В статье , опубликованной в Международном журнале моделирования и имитации инженерных систем, исследователи демонстрируют, как обученный алгоритм может распознавать трубные звуки слонов, отличая их от звуков человека и других животных в окружающей среде.
Эти работы могут повысить безопасность сельских жителей и помочь фермерам защитить свои посевы и дома от диких слонов в Индии.
T. Thomas Leonid из Технологического колледжа KCG и R. Jayaparvathy из Инженерного колледжа SSN в Ченнаи, Индия, объясняют, как конфликты между людьми и слонами становятся все более распространенными, особенно в районах, где деятельность человека вторглась в естественные места обитания слонов. Это особенно верно там, где сельское хозяйство встречается с лесными угодьями. Эти конфликты не просто являются экологической проблемой, они представляют угрозу для жизни и средств к существованию человека.
В Индии дикие слоны несут ответственность за большее количество человеческих жертв, чем крупные хищники. Их присутствие также приводит к уничтожению урожая и инфраструктуры, что создает тяжелое финансовое бремя для сельских общин.
Конечно, слоны не виноваты, они дикие животные, которые делают все возможное, чтобы выжить. Коренные причины кроются в разрушении среды обитания из-за человеческой деятельности, такой как добыча полезных ископаемых, строительство плотин и растущее вторжение в леса ради ресурсов, таких как дрова и вода.
Таким образом, поиск эффективных решений для смягчения столкновений человека и слона становится все более неотложным. Команда предполагает, что одним из способов сокращения числа трагических и дорогостоящих исходов было бы внедрение системы раннего оповещения. Такая система распознавала бы поведение слонов по их вокализации и позволяла бы фермерам и другим избегать слонов или, возможно, даже безопасно отводить приближающееся стадо до того, как оно станет серьезной и разрушительной опасностью.
Исследователи сравнили несколько моделей машинного обучения, чтобы определить, какая из них лучше всего обнаруживает и классифицирует звуки слона. Протестированные модели включали опорные векторные машины (SVM), K-ближайшие соседи (KNN), наивные байесовские и сверточные нейронные сети (CNN). Они обучили каждый из этих алгоритмов на наборе данных из 450 образцов звуков животных пяти разных видов.
Одним из ключевых шагов в этом процессе является извлечение признаков, которое включает в себя выявление отличительных характеристик в аудиосигналах , таких как частота, амплитуда и временная структура звуков. Эти признаки затем используются для обучения моделей машинного обучения распознавать крики слонов.
Наиболее точной оказалась сверточная нейронная сеть (CNN), модель глубокого обучения, которая автоматически изучает сложные признаки из необработанных данных. CNN особенно хорошо подходят для этого типа задач благодаря своей способности распознавать сложные закономерности в звуковых данных.
CNN показала высокую точность в 84%, что намного лучше, чем у моделей. Это можно улучшить, но это достаточно точно, чтобы иметь потенциал для надежной автоматизированной системы обнаружения слонов на марше, которые могут направляться к домам и фермам.
