Искусственный интеллект распознает звуки слонов для повышения безопасности жителей деревень

Исследователи в статье, опубликованной в International Journal of Engineering Systems Modelling and Simulation, продемонстрировали, как обученный алгоритм может идентифицировать трубные звуки слонов, отличая их от человеческих и других животных в окружающей среде.

Эта работа может повысить безопасность жителей деревень и помочь фермерам защитить свои посевы и дома от диких слонов в Индии.

Т. Томас Леонид из KCG College of Technology и Р. Джаяпарвати из SSN College of Engineering в Ченнаи, Индия, объясняют, что конфликты между людьми и слонами становятся все более частыми, особенно в районах, где деятельность человека вторглась в естественную среду обитания слонов. Это особенно актуально там, где сельское хозяйство граничит с лесными угодьями. Эти конфликты — не только экологическая проблема, они представляют угрозу для жизни и средств к существованию людей.

В Индии дикие слоны ответственны за большее количество человеческих смертей, чем крупные хищники. Их присутствие также приводит к уничтожению посевов и инфраструктуры, что создает тяжелое финансовое бремя для сельских общин.

Конечно, слоны не виноваты — это дикие животные, которые стараются выжить. Коренные причины лежат в разрушении среды обитания из-за деятельности человека, такой как добыча полезных ископаемых, строительство плотин и растущее вторжение в леса для добычи ресурсов, таких как дрова и вода.

Таким образом, поиск эффективных решений для смягчения столкновений человека и слона становится все более насущным. Команда предполагает, что одним из способов сократить количество трагических и дорогостоящих исходов было бы внедрение системы раннего предупреждения. Такая система распознавала бы поведение слонов по их вокализациям и позволяла фермерам и другим людям избегать слонов или, возможно, даже безопасно отвлекать приближающееся стадо, прежде чем оно станет серьезной и разрушительной угрозой.

Исследователи сравнили несколько моделей машинного обучения, чтобы определить, какая из них лучше всего обнаруживает и классифицирует звуки слонов. Протестированные модели включали метод опорных векторов (SVM), метод k-ближайших соседей (KNN), наивный байесовский классификатор и сверточные нейронные сети (CNN). Они обучили каждый из этих алгоритмов на наборе данных из 450 образцов звуков животных пяти различных видов.

Одним из ключевых этапов процесса является извлечение признаков, которое включает идентификацию отличительных характеристик в аудиосигналах, таких как частота, амплитуда и временная структура звуков. Эти признаки затем используются для обучения моделей машинного обучения распознаванию звуков слонов.

Наиболее точной оказалась сверточная нейронная сеть (CNN) — модель глубокого обучения, которая автоматически изучает сложные признаки из необработанных данных. CNN особенно хорошо подходят для такого типа задач благодаря своей способности распознавать сложные закономерности в звуковых данных.

CNN показала высокую точность в 84%, что значительно лучше, чем у других моделей. Этот показатель может быть улучшен, но уже достаточно точен, чтобы иметь потенциал для создания надежной автоматизированной системы обнаружения слонов, которые могут направляться к домам и фермам.