A veszélyeztetett fajok populáció-varianciájának észlelése az Amazon Rekognition segítségével

Bolygónk globális kihalási válsággal néz szembe. ENSZ jelentés elképesztően sok, több mint egymillió fajt mutat be, amelyektől félnek, hogy a kihalás útjára lépnek. A kihalás leggyakoribb oka az élőhely elvesztése, az orvvadászat és az invazív fajok. Számos vadvédelmi alapítványok, kutató tudósok, önkéntesek és orvvadászat elleni vadőrök fáradhatatlanul dolgoznak a válság kezelésén. A vadon élő veszélyeztetett állatokkal kapcsolatos pontos és rendszeres tájékoztatás javítja a vadvédelmi szakemberek azon képességét, hogy tanulmányozzák és megóvják a veszélyeztetett fajokat. A vadon élő tudósok és a helyszíni személyzet infravörös triggerekkel felszerelt kamerákat használnak, az úgynevezett kameracsapdák, és helyezze el őket az erdők leghatékonyabb helyeire, hogy képeket készítsen a vadon élő állatokról. Ezeket a képeket ezután manuálisan felülvizsgálják, ami nagyon időigényes folyamat.

Ebben a bejegyzésben egy megoldást mutatunk be Amazon Rekognition egyéni címkék mozgásérzékelős kameracsapdákkal együtt, amelyek automatizálják ezt a folyamatot a nemi fajok felismerésére és tanulmányozására. A Rekognition Custom Labels egy teljesen felügyelt számítógépes látásszolgáltatás, amely lehetővé teszi a fejlesztők számára, hogy egyéni modelleket építsenek a képeken található objektumok osztályozására és azonosítására, amelyek egyediek és egyediek a használati esetükben. Részletezzük, hogyan lehet felismerni a veszélyeztetett állatfajokat a kamerás csapdákból gyűjtött képek alapján, betekintést nyerhetünk populációjuk számába, és hogyan lehet észlelni az embereket körülöttük. Ez az információ hasznos lesz a természetvédők számára, akik proaktív döntéseket hozhatnak a megmentésük érdekében.

Megoldás áttekintése

Az alábbi ábra szemlélteti a megoldás architektúráját.

Ez a megoldás a következő AI-szolgáltatásokat, kiszolgáló nélküli technológiákat és felügyelt szolgáltatásokat használja a méretezhető és költséghatékony architektúra megvalósításához:

• Amazon Athéné – Szerver nélküli interaktív lekérdező szolgáltatás, amely megkönnyíti az adatok elemzését az Amazon S3-ban szabványos SQL használatával
• amazonfelhőóra – Megfigyelési és megfigyelési szolgáltatás, amely megfigyelési és működési adatokat gyűjt naplók, metrikák és események formájában
• Amazon DynamoDB – Kulcsérték- és dokumentum-adatbázis, amely egyszámjegyű ezredmásodperces teljesítményt nyújt bármilyen léptékben
• AWS Lambda – Szerver nélküli számítási szolgáltatás, amely lehetővé teszi kód futtatását olyan triggerekre válaszul, mint például az adatok változása, a rendszerállapot eltolódása vagy a felhasználói műveletek
• Amazon QuickSight – Szerver nélküli, gépi tanulás (ML) alapú üzleti intelligencia szolgáltatás, amely betekintést, interaktív irányítópultokat és gazdag elemzési adatokat biztosít
• Amazon felismerés – ML segítségével azonosítja a képeken és videókon lévő objektumokat, embereket, szövegeket, jeleneteket és tevékenységeket, valamint észlel minden nem megfelelő tartalmat
• Amazon Rekognition egyéni címkék – Az AutoML segítségével segíti az egyéni modellek betanítását, hogy azonosítsa az üzleti igényeknek megfelelő objektumokat és jeleneteket a képekben
• Amazon Simple Queue Service (Amazon SQS) – Teljesen felügyelt üzenetsor-szolgáltatás, amely lehetővé teszi a mikroszolgáltatások, elosztott rendszerek és szerver nélküli alkalmazások szétválasztását és méretezését
• Amazon Simple Storage Service (Amazon S3) – Dokumentumok objektumtárolójaként szolgál, és lehetővé teszi a központi kezelést finomhangolt hozzáférés-vezérléssel.

A megoldás magas szintű lépései a következők:

1. Tanítson és készítsen egyéni modellt a Rekognition egyéni címkék segítségével, hogy felismerje a területen lévő veszélyeztetett fajokat. Ehhez a poszthoz az orrszarvú képeken edzünk.
2. A mozgásérzékelős kameracsapdákon keresztül rögzített képek egy S3 tárolóba töltődnek fel, amely minden feltöltött képhez eseményt tesz közzé.
3. Minden közzétett eseménynél aktiválódik egy Lambda funkció, amely lekéri a képet az S3 vödörből, és továbbítja az egyéni modellnek, hogy észlelje a veszélyeztetett állatot.
4. A Lambda funkció az Amazon Rekognition API-t használja a képen látható állatok azonosítására.
5. Ha a képen bármely veszélyeztetett orrszarvúfaj található, a funkció frissíti a DynamoDB adatbázist az állat számával, a kép rögzítésének dátumával és a képből kinyerhető egyéb hasznos metaadatokkal. EXIF fejléc.
6. A QuickSight a DynamoDB adatbázisban gyűjtött állatok számának és helyének megjelenítésére szolgál, hogy megértse az állatpopuláció időbeli eltéréseit. Az irányítópultok rendszeres megtekintésével a természetvédelmi csoportok azonosíthatják a mintákat, és elkülöníthetik a lehetséges okokat, például betegségeket, éghajlatot vagy orvvadászatot, amelyek ezt az eltérést okozhatják, és proaktívan lépéseket tehetnek a probléma megoldására.

Előfeltételek

Jó képzési készlet szükséges egy hatékony modell felépítéséhez a Rekognition egyéni címkék használatával. Az AWS Marketplace képeit használtuk (Állatok és vadon élő állatok adatkészlete a Shutterstocktól) És Kaggle a modell felépítéséhez.

Valósítsa meg a megoldást

Munkafolyamatunk a következő lépéseket tartalmazza:

1. Tanítson meg egy egyéni modellt a veszélyeztetett fajok (példánkban az orrszarvú) osztályozására a Rekognition Custom Labels AutoML képességével.

Ezeket a lépéseket a Rekognition egyéni címkék konzoljából is végrehajthatja. Az utasításokat lásd Projekt létrehozása, Oktatási és tesztadatkészletek készítéseés Az Amazon Rekognition egyedi címkék modelljének betanítása.

Ebben a példában a Kaggle adatkészletét használjuk. Az alábbi táblázat összefoglalja az adatkészlet tartalmát.

2. Töltsd fel a fényképezőgép csapdáiról készített képeket egy kijelölt S3 vödörbe.
3. Határozza meg az eseményértesítéseket a Engedélyek szakaszában, hogy értesítést küldjön egy meghatározott SQS-sornak, amikor egy objektumot hozzáadnak a tárolóhoz.

A feltöltési művelet olyan eseményt indít el, amely az Amazon SQS-ben az Amazon S3 eseményértesítésével várólistára kerül.

4. Adja hozzá a megfelelő engedélyeket az SQS-sor hozzáférési szabályzatán keresztül, hogy az S3-csoport értesítést küldjön a sornak.

5. Állítson be egy Lambda-triggert az SQS-sorhoz, hogy a Lambda-függvény meghívásra kerüljön, amikor új üzenet érkezik.

6. Módosítsa a hozzáférési szabályzatot, hogy a Lambda függvény hozzáférjen az SQS-sorhoz.

A Lambda függvénynek most rendelkeznie kell a megfelelő jogosultságokkal az SQS-sor eléréséhez.

7. Állítsa be a környezeti változókat, hogy azok elérhetők legyenek a kódban.

Lambda funkció kódja

A Lambda funkció a következő feladatokat hajtja végre, amikor értesítést kap az SNS-sorból:

1. Az Amazon Rekognition API-hívása az egyéni modellből származó címkék észleléséhez, amelyek azonosítják a veszélyeztetett fajokat:

exports.handler = async (event) => {
const id = AWS.util.uuid.v4();
const bucket = event.Records[0].s3.bucket.name;
const photo = decodeURIComponent(event.Records[0].s3.object.key.replace(/+/g, ' '));
const client = new AWS.Rekognition({ region: REGION });
const paramsCustomLabel = {
Image: {
S3Object: {
Bucket: bucket,
Name: photo
},
},
ProjectVersionArn: REK_CUSTOMMODEL,
MinConfidence: MIN_CONFIDENCE
}
let response = await client.detectCustomLabels(paramsCustomLabel).promise();
console.log("Rekognition customLabels response = ",response);

2. Hozza le a képről az EXIF-címkéket, hogy megkapja a kép készítésének dátumát és egyéb releváns EXIF-adatokat. A következő kód a függőségeket (csomag – verzió) használja: exif-reader – ^1.0.3, Sharp – ^0.30.7:

const getExifMetaData = async (bucket,key)=>{
return new Promise((resolve) => {
const s3 = new AWS.S3({ region: REGION });
const param = {
Bucket: bucket,
Key : key
};

s3.getObject(param, (error, data) => {
if (error) {
console.log("Error getting S3 file",error);
resolve({status:false,errorText: error.message});
} else {
sharp(data.Body)
.metadata()
.then(({ exif }) => {
const exifProperties = exifReader(exif);
resolve({status:true,exifProp: exifProperties});
}).catch(err => {console.log("Error Processing Exif ");resolve({status:false});})
}
});
});
}

var gpsData = "";
var createDate = "";
const imageS3 = await getExifMetaData(bucket, photo);
if(imageS3.status){
gpsData = imageS3.exifProp.gps;
createDate = imageS3.exifProp.image.CreateDate;
}else{
createDate = event.Records[0].eventTime;
console.log("No exif found in image, setting createDate as the date of event", createDate);
}

Az itt felvázolt megoldás aszinkron; a képeket a kamera csapdái rögzítik, majd később feltöltik egy S3-as vödörbe feldolgozásra. Ha gyakrabban töltik fel a kamerás csapdaképeket, akkor a megoldást kiterjesztheti a megfigyelt területen tartózkodó emberek észlelésére, és értesítést küldhet az érintett aktivistáknak, jelezve az esetleges orvvadászatot ezen veszélyeztetett állatok közelében. Ez a Lambda függvényen keresztül valósul meg, amely meghívja az Amazon Rekognition API-t, hogy felismerje az ember jelenlétét jelző címkéket. Ha embert észlel, hibaüzenetet rögzít a CloudWatch Logs. A hibanapló szűrt mérőszáma CloudWatch riasztást vált ki, amely e-mailt küld a természetvédelmi aktivistáknak, akik ezután további lépéseket tehetnek.

3. Bontsa ki a megoldást a következő kóddal:

const paramHumanLabel = {
Image: {
S3Object: {
Bucket: bucket,
Name: photo
},
},
MinConfidence: MIN_CONFIDENCE
}

let humanLabel = await client.detectLabels(paramHumanLabel).promise();
let humanFound = humanLabel.Labels.filter(obj => obj.Name === HUMAN);
var humanDetected = false;
if(humanFound.length > 0){
console.error("Human Face Detected");
humanDetected = true;
}

4. Ha bármilyen veszélyeztetett fajt észlel, a Lambda függvény frissíti a DynamoDB-t a számmal, dátummal és egyéb opcionális metaadatokkal, amelyeket a kép EXIF ​​címkéiből nyernek:

let dbresponse = await dynamo.putItem({
Item: {
id: { S: id },
type: { S: response.CustomLabels[0].Name },
image: {S : photo},
createDate: {S: createDate.toString()},
confidence: {S: response.CustomLabels[0].Confidence.toString()},
gps: {S: gpsData.toString()},
humanDetected: {BOOL: humanDetected}
},

TableName: ANIMAL_TABLENAME,
}).promise();

Az adatok lekérdezése és megjelenítése

Mostantól az Athena és a QuickSight segítségével megjelenítheti az adatokat.

1. Állítsa be a DynamoDB táblát az Athena adatforrásaként.

2. Adja hozzá az adatforrás részleteit.

A következő fontos lépés egy Lambda függvény meghatározása, amely csatlakozik az adatforráshoz.

3. Válaszd Lambda függvény létrehozása.

4. Adja meg a neveket AthenaKatalógusnév és a SpillBucket; a többi alapbeállítás lehet.
5. Telepítse a csatlakozó funkciót.

Az összes kép feldolgozása után a QuickSight segítségével megjelenítheti az Athénából származó populáció időbeli eltérésének adatait.

6. Az Athena konzolon válasszon adatforrást, és adja meg a részleteket.
7. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Lambda függvény létrehozása hogy biztosítson egy összekötőt a DynamoDB-hez.

8. A QuickSight irányítópulton válassza a lehetőséget Új elemzés és a Új adatkészlet.
9. Adatforrásként válassza az Athénét.

10. Adja meg a katalógust, az adatbázist és a táblát a csatlakozáshoz, és válassza ki választ.

11. Adatkészlet létrehozásának befejezése.

Az alábbi táblázat az adott napon befogott veszélyeztetett fajok számát mutatja.

A GPS-adatok a rögzített kép EXIF-címkéinek részeként jelennek meg. Ezen veszélyeztetett állatok helyének érzékenysége miatt adatkészletünkben nem volt GPS helymeghatározás. Létrehoztunk azonban egy térinformatikai diagramot szimulált adatok felhasználásával, hogy megmutassuk, hogyan jelenítheti meg a helyeket, ha rendelkezésre állnak GPS-adatok.

Tisztítsuk meg

A váratlan költségek elkerülése érdekében ne felejtse el kikapcsolni a bemutató részeként használt AWS-szolgáltatásokat – az S3-tárolókat, a DynamoDB-táblát, a QuickSight-ot, az Athena-t és a betanított Rekognition Custom Labels modellt. Ezeket az erőforrásokat közvetlenül a megfelelő szervizkonzoljukon keresztül kell törölnie, ha már nincs szüksége rájuk. Hivatkozni Egy Amazon Rekognition egyedi címkék modelljének törlése a modell törlésével kapcsolatos további információkért.

Következtetés

Ebben a bejegyzésben egy olyan automatizált rendszert mutattunk be, amely azonosítja a veszélyeztetett fajokat, rögzíti populációjuk számát, és betekintést nyújt a populáció időbeli eltéréseibe. A megoldást kiterjesztheti a hatóságok figyelmeztetésére is, ha emberek (esetleges orvvadászok) vannak e veszélyeztetett fajok közelében. Az Amazon Rekognition AI/ML képességeivel támogathatjuk a természetvédelmi csoportok erőfeszítéseit a veszélyeztetett fajok és ökoszisztémáik védelmében.

A Rekognition egyéni címkékkel kapcsolatos további információkért lásd: Kezdő lépések az Amazon Rekognition egyéni címkéivel és a Tartalom moderálása. Ha még nem ismeri a Rekognition egyéni címkéket, használhatja ingyenes szintünket, amely 3 hónapig tart, és havi 10 ingyenes képzési órát és havi 4 ingyenes következtetési órát tartalmaz. Az Amazon Rekognition Free Tier havi 5,000 kép feldolgozását tartalmazza 12 hónapon keresztül.

A szerzőkről

Jyothi Goudar az AWS Partner Solutions építész menedzsere. Szorosan együttműködik a globális rendszerintegrátor partnerrel annak érdekében, hogy lehetővé tegye és támogassa az ügyfeleket, hogy áthelyezzék a munkaterhelésüket az AWS-re.

Jay Rao az AWS vezető megoldási építésze. Szeret technikai és stratégiai útmutatást nyújtani ügyfeleinek, és segíteni nekik az AWS-re vonatkozó megoldások tervezésében és megvalósításában.