[ad_1]
Nuestro planeta se enfrenta a una crisis de extinción global. El informe de la ONU revela un número asombroso de más de un millón de especies que se teme que estén al borde de la extinción. Las razones más comunes para la extinción son la pérdida de hábitat, la caza furtiva y las especies invasoras. Varias fundaciones de conservación de la vida silvestre, científicos investigadores, voluntarios y guardaparques contra la caza furtiva han trabajado incansablemente para abordar esta crisis. La información precisa y regular sobre animales en peligro de extinción en la naturaleza mejorará la capacidad de los conservacionistas para estudiar y conservar especies en peligro de extinción. Los científicos de la vida silvestre y los trabajadores de campo usan cámaras equipadas con disparadores infrarrojos llamados cámaras trampa y las colocan en los lugares más efectivos de los bosques para capturar imágenes de la vida silvestre. Luego, estas imágenes se revisan manualmente, lo cual es un proceso que consume mucho tiempo.
En esta publicación, demostramos una solución que utiliza etiquetas personalizadas de Amazon Rekognition junto con cámaras trampa con sensor de movimiento para automatizar este proceso para detectar y examinar las especies generadas. Rekognition Custom Labels es un servicio de visión por computadora completamente administrado que permite a los desarrolladores crear modelos personalizados para clasificar e identificar objetos en imágenes que son específicos y únicos para su caso de uso. Explicamos cómo identificar especies en peligro de extinción a partir de imágenes de cámaras trampa, obtener información sobre el número de su población e identificar a las personas que las rodean. Esta información es útil para los conservacionistas que pueden tomar decisiones proactivas para salvarlos.
descripción general de la solución
El siguiente diagrama ilustra la arquitectura de la solución.
Esta solución utiliza los siguientes servicios de inteligencia artificial, tecnologías sin servidor y servicios administrados para implementar una arquitectura escalable y rentable:
- Amazon Athena: un servicio de consulta interactivo sin servidor que simplifica el análisis de datos en Amazon S3 mediante SQL estándar
- Amazon CloudWatch: un servicio de monitoreo y observabilidad que recopila datos operativos y de monitoreo en forma de registros, métricas y eventos.
- Amazon DynamoDB: una base de datos de documentos y valores clave que ofrece un rendimiento de milisegundos de un solo dígito a cualquier escala
- AWS Lambda: un servicio informático sin servidor que le permite ejecutar código en respuesta a activadores como cambios de datos, cambios de estado del sistema o acciones del usuario
- Amazon QuickSight: un servicio de inteligencia empresarial basado en aprendizaje automático (ML) sin servidor que proporciona información, paneles interactivos y análisis en profundidad
- Amazon Rekognition: utiliza ML para identificar objetos, personas, texto, escenas y actividades en imágenes y videos y detectar contenido inapropiado
- Etiquetas personalizadas de Amazon Rekognition: utiliza AutoML para entrenar modelos personalizados para identificar los objetos y escenas en imágenes específicas para sus necesidades comerciales
- Amazon Simple Queue Service (Amazon SQS): un servicio de cola de mensajes completamente administrado que le permite desacoplar y escalar microservicios, sistemas distribuidos y aplicaciones sin servidor
- Amazon Simple Storage Service (Amazon S3): sirve como almacenamiento de objetos para documentos y permite la administración centralizada con controles de acceso detallados.
Los pasos generales en esta solución son los siguientes:
- Entrene y cree un modelo personalizado utilizando etiquetas personalizadas de Rekognition para identificar especies en peligro de extinción en la región. Para este post, entrenamos con fotos de rinocerontes.
- Las imágenes capturadas por las cámaras trampa del sensor de movimiento se cargan en un depósito S3, que publica un evento para cada imagen cargada.
- Para cada evento publicado, se activa una función Lambda que obtiene la imagen del depósito S3 y la pasa al modelo personalizado para detectar el animal en peligro de extinción.
- La función Lambda utiliza la API de Amazon Rekognition para identificar los animales en la imagen.
- Si la imagen contiene una especie de rinoceronte en peligro de extinción, la función actualiza la base de datos de DynamoDB con la cantidad de animales, la fecha en que se tomó la imagen y otros metadatos útiles que se pueden extraer del encabezado EXIF de la imagen.
- QuickSight se utiliza para visualizar el recuento de animales y los datos de ubicación recopilados en la base de datos de DynamoDB para comprender la variación de la población animal a lo largo del tiempo. Al mirar regularmente los tableros, los grupos conservacionistas pueden identificar patrones y aislar causas potenciales, como enfermedades, clima o caza furtiva, que podrían estar causando esta discrepancia, y tomar medidas proactivas para abordar el problema.
requisitos
Se requiere un buen conjunto de entrenamiento para crear un modelo efectivo utilizando las etiquetas personalizadas de Rekognition. Utilizamos las imágenes de AWS Marketplace (conjunto de datos de animales y vida silvestre de Shutterstock) y Kaggle para crear el modelo.
Implementar la solución
Nuestro flujo de trabajo incluye los siguientes pasos:
- Entrene un modelo personalizado para clasificar las especies en peligro de extinción (el rinoceronte en nuestro ejemplo) utilizando la función AutoML de Rekognition Custom Labels.
También puede realizar estos pasos desde la consola de etiquetas personalizadas de Rekognition. Para obtener instrucciones, consulte Creación de un proyecto, Creación de conjuntos de datos de prueba y entrenamiento y Entrenamiento de un modelo de etiquetas personalizadas de Amazon Rekognition.
En este ejemplo, usaremos el conjunto de datos de Kaggle. La siguiente tabla resume el contenido del registro.
etiqueta | conjunto de entrenamiento | equipo de prueba |
León | 625 | 156 |
rinoceronte | 608 | 152 |
elefante africano | 368 | 92 |
- Cargue las imágenes capturadas por las cámaras trampa en un depósito S3 específico.
- Defina las notificaciones de eventos en el permisos Sección del depósito de S3 para enviar notificaciones a una cola de SQS definida cuando se agrega un objeto al depósito.
La acción de carga desencadena un evento que se pone en cola en Amazon SQS mediante la notificación de eventos de Amazon S3.
- Agregue los permisos apropiados a través de la política de acceso de la cola de SQS para permitir que el depósito de S3 envíe la notificación a la cola.
- Configure un activador Lambda en la cola de SQS para invocar la función Lambda cuando se reciba un mensaje nuevo.
- Cambie la política de acceso para permitir que la función de Lambda acceda a la cola de SQS.
La función de Lambda ahora debería tener los permisos correctos para acceder a la cola de SQS.
- Configure las variables de entorno para que se pueda acceder a ellas en el código.
código de función lambda
La función Lambda realiza las siguientes tareas al recibir una notificación de la cola de SNS:
- Realice una llamada API a Amazon Rekognition para reconocer las etiquetas del modelo personalizado que identifican las especies en peligro de extinción:
- Recupere las etiquetas EXIF de la imagen para obtener la fecha de captura de la imagen y otros datos EXIF relevantes. El siguiente código usa las dependencias (paquete – versión) exif-reader – ^1.0.3, sharp – ^0.30.7:
La solución descrita aquí es asincrónica; Las imágenes son capturadas por las cámaras trampa y luego cargadas en un depósito S3 para su procesamiento. Como las imágenes de las cámaras trampa se cargan con más frecuencia, puede extender la solución para detectar personas en el área monitoreada y enviar alertas a los activistas afectados para alertar sobre una posible caza furtiva en las cercanías de estos animales vulnerables. Esto se implementa mediante la función Lambda, que llama a la API de Amazon Rekognition para detectar etiquetas de presencia humana. Si se detecta un ser humano, se registra un mensaje de error en CloudWatch Logs. Una métrica filtrada en el registro de errores activa una alarma de CloudWatch, que envía un correo electrónico a los conservacionistas, quienes pueden tomar medidas adicionales.
- Extiende la solución con el siguiente código:
- Cuando se detecta una especie en peligro de extinción, la función Lambda actualiza DynamoDB con el número, la fecha y otros metadatos opcionales recuperados de las etiquetas EXIF de la imagen:
Consultar y visualizar datos
Ahora puede usar Athena y QuickSight para visualizar los datos.
- Establezca la tabla de DynamoDB como fuente de datos para Athena.
- Agregue los detalles de la fuente de datos.
El siguiente paso importante es definir una función Lambda que se conecte a la fuente de datos.
- eligió Crear una función Lambda.
- Ingrese el nombre para Nombre del catálogo de Athena y Cubo de derrames; el resto pueden ser configuraciones predeterminadas.
- Proporcione la función del conector.
Una vez procesadas todas las imágenes, puede utilizar QuickSight para visualizar los datos de la variación de la población de Athena a lo largo del tiempo.
- En la consola de Athena, seleccione una fuente de datos y complete los detalles.
- Elegir Crear una función Lambda para proporcionar un conector para DynamoDB.
- Desde el tablero de QuickSight, seleccione Nuevo análisis y nuevo conjunto de datos.
- Elija Athena como fuente de datos.
- Ingrese y seleccione el catálogo, la base de datos y la tabla para conectarse Elegir.
- Creación completa del conjunto de datos.
El siguiente gráfico muestra el número de especies en peligro de extinción capturadas en un día determinado.
Los datos GPS se presentan como parte de las etiquetas EXIF de una imagen capturada. Debido a la sensibilidad de la ubicación de estos animales en peligro de extinción, nuestro conjunto de datos no incluía una ubicación GPS. Sin embargo, hemos creado un gráfico geoespacial utilizando datos simulados para mostrar cómo puede visualizar ubicaciones cuando los datos de GPS están disponibles.
Limpiar
Para evitar cargos inesperados, asegúrese de deshabilitar los servicios de AWS que utilizó durante esta demostración: los depósitos de S3, la tabla de DynamoDB, QuickSight, Athena y el modelo capacitado de etiquetas personalizadas de Rekognition. Debe eliminar estos recursos directamente de sus respectivas consolas de servicio cuando ya no los necesite. Para obtener más información sobre cómo eliminar el modelo, consulte Eliminación de un modelo de etiquetas personalizadas de Amazon Rekognition.
Conclusión
En esta publicación, presentamos un sistema automatizado que identifica especies en peligro de extinción, registra sus números de población y brinda información sobre la variación de la población a lo largo del tiempo. También puede ampliar la solución para alertar a las autoridades cuando haya personas (posibles cazadores furtivos) cerca de estas especies en peligro de extinción. Con las capacidades de IA/ML de Amazon Rekognition, podemos apoyar los esfuerzos de los grupos de conservación para proteger las especies en peligro de extinción y sus ecosistemas.
Para obtener más información acerca de las etiquetas personalizadas de Rekognition, consulte Introducción a las etiquetas personalizadas de Amazon Rekognition y moderación del contenido. Si es nuevo en Rekognition Custom Labels, puede aprovechar nuestro nivel gratuito que dura 3 meses e incluye 10 horas de capacitación gratuitas al mes y 4 horas de inferencia gratuitas al mes. La capa gratuita de Amazon Rekognition incluye el procesamiento de 5000 imágenes al mes durante 12 meses.
Sobre los autores
Jyothi Goudar es Partner Solutions Architect Manager en AWS. Trabaja en estrecha colaboración con socios integradores de sistemas globales para permitir y ayudar a los clientes a trasladar sus cargas de trabajo a AWS.
jayrao es arquitecto principal de soluciones en AWS. Disfruta brindando a los clientes asesoramiento técnico y estratégico y ayudándolos a diseñar e implementar soluciones en AWS.
[ad_2]