Machine-Vision Drones bewaken dieren in de Afrikaanse savanne

De Kalahari is een halfdroge zandige savanne die zich uitstrekt over enorme gebieden van Botswana, Zuid-Afrika en Namibië. Het is de thuisbasis van een grote verscheidenheid aan grote zoogdieren, waaronder giraffen, struisvogels, gnoes en verschillende soorten gazellen.

Voedselbronnen in de savanne veranderen voortdurend als de regenval verandert, door begrazingsdruk en als bosbranden zich over het land verspreiden. Om overbegrazing te voorkomen, moeten grondbeheerders ervoor zorgen dat het aantal grazers is afgestemd op de beschikbaarheid van voedsel.

Dat vraagt ​​om intensief toezicht. De meest gebruikelijke manier om populaties grote zoogdieren te schatten, is door ze vanuit een helikopter te tellen of door cameravallen op te zetten die hun bewegingen door specifieke locaties registreren.

Maar deze methoden hebben belangrijke nadelen. Cameravallen kunnen populaties slechts op één plek vastleggen en helikopteronderzoek is duur en tijdrovend.

Een andere optie is om het gebied te fotograferen met een drone. Dit levert grote aantallen beelden op die uitgestrekte landstreken beslaan. Maar er is een probleem. Het analyseren van deze beelden is moeilijk. Het vereist getrainde menselijke operators om grote hoeveelheden tijd aan de taak te besteden.

Dus landbeheerders zouden dolgraag een betere manier hebben om deze beelden te analyseren.

Betreed Nicolas Rey van de Ecole Polytechnique Federale de Lausanne (EPFL) in Zwitserland en een paar vrienden die in plaats daarvan een machine-vision-algoritme hebben getraind om het werk te doen. Ze zeggen dat het algoritme de tijd die nodig is voor deskundige mensen enorm verkort en kan leiden tot aanzienlijke verbeteringen in populatieschattingen van grote dieren.

Hun methode is eenvoudig. Ze beginnen met een onderzoek naar het in kaart brengen van drones uit 2014, uitgevoerd in het natuurreservaat Kuzikus aan de rand van de Kalahari in Namibië. Het ging om vijf dronevluchten boven het reservaat met een camera die 6.500 foto's van de grond maakte. Elke foto was 3.000 x 4.000 pixels met een resolutie van enkele centimeters per pixel.

Deze afbeeldingen tonen veel grote zoogdieren, maar ze zijn schaars verspreid. En dat maakt het voor mensen tijdrovend om ze te vinden.

Het idee van Rey en co is dat een machine vision-systeem kan worden getraind om het werk te doen. Maar training vereist waarheidsgetrouwe resultaten waarvan de machine kan leren.

Een belangrijk onderdeel van de methode van Rey en co is het creëren van deze grondwaarheidsdataset met behulp van een crowdsourcingcampagne. Ze vroegen 232 vrijwilligers om de afbeeldingen te bestuderen en een polygoon te tekenen rond elk dier dat ze tegenkomen. Elk beeld werd gezien door minimaal drie vrijwilligers en maximaal 10. Het gemiddelde aantal kijkers was vijf. Als meer dan de helft van de kijkers het ermee eens was, ging het team ervan uit dat ze een dier hadden geïdentificeerd.

Zo vonden de vrijwilligers zo'n 976 grote zoogdieren in 650 afbeeldingen. Menselijke experts beoordeelden vervolgens de resultaten en verwijderden 21 valse gevallen in een proces dat slechts 30 minuten duurde. Het team gebruikte deze voorbeelden vervolgens om hun machine-vision-algoritme te trainen en te testen.

De resultaten zijn interessant. Het team ontdekte dat het algoritme vroeg op de dag het beste presteerde toen de dieren lange schaduwen wierpen. We concluderen dat vliegen in de ochtend en altijd op hetzelfde uur van de dag tot betere resultaten kan leiden, zeggen ze. Om dezelfde reden was het ook beter om staande dieren te spotten dan liggende.

Toch werkte het systeem goed. Het systeem behaalt een hoog terugroeppercentage en een menselijke operator kan valse detecties vervolgens met beperkte inspanning elimineren, aldus het team. Er is dus nog steeds een menselijke operator nodig, maar met een sterk verminderde werklast.

Dat heeft gevolgen voor de dierenbescherming in Afrika en andere grote gebieden. Het laat zien dat de detectie van grote zoogdieren in de semi-aride savanne kan worden benaderd door gegevens te verwerken die worden geleverd door standaard RGB-camera's die zijn gemonteerd op betaalbare UAV's met vaste vleugels, zeggen Rey en co.

Dat is interessant werk dat laat zien hoe relatief goedkope dronetechnologie en steeds krachtiger machinevisietechnieken kunnen worden toegepast op afgelegen locaties. Dierenbescherming in deze regio's moet daardoor makkelijker en effectiever worden.

Referentie: arxiv.org/abs/1709.01722 : Dieren detecteren in Afrikaanse savanne met UAV's en de menigte

zich verstoppen