用人工智能保护森林

描述

如果森林从大气中吸收的碳多于释放的碳，则森林被认为是碳汇。

森林是稳定气候的力量。它们调节生态系统、保护生物多样性、在碳循环中发挥不可或缺的作用、支持生计并提供能够推动可持续增长的商品和服务。

森林在气候变化中的作用是双重的。它们既是温室气体排放的原因，也是解决方案。全球约 25% 的排放来自土地部门，这是仅次于能源部门的第二大温室气体排放源。其中大约一半（每年 5-10 GtCO2e）来自森林砍伐和森林退化。

森林也是应对气候变化影响的最重要解决方案之一。每年约有 26 亿吨二氧化碳被森林吸收，占燃烧化石燃料释放的二氧化碳的三分之一。估计表明，全世界有近 20 亿公顷退化土地——面积相当于南美洲的面积——为恢复提供了机会。因此，增加和维护森林是应对气候变化的基本解决方案。[来源]

森林最常受到野火和森林砍伐的影响。

野火是农村或城市地区植被区域的不受控制的火灾，而丛林大火是指丛林中无法控制的火灾。丛林大火/野火会迅速烧毁数百万英亩的土地，并会以它们的方式摧毁一切——树木、房屋、动物和人类。

我们通常听说加利福尼亚的野火。野火也发生在其他州和国家。截至 2020 年 9 月 25 日：

• 超过 440 万英亩的土地在 10 个州被烧毁，仅在加利福尼亚就有 330 万英亩。
• 数十人死亡。
• 超过 4,000 座建筑物被摧毁。
• 近 50 万人逃离家园。澳大利亚很容易发生威胁性的丛林大火。

从 2019 年 9 月到 2020 年 3 月，当最后一场大火被扑灭时，澳大利亚发生了历史上最严重的丛林大火之一。2019 年是澳大利亚创纪录的最热年份，丛林大火季节从 2019 年 6 月开始。这在全国各地造成了大规模破坏，每个州和领地都发生火灾。截至 2020 年 1 月 6 日：

• 1 月 6 日星期一，澳大利亚新南威尔士州发生了大约 136 起火灾。
• 新南威尔士州有超过 4.8 亿只动物死亡。
• 该国六个州总共烧毁了超过 1500 万英亩土地。
• 官员们说，在这个火灾季节，全国有 24 人丧生。

气候变化导致的炎热天气使森林和植被更加干燥，因此更容易燃烧。结果，平均野火季节比几十年前长了三个半月，西部每年的大火数量增加了两倍。消息人士称，未来野火将变得更加严重。

气候变化可能是更严重的野火/丛林大火的原因，但这场灾难也会导致气候变化，导致温室气体排放无法控制。一氧化碳和二氧化碳以危险的大量释放，这对人类和环境都是有害的。

当木材的采伐、运输、加工、购买或销售违反国家或地方法律时，就会发生非法采伐和相关贸易。当森林被清除以种植油棕等种植园时，也会发生这种情况。由于对木材、纸张和衍生产品（包括包装）的需求不断增加，存在非法采伐。

非法采伐不仅给森林留下了明显的破坏痕迹——古树曾经矗立的大洞——它剥夺了当地社区和负责任公司的经济生计。[来源]

非法采伐对环境的影响包括森林退化、生物多样性丧失和温室气体排放，从而导致全球气候变化。

目标/目的

该项目的目的是通过使用 QuickLogic QuickFeather 开发套件和 SensiML Analytics Toolkit 分析实时音频来检测野火和非法伐木。

QuickFeather 板将由可充电电池 - 锂离子电池供电。

硬件设置

QuickLogic QuickFeather 开发套件

QuickFeather开发套件是一个小型系统，非常适合支持下一代低功耗机器学习 (ML) 的物联网设备。与其他基于专有硬件和软件工具的开发套件不同，QuickFeather 基于开源硬件，与 Adafruit Feather 外形兼容，并且围绕 100% 开源软件（包括 Symbiflow FPGA 工具）构建。

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

6V 3.5W 太阳能电池板

我将使用 6V 3.5W 太阳能电池板为 QuickLogic QuickFeather 开发套件供电。

配置您的 QuickFeather 开发工具包

在开始之前，您应该使用最新的数据收集固件刷新 QuickFeather 开发套件，以便与 SensiML Data Capture Lab 一起使用。您可以从这里下载二进制文件。

在这个项目中，我们将使用简单流 - 音频数据收集二进制文件。

您可以从位于https://github.com/QuickLogic-Corp/qorc-sdk的 qorc github 存储库中的数据收集源构建自己的二进制文件。

使用 Data Capture Lab 记录数据需要 Data Collection 固件。运行知识包时禁用数据收集。

确保您的系统上安装了 Python；建议安装 Python 3.6 或更新版本。

您将需要 QuickLogic 的 TinyFPGA Programmer 来刷新您的设备。当您下载 TinyFPGA Programmer 时，您需要使用 git 从 github 克隆 repo。下载 repo 的 zip 版本可能会导致意外结果。

用于git clone下载 TinyFPGA Programmer，git clone --recursive https://github.com/QuickLogic-Corp/TinyFPGA-Programmer-Application.git然后pip3 install tinyfpgab安装 Python 库。

将固件文件放在 TinyFPGA 编程器目录中，该目录还包含tinyfpga-programmer-gui.py. 通过 USB 插入设备并按下 QuickFeather 上的“重置”按钮。LED 将呈蓝色闪烁五秒钟。在 LED 仍在快速闪烁时按下“用户”按钮。按下“用户”按钮后，LED 将开始闪烁绿色，并且闪烁的速度会像“呼吸”一样缓慢。这意味着设备处于上传模式。如果 LED 没有闪烁绿色，请重复此步骤。

当 LED 闪烁绿色时，通过运行以下命令将数据收集二进制程序编程到 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在同一目录中，那么您可以通过运行以下命令来刷新 QuickFeather：

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

在运行此命令之前，请确保在命令提示符中将目录更改为 TinyFPGA 程序员的目录。

COMX 是 QuickFeather 的 COM 端口。您可以通过转到控制面板中的设备管理器中的端口来检查端口号（如果您使用的是 Windows 操作系统）。

刷新固件后，按“重置”按钮加载新应用程序。LED 应闪烁蓝色五秒钟，然后在完成后关闭。

SensiML 数据采集实验室

Data Capture Lab 是一个成熟的时间序列传感器数据收集和标记工具，它带来了开发人员在编程工具中习惯的自动化数据集管理水平，但迄今为止在边缘 ML 软件中严重缺失。SensiML 的方法侧重于允许开发人员将数据集构建为可以根据需要轻松维护、修改、探索、扩展和导出的持久知识产权 (IP)。为建模过程提供的良好数据可转化为良好的 ML 推理代码作为输出。[来源]

设置数据采集实验室

首先，创建一个新帐户并下载相应的 DCL 软件。下载软件后，登录您的帐户。

创建一个新项目并将其保存在 SensiML 项目目录中。

默认情况下，QuickFeather 固件的 Simple Streaming 版本使用硬件 UART。这意味着必须使用 USB 转 TTL 串行适配器或另一个 Feather/Wing 进行通信。

打开项目后，单击切换模式并打开捕获模式。

设备插件是描述 DCL 如何从您的设备收集数据的属性列表。例如，设备插件可能包含您的设备支持的采样率列表。这允许 DCL 从任何已构建为接受以下支持的参数的设备收集数据。

您可以从此处下载简单流协议的 example.SSF 文件。Data Capture Lab 允许您通过.SSF 文件通过菜单项Edit → Import Device Plugin ... 导入设备插件...接下来，您将能够选择您的插件协议。

配置您的传感器并设置适当的采样率。我们将在这个项目中使用麦克风。

QuickLogic QuickFeather 开发套件中的麦克风是英飞凌 IM69D130 MEMS 麦克风，其灵敏度为 -36.0 dBFS，信噪比为 69 dB(A)。

捕获数据

在 DCL 软件右侧的硬件设置中，将 Capture Method 设置为 Live Stream Capture，将连接方法设置为 Serial Port。

插入连接到 QuickFeather 开发套件的 USB 转 TTL 串行适配器后，选择“查找设备”选项并单击扫描设备。选择适当的 UART COM 端口并连接您的设备。

如果它最初不起作用，请尝试拔下转换器并将其重新插入，或者断开并重新连接。

在标签设置中，为您正在录制的事件创建一个标签。在这种情况下，标签是Fire和。在此之后，选择当前记录的元数据。我为元数据创建了一个并添加了两个值，它们是和。FellingNormalclassTrainTest

准备好后，按Begin Recording捕获您的数据。

完成该过程后，切换到标签资源管理器模式并选择项目资源管理器。在其中，选择文件并确保数据准确地表示标签。为此，请将您的数据分成多个段。对项目资源管理器中的所有相关文件重复该过程。

转到文件菜单并选择关闭文件选项后，您现在可以使用 Analytics Studio 从捕获的数据生成模型。

DCL 中保存的数据会自动上传并存储在云端。

分析工作室

SensiML Analytics Studio 是 SensiML 软件套件的核心，它使用您的标记数据集，使用 AutoML 和广泛的边缘优化特征和分类器库快速生成高效推理模型。使用基于云的模型搜索，Analytics Studio 可以在几分钟或几小时内将标记的原始数据转换为高性能边缘算法，而不是像手动编码那样几周或几个月。Analytics Studio 使用 AutoML 来解决机器学习算法预处理、选择和调整的复杂性，而无需依赖专家手动定义和配置这些无数选项。

无论是经验丰富的 ML 专家还是只是学习数据科学的基础知识，Analytics Studio 都提供了一种工具，可以显着提高您的嵌入式算法开发效率。[来源]

训练模型

转到Analytics Studio并登录您的帐户。选择您现在在 Data Capture Lab 中创建的项目。

要训​​练模型，我们必须首先以 Query 的形式告诉 Analytics Studio 我们要使用哪些数据。这可以通过单击Prepare Data选项卡并输入名称、会话、标签、相关元数据、传感器以及如何绘制它来完成。保存后数据集应该会出现在右侧，我们可以看到每个标签中有多少段。

可以通过转到Build Model选项卡并输入名称、刚刚创建的查询、窗口大小（使其与传感器的捕获率大小相同）、优化指标（f1-score 最平衡）来构建管道，以及分类器大小，它限制了模型的大小，非常适合加载到 ROM 受限的芯片上。单击Optimize将通过并构建模型，并且根据数据集的大小，可能需要一段时间才能完成。

生成知识包

此项目的最后一步是将机器学习模型部署到您的 QuickLogic QuickFeather 开发套件。这可以通过获取知识包来完成。对于这个项目，我们将以二进制形式下载模型。在“下载模型”选项卡中，选择您刚刚使用以下设置优化的管道，如下图所示。

下载 zip 文件并将二进制文件解压缩到包含tinyfpga-programmer-gui.py. 按照用于刷新简单流固件的相同步骤进行操作。

打开波特率为460800的串口监视器，就可以看到模型的分类输出了。

您可以使用 SensiML 测试应用程序检查机器学习模型识别的准确性。

我目前在下载知识包时遇到问题，因此目前无法制作工作视频。我已经在讨论区寻求帮助。但是我会尽力在知识包可用时上传视频。

未来更新

• 由于斯里兰卡的持续封锁，我无法购买 Adafruit Huzzah32 - ESP32 Feather 板。

未来，我想：

• 将 Adafruit Huzzah32 - ESP32 Feather 板与 QuickFeather 开发套件结合使用，并将此概念验证 (PoC) 转变为物联网概念验证。
• 在各种情况下测试机器学习模型，并将可变数据输入机器学习模型以提高其准确性。
• 用更高的采样频率试验我的机器学习模型。
• 通过显示状态来改进我的项目。
• 添加 GPS 和警报系统以提醒和共享处于危险中的位置。
• 找到一种自动为为 QuickFeather 开发板供电的锂离子电池充电的方法。