的設備管理器中的端口來檢查端口號（如果您使用的是 Windows 操作系統(tǒng)）。

刷新固件后，按“重置”按鈕加載新應用程序。LED 應閃爍藍色五秒鐘，然后在完成后關閉。

SensiML 數(shù)據(jù)采集實驗室

Data Capture Lab 是一個成熟的時間序列傳感器數(shù)據(jù)收集和標記工具，它帶來了開發(fā)人員在編程工具中習慣的自動化數(shù)據(jù)集管理水平，但迄今為止在邊緣 ML 軟件中嚴重缺失。SensiML 的方法側(cè)重于允許開發(fā)人員將數(shù)據(jù)集構(gòu)建為可以根據(jù)需要輕松維護、修改、探索、擴展和導出的持久知識產(chǎn)權(quán) (IP)。為建模過程提供的良好數(shù)據(jù)可轉(zhuǎn)化為良好的 ML 推理代碼作為輸出。[來源]

設置數(shù)據(jù)采集實驗室

?

首先，創(chuàng)建一個新帳戶并下載相應的 DCL 軟件。下載軟件后，登錄您的帳戶。

創(chuàng)建一個新項目并將其保存在 SensiML 項目目錄中。

默認情況下，QuickFeather 固件的 Simple Streaming 版本使用硬件 UART。這意味著必須使用 USB 轉(zhuǎn) TTL 串行適配器或另一個 Feather/Wing 進行通信。

打開項目后，單擊切換模式并打開捕獲模式。

設備插件是描述 DCL 如何從您的設備收集數(shù)據(jù)的屬性列表。例如，設備插件可能包含您的設備支持的采樣率列表。這允許 DCL 從任何已構(gòu)建為接受以下支持的參數(shù)的設備收集數(shù)據(jù)。

您可以從此處下載簡單流協(xié)議的 example.SSF 文件。Data Capture Lab 允許您通過.SSF 文件通過菜單項Edit → Import Device Plugin ... 導入設備插件...接下來，您將能夠選擇您的插件協(xié)議。

配置您的傳感器并設置適當?shù)牟蓸勇省?/font>我們將在這個項目中使用麥克風。

QuickLogic QuickFeather 開發(fā)套件中的麥克風是英飛凌 IM69D130 MEMS 麥克風，其靈敏度為 -36.0 dBFS，信噪比為 69 dB(A)。

捕獲數(shù)據(jù)

?

在 DCL 軟件右側(cè)的硬件設置中，將 Capture Method 設置為 Live Stream Capture，將連接方法設置為 Serial Port。

插入連接到 QuickFeather 開發(fā)套件的 USB 轉(zhuǎn) TTL 串行適配器后，選擇“查找設備”選項并單擊掃描設備。選擇適當?shù)?UART COM 端口并連接您的設備。

如果它最初不起作用，請嘗試拔下轉(zhuǎn)換器并將其重新插入，或者斷開并重新連接。

在標簽設置中，為您正在錄制的事件創(chuàng)建一個標簽。在這種情況下，標簽是Fire和。在此之后，選擇當前記錄的元數(shù)據(jù)。我為元數(shù)據(jù)創(chuàng)建了一個并添加了兩個值，它們是和。FellingNormalclassTrainTest

準備好后，按Begin Recording捕獲您的數(shù)據(jù)。

完成該過程后，切換到標簽資源管理器模式并選擇項目資源管理器。在其中，選擇文件并確保數(shù)據(jù)準確地表示標簽。為此，請將您的數(shù)據(jù)分成多個段。對項目資源管理器中的所有相關文件重復該過程。

?

轉(zhuǎn)到文件菜單并選擇關閉文件選項后，您現(xiàn)在可以使用 Analytics Studio 從捕獲的數(shù)據(jù)生成模型。

DCL 中保存的數(shù)據(jù)會自動上傳并存儲在云端。

分析工作室

SensiML Analytics Studio 是 SensiML 軟件套件的核心，它使用您的標記數(shù)據(jù)集，使用 AutoML 和廣泛的邊緣優(yōu)化特征和分類器庫快速生成高效推理模型。使用基于云的模型搜索，Analytics Studio 可以在幾分鐘或幾小時內(nèi)將標記的原始數(shù)據(jù)轉(zhuǎn)換為高性能邊緣算法，而不是像手動編碼那樣幾周或幾個月。Analytics Studio 使用 AutoML 來解決機器學習算法預處理、選擇和調(diào)整的復雜性，而無需依賴專家手動定義和配置這些無數(shù)選項。

無論是經(jīng)驗豐富的 ML 專家還是只是學習數(shù)據(jù)科學的基礎知識，Analytics Studio 都提供了一種工具，可以顯著提高您的嵌入式算法開發(fā)效率。[來源]

訓練模型

轉(zhuǎn)到Analytics Studio并登錄您的帳戶。選擇您現(xiàn)在在 Data Capture Lab 中創(chuàng)建的項目。

要訓??練模型，我們必須首先以 Query 的形式告訴 Analytics Studio 我們要使用哪些數(shù)據(jù)。這可以通過單擊Prepare Data選項卡并輸入名稱、會話、標簽、相關元數(shù)據(jù)、傳感器以及如何繪制它來完成。保存后數(shù)據(jù)集應該會出現(xiàn)在右側(cè)，我們可以看到每個標簽中有多少段。

?

可以通過轉(zhuǎn)到Build Model選項卡并輸入名稱、剛剛創(chuàng)建的查詢、窗口大?。ㄊ蛊渑c傳感器的捕獲率大小相同）、優(yōu)化指標（f1-score 最平衡）來構(gòu)建管道，以及分類器大小，它限制了模型的大小，非常適合加載到 ROM 受限的芯片上。單擊Optimize將通過并構(gòu)建模型，并且根據(jù)數(shù)據(jù)集的大小，可能需要一段時間才能完成。

?

?

?

?

1 / 3

?

生成知識包

此項目的最后一步是將機器學習模型部署到您的 QuickLogic QuickFeather 開發(fā)套件。這可以通過獲取知識包來完成。對于這個項目，我們將以二進制形式下載模型。在“下載模型”選項卡中，選擇您剛剛使用以下設置優(yōu)化的管道，如下圖所示。

?

?

?

?

1 / 3

?

下載 zip 文件并將二進制文件解壓縮到包含tinyfpga-programmer-gui.py. 按照用于刷新簡單流固件的相同步驟進行操作。

打開波特率為460800的串口監(jiān)視器，就可以看到模型的分類輸出了。

您可以使用 SensiML 測試應用程序檢查機器學習模型識別的準確性。

我目前在下載知識包時遇到問題，因此目前無法制作工作視頻。我已經(jīng)在討論區(qū)尋求幫助。但是我會盡力在知識包可用時上傳視頻。

未來更新

• 由于斯里蘭卡的持續(xù)封鎖，我無法購買 Adafruit Huzzah32 - ESP32 Feather 板。

未來，我想：

• 將 Adafruit Huzzah32 - ESP32 Feather 板與 QuickFeather 開發(fā)套件結(jié)合使用，并將此概念驗證 (PoC) 轉(zhuǎn)變?yōu)槲锫?lián)網(wǎng)概念驗證。
• 在各種情況下測試機器學習模型，并將可變數(shù)據(jù)輸入機器學習模型以提高其準確性。
• 用更高的采樣頻率試驗我的機器學習模型。
• 通過顯示狀態(tài)來改進我的項目。
• 添加 GPS 和警報系統(tǒng)以提醒和共享處于危險中的位置。
• 找到一種自動為為 QuickFeather 開發(fā)板供電的鋰離子電池充電的方法。