Die Forschungsidee (KI-Soundbewertung: Entwicklung eines KI-System-Prototypen für die Bewertung von Klangereignissen am Beispiel von Honigbienen) kann im Rahmen einer Masterarbeit, Bachelorarbeit oder eines Masterforschungsprojektes an der Hochschule Niederrhein verfolgt werden.
Ausgangslage
KI für den Einsatz von predictve maintenance wird derzeit diskutiert. Der erfahrene Techniker hört, wann ein Lager einer Produktionsmaschine Wartung erfordert, für die automatisierte Erkennung besteht großes wirtschaftliches Potenzial. Ebenso hört ein erfahrener Imker, ob es seinem Bienenvolk gut geht oder nicht. Dazu muss er zum Volk hinfahren. Interessant (und vermarktbar) wäre ein System, dass auf Basis von KI das „Hinhören“ des Imkers substituiert. Vorteil der Erstuntersuchung am Beispiel der Imkerei wäre, dass in absehbarer Zeit Trainingsdatensätze bereitgestellt werden können. Eine solcher Lösungsansatz kann dann leicht auf andere Anwendungsszenarien (defekte Maschinen) übertragen werden.
Aufgabenstellung für KI-Soundbewertung
Die Aufgabenstellung ist mehrschrittig und soll durch verschiedene Methoden der Wirtschaftsinformatik (a Literaturrecherche, b) gestaltungsorientierter Ansatz) bearbeitet werden.
- In einem ersten Schritt ist der Sachstand geeignet zu recherchieren. Geeignet wäre eine Recherche nach Brocke et. al.. Hierbei kann man sich auf den neueren Stand (z.B. seit 2015) und im Internet leicht recherchierbare Datenbestände (Researchgate, beeworld, PLOSone, Google Scholar, HMD) beschränken. Suchterme wären z.B. „KI Klanganalyse“, „KI predictive maintainance“.
- In einem zweiten Schritt ist eine Entscheidung für einen Lösungsansatz zu treffen und zu begründen.
- Für den gewählten Lösungsansatz ist prototypische eine Anwendung zu erstellen. Die prototypische Anwendung kann derzeit aufgrund weniger Trainingsdaten keine produktiv einsetzbare Lösung sein, soll aber den Weg dorthin aufzeigen. Die Konzeption der Generierung von Trainingsdaten gehört mit zum Vorhaben.
An dem Projekt können Imker des Imkervereins Viersen Stadt und ggf. Imker der Vereine Krefeld und Tönisvorst beteiligt werden. Es liegen Interessensbekundungen zur Zusammenarbeit vor.
Lösungsansätze
Gemeinsame Aspekte der Lösungsansätze
Um schnell ausreichen Trainingsdatensätze zu erhalten, sollen 10 Sekunden lange Soundschnipsel aus Bienenbeuten (Ableger und Wirtschaftsvölker) aufgenommen werden. zu den Soundschnipseln gibt es eine Bewertung („gestört“, „ungestört“, „Volk auffällig“, Volk unauffällig“ ….). Die Bewertung erfolgt durch erfahrene Imker. Störungen werden vor der Aufnahme am Stock provoziert (Klopfen, Rauchgabe, verschleißen des Fluglochs …). Auf die gleiche Art werden – an anderen Völkern – Testdaten erzeugt.
Das Zielsystem soll nicht die Sounddaten, sondern lediglich die Bewertung an einen Webservice übertragen.
Es kann sein, dass es sinnvoll ist, vor der Bewertung mit KI zunächst eine Transformation des Klanggeschehens in den Frequenzraum (Fouriertransformation) vorzunehmen.
Zunächst kann davon ausgegangen werden: Bei Dominanz von 200 Hz fühlen sich Bienen wohl, bei 300 Hz liegt irgend eine Störung vor. Es ist herauszuarbeiten, ob bestehende Services zur KI Erkennung genutzt werden können oder ein eigener Mechanismus wie z.B. Tensorflow (bevorzugt) aufzusetzen ist.
Alternative 1: Edge-Computing mit Linux Kleinrechnern (bevorzugt)
Mit einem Raspberry Pi (möglichst Zero) und einem Messmikrofon werden jede 5 Minuten 10 Sekunden lange Soundschnipsel aufgenommen (wurde bereits getestet). Die KI auf dem Raspberry bewertet den Soundschnipsel und überträgt die Bewertung an einen Webservice. Vorteil der Edge-Computing-Lösung: es kann mit schmalbandigen Netzverbindungen (LoRaWAN, TTN) gearbeitet werden.
Alternative 2: Klangaufnahme mit Smartphone (Fallback Lösung)
Mit dem Smartphone werden 10 Sekunden Soundschnipsel aus dem Bienenstock aufgenommen. Die Soundschnipsel (oder alternativ die fouriertransformierten Daten ) wird an einen Webservice übertragen, der eine KI Erkennung des Klangereignisses vornimmt. Nachteil: Um daraus später ein Produkt zu entwickeln, muss von nicht standardisierten Klangqualitäten kalkuliert werden.
Quellen für KI-Soundbewertung
Fraunhofer IKTS (o.J.) Akkustische Analyse. Werbeveröffentlichung, Internet Link: https://www.ikts.fraunhofer.de/content/dam/ikts/downloads/profile/IKTS_Akustische_Analyse.pdf
Tiedemann, Michaela (2019) Smart Predictive Maintenance zum frühzeitigen Erkennen von Fehlerquellen. Heise. Internet Link: https://m.heise.de/developer/artikel/Smart-Predictive-Maintenance-zum-fruehzeitigen-Erkennen-von-Fehlerquellen-4360041.html?seite=all
Hein, Adrian (2016) Geräuscherkennung auf einem Raspberry Pi 2 (Abschlussarbeit), Internet Link: http://isl.anthropomatik.kit.edu/pdf/Hein2016.pdf
Accelerating Fourier transforms using the GPU (https://www.raspberrypi.org/blog/accelerating-fourier-transforms-using-the-gpu/)
how to extract frequency associated with fft values in python (https://stackoverflow.com/questions/3694918/how-to-extract-frequency-associated-with-fft-values-in-python)
Hrisko, Joshua (2018) Audio Processing in Python Part I: Sampling, Nyquist, and the Fast Fourier Transform. Internet Link: https://makersportal.com/blog/2018/9/13/audio-processing-in-python-part-i-sampling-and-the-fast-fourier-transform
Meertens, Roland (2017) Detecting bats by recognising their sound with Tensorflow. Internet-Link: http://www.pinchofintelligence.com/detecting-bats-recognising-sound-tensorflow/