Autor
Como Artefact, nós nos preocupamos em impactar positivamente as pessoas, o meio ambiente e a comunidade. É por isso que temos o compromisso de fazer parcerias com organizações sem fins lucrativos que fazem desses valores os elementos básicos de sua visão.
Por isso, colaboramos com a Smart Parks, uma empresa holandesa que fornece soluções avançadas de sensores para conservar a vida selvagem ameaçada e gerenciar com eficiência as áreas de parques, fornecendo tecnologia de ponta.
Nesta série de publicações, narramos nossa jornada no projeto e na criação de um sistema de ML para usar a mídia de armadilhas fotográficas do Smart Parks. Em particular, o objetivo do projeto é usar uma abordagem de ML para ingerir o data proveniente das armadilhas fotográficas e, em seguida, fornecer insights, como a presença de pessoas ou tipos específicos de animais nas imagens ou vídeos capturados pelas câmeras. Essas informações são usadas pelos guardas florestais do parque para proteger melhor a vida selvagem e detectar mais rapidamente possíveis perigos, como caçadores ilegais.
Introdução
O Smart Parks precisava de um sistema de monitoramento da vida selvagem capaz de realizar as seguintes tarefas:
Nosso princípio orientador era o de favorecer a velocidade. Assim, quando começamos, nossa única prioridade era implantar um produto básico, mas totalmente funcional, de ponta a ponta, o mais rápido possível.
Este será o primeiro artigo de muitos e se concentrará no contexto do projeto, na visão de alto nível do sistema projetado e nas vantagens de nossa solução baseada em nuvem. Nos próximos, vamos nos aprofundar em como conectar as armadilhas fotográficas ao Google Cloud Platform e a pontos de extremidade externos usando uma ferramenta chamada Node-RED e como projetar um aplicativo da Web simples usando o Streamlit para gerenciar as armadilhas fotográficas colocadas nos parques.
Vamos começar!
Armadilhas de câmera
Antes de começarmos, vamos rever rapidamente o que são armadilhas fotográficas e como elas podem ser usadas para apoiar a proteção e a conservação dos animais.
As armadilhas fotográficas são dispositivos que possuem sensores integrados para que, quando for detectada atividade na frente delas, uma foto ou um vídeo seja imediatamente capturado. Elas permitem que os guardas florestais e biólogos da vida selvagem vejam nossas espécies semelhantes sem interferir em seu comportamento normal.
Percorrer os parques e coletar informações é uma técnica válida, mas é um processo caro, trabalhoso e que exige muitas pessoas. Além disso, há também o risco de encontrar animais selvagens perigosos ou, pior ainda, caçadores ilegais.
Embora diferentes técnicas de coleta de data tenham diferentes desvantagens, as armadilhas fotográficas são uma excelente fonte. A grande vantagem das armadilhas fotográficas é que elas operam de forma contínua e silenciosa e podem registrar imagens muito precisas data sem perturbar o objeto fotografado. Elas podem ser úteis tanto para monitorar sub-repticiamente possíveis atividades ilícitas quanto para quantificar o número de espécies diferentes em uma área e determinar seus padrões de comportamento e atividade.
Google Cloud Platform
Para o armazenamento e gerenciamento de mídia das armadilhas de câmera, optamos por usar uma solução baseada em nuvem, mais especificamente, o Google Cloud Platform.
O Google oferece soluções de armazenamento como o Google Cloud Storage, armazenamento de objetos com cache de borda integrado para armazenar dados não estruturados data, soluções de computação como o Cloud Functions, Functions as a Service para executar código orientado por eventos e também oferece APIs AI úteis, por exemplo:
Ter todos esses componentes em um único ambiente unificado foi a solução ideal para nós e nos ajudou a fornecer uma solução funcional em um curto espaço de tempo.
O fluxo de trabalho
Em primeiro lugar, a mídia é carregada em um bucket do Google Cloud Storage. Como exatamente isso acontece será discutido no segundo artigo desta série. O compartimento é organizado em pastas, uma para cada armadilha de câmera. Depois que um arquivo é carregado, uma função do Google Cloud é acionada imediatamente, e essa função cuida das seguintes tarefas:
Essa arquitetura oferece várias vantagens:
APIs do Cloud Vision e do Cloud Video Intelligence
O uso do aprendizado de máquina, especificamente da visão computacional, para identificar automaticamente pessoas e animais em imagens ou vídeos teve avanços significativos nos últimos anos e, atualmente, é amplamente considerado um "divisor de águas" pelos pesquisadores da vida selvagem. Vamos nos concentrar mais nas APIs usadas.
A Vision API e a Video Intelligence API oferecem modelos avançados de aprendizado de máquina pré-treinados por meio de APIs REST e RPC. A primeira foi criada para trabalhar com imagens, enquanto a segunda, como o nome sugere, trabalha com vídeos. Ambas são capazes de reconhecer automaticamente um grande número de objetos, lugares e ações.
Para este projeto, nos concentramos principalmente nesses três recursos fornecidos pelas APIs:
Você pode brincar com a API do Vision fazendo o upload de sua imagem aqui.
A trilha à frente
A jornada até agora é a base para a jornada empolgante e impactante que temos pela frente. Com as ferramentas básicas instaladas em um futuro próximo, poderemos criar muito valor não apenas para os Smart Parks, mas também para a conservação da vida selvagem e muito mais!
As próximas etapas envolverão essas áreas amplas de trabalho:
Neste primeiro artigo, discutimos como criamos nosso pipeline escalonável totalmente automatizado no Google Cloud, o que nos permitiu ingerir mídia e usar APIs de aprendizado de máquina para extrair insights dela. Ele fornece uma linha de base sólida, fácil e rápida de implementar para qualquer tipo de projeto que envolva o consumo de mídia e o uso do aprendizado de máquina para extrair insights deles.
Agradecemos a leitura e nos vemos nos próximos artigos da série, nos quais explicaremos mais detalhadamente como a arquitetura apresentada é efetivamente conectada às armadilhas fotográficas e onde analisaremos o aplicativo da Web desenvolvido para gerenciá-las.
Agradecimentos especiais a Maël Deschamps por sua ajuda na revisão do conteúdo desta postagem e a Tim van Dam, da Smart Parks, por seu apoio durante o projeto. Vocês são demais!
