211service.com
Machine-Vision drönare övervakar djur i den afrikanska savannen
Kalahari är en halvtorr sandig savann som sträcker sig över stora områden i Botswana, Sydafrika och Namibia. Det är hem för en mängd olika stora däggdjur inklusive giraffer, strutsar, gnus och olika arter av gasell.
Matresurserna förändras ständigt på savannen när nederbörden förändras, från betestrycket och när buskbränder sprider sig över landet. För att undvika överbetning måste markförvaltare se till att antalet betesbrukare matchas med tillgången på mat.
Det kräver betydande övervakning. Det vanligaste sättet att uppskatta populationer av stora däggdjur är att räkna dem från en helikopter eller att sätta upp kamerafällor som registrerar deras rörelser genom specifika platser.
Men dessa metoder har betydande nackdelar. Kamerafällor kan bara registrera populationer på en enda plats och helikopterstudier är dyra och tidskrävande.
Ett annat alternativ är att fotografera området med hjälp av en drönare. Detta ger ett stort antal bilder som täcker stora landområden. Men det är ett problem. Att analysera dessa bilder är svårt. Det kräver utbildade mänskliga operatörer att ägna stora mängder tid åt uppgiften.
Så markförvaltare skulle verkligen älska att ha ett bättre sätt att analysera dessa bilder.
Ange Nicolas Rey på Ecole Polytechnique Federale de Lausanne (EPFL) i Schweiz och några kompisar som har tränat en maskinseende algoritm för att göra jobbet istället. De säger att algoritmen avsevärt minskar tiden som krävs från expertmänniskor och kan leda till betydande förbättringar i populationsuppskattningar av stora djur.
Deras metod är okomplicerad. De börjar med en drönarkartläggningsstudie från 2014 som genomfördes i naturreservatet Kuzikus i utkanten av Kalahari i Namibia. Det handlade om fem drönarflygningar över reservatet med en kamera som tog 6 500 bilder av marken. Varje bild var 3 000 x 4 000 pixlar med en upplösning på några centimeter per pixel.
Dessa bilder visar många stora däggdjur men de är glest utspridda. Och det gör dem tidskrävande för människor att hitta.
Rey och cos idé är att ett maskinvisionssystem kan tränas för att göra jobbet istället. Men träning kräver verkliga resultat som maskinen kan lära sig av.
Så en viktig del av Rey och cos metod är att skapa denna datauppsättning grundsanningar med hjälp av en crowdsourcing-kampanj. De bad 232 frivilliga att studera bilderna och rita en polygon runt varje djur de stöter på. Varje bild sågs av minst tre frivilliga och maximalt 10. Det genomsnittliga antalet tittare var fem. Om mer än hälften av tittarna höll med, antog teamet att de hade identifierat ett djur.
På så sätt hittade volontärerna cirka 976 stora däggdjur i 650 bilder. Mänskliga experter granskade sedan resultaten och tog bort 21 falska fall i en process som tog bara 30 minuter. Teamet använde sedan dessa exempel för att träna och testa sin maskinseendealgoritm.
Resultaten är intressanta. Teamet fann att algoritmen fungerade bäst tidigt på dagen när djuren kastade långa skuggor. Vi drar slutsatsen att flygning på morgonen och alltid på samma timme på dygnet kan leda till bättre resultat, säger de. Av samma anledning var det också bättre att se djur som stod upp istället för att ligga ner.
Ändå fungerade systemet bra. Systemet uppnår en hög återkallningsfrekvens och en mänsklig operatör kan sedan eliminera falska upptäckter med begränsad ansträngning, säger teamet. Så det behövs fortfarande en mänsklig operatör men med en kraftigt minskad arbetsbelastning.
Det har konsekvenser för djurskyddet i Afrika och andra stora områden. Det visar att upptäckten av stora däggdjur i halvtorra Savanna kan nås genom att bearbeta data som tillhandahålls av vanliga RGB-kameror monterade på prisvärda fastvingade UAV:er, säger Rey och co.
Det är intressant arbete som visar hur relativt billig drönarteknik och allt kraftfullare maskinseendetekniker kan tillämpas på avlägsna platser. Djurskyddet i dessa regioner borde därför bli enklare och mer effektivt.
Ref: arxiv.org/abs/1709.01722 : Upptäcka djur i afrikansk savann med UAV och folkmassan