38、野生动物监测与食品质量保障：AI的创新应用

野生动物监测与食品质量保障：AI的创新应用

野生动物监测模型的迭代与拓展

当你将野生动物监测模型的首个迭代版本部署到边缘设备后，可能对结果感到满意并停止开发。然而，若希望进一步迭代模型、提高准确性，或因设备升级等原因，有许多方面值得考虑和改进：
1. 增加机器学习类别 ：为模型添加更多不同动物的机器学习类别。
2. 转变监测对象 ：创建针对入侵植物物种而非动物的相机陷阱，用于本地园艺或觅食等目的。
3. 更换传感器 ：使用不同传感器实现相同目标，例如使用气体传感器的野生动物保护陷阱，或把相机训练数据输入从标记图像切换为用于物种目标检测的边界框。
4. 调整应用场景 ：使用相同模型实现不同目标或放置在不同环境中，优化“未知”类别。
5. 组合传感器 ：利用多种传感器组合进一步提高模型准确性，如相机 + 音频输入、音频 + 气体输入等。

此外，还可以创建多个项目，为多个设备位置、多个数据集和其他陷阱动物创建不同的机器学习模型。例如，使用相同的撒哈拉沙漠模型用于多种动物物种，只需在初始数据集中替换主要物种，然后重新训练和重新部署。

鸟类声音分类演示

Edge Impulse和Lacuna Space创建了一个有趣的演示，利用太空卫星和LoRaWAN通过鸟类声音对全球特定鸟类物种进行分类和跟踪。使用网络跟踪器，可确定Lacuna Space卫星下次飞过设备位置的时间，然后通过The Things Network应用接收信号，并查看设备环境中