{"id":1226,"date":"2020-04-30T22:49:36","date_gmt":"2020-04-30T20:49:36","guid":{"rendered":"https:\/\/cbrell.de\/blog\/?p=1226"},"modified":"2020-04-30T22:49:36","modified_gmt":"2020-04-30T20:49:36","slug":"ki-bewertung-von-klangereignissen-bei-honigbienen","status":"publish","type":"post","link":"https:\/\/cbrell.de\/blog\/ki-bewertung-von-klangereignissen-bei-honigbienen\/","title":{"rendered":"KI-Soundbewertung (predictive maintenance) am Beispiel von Honigbienen"},"content":{"rendered":"

Die Forschungsidee (KI-Soundbewertung: Entwicklung eines KI-System-Prototypen f\u00fcr die Bewertung von Klangereignissen am Beispiel von Honigbienen) kann im Rahmen einer Masterarbeit, Bachelorarbeit oder eines Masterforschungsprojektes an der Hochschule Niederrhein verfolgt werden.<\/em><\/p>\n

Ausgangslage<\/h2>\n

KI f\u00fcr den Einsatz von predictve maintenance wird derzeit diskutiert. Der erfahrene Techniker h\u00f6rt, wann ein Lager einer Produktionsmaschine Wartung erfordert, f\u00fcr die automatisierte Erkennung besteht gro\u00dfes wirtschaftliches Potenzial. Ebenso h\u00f6rt ein erfahrener Imker, ob es seinem Bienenvolk gut geht oder nicht. Dazu muss er zum Volk hinfahren. Interessant (und vermarktbar) w\u00e4re ein System, dass auf Basis von KI das „Hinh\u00f6ren“ des Imkers substituiert. Vorteil der Erstuntersuchung am Beispiel der Imkerei w\u00e4re, dass in absehbarer Zeit Trainingsdatens\u00e4tze bereitgestellt werden k\u00f6nnen. Eine solcher L\u00f6sungsansatz kann dann leicht auf andere Anwendungsszenarien (defekte Maschinen) \u00fcbertragen werden.<\/p>\n

Aufgabenstellung f\u00fcr KI-Soundbewertung<\/h2>\n

Die Aufgabenstellung ist mehrschrittig und soll durch verschiedene Methoden der Wirtschaftsinformatik (a Literaturrecherche, b) gestaltungsorientierter Ansatz) bearbeitet werden.<\/p>\n

    \n
  1. In einem ersten Schritt ist der Sachstand geeignet zu recherchieren. Geeignet w\u00e4re eine Recherche nach Brocke et. al.. Hierbei kann man sich auf den neueren Stand (z.B. seit 2015) und im Internet leicht recherchierbare Datenbest\u00e4nde (Researchgate, beeworld, PLOSone, Google Scholar, HMD) beschr\u00e4nken. Suchterme w\u00e4ren z.B. „KI Klanganalyse“, „KI predictive maintainance“.<\/li>\n
  2. In einem zweiten Schritt ist eine Entscheidung f\u00fcr einen L\u00f6sungsansatz zu treffen und zu begr\u00fcnden.<\/li>\n
  3. F\u00fcr den gew\u00e4hlten L\u00f6sungsansatz ist prototypische eine Anwendung zu erstellen. Die prototypische Anwendung kann derzeit aufgrund weniger Trainingsdaten keine produktiv einsetzbare L\u00f6sung sein, soll aber den Weg dorthin aufzeigen. Die Konzeption der Generierung von Trainingsdaten geh\u00f6rt mit zum Vorhaben.<\/li>\n<\/ol>\n

    An dem Projekt k\u00f6nnen Imker des Imkervereins Viersen Stadt und ggf. Imker der Vereine Krefeld und T\u00f6nisvorst beteiligt werden. Es liegen Interessensbekundungen zur Zusammenarbeit vor.<\/p>\n

    L\u00f6sungsans\u00e4tze<\/h2>\n

    Gemeinsame Aspekte der L\u00f6sungsans\u00e4tze<\/h3>\n

    Um schnell ausreichen Trainingsdatens\u00e4tze zu erhalten, sollen 10 Sekunden lange Soundschnipsel aus Bienenbeuten (Ableger und Wirtschaftsv\u00f6lker) aufgenommen werden. zu den Soundschnipseln gibt es eine Bewertung („gest\u00f6rt“, „ungest\u00f6rt“, „Volk auff\u00e4llig“, Volk unauff\u00e4llig“ ….). Die Bewertung erfolgt durch erfahrene Imker. St\u00f6rungen werden vor der Aufnahme am Stock provoziert (Klopfen, Rauchgabe, verschlei\u00dfen des Fluglochs …). Auf die gleiche Art werden – an anderen V\u00f6lkern – Testdaten erzeugt.<\/p>\n

    Das Zielsystem soll nicht die Sounddaten, sondern lediglich die Bewertung an einen Webservice \u00fcbertragen.<\/p>\n

    Es kann sein, dass es sinnvoll ist, vor der Bewertung mit KI zun\u00e4chst eine Transformation des Klanggeschehens in den Frequenzraum (Fouriertransformation) vorzunehmen.<\/p>\n

    Zun\u00e4chst kann davon ausgegangen werden: Bei Dominanz von 200 Hz f\u00fchlen sich Bienen wohl, bei 300 Hz liegt irgend eine St\u00f6rung vor. Es ist herauszuarbeiten, ob bestehende Services zur KI Erkennung genutzt werden k\u00f6nnen oder ein eigener Mechanismus wie z.B. Tensorflow (bevorzugt) aufzusetzen ist.<\/p>\n

    Alternative 1: Edge-Computing mit Linux Kleinrechnern (bevorzugt)<\/h3>\n

    Mit einem Raspberry Pi (m\u00f6glichst 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 \u00fcbertr\u00e4gt die Bewertung an einen Webservice. Vorteil der Edge-Computing-L\u00f6sung: es kann mit schmalbandigen Netzverbindungen (LoRaWAN, TTN) gearbeitet werden.<\/p>\n

    Alternative 2: Klangaufnahme mit Smartphone (Fallback L\u00f6sung)<\/h3>\n

    Mit dem Smartphone werden 10 Sekunden Soundschnipsel aus dem Bienenstock aufgenommen. Die Soundschnipsel (oder alternativ die fouriertransformierten Daten ) wird an einen Webservice \u00fcbertragen, der eine KI Erkennung des Klangereignisses vornimmt. Nachteil: Um daraus sp\u00e4ter ein Produkt zu entwickeln, muss\u00a0 von nicht standardisierten Klangqualit\u00e4ten kalkuliert werden.<\/p>\n

    Quellen f\u00fcr KI-Soundbewertung<\/h2>\n

    Fraunhofer IKTS (o.J.) Akkustische Analyse. Werbever\u00f6ffentlichung,\u00a0Internet Link:\u00a0 https:\/\/www.ikts.fraunhofer.de\/content\/dam\/ikts\/downloads\/profile\/IKTS_Akustische_Analyse.pdf<\/a><\/p>\n

    Tiedemann, Michaela (2019) Smart Predictive Maintenance zum fr\u00fchzeitigen Erkennen von Fehlerquellen. Heise. Internet Link: https:\/\/m.heise.de\/developer\/artikel\/Smart-Predictive-Maintenance-zum-fruehzeitigen-Erkennen-von-Fehlerquellen-4360041.html?seite=all<\/a><\/p>\n

    Hein, Adrian (2016) Ger\u00e4uscherkennung auf einem Raspberry Pi 2 (Abschlussarbeit), Internet Link: http:\/\/isl.anthropomatik.kit.edu\/pdf\/Hein2016.pdf<\/a><\/p>\n

    Accelerating Fourier transforms using the GPU (https:\/\/www.raspberrypi.org\/blog\/accelerating-fourier-transforms-using-the-gpu\/)<\/p>\n

    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<\/a>)<\/p>\n

    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<\/a><\/p>\n

    Meertens, Roland (2017) Detecting bats by recognising their sound with Tensorflow. \u00a0Internet-Link: http:\/\/www.pinchofintelligence.com\/detecting-bats-recognising-sound-tensorflow\/<\/a><\/p>\n

    Natur-Soundschnipsel mit dem Raspberry Pi Zero aufnehmen<\/a>
    \n<\/p>\n

    Teile diesen Beitrag.<\/div>