这是一个典型的美国故事，主人公过上了红酒牛排大 house 的生活，但又遇到了新的烦恼：后院里为鸟儿准备的食盘总是被松鼠光顾。

卑鄙的松鼠正在偷鸟食，让精心布置的喂鸟器成了摆设。

这不是什么新鲜事了：传统的解决方案是将辣椒粉混入鸟食中，然而这并没有奏效。超市里也没有带松鼠挡板的喂鸟器。大多数人可能会在网店购买一个合适形状的挡板——但 Jeremy Merrill 这个人比较头铁，毕竟他是搞机器学习的。

于是一个名叫 Squirrel Soaker 9000 的装置出炉了。

这人使用大约 50 美元成本的零件建造了一个机器，借助人工智能来查看喂食器上面是否有松鼠——当识别到松鼠时，就用花园喷水软管驱赶它。

当然，此处需要一段惊慌失措的松鼠逃跑的视频：

，时长00:46

看看这效果，自从 Jeremy 的 Squirrel Soaker 9000 上线以来，喂食器上的松鼠数量下降了——所有这些都没有伤害到松鼠。Jeremy 表示，这比他的曾祖父——来自加拿大萨斯喀彻温省、俄罗斯的北佛罗里达红脖 60 年前建造的解决方案要安全得多：当年他是直接用 120V 电线串在他的果树上。

那么它是如何工作的呢？

其实很简单，每隔 30 秒钟，摄像头拍摄的图片就会交由 Python 写的软件进行处理。它将图片发送到 AWS Lambda 端点，该端点根据 Jeremy 训练的 fast.ai 模型对照片进行分类，以检测喂食器上是否有松鼠。

如果 AI 模型报告说有松鼠，则摄像头开始录视频，将信号发送到称为 MOSFET 的电子控制开关，它会依次打开电磁阀的 12V 电源几秒钟，这是一个电控水龙头，它连接到一个用拉链系在番茄笼上的花园喷雾器。

松鼠跑了吗？

松鼠驱赶器看起来不错。如果简单统计的话，这个简单的装置平均每三天驱赶一次松鼠，效果看起来还有提升的空间。

在 10 月的某几天，松鼠完全放弃了前来偷吃食物。它们是被松鼠驱赶器击退了，还是被其他什么秋季美食吸引走了？我们不得而知。

到了冬天怎么办？在水会结冰以后，Jeremy Merrill 就把整套系统关闭了，毕竟水管爆裂不是闹着玩的。

它能驱赶鸟吗？

众所周知，AI 模型的图像识别是看概率的，它在松鼠上的准确率是 86.6%，这意味着当 Squirrel Soaker 9000 启动喷洒时，86.6% 的时间里真的有一只松鼠。13.4% 的时间里这是另一回事，通常是一只鸟，有时什么都没有…… 或者有时候是发明家本人。

这个数字是在 15 天内 321 次启动样本中计算得出的，其中 43 起是错误的。人工智能很容易把哀鸽（mourning dove）误认为是松鼠，原因估计是它们和北美啮齿类动物一样又大又灰。不过这也是因为哀鸽是在 Jeremy 收集完训练数据之后才出现的，所以本质上我们是在问一个从未见过哀鸽的愚蠢 AI，哀鸽是麻雀还是松鼠——偶尔人工智能会说它是松鼠。

所以这个 AI 模型还缺点在线更新算法的能力。

松鼠还是鸽子，对于 AI 来说，这是个问题。

事实证明，一株番茄植物在摄像头旁长了个树枝，挡住了松鼠经常出没的喂食器底部。如果你问一个只知道松鼠和喂鸟器的模型，番茄植物是否是松鼠…… 好吧，它认为是的。于是第二天，这株植物长大了，不碍事了。（召回率是 99%，这意味着如果喂食器上有松鼠，它会被弄湿。）

如何让 AI 模型命令水枪喷水？

首先，按照说明书组装电源和 MOSFET 板，确保你的树莓派（Raspberry Pi）已启动并运行并连接到 wifi。

电源连接器输出 12V、5V 和接地线。12V 线和地线连接到 MOSFET「系统」侧的 + 和 - 输入端。或者你也可以通过将 5V 输出连接到 Pi 相机的 5V 引脚并将接地连接到 Pi 的接地引脚，从同一电源为树莓派供电。

然后，将 GPIO 引脚从树莓派连接到 MOSFET 的 C（用于「控制」）输入。当这条线发送 HIGH 电压时，MOSFET 打开，向输出端（「设备」端）发送 12V 电压；当发送 LOW 电压时，MOSFET 关闭，设备没有供电。

此外，你需要使用非常长的电线将设备侧连接到电磁阀，这样才能让电子设备保持在屋内，而软管在花园里。极性无关紧要，因此将正极线连接到任一侧，但请务必并联一个续流二极管以避免突波电压。

现在，你已经完成了电子设备，上管道！

将你的花园软管连接到母对母软管适配器，然后连接到螺线管。螺线管有一个箭头指示水流方向，因此箭头应指向远离供水的方向。你可能需要将管道工胶带粘贴到螺线管的输入螺纹上。螺线管的螺纹是英国标准管，平行螺纹（又名 BSPP，或 G），与美国的花园软管螺纹形成对比。它们大多能用，但并不完美——水管工胶带将有助于阻止漏税。

喷射喷嘴也是一样，记得用胶带。

不要一直让软管保持开启状态。这可能会施加太大的压力，导致泄漏——甚至导致接头爆炸（这里有血的教训）。

现在我们完成了管道。

上软件。你可以通过任何方式向 MOSFET 的控制输入端发送 HIGH 电压。除了用软件控制它之外，作者还设置了一个按钮来手动操作。

模型训练完成后，我们可以按照以下两个 AWS 教程将模型部署到 AWS Lambda：

设备上的软件是一个简单的 Python 脚本，带有一个 while 循环，在白天每 30 秒拍摄一张照片，然后将其发送给机器学习模型，如果它认为是松鼠的置信度超过 70%，则拍摄一张照片（ 所以我们可以后期验证是否真的存在松鼠），录制视频（用于 lulz），将时间点记录到数据库中，然后打开水管。

作者还使用了一个很小的 Flask 应用程序，它显示最近的照片和一个 HTML 按钮，用于网络远程手动控制水管。

如何训练 AI 模型

Fastai 通过给 AI 模型提供正负两种图片样本，让 AI 模型学习图像识别的过程变得非常简单——真只用 13 行代码。在识别松鼠的问题上，作者通过在几天内每分钟从窗外拍一张照片来生成训练数据（示例）。随后下载这些图片，并使用 Mac Finder 的幻灯片视图将它们分类到「squirrel」和「not squirrel 文件夹中。

然后，只需要在 Google Colab 上训练这个模型（免费，13 行代码，大约 45 分钟）。

物料列表

• 12V 电磁阀，7.95 美元
  
• ATX 电源连接器分线套件 - 12V/5V（4 针），15.95 美元
  
• MOSFET 电源控制套件，5.25 美元
  
• Melnor Hi-Visibility 可调喷嘴，4.98 美元
  
• Melnor 金属双母适配器，2.49 美元
  
• Arducam 自动对焦 Pi 相机，14.99
  
• 一个二极管
  
• 水管工胶带
  
• 蓝色胶带
  
• 两股十英尺左右的编织线
  
• 一个树莓派，带一张 SD 卡
  
• 根据需要分类其他电子零件（焊料、LED、按钮、电阻器、二极管等）
  

工具列表:

• 烙铁、焊锡
  
• 万用表
  
• Google Colab，免费
  
• Fast.ai / Python
  
• AWS Lambda
  

参考教程:

• https://bc-robotics.com/tutorials/controlling-a-solenoid-valve-with-arduino/
  
• https://bildr.org/2012/03/rfp30n06le-arduino/
  
• https://www.raspberrypi.com/documentation/computers/os.html
  
• 最后还有面向松鼠的教程：https://www.youtube.com/watch?v=hFZFjoX2cGg
  

参考内容：https://jeremybmerrill.com/blog/2022/01/squirrel-soaker-9000-repelling-squirrels-with-ai.htmlhttps://www.reddit.com/r/MachineLearning/comments/sctxqh/p_i_built_a_robot_to_protect_my_birdfeeder_from/