野象出没请小心！AI上阵，带300头濒危亚洲象重返雨林

其次，预警反馈流程长。监测观察员上报预警信息，需先将信息报告到村委会或林草局，然后通过短信反馈到村民小组长，再通过喇叭广播、手机短信、电话等形式通知告知村民，这种传播方式会带来一定延迟，可能造成信息无法及时传递到位。

再者，人工监测面临安全风险。2018年2月3日上午7点，云南普洱市澜沧县的两名巡象员因浓雾笼罩没有及时看见象群的位置，不知不觉进入象群活动地带，遂遭象群围攻。

此外，现有监测方式具有一定地域局限性。传统监测方法仅解决了区域内的亚洲象监测工作，不同区域间的数据互不相通，可能导致亚洲象活动位点、活动规律等数据的重复和缺失，也难以实现预警信息全覆盖。

有没有一套系统，可以将人工监测风险高、不能24小时实时监测、预警机制不健全、各区域预警信息割裂分散这些问题一次性缓解？

这是西双版纳国家级自然保护区管护局正与浪潮合作完成的事情。

三、亚洲象生态保护系统：云边端协同作业，边缘端AI模型精度达到96%

在西双版纳自然保护区，一套亚洲象生态保护系统已初步搭建完毕。

这一系统创新性地将云计算、大数据和人工智能等现代信息技术集成运用于野生生物多样性监测，能够在野外实现无干扰的的实时观察，还能对需要帮助的生物展开更为及时的救助。

目前，这套系统可做到全天候实时采集图像及影像数据，边缘端人工智能模型精度达到96%以上，能进行毫秒识别和秒级预警。

▲浪潮亚洲象生态保护系统设施

识别野生亚洲象，可比我们耳熟能详的人脸识别难度大的多。

第一个难点就是数据量匮乏。亚洲象本身数量稀少，出没时间不定，活动范围又广泛，过去采集到的相关影像数据十分有限。

“对于动物研究本身，以前可能一个人毕其一生来收集一点点珍贵的资料，而现在大量通过技术的手段能够实现。”浪潮信息副总裁、浪潮信息服务器产品线总经理沈荣介绍说。

第二个难点是采集环境恶劣、图像模糊残缺。亚洲象在密林之中极易隐藏，识别难度颇高，如果摄像头精度不足，采集到的照片可能不理想。尤其在夜晚光线不足时，如果仅通过一个尾巴、一个背脊来立即判断亚洲象，有时会将监测到的牛、羊等家畜误判为亚洲象。

第三个难点是模型优化。这涉及工程经验和技术问题，关键在于如何能通过小数据量实现快速建模、如何缩短训练和推理时间。

据悉，国际上已有的亚洲象智能识别模型的准确率大概只有60%左右，而由于亚洲象数量稀少、活动范围广，可获得的图片和视频数据样本非常少，这也使得提升模型精度困难重重。

要提高模型的准确率，必须从采集终端出发，部署一套实现计算、存储、网络等资源统一调度管理的完善监测预警系统架构，兼顾数据采集、实时分析预警与模型训练优化。

缺数据，就现场采集。

在端侧，针对传统监测手段粗放的问题，浪潮搭建了由数百个视频监测系统构成的统一数据采集系统，红外摄像机被部署在象群经常出没的64个村寨，实现全天候实时采集图像及影像数据，已收集到上万张野生亚洲象图像资料。

目前在西双版纳，一个月时间视频、图片的数据量就会达到30TB，随着野生亚洲象活动范围扩大，这一数字还将继续增长。

▲红外摄像机拍摄到的亚洲象影像

在边缘侧，摄像机采集到的数据会被4G网络和无线AP组网传输到搭建在浪潮AI服务器AGX-2上的亚洲象识别监测系统，该系统可实现全天候精准识别，并通过数据汇总，对亚洲象行为轨迹进行分析预测和发布，实现毫秒级识别、十几秒发布，然后收到预警消息的附近群众紧急撤离。

针对阴雨天、夜间等画面光线差、模糊、残缺等问题，浪潮又进行了3个多月的算法优化，通过标注亚洲象头部特征、脚部特征、背部特征、尾部特征等，对样本分组进行了大规模的模型的建立和验证，反复比对不同算法对不同验证样本的准确度、修正算法进行验证与优化，将模型精度提高到90%。

为降低误判漏判的概率，系统采集到疑似亚洲象影像后，会预留10秒钟人工判别时间，如果工作人员未在10秒内进行判别，系统将自动将信息发布出去，通知周围人员。

▲亚洲象监控预警中心

在云侧，边缘侧处理后的数据会被传输至云端数据中心的亚洲象深度学习训练平台，帮助模型算法不断优化迭代，提高亚洲象监测的准确性和实时性，如今识别准确率高达96%以上，且仍在不断提升。

此外，边缘侧经过清洗处理的数据也将被用于建立亚洲象库及生物多样性库，包括亚洲象活动时间、位置信息、影像、周边环境特征、行动轨迹等。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!