Drones Transformam o Monitoramento da População da Vida Selvagem

As populações de animais ao redor do mundo estão diminuindo rápido. Muitas Espécies ameaçadas estão lutando para sobreviver, e saber quantos de cada tipo de animal ainda existem é importante para a proteção deles. Uma nova tecnologia que usa Drones pode ajudar com isso. Através de programas de computador especiais, a gente consegue contar os animais em fotos tiradas do ar de um jeito mais eficiente.

#A Necessidade de Contagens Precisos

Muitas espécies de animais, especialmente as que migram como as garças Sandhill, estão enfrentando quedas sérias na população. Desde 1970, houve uma redução de 69% nos números da vida selvagem. Estudos mostram que quase metade de todas as espécies estão vendo suas quantidades diminuírem. Os métodos tradicionais de contagem de animais envolvem pessoas saindo para procurar, o que pode levar a erros e inconsistências ao longo do tempo.

Os drones têm o potencial de oferecer uma maneira mais confiável de contar os animais. No entanto, muitos programas de computador existentes para identificar objetos em imagens não funcionam bem com fotos de drones. Essas fotos apresentam desafios únicos, como a necessidade de ver animais pequenos de longe e lidar com imagens que podem ter animais escondidos no ambiente.

#Melhorando Modelos de Detecção de Objetos

Os programas de computador atuais para detecção de objetos, como o YOLOv8, são bons para várias tarefas de imagem, mas precisam de alguns ajustes para imagens de drones. Os principais desafios são identificar animais pequenos em imagens de alta qualidade e diferenciá-los do fundo. Embora algumas tentativas anteriores tenham feito melhorias sutis, o aumento na Precisão não foi suficiente.

Para resolver isso, novas adaptações foram feitas no programa YOLOv8, visando reconhecer várias espécies de animais em imagens tiradas por drones. Os modelos atualizados conseguiram alcançar uma taxa de precisão de 98,2%, mostrando uma melhora significativa. Além disso, esses modelos foram testados em um dispositivo conhecido como NVIDIA Jetson Orin Nano, que permite a detecção Em tempo real consumindo menos energia.

#O Impacto na Sociedade

Esse projeto foi motivado pela queda alarmante nas populações de aves, especialmente em estados como o Novo México. A tecnologia desenvolvida a partir desse trabalho pode ser crucial para acompanhar essas mudanças nos números dos animais. O melhor é que esse método é acessível. O custo total do equipamento, incluindo o Jetson Orin Nano e o drone, é em torno de 800 dólares.

A solução criada pode ajudar guardas-parque e gestores de vida selvagem ao redor do mundo, até mesmo aqueles com orçamentos apertados, a monitorar espécies ameaçadas de forma eficaz.

#Principais Conquistas Desta Pesquisa

1. O ajuste do programa YOLOv8 em imagens de drones levou a um aumento na precisão, alcançando até 135 vezes melhor que a versão original.
2. Uma busca aprofundada pelos melhores ajustes do modelo resultou em até 98,2% de precisão na identificação de imagens contendo dez espécies diferentes.
3. O uso bem-sucedido do modelo em um computador pequeno fez essa detecção de espécies em tempo real ser possível.

#Trabalhos Relacionados na Área

O programa YOLOv8 faz parte de uma série de versões continuamente aprimoradas da arquitetura YOLO original. A versão mais nova chamada YOLO-NAS melhora as capacidades do YOLOv8 usando métodos avançados para aumentar a precisão e a velocidade.

Outros estudos trabalharam na identificação de animais em fotos tiradas por armadilhas fotográficas usando diferentes modelos, mas esse trabalho é especificamente adaptado para imagens de drones. Esforços recentes adaptando versões do YOLO para imagens aéreas focaram principalmente em áreas urbanas, em vez de detecção de vida selvagem.

#Visão Geral da Metodologia

Para desenvolver esse novo método, foi seguida uma abordagem abrangente. O primeiro passo envolveu reunir imagens de aves migratórias voando com um drone ao redor de Albuquerque, Novo México. As imagens apresentavam garças Sandhill, gansos canadenses e até cães, que foram usados para representar outros mamíferos. Cada imagem foi cuidadosamente rotulada para indicar qual espécie estava na foto.

Milhares de imagens de drones disponíveis gratuitamente de áreas selvagens na África também foram usadas para criar grandes conjuntos de dados que incorporavam diferentes espécies. As imagens foram divididas em três grupos: um conjunto de treino, um conjunto de validação e um conjunto de teste.

Várias técnicas foram utilizadas para ampliar o número de imagens de treino, como inverter as imagens em diferentes direções. Os modelos foram ajustados para diferentes tamanhos, mudando o número de parâmetros de pequeno para grande. Ferramentas de computação avançadas foram usadas para treinar esses modelos de maneira eficaz.

#Experimentando com Diferentes Modelos

Os modelos foram avaliados usando medidas padrão para determinar quão bem conseguiam identificar espécies. O modelo top alcançou uma precisão de 98,2% quando testado com elefantes, enquanto o YOLOv8 básico conseguiu apenas míseros 8,4%. O fato de nossos modelos conseguirem identificar corretamente aves como garças e gansos, enquanto o YOLOv8 não conseguia identificá-los, destaca ainda mais as melhorias feitas.

No total, cerca de 30 modelos diferentes foram treinados enquanto ajustavam suas configurações para garantir que não aprendessem apenas a reconhecer um tipo de animal. Os testes foram feitos rodando várias avaliações em diversos conjuntos de dados.

#Detecção em Tempo Real

Após o treinamento, os modelos foram implantados no NVIDIA Jetson Orin Nano. A velocidade de processamento também foi testada, alcançando uma média de 24,38 milissegundos por imagem. Isso significa que a tecnologia pode identificar espécies em vídeos com uma taxa de 40 quadros por segundo, tornando-a adequada para uso em tempo real.

#Conclusão e Planos Futuros

Essa pesquisa demonstrou com sucesso uma maneira de contar espécies de animais através do uso de imagens de drones. O trabalho mostra uma melhoria significativa na precisão em comparação com modelos existentes. As principais conclusões são que o ajuste cuidadoso dos parâmetros do modelo e o uso de grandes conjuntos de dados são essenciais para o sucesso.

Olhando para o futuro, o plano é expandir os conjuntos de dados para incluir ainda mais espécies e melhorar as capacidades dos modelos usando recursos de computação melhores. Também há um objetivo de criar um sistema de detecção totalmente automático que possa ser implantado em drones para facilitar o uso. Essa tecnologia poderia beneficiar muito os esforços de proteção da vida selvagem e permitir um melhor acompanhamento das populações animais ao redor do mundo.

Resumindo, o trabalho feito aqui abriu portas para um monitoramento mais eficaz da vida selvagem e poderia desempenhar um papel vital na preservação das populações de animais ameaçados.