目录
在这里，我们从使用AI和DNN的角度阐述了害虫消除的问题。然后，我们提出两种可能的解决方案：1——使用预训练的SSD模型检测猫、羊和其他动物；2——使用MD并训练我们自己的DNN来检测“非标准”害虫，例如驼鹿。最后，我们提供了该系列的简短概述，并说明了开发工具：Python，OpenCV，Caffe。
介绍
野蛮的野生生物可能给企业和房主带来痛苦。鹿、驼鹿甚至猫等动物都会对花园、庄稼和财产造成破坏。
在本系列文章中，我们将演示如何在Raspberry Pi上实时（或近实时）检测有害生物（例如驼鹿），然后采取措施消除有害生物。由于我们不想造成任何伤害，我们将通过播放巨大的噪音来吓跑害虫。
本系列将指导您完成几个步骤。首先，我们将向您展示如何应用预训练的深度神经网络（DNN）检测器在视频上查找有害生物。然后，我们将描述可能的解决方案，用于检测大多数现有DNN检测器无法检测到的异常害虫。接下来，我们将重点介绍所选方法的实现。我们将说明如何为DNN训练收集数据集，并提供用于扩展数据集的数据扩充方法。我们将训练DNN以检测稀有害虫，然后将开发用于简单运动检测器的计算机代码，并说明如何将其与训练有素的DNN一起使用。最后，我们将改编Raspberry Pi的代码，并向您展示如何播放可怕的声音以将检测到的有害生物赶走。
项目代码将用Python 3.7编写，以在PC上运行，然后在Raspberry Pi设备上运行。在OpenCV的库将为我们提供计算机视觉算法，以及来自Caffe DL框架将被用于训练DNN。这些软件可轻松下载并安装到您的PC上。
欢迎您下载该项目的源代码。我们假设您熟悉Python并且对神经网络的工作原理有基本的了解。
选择器与检测器
我们的首要任务是使用Raspberry Pi之类的边缘设备检测摄像机视频流中的有害生物。我们将使用AI解决此问题。用于图像识别和视频处理的最强大的现代AI方法是使用深度神经网络（DNN）。各种类型的DNN已成功应用于计算机视觉中最棘手的问题，包括检测各种物体：人类、动物等。
为了实现我们的目标，我们可以使用两种主要的DNN类型。第一种网络类型是简单的分类器。这是经过训练的DNN，用于定义图像中的对象所属的类。
图像分类是卷积神经网络（CNN）的主要成功。这导致了图像处理领域的深度学习（DL）革命。分类器的优点之一是精度高。对于具有数百甚至数千个类别的图像数据集，现代DNN分类器可以达到90％或更高的分类精度。
但是，将分类器应用于我们的任务会带来一些挑战。一个问题是，提交给分类器的图像应仅包含一个可识别的对象。另一个问题是，对象（例如人或动物）通常必须占据图像的大部分区域，以便分类器正确处理它。由于害虫可能不会占据相机的大部分空间，因此我们需要找到一种方法来检测仅占据图像一部分的物体。
我们可以通过使用另一种DNN类型：检测器来规避分类器的局限性。检测器网络可以确定图像是否包含某个类别的对象，还可以标识该对象在图像中的位置。
检测器DNN可以用于包含多个不同类别对象的图像，因为它们先定位单独的对象，然后对每个定位的对象进行分类。检测器DNN的唯一缺点是它们不如分类器准确。
总体而言，在我们的案例中，探测器网络将是一个更可行的选择，所以它是一个探测器！
实时性呢？
检测器DNN绝对可以帮助我们解决问题的第一部分——检测图像中的有害生物。如果我们能够做到这一点，我们还将能够检测视频流中的有害生物。唯一的问题是，我们是否可以在诸如Raspberry Pi的边缘设备上实时进行操作。这些设备的功能不是很强大，因此在选择神经网络时应该非常小心。我们需要一个可以在边缘设备上实时运行的设备。有关选择适合边缘设备的对象检测器神经网络的深入探讨，请参见下一篇文章。
下一步
在接下来的文章中，我们将使用预训练DNN检测视频害虫。
https://www.codeproject.com/Articles/5289747/Real-time-AI-Pest-Elimination-on-Edge-Devices-Gett
扫一扫
43
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
