Tilbake til søkeresultatene

MARINFORSK-Marine ressurser og miljø

Cost-effective observation methodology to assess seal population sizes using unmanned aerial vehicle and automatic image analysis

Alternativ tittel: Utvikling av ny metodikk med bruk av droner og automatisk flyfotoanalyser for å effektivisere estimering av selbestander

Tildelt: kr 4,6 mill.

Et hovedformål i prosjektet er å teste droner, som opereres fra båt, til å fotografere kasteområder til grønlandssel og klappmyss som grunnlag for bestandsestimering. Videre vil det også bli testet tilsvarende metoder for å forbedre tellinger av kystsel - steinkobbe og havert. Et annet hovedformål er å utvikle bildeanalysemetoder for å telle sel på bilder. Ishavsel I mars 2014 og 2015 bele det gjennomført tokt til kasteområdene for grønlandssel og klappmyss i Grønlandshavet (Vesterisen). Vi testet to droner - en stor Cryowing Mk. 1 og en liten Cryowing Micro (CWM). Den største måtte landes på et stort isflak, mens den minste kunne landes på helikopter-plattformen eller på et isflak. Vi testet ut både digitale kameraer, samt et IR-kamera simultant med digitalt kamera på den største dronen. Både voksne sel og unger av begge artene var relativt lett å identifisere visuelt på de digitale bildene, som ble tatt i høyder opp til 300 m. IR-kameraet hadde for dårlig oppløsning til å gi gode nok bilder. I 2015 var det planlagt å fotografere et underområde med total bildedekning og bruke modellering (mosaikkmetode)for å telle antall seal. Deretter å utforske ulike sampling-design i det aktuelle underområdet for å evaluere disse opp mot standard stripetransekt-metode. Allerede på første flyging mistet vi den største dronen pga ukjent teknisk feil. Dette gjorde at vi ikke kunne samle inn data til evaluering av ulike sampling-design. Kystsel I august og november 2016 testet vi en batteridrevet drone - helikopter med 4 propeller til å fotografere steinkobber som ligger på skjær. Vi fotograferte fra høyder mellom 30m og 100m. Tilfredsstillende bilder ble tatt på 50-70m. Dronen ble sendt ut fra en mindre båt og den ble landet på båten. Testene var så vellykkede at vi straks tok i bruk metoden for å telle steinkobber i Vestfold og Telemark. På en dag gjennomførte vi 6 flyginger og klarte å dekke begge fylkene. Flytiden er inntil 20 minutter og det tar noen få minutter og laste inn bildene på en PC og deretter telle selene på bildene. Automatisk telling av sel fra flyfoto ved hjelp av kunstig intelligens. Telling av selunger på is fra flyfoto er et krevende problem, både for mennesker og datamaskin. Faktorer som skygger, is-råker, blodspor etter fødsel, og at pelsen ofte er hvit gjør det spesielt utfordrende å programmere en datamaskin til å detektere og telle antall selunger. For å løse problemet har Norsk Regnesentral i samarbeid med Havforskningsinstituttet utviklet et system basert på kunstig intelligens metodikk. Slike metoder, også kalt dyp læring, har resultert i systemer for bildegjenkjenning med betydelig høyere ytelsene enn state-of-the-art for fem år siden. Metoden er basert på et såkalt dypt nevralt nettverk. Dette nettverket består av flere hundre tusen parametere som blir lært i en såkalt treningsprosess. For å få dette til har vi brukt mange bilder av selunger, men også av typisk bakgrunn. I UAVSEAL prosjektet har vi benyttet ca. fire hundre tusen treningsbilder. Teknikken er regnekrevende, og derfor benytter systemet grafikkort til å gjennomføre beregningene. Ytelsen til nettverket, evaluert på et valideringsdatasett, er på ca. 99.7%. Ingen systemer eller algoritmer har klart å oppnå tilsvarende ytelse. Men typiske flyfoto inneholder en svært liten andel selunger. Dette betyr at vi kan oppnå en betydelig andel falske deteksjoner, selv med en ytelse på 99.7%. For å løse dette har vi utviklet et effektivt brukergrensesnitt som lar en operatør effektiv kontrollere og redigere deteksjonene fra nettverket. Siden mengden tilgjengelige bilder av kystsel er betydelig mindre enn for ishavsel, har det ikke vært mulig å lære tilsvarende nettverk for deteksjon av kystsel.

The abundance estimation of ice breeding seals (harp and hooded) and coastal seals (grey and harbour) are based on aerial photographic surveys and manual inspection of aerial photographs. Photo surveys in remote areas (the West Ice) are expensive and the logistics have become increasingly difficult during the last years. The project aims to explore the use of unmanned aerial vehicle (UAV) operated from a survey vessel to photograph harp and hooded seal whelping areas. The photos will be analysed and model led using a mosaic method, which will give a total photographic coverage of the area and provides us with the opportunity to obtain a total number of seals in the covered area. Then we will explore how various sampling techniques, such as random sampling and traditional aerial strip transect methods with different transect widths and various spatial coverage along transects will affect the quality of the estimates of the seal abundance. Manual analysis of the images is extremely time consuming and costly, and involves subjective human interpretation by trained experts. This project aims at developing methodology for automating the process of counting seals from aerial images. This will be achieved through the development of new image analysis and pattern recognition techniques tailored to detect seals in digital colour images. The project will also investigate the potential of thermal infrared sensors that extract temperature characteristics of the imaged objects. The result of the research will be knowle dge about how to apply an UAV to estimate the seal population sizes, and a set of algorithms for automatic and semi-automatic detection of seals in aerial images, leading to cost-effective abundance estimation of seal populations. This will further lead t o better long-term management of seal populations. This project would make a valuable contribution by simplifying the logistics and reducing the cost of collecting field data.

Budsjettformål:

MARINFORSK-Marine ressurser og miljø