211service.com
Machine-Vision-droner overvåker dyr i den afrikanske savannen
Kalahari er en halvtørr sandsavanne som strekker seg over enorme områder i Botswana, Sør-Afrika og Namibia. Det er hjem til et bredt utvalg av store pattedyr, inkludert sjiraffer, strutser, gnus og forskjellige arter av gaselle.
Matressursene endrer seg stadig på savannen ettersom nedbøren endrer seg, fra beitepress og når buskbranner sprer seg over landet. For å unngå overbeiting må arealforvaltere sørge for at antall beitebrukere er avstemt med tilgangen på mat.
Det krever betydelig overvåking. De vanligste måtene å estimere populasjoner av store pattedyr på er å telle dem fra et helikopter eller å sette opp kamerafeller som registrerer bevegelsene deres gjennom bestemte steder.
Men disse metodene har betydelige ulemper. Kamerafeller kan bare registrere populasjoner på ett enkelt sted, og helikopterstudier er dyre og tidkrevende.
Et annet alternativ er å fotografere området ved hjelp av en drone. Dette produserer et stort antall bilder som dekker store landområder. Men det er et problem. Det er vanskelig å analysere disse bildene. Det krever trente menneskelige operatører for å bruke store mengder tid til oppgaven.
Så landforvaltere ville veldig gjerne ha en bedre måte å analysere disse bildene på.
Gå inn på Nicolas Rey ved Ecole Polytechnique Federale de Lausanne (EPFL) i Sveits og noen få venner som har trent en maskinsynsalgoritme til å gjøre jobben i stedet. De sier at algoritmen reduserer tiden som kreves fra ekspertmennesker og kan føre til betydelige forbedringer i populasjonsestimatene for store dyr.
Metoden deres er grei. De begynner med en drone-kartleggingsstudie fra 2014 utført ved Kuzikus dyrereservat i utkanten av Kalahari i Namibia. Dette innebar fem droneflyvninger over reservatet med et kamera som tok 6500 bilder av bakken. Hvert bilde var på 3000 x 4000 piksler med en oppløsning på noen få centimeter per piksel.
Disse bildene viser mange store pattedyr, men de er sparsomt spredt. Og det gjør dem tidkrevende for mennesker å finne.
Rey og cos idé er at et maskinsynssystem kan trenes til å gjøre jobben i stedet. Men trening krever virkelige resultater som maskinen kan lære av.
Så en viktig del av Rey og cos metode er å lage dette datasettet med grunnleggende sannhet ved hjelp av en crowdsourcing-kampanje. De ba 232 frivillige studere bildene og tegne en polygon rundt hvert dyr de kommer over. Hvert bilde ble sett av minst tre frivillige og maksimalt 10. Gjennomsnittlig antall seere var fem. Hvis mer enn halvparten av seerne var enige, antok teamet at de hadde identifisert et dyr.
På denne måten fant de frivillige rundt 976 store pattedyr i 650 bilder. Menneskelige eksperter gjennomgikk deretter resultatene, og fjernet 21 falske tilfeller i en prosess som tok bare 30 minutter. Teamet brukte deretter disse eksemplene til å trene og teste maskinsynsalgoritmen deres.
Resultatene er interessante. Teamet fant at algoritmen fungerte best tidlig på dagen når dyrene kastet lange skygger. Vi konkluderer med at å fly om morgenen og alltid til samme time på dagen kan føre til bedre resultater, sier de. Av samme grunn var den også bedre til å oppdage dyr som sto oppreist i stedet for å ligge.
Likevel fungerte systemet bra. Systemet oppnår en høy tilbakekallingsrate og en menneskelig operatør kan deretter eliminere falske oppdagelser med begrenset innsats, sier teamet. Så en menneskelig operatør er fortsatt nødvendig, men med en enormt redusert arbeidsmengde.
Det har implikasjoner for dyrevern i Afrika og andre store områder. Den viser at deteksjonen av store pattedyr i semi-aride Savanna kan tilnærmes ved å behandle data levert av standard RGB-kameraer montert på rimelige fastvingede UAV-er, sier Rey og co.
Det er interessant arbeid som viser hvordan relativt billig droneteknologi og stadig kraftigere maskinsynsteknikker kan brukes på avsidesliggende steder. Bevaring av dyr i disse regionene bør derfor bli enklere og mer effektivt.
Ref: arxiv.org/abs/1709.01722 : Oppdage dyr i afrikansk savanne med UAV-er og folkemengdene