Wir untersuchen die Audioklassifizierung von fünf Insektenarten und einer vielfältigen Klasse von Umweltgeräuschen anhand kurzer Audioaufnahmen mit niedriger Abtastrate. Zunächst verwenden wir ein grosses Convolutional Neural Network (CNN), das eine Genauigkeit von über 93% erreicht. Darauf aufbauend untersuchen wir die Entwicklung kleinerer, effizienterer Modelle, die auf ressourcenbeschränkte Geräte zugeschnitten sind.
 
Durch den Einsatz verschiedener Techniken entwickeln wir ein kompaktes CNN mit einer Modellgrösse von weniger als 2 MB, das eine Genauigkeit von fast 88% erreicht. Durch eine weitere Reduzierung der Modellgrösse auf unter 40 kB erreichen wir immer noch eine Genauigkeit von 80%. Diese leichtgewichtigen Modelle sind für den Einsatz auf ressourcenbeschränkten Mikrocontrollern konzipiert und ermöglichen eine nicht-invasive und skalierbare Überwachung von Insektenpopulationen in realen Umgebungen.

Der Einsatz von KI zur Klassifizierung von Insektengeräuschen, insbesondere von Heuschrecken, ist ein vielversprechender Ansatz für die nicht-invasive Überwachung der Artenvielfalt in der Natur. Unser Projekt konzentriert sich auf die Entwicklung und Implementierung eines nachhaltigen TinyML-Modells. Dieses Modell zielt darauf ab, Heuschreckenarten anhand ihres Gesangs in Echtzeit auf einem Mikrocontroller mit minimalen Rechenressourcen zu klassifizieren.