Drony wizyjne maszynowo monitorują zwierzęta w afrykańskiej sawannie

Kalahari to półpustynna piaszczysta sawanna, która rozciąga się na ogromnych obszarach Botswany, RPA i Namibii. Jest domem dla wielu dużych ssaków, w tym żyraf, strusi, gnusów i różnych gatunków gazeli.

Zasoby żywności na sawannie stale się zmieniają wraz ze zmianą opadów, presji wypasu i pożarów buszu. Aby uniknąć nadmiernego wypasu, zarządcy gruntów muszą zadbać o to, by liczba pasących się zwierząt była dostosowana do dostępności pożywienia.

To wymaga znacznego monitorowania. Najczęstszymi sposobami szacowania populacji dużych ssaków jest liczenie ich z helikoptera lub ustawianie fotopułapek, które rejestrują ich ruchy w określonych lokalizacjach.

Ale te metody mają poważne wady. Fotopułapki mogą rejestrować populacje tylko w jednym miejscu, a badania śmigłowcowe są drogie i czasochłonne.

Inną opcją jest sfotografowanie okolicy za pomocą drona. Daje to dużą liczbę obrazów obejmujących rozległe obszary lądu. Ale jest problem. Analiza tych obrazów jest trudna. Poświęcenie temu zadaniu dużej ilości czasu wymaga przeszkolonych operatorów.

Dlatego zarządcy gruntów bardzo chcieliby mieć lepszy sposób analizowania tych obrazów.

Dołącz do Nicolasa Reya z Ecole Polytechnique Federale de Lausanne (EPFL) w Szwajcarii i kilku kumpli, którzy przeszkolili algorytm widzenia maszynowego, aby wykonać tę pracę. Twierdzą, że algorytm znacznie skraca czas wymagany od ekspertów i może prowadzić do znacznej poprawy w szacowaniu populacji dużych zwierząt.

Ich metoda jest prosta. Zaczynają od badania mapowania dronów w 2014 roku, przeprowadzonego w rezerwacie przyrody Kuzikus na skraju Kalahari w Namibii. Wiązało się to z pięcioma lotami drona nad rezerwatem z aparatem, który wykonał 6500 zdjęć ziemi. Każde zdjęcie miało 3000 x 4000 pikseli przy rozdzielczości kilku centymetrów na piksel.

Te zdjęcia przedstawiają wiele dużych ssaków, ale są one rzadko rozmieszczone. A to sprawia, że ​​znalezienie ich jest czasochłonne.

Pomysł Reya i spółki polega na tym, że zamiast tego można przeszkolić system widzenia maszynowego do wykonywania tej pracy. Jednak szkolenie wymaga rzetelnych wyników, z których maszyna może się uczyć.

Tak więc ważną częścią metody Rey and co jest tworzenie tego zestawu podstawowych danych za pomocą kampanii crowdsourcingowej. Poprosili 232 ochotników o przestudiowanie obrazków i narysowanie wielokąta wokół każdego napotkanego zwierzęcia. Każdy obraz obejrzało co najmniej trzech wolontariuszy, a maksymalnie 10. Średnia liczba widzów to pięć. Jeśli więcej niż połowa widzów się zgodziła, zespół zakładał, że zidentyfikował zwierzę.

W ten sposób ochotnicy znaleźli około 976 dużych ssaków na 650 zdjęciach. Eksperci przeanalizowali następnie wyniki, usuwając 21 fałszywych przypadków w procesie, który trwał zaledwie 30 minut. Zespół wykorzystał następnie te przykłady do przeszkolenia i przetestowania algorytmu widzenia maszynowego.

Wyniki są interesujące. Zespół stwierdził, że algorytm działał najlepiej na początku dnia, kiedy zwierzęta rzucały długie cienie. Doszliśmy do wniosku, że latanie rano i zawsze o tej samej porze dnia może prowadzić do lepszych wyników, mówią. Z tego samego powodu lepiej sprawdzało się również w dostrzeganiu zwierząt w pozycji stojącej niż w pozycji leżącej.

Mimo to system działał dobrze. Według zespołu system osiąga wysoki współczynnik przywołania, a operator może wtedy eliminować fałszywe detekcje przy ograniczonym wysiłku. Tak więc nadal potrzebny jest człowiek, ale przy znacznie zmniejszonym obciążeniu pracą.

Ma to wpływ na ochronę zwierząt w Afryce i na innych dużych obszarach. Pokazuje, że do wykrywania dużych ssaków na półpustynnych sawannach można podejść, przetwarzając dane dostarczane przez standardowe kamery RGB zamontowane na niedrogich bezzałogowcach ze stałymi skrzydłami, mówią Rey i spółka.

To ciekawa praca pokazująca, jak stosunkowo tanią technologię dronów i coraz potężniejsze techniki widzenia maszynowego można zastosować w odległych lokalizacjach. W rezultacie ochrona zwierząt w tych regionach powinna być łatwiejsza i skuteczniejsza.

Nr ref.: arxiv.org/abs/1709.01722 : Wykrywanie zwierząt w afrykańskiej sawannie za pomocą UAV i tłumów

ukryć