Machine-Vision Drones overvåger dyr i den afrikanske savanne

Kalahari er en halvtør sandet savanne, der strækker sig over store områder i Botswana, Sydafrika og Namibia. Det er hjemsted for en bred vifte af store pattedyr, herunder giraffer, strudse, gnus og forskellige arter af gazeller.

Fødevareressourcer ændrer sig konstant på savannen, efterhånden som nedbøren ændrer sig, fra græsningspres og som buskbrande spreder sig over landet. For at undgå overgræsning skal arealforvaltere sikre, at antallet af græssere er afstemt efter tilgængeligheden af ​​føde.

Det kræver betydelig overvågning. De mest almindelige måder at estimere populationer af store pattedyr på er at tælle dem fra en helikopter eller at opsætte kamerafælder, der registrerer deres bevægelser gennem bestemte steder.

Men disse metoder har betydelige ulemper. Kamerafælder kan kun optage populationer et enkelt sted, og helikopterundersøgelser er dyre og tidskrævende.

En anden mulighed er at fotografere området ved hjælp af en drone. Dette producerer et stort antal billeder, der dækker store landområder. Men der er et problem. Det er svært at analysere disse billeder. Det kræver uddannede menneskelige operatører at afsætte store mængder tid til opgaven.

Så jordforvaltere ville elske at have en bedre måde at analysere disse billeder på.

Indtast Nicolas Rey på Ecole Polytechnique Federale de Lausanne (EPFL) i Schweiz og et par venner, der har trænet en maskinsynsalgoritme til at udføre jobbet i stedet. De siger, at algoritmen reducerer den tid, der kræves fra ekspertmennesker, og kan føre til betydelige forbedringer i populationsestimater for store dyr.

Deres metode er ligetil. De begynder med en drone-mapping-undersøgelse fra 2014 udført i Kuzikus-naturreservatet i udkanten af ​​Kalahari i Namibia. Dette involverede fem droneflyvninger over reservatet med et kamera, der tog 6.500 billeder af jorden. Hvert billede var 3.000 x 4.000 pixels med en opløsning på nogle få centimeter pr. pixel.

Disse billeder viser mange store pattedyr, men de er sparsomt fordelt. Og det gør dem tidskrævende for mennesker at finde.

Rey og co's idé er, at et machine-vision system kan trænes til at udføre jobbet i stedet for. Men træning kræver resultater, som maskinen kan lære af.

Så en vigtig del af Rey og cos metode er at skabe dette jordsandhedsdatasæt ved hjælp af en crowdsourcing-kampagne. De bad 232 frivillige om at studere billederne og tegne en polygon rundt om hvert dyr, de støder på. Hvert billede blev set af mindst tre frivillige og maksimalt 10. Det gennemsnitlige antal seere var fem. Hvis mere end halvdelen af ​​seerne var enige, antog holdet, at de havde identificeret et dyr.

På denne måde fandt de frivillige omkring 976 store pattedyr i 650 billeder. Menneskelige eksperter gennemgik derefter resultaterne og fjernede 21 falske sager i en proces, der tog kun 30 minutter. Holdet brugte derefter disse eksempler til at træne og teste deres maskinsynsalgoritme.

Resultaterne er interessante. Holdet fandt, at algoritmen fungerede bedst tidligt på dagen, hvor dyrene kastede lange skygger. Vi konkluderer, at flyvning om morgenen og altid på samme tidspunkt på dagen kan føre til bedre resultater, siger de. Af samme grund var den også bedre til at spotte dyr, der stod op frem for at ligge ned.

Ikke desto mindre fungerede systemet godt. Systemet opnår en høj tilbagekaldelsesrate, og en menneskelig operatør kan derefter eliminere falske registreringer med begrænset indsats, siger teamet. Så der er stadig brug for en menneskelig operatør, men med en stærkt reduceret arbejdsbyrde.

Det har konsekvenser for dyrebeskyttelsen i Afrika og andre store områder. Det viser, at detektionen af ​​store pattedyr i semi-aride Savanna kan nås ved at behandle data leveret af standard RGB-kameraer monteret på prisbillige fastvingede UAV'er, siger Rey og co.

Det er interessant arbejde, der viser, hvordan relativt billig droneteknologi og stadig mere kraftfulde maskinsynsteknikker kan anvendes på fjerntliggende steder. Bevarelse af dyr i disse regioner bør derfor være lettere og mere effektiv.

Ref: arxiv.org/abs/1709.01722 : Opdagelse af dyr i afrikansk savanne med UAV'er og folkemængderne

skjule