I droni trasformano il monitoraggio delle popolazioni animali

Le popolazioni animali in tutto il mondo stanno scendendo rapidamente. Molti animali in via di estinzione lottano per sopravvivere, e sapere quanti ne restano di ogni tipo è fondamentale per proteggerli. Una nuova tecnologia che utilizza i Droni può aiutare in questo. Usando programmi informatici speciali, possiamo contare gli animali nelle foto scattate dall'aria in modo più efficace.

#La Necessità di un Conteggio Accurato

Molte Specie di animali, soprattutto quelle migratorie come le gru sandhill, stanno affrontando seri cali di popolazione. Dal 1970, i numeri della fauna selvatica sono diminuiti del 69%. Gli studi mostrano che quasi la metà di tutte le specie vede i suoi numeri diminuire. I metodi tradizionali per contare gli animali comportano che le persone escano a cercarli, il che può portare a errori e incoerenze nel tempo.

I droni hanno il potenziale di fornire un modo più affidabile per contare gli animali. Tuttavia, molti programmi informatici esistenti per individuare oggetti nelle immagini non funzionano bene con le foto dei droni. Queste foto presentano sfide uniche, come dover vedere animali piccoli da lontano e gestire immagini in cui gli animali possono nascondersi nell'ambiente circostante.

#Miglioramento dei Modelli di Rilevamento degli Oggetti

I programmi attuali per il rilevamento degli oggetti come YOLOv8 sono buoni per molti compiti di immagini, ma necessitano di alcune regolazioni per le immagini dei droni. Le principali sfide sono identificare piccoli animali in immagini di alta qualità e distinguerli dai loro sfondi. Anche se alcuni tentativi precedenti hanno apportato lievi miglioramenti, l'aumento della precisione non è stato sufficiente.

Per affrontare questo, sono state apportate nuove regolazioni al programma YOLOv8, mirate a riconoscere varie specie animali nelle immagini scattate dai droni. I modelli aggiornati sono riusciti a raggiungere un tasso di Accuratezza del 98,2%, mostrando un miglioramento significativo. Inoltre, questi modelli sono stati testati su un dispositivo noto come NVIDIA Jetson Orin Nano, che consente il rilevamento In tempo reale utilizzando meno energia.

#L'Impatto sulla Società

Questo progetto è stato motivato dal preoccupante calo delle popolazioni di uccelli, soprattutto in stati come il Nuovo Messico. La tecnologia sviluppata da questo lavoro potrebbe essere cruciale per monitorare questi cambiamenti nei numeri degli animali. È importante sottolineare che questo metodo è accessibile economicamente. Il costo totale per l'attrezzatura, compreso il Jetson Orin Nano e il drone, è di circa 800 dollari.

La soluzione creata può aiutare guardaparco e gestori della fauna selvatica in tutto il mondo, anche quelli con budget limitati, a monitorare efficacemente le specie in via di estinzione.

#Risultati Chiave di Questa Ricerca

1. La messa a punto del programma YOLOv8 sulle immagini dei droni ha portato a un aumento della precisione, raggiungendo fino a 135 volte meglio rispetto alla versione originale.
2. Una ricerca approfondita per le migliori impostazioni del modello ha portato fino al 98,2% di accuratezza nell'identificazione di immagini contenenti dieci specie diverse.
3. Il dispiegamento riuscito del modello su un piccolo computer ha reso possibile questo rilevamento delle specie in tempo reale.

#Lavori Correlati nel Settore

Il programma YOLOv8 è parte di una serie di versioni continuamente migliorate dell'architettura originale YOLO. La nuova versione chiamata YOLO-NAS migliora le capacità di YOLOv8 utilizzando metodi avanzati per migliorare precisione e velocità.

Altri studi hanno lavorato per identificare animali nelle foto scattate da trappole fotografiche utilizzando modelli diversi, ma questo lavoro è specificamente adattato alle immagini dei droni. I recenti sforzi per adattare le versioni YOLO per immagini aeree si sono concentrati principalmente su aree urbane piuttosto che sul rilevamento della fauna selvatica.

#Panoramica della Metodologia

Per sviluppare questo nuovo metodo, è stato seguito un approccio completo. Il primo passo ha coinvolto la raccolta di immagini di uccelli migratori volando con un drone attorno ad Albuquerque, Nuovo Messico. Le immagini ritraevano gru sandhill, oche canadesi e persino cani, usati per rappresentare altri mammiferi. Ogni immagine è stata etichettata con cura per indicare quale specie fosse presente.

Sono state utilizzate anche migliaia di immagini di droni disponibili gratuitamente da aree faunistiche in Africa per creare grandi set di dati che incorporassero diverse specie. Le immagini sono state suddivise in tre gruppi: un set di addestramento, un set di validazione e un set di test.

Sono state utilizzate diverse tecniche per espandere il numero di immagini di addestramento, come girare le immagini in direzioni diverse. I modelli sono stati ottimizzati per diverse dimensioni, cambiando il numero di parametri da piccoli a grandi. Strumenti di calcolo avanzati sono stati utilizzati per addestrare questi modelli in modo efficace.

#Sperimentazione con Diversi Modelli

I modelli sono stati valutati utilizzando misurazioni standard per determinare quanto bene potessero identificare le specie. Il modello migliore ha raggiunto un'accuratezza del 98,2% quando testato con elefanti, mentre il YOLOv8 di base ha ottenuto solo un misero 8,4%. Il fatto che i nostri modelli siano stati capaci di identificare correttamente uccelli come gru e oche, mentre YOLOv8 non poteva identificarli affatto, evidenzia ulteriormente i miglioramenti apportati.

In totale, circa 30 modelli diversi sono stati addestrati, regolando le loro impostazioni per garantire che non imparassero solo a riconoscere un tipo di animale. I test sono stati effettuati eseguendo numerose valutazioni su vari set di dati.

#Rilevamento in Tempo Reale

Dopo l'addestramento, i modelli sono stati dispiegati sul NVIDIA Jetson Orin Nano. È stata anche testata la velocità di elaborazione, raggiungendo una media di 24,38 millisecondi per immagine. Questo significa che la tecnologia può identificare specie in video con un frame rate di 40 fotogrammi al secondo, rendendola adatta per l'uso in tempo reale.

#Conclusione e Piani Futuri

Questa ricerca ha dimostrato con successo un modo per contare le specie animali attraverso l'uso di immagini di droni. Il lavoro mostra un significativo miglioramento in accuratezza rispetto ai modelli esistenti. I punti chiave sono che una messa a punto accurata dei parametri del modello e l'uso di grandi set di dati sono essenziali per il successo.

Guardando al futuro, il piano è di espandere i set di dati per includere ancora più specie e migliorare le capacità dei modelli utilizzando risorse di calcolo migliori. C'è anche l'obiettivo di creare un sistema di rilevamento completamente automatico che possa essere impiegato sui droni per facilitarne l'uso. Questa tecnologia potrebbe beneficiare notevolmente gli sforzi di protezione della fauna selvatica e consentire un miglior monitoraggio delle popolazioni animali in tutto il mondo.

In sintesi, il lavoro svolto qui ha aperto porte per un monitoraggio più efficace della fauna selvatica e potrebbe svolgere un ruolo vitale nella preservazione delle popolazioni animali in pericolo.