智慧應用 影音
Truphone 線上活動
DForum0416智慧工廠台中

【智慧畜牧專輯】科技轉型 智慧管理創造高價值低風險畜牧大未來

無尾熊數量調查怎麼作?無人機拍攝熱影像結合演算法就能輕鬆辦到

基於無人機拍攝的熱影像統計無尾熊數量更準確、不易誤判、省時、成本更低。昆士蘭科技大學

澳洲昆士蘭科技大學(QUT)研究人員開發演算法以處理配備紅外線攝影機的無人機(drone)攝得的熱影像(thermal imaging),能偵測熱信號(heat signature)自動辨識無尾熊並統計數量,將有助於極大化對保育管理者、政策制定者、研究人員的潛在效益,並應用於其它物種。

根據Electronics360與Scientific Reports報導,QUT開發處理遙控飛行系統(Remotely Piloted Aircraft Systems;RPAS)取得的熱影像以自動偵測無尾熊的演算法,經不同資料集(dataset)訓練後可望應用於偵測低密度、隱密、對人類干擾敏感、難以接近的其它物種,能同時遠距偵測與追蹤位於視覺障礙多、且複雜環境中保育與入侵物種的位置與數量。

QUT所發展的演算法還必須進一步收集更多訓練與測試資料、應用於其它物種,並運用RPAS取得的有標註已知無尾熊與非無尾熊熱信號的影像,以提升正確度、精準度、效率、強固性,減少誤判與重複計算,並可結合數量估算方法以預測數量變化趨勢。此外調整演算法的靈敏度、改善對偵測到的物體的追蹤、考量目標物體體型的相關參數均可減少誤判。

掌握無尾熊所在位置與數量,將有助於無尾熊保育、管理、政策制定的決策,評估介入措施對數量與趨勢的影響。QUT的測試調查證實,運用RPAS取得的熱影像自動化偵測無尾熊為非侵入式,更有效率、可靠、靈敏、方便,目前發展階段僅經過最少訓練已具備物種保育的即戰力,且可減少倚賴專業觀測員。

無論衡量標準為辨識機率、RMSE、MAE、誤判率,QUT演算法的表現都比人工地面直接觀測更優異,從RPAS取得的熱影像偵測物種的半自動或自動化方式更準確、不易誤判、省時、成本更低。而在複雜環境偵測無尾熊的整體精準度49%,已達以往用於偵測其它瀕危、低密度物種類似演算法的最佳表現。

無尾熊的體溫與環境背景差異最大出現在寒冷月份的早晨,QUT在這段時間送出無人機拍攝影像,再以其發展的演算法處理並比對該區域各種動物的熱信號,以辨識無尾熊及其位置,並與無尾熊的GPS標籤所顯示的位置進行關聯,可讓研究人員判斷演算法的精確性。目前無GPS標籤的無尾熊被視為誤判,修正數據後QUT演算法的精準度可達63~100%。

澳洲無尾熊身處複雜環境且分布不均,以地面調查管理群體數量的方式,受樹冠層的覆蓋影響費時且易生誤判,而誤判會影響精準度。影響QUT演算法辨識熱影像誤判物體的主因為:其它熱信號55%、袋鼠29%、車輛12%、人類4%,後3者都可在自動辨識完成後,以人工審視迅速排除。而影響人工檢視熱影像誤判物體的唯一因素是其它熱信號。

以高科技自動化方式計算無尾熊群體的數量,應用於改善其它瀕危物種的管理將極具潛力。機器學習(machine learning)中訓練與測試演算法的資料集需獨立評估。使用訓練資料集,人工目視的地面調查方式,找出無尾熊的機率為40~55%,精準度為29~54%;而QUT的自動化方式,找出無尾熊的機率為68~100%,精準度為47~69%。

使用測試資料集,人工目視的地面調查方式,找出無尾熊的機率為50~72%,精準度為17~50%、均方根誤差(RMSE)為5.7321、平均絕對誤差(MAE)為5.4286;而QUT的自動化方式,找出無尾熊的機率為78~100%,精準度為43~71%、均方根誤差(RMSE)為1.9272、平均絕對誤差(MAE)為1.4286。

無人機在野生動物管理領域的應用日增,通常搭配人工智慧(AI)技術以計算天然保護區中大型哺乳動物群體的數量。QUT的演算法平均每次偵測無尾熊約需136分鐘,無需輸入資料與人工關注;而以人工檢視熱影像則約需170分鐘。QUT的研究人員也運用無人機監測北極熊與鯨魚群體的數量。

QUT的研究發現,以往有2項研究運用演算法遠端感測非洲大草原的大型野生哺乳動物,結果顯示辨識機率雖高(75~80%),但精準度卻相當低(10~40%)。目前各種偵測高密度(如巢居海鳥)、開放環境(如大型非洲哺乳動物)、半天然環境(如圈養鹿)等物種的研究,辨識動物的機率約達43~100%。

QUT這項無尾熊群體數量統計研究是與Endeavour Veterinary Ecology Pty Ltd合作進行。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 無人機