原标题：用 TensorFlow 拯救雨林

来源：AI 研习社        链接：https://www.yanxishe.com/TextTranslation/2225

森林砍伐占全球碳排放总量的近20％，是造成数万亿美元经济损失的原因。鉴于80％的亚马逊木材都被非法采伐，因此迫切需要一种解决方案以检测和阻止这种情况。但是，有许多障碍。鉴于雨林广阔而茂密的性质，实际情况下护林员根本没有足够的资源或人力来监控数千英亩的土地。

由Topher White领导的非营利性组织Rainforest Connection设计了一种有效且足智多谋的解决方案：旧手机被收集起来，配备有太阳能电池板，并放置在树木的树枝上，在那里他们听见伐木车和链锯的声音。一部手机可以探测一公里外的非法伐木，保护了300多公顷的雨林，并防止了1.5万吨的二氧化碳排放，这超过了一年中3000辆汽车的排放量。

其背后的检测算法由TensorFlow驱动，TensorFlow是Google Brain团队开发的深度学习框架。我使用TensorFlow开发了一个模型，该模型在检测森林中远处的电锯噪声时至少准确度高达93％。

步骤1：取得资料

由于我附近没有雨林和非法采伐者，因此我使用了scaper库来模拟雨林声景。该代码的作用是将各种电锯噪声（来自YouTube）覆盖在各种雨林噪声（也来自YouTube）之上，包括雷暴雨，动物和流水。为了广泛表示可能的电锯噪声，样本的音量和音高随机变化。
这是两个示例音景，第一个没有电锯，第二个有电锯。你能听见吗？

步骤2：制作图片

尽管视觉深度学习已经取得了长足的进步，但是听觉深度学习仍然是原始的。频谱图是声音的视觉表示，其中每个频率的出现相对于时间作图。卷积神经网络非常擅长识别图像中的信号，例如频谱图中的电锯噪声。为了利用CNN的强大功能，我们必须使用librosa python库将原始音频数据转换为图像格式。

下面是音景的频谱图

https://soundcloud.com/caleb-cheng-1/soundscape-987

最初的图像是600x400，但这对我的GPU来说已经足够了。将图像缩小到100x100可获得更快，更准确的结果。有链锯的音景和无链锯的音景之间有50/50的比例。

步骤3：训练分类器

该片段将样本图像分为训练集，测试集和评估集。总共有2000张图像，评估中有100张图像，其余的则将80/20图像分为训练/测试图像。

然后，我们在2个CNN层和一个Dense输出上训练模型。

2D卷积可视化-来源

 以下是网络摘要：

在GTX 1660Ti GPU上经过200个历时，对网络进行了大约2分钟的培训。结果是惊人的-接近97％的验证准确度和0.057的损失，曲线看上去非常健康。

在网络从未见过的100张评估图像上，该模型得分为93％！

总结：

我认为听觉机器学习和物联网设备具有巨大的潜力。除了隐私问题之外，运行简单的TensorFlow模型的互联网连接的太阳能麦克风网络可以检测非法偷猎，交通拥堵，并且无需维护即可侵入大面积区域。

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com