![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/02\/Simone-Gayed-Said-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"Medium")
<\/span><\/div>Inleiding<\/h2><\/div>Slimme parken<\/a> een bewakingssysteem voor wilde dieren nodig dat de volgende taken kan uitvoeren:<\/p>\n<\/div>- <\/i><\/span>De media (afbeeldingen en\/of video's) afkomstig van cameravallen op \u00e9\u00e9n plaats verzamelen<\/div><\/li>
- <\/i><\/span>\n
Detecteer automatisch de aanwezigheid van mensen en dieren in de media<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Toegang tot de voorspellingen in Earth Rangers, een toepassing die wordt gebruikt om de parken en hun wilde dieren te beheren<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Controleer de media die van de cameravallen komen<\/p>\n<\/div><\/li><\/ul>
Ons uitgangspunt was snelheid. Toen we van start gingen, was onze enige prioriteit om zo snel mogelijk een kaal maar volledig functionerend end-to-end product te implementeren.<\/p>\n
Dit zal het eerste artikel van vele zijn en het zal zich richten op de context van het project, het overzicht op hoog niveau van het ontworpen systeem en de voordelen van onze op de cloud gebaseerde oplossing. In de volgende artikelen zullen we dieper ingaan op het aansluiten van cameravallen op de\u00a0Google wolkenplatform<\/a>\u00a0en externe eindpunten met behulp van een hulpmiddel genaamd\u00a0Node-RED<\/a>\u00a0en hoe u een eenvoudige webapp ontwerpt met\u00a0Beekverlicht<\/a>\u00a0om de cameravallen in de parken te beheren.<\/p>\nLaten we beginnen!<\/p>\n<\/div>
Camera-vallen<\/h2><\/div>Laten we, voordat we aan de slag gaan, eerst even overlopen wat cameravallen zijn en hoe ze gebruikt kunnen worden om de bescherming en het behoud van dieren te ondersteunen.<\/p>\n
Cameravallen zijn apparaten die ingebouwde sensoren hebben zodat er onmiddellijk een foto of video gemaakt wordt wanneer er activiteit voor de camera gedetecteerd wordt. Ze laten parkwachters en wildbiologen onze soortgenoten zien zonder hun normale gedrag te verstoren.<\/p>\n
De parken rondgaan en informatie verzamelen is een geldige techniek, maar het is een duur, arbeidsintensief en mensintensief proces. Bovendien bestaat het risico dat u gevaarlijke wilde dieren tegenkomt of, erger nog, stropers.<\/p>\n
Hoewel verschillende technieken om data te verzamelen verschillende nadelen hebben, zijn cameravallen een uitstekende bron. Het grote voordeel van cameravallen is dat ze continu en geruisloos werken en zeer nauwkeurige data kunnen opnemen zonder het gefotografeerde onderwerp te storen. Ze kunnen zowel nuttig zijn bij het heimelijk monitoren van mogelijke illegale activiteiten als bij het kwantificeren van het aantal verschillende soorten in een gebied en het bepalen van hun gedrag en activiteitenpatronen.<\/p>\n<\/div>
Google wolkenplatform<\/h2><\/div>Voor de mediaopslag en het beheer van de cameravallen hebben we gekozen voor een op cloud gebaseerde oplossing, meer bepaald het Google Cloud Platform.<\/p>\n
Google biedt Opslagoplossingen zoals\u00a0Google cloud-opslag<\/a>, objectopslag met ge\u00efntegreerde edge caching om ongestructureerde data op te slaan, rekenoplossingen zoals\u00a0Cloud Functies<\/a>, Functions as a Service om event-driven code uit te voeren en het biedt bijvoorbeeld ook handige AI API's:<\/p>\n<\/div>- <\/i><\/span>Cloud Vision API<\/a>\u00a0- Beeldanalyseservice gebaseerd op machinaal leren<\/div><\/li>
- <\/i><\/span>Video-intelligentie in de cloud<\/a>\u00a0- Videoanalyseservice gebaseerd op machinaal leren<\/div><\/li><\/ul>
Al deze componenten in \u00e9\u00e9n verenigde omgeving was de ideale oplossing voor ons en hielp ons om in korte tijd een werkende oplossing te leveren.<\/p>\n<\/div>
De workflow<\/h2><\/div>Allereerst worden de media ge\u00fcpload naar een Google Cloud Storage bucket, hoe dit precies gebeurt wordt besproken in het tweede artikel van deze serie. De emmer is georganiseerd in mappen, \u00e9\u00e9n voor elke cameraval. Zodra een bestand is ge\u00fcpload, wordt er onmiddellijk een Google Cloud Functie geactiveerd, deze functie zorgt voor de volgende taken:<\/p>\n<\/div>
- <\/i><\/span>Lees de ge\u00fcploade media<\/div><\/li>
- <\/i><\/span>\n
Roep de Cloud Vision of de Cloud Video Intelligence API aan om de voorspellingen op te halen.<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Archiveer de API-reacties in een andere Cloud Storage Bucket<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Stuur de voorspellingen naar een eindpunt buiten GCP<\/p>\n<\/div><\/li><\/ul>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/02\/elephant1.webp\" "\\"olifant1\\"")
<\/span><\/div>Deze architectuur biedt meerdere voordelen:<\/p>\n<\/div>
- <\/i><\/span>\n
Schaalbaarheid<\/strong>: Dankzij het gebruik van Cloud Functions is de oplossing in staat om automatisch te schalen op basis van het aantal aanvragen (d.w.z. het aantal media dat tegelijkertijd wordt ge\u00fcpload in de input Cloud Storage bucket).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Goedkope en duurzame opslag<\/strong>: Het opslaan van ongestructureerde data in Google Cloud Storage is vrij goedkoop (slechts $0,026 per GB-maand voor de Standard storage tier) en biedt bovendien de beste duurzaamheid van objecten gedurende een gegeven jaar.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Automatisering<\/strong>: Door al deze diensten samen te gebruiken, hebben we een volledig geautomatiseerde pijplijn, waarbij geen menselijke tussenkomst nodig is. Van de data ingestion tot het ophalen van de voorspellingen, alles verloopt automatisch zodra er nieuwe media worden ge\u00fcpload.<\/p>\n<\/div><\/li><\/ul>Cloud Vision en Cloud Video Intelligence API's<\/h2><\/div>Het gebruik van Machine Learning, met name Computer Vision, om automatisch mensen en dieren te identificeren in afbeeldingen of video's heeft de afgelopen jaren aanzienlijke vooruitgang geboekt en wordt tegenwoordig algemeen beschouwd als een \u201cgame-changer\u201d door onderzoekers van dieren in het wild. Laten we ons meer richten op de gebruikte API's.<\/p>\n
Visie-API<\/a>\u00a0en\u00a0Video Intelligentie API<\/a>\u00a0bieden krachtige voorgetrainde modellen voor machinaal leren via REST- en RPC-API's. De eerste is bedoeld om met afbeeldingen te werken, terwijl de tweede, zoals de naam al doet vermoeden, met video's werkt. Beide zijn in staat om automatisch een groot aantal objecten, plaatsen en acties te herkennen.<\/p>\nVoor dit project hebben we ons voornamelijk gericht op deze 3 functies die de API's bieden:<\/p>\n<\/div>
- <\/i><\/span>\n
Labeldetectie<\/strong>: Een idee hebben van de entiteiten (bijv. dieren, mensen, voertuigen) die in de media aanwezig zijn. Op basis daarvan zou het mogelijk kunnen zijn om regels op te stellen die een alarm activeren bij de aanwezigheid van een specifieke set entiteiten.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Objecten detecteren\/volgen<\/strong>: Om een nauwkeuriger idee te krijgen van de locatie van de gedetecteerde dieren\/mensen in de media. In tegenstelling tot de labeldetectie krijgen we hier ook de vakannotaties van de detecties<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Gezichten\/Persoonsdetectie<\/strong>: Om meer informatie over de gedetecteerde mensen te hebben, bijvoorbeeld om hun emoties te begrijpen of hun kleding te extraheren. Deze extra informatie zou dan gebruikt kunnen worden om stropers van normale mensen te onderscheiden<\/p>\n<\/div><\/li><\/ul>
Slimme parken<\/a> een bewakingssysteem voor wilde dieren nodig dat de volgende taken kan uitvoeren:<\/p>\n<\/div> Detecteer automatisch de aanwezigheid van mensen en dieren in de media<\/p>\n<\/div><\/li> Toegang tot de voorspellingen in Earth Rangers, een toepassing die wordt gebruikt om de parken en hun wilde dieren te beheren<\/p>\n<\/div><\/li> Controleer de media die van de cameravallen komen<\/p>\n<\/div><\/li><\/ul> Ons uitgangspunt was snelheid. Toen we van start gingen, was onze enige prioriteit om zo snel mogelijk een kaal maar volledig functionerend end-to-end product te implementeren.<\/p>\n Dit zal het eerste artikel van vele zijn en het zal zich richten op de context van het project, het overzicht op hoog niveau van het ontworpen systeem en de voordelen van onze op de cloud gebaseerde oplossing. In de volgende artikelen zullen we dieper ingaan op het aansluiten van cameravallen op de\u00a0Google wolkenplatform<\/a>\u00a0en externe eindpunten met behulp van een hulpmiddel genaamd\u00a0Node-RED<\/a>\u00a0en hoe u een eenvoudige webapp ontwerpt met\u00a0Beekverlicht<\/a>\u00a0om de cameravallen in de parken te beheren.<\/p>\n Laten we beginnen!<\/p>\n<\/div> Laten we, voordat we aan de slag gaan, eerst even overlopen wat cameravallen zijn en hoe ze gebruikt kunnen worden om de bescherming en het behoud van dieren te ondersteunen.<\/p>\n Cameravallen zijn apparaten die ingebouwde sensoren hebben zodat er onmiddellijk een foto of video gemaakt wordt wanneer er activiteit voor de camera gedetecteerd wordt. Ze laten parkwachters en wildbiologen onze soortgenoten zien zonder hun normale gedrag te verstoren.<\/p>\n De parken rondgaan en informatie verzamelen is een geldige techniek, maar het is een duur, arbeidsintensief en mensintensief proces. Bovendien bestaat het risico dat u gevaarlijke wilde dieren tegenkomt of, erger nog, stropers.<\/p>\n Hoewel verschillende technieken om data te verzamelen verschillende nadelen hebben, zijn cameravallen een uitstekende bron. Het grote voordeel van cameravallen is dat ze continu en geruisloos werken en zeer nauwkeurige data kunnen opnemen zonder het gefotografeerde onderwerp te storen. Ze kunnen zowel nuttig zijn bij het heimelijk monitoren van mogelijke illegale activiteiten als bij het kwantificeren van het aantal verschillende soorten in een gebied en het bepalen van hun gedrag en activiteitenpatronen.<\/p>\n<\/div> Voor de mediaopslag en het beheer van de cameravallen hebben we gekozen voor een op cloud gebaseerde oplossing, meer bepaald het Google Cloud Platform.<\/p>\n Google biedt Opslagoplossingen zoals\u00a0Google cloud-opslag<\/a>, objectopslag met ge\u00efntegreerde edge caching om ongestructureerde data op te slaan, rekenoplossingen zoals\u00a0Cloud Functies<\/a>, Functions as a Service om event-driven code uit te voeren en het biedt bijvoorbeeld ook handige AI API's:<\/p>\n<\/div> Al deze componenten in \u00e9\u00e9n verenigde omgeving was de ideale oplossing voor ons en hielp ons om in korte tijd een werkende oplossing te leveren.<\/p>\n<\/div> Allereerst worden de media ge\u00fcpload naar een Google Cloud Storage bucket, hoe dit precies gebeurt wordt besproken in het tweede artikel van deze serie. De emmer is georganiseerd in mappen, \u00e9\u00e9n voor elke cameraval. Zodra een bestand is ge\u00fcpload, wordt er onmiddellijk een Google Cloud Functie geactiveerd, deze functie zorgt voor de volgende taken:<\/p>\n<\/div> Roep de Cloud Vision of de Cloud Video Intelligence API aan om de voorspellingen op te halen.<\/p>\n<\/div><\/li> Archiveer de API-reacties in een andere Cloud Storage Bucket<\/p>\n<\/div><\/li> Stuur de voorspellingen naar een eindpunt buiten GCP<\/p>\n<\/div><\/li><\/ul> Deze architectuur biedt meerdere voordelen:<\/p>\n<\/div> Schaalbaarheid<\/strong>: Dankzij het gebruik van Cloud Functions is de oplossing in staat om automatisch te schalen op basis van het aantal aanvragen (d.w.z. het aantal media dat tegelijkertijd wordt ge\u00fcpload in de input Cloud Storage bucket).<\/p>\n<\/div><\/li> Goedkope en duurzame opslag<\/strong>: Het opslaan van ongestructureerde data in Google Cloud Storage is vrij goedkoop (slechts $0,026 per GB-maand voor de Standard storage tier) en biedt bovendien de beste duurzaamheid van objecten gedurende een gegeven jaar.<\/p>\n<\/div><\/li> Automatisering<\/strong>: Door al deze diensten samen te gebruiken, hebben we een volledig geautomatiseerde pijplijn, waarbij geen menselijke tussenkomst nodig is. Van de data ingestion tot het ophalen van de voorspellingen, alles verloopt automatisch zodra er nieuwe media worden ge\u00fcpload.<\/p>\n<\/div><\/li><\/ul> Het gebruik van Machine Learning, met name Computer Vision, om automatisch mensen en dieren te identificeren in afbeeldingen of video's heeft de afgelopen jaren aanzienlijke vooruitgang geboekt en wordt tegenwoordig algemeen beschouwd als een \u201cgame-changer\u201d door onderzoekers van dieren in het wild. Laten we ons meer richten op de gebruikte API's.<\/p>\n Visie-API<\/a>\u00a0en\u00a0Video Intelligentie API<\/a>\u00a0bieden krachtige voorgetrainde modellen voor machinaal leren via REST- en RPC-API's. De eerste is bedoeld om met afbeeldingen te werken, terwijl de tweede, zoals de naam al doet vermoeden, met video's werkt. Beide zijn in staat om automatisch een groot aantal objecten, plaatsen en acties te herkennen.<\/p>\n Voor dit project hebben we ons voornamelijk gericht op deze 3 functies die de API's bieden:<\/p>\n<\/div> Labeldetectie<\/strong>: Een idee hebben van de entiteiten (bijv. dieren, mensen, voertuigen) die in de media aanwezig zijn. Op basis daarvan zou het mogelijk kunnen zijn om regels op te stellen die een alarm activeren bij de aanwezigheid van een specifieke set entiteiten.<\/p>\n<\/div><\/li> Objecten detecteren\/volgen<\/strong>: Om een nauwkeuriger idee te krijgen van de locatie van de gedetecteerde dieren\/mensen in de media. In tegenstelling tot de labeldetectie krijgen we hier ook de vakannotaties van de detecties<\/p>\n<\/div><\/li> Gezichten\/Persoonsdetectie<\/strong>: Om meer informatie over de gedetecteerde mensen te hebben, bijvoorbeeld om hun emoties te begrijpen of hun kleding te extraheren. Deze extra informatie zou dan gebruikt kunnen worden om stropers van normale mensen te onderscheiden<\/p>\n<\/div><\/li><\/ul>Camera-vallen<\/h2><\/div>
Google wolkenplatform<\/h2><\/div>
De workflow<\/h2><\/div>
<\/span><\/div>Cloud Vision en Cloud Video Intelligence API's<\/h2><\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/02\/elephant2.gif\" "\\"olifant2\\"")
<\/span><\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"middelgrote\\"")
<\/span><\/div>