澳大利亞昆士蘭科技大學(xué)科學(xué)家開發(fā)了一種無人機探測系統(tǒng)，通過對飛行中捕獲的紅外視頻圖像進(jìn)行算法分析，成功識別考拉種群。

在2019年3月1日發(fā)表的“低空監(jiān)視和機器學(xué)習(xí)自動檢測考拉”論文中，該項目的科學(xué)家們指出，通常，通過地面觀察和成像只能檢測到測量區(qū)域內(nèi)60％-75％的考拉。

紅外像機和機器學(xué)習(xí)用于無人機。在研究中，科學(xué)家們采用FLIR Tau 2 640熱像儀，分辨率為640x512，透鏡焦距為13mm，幀速為9Hz，將其安裝在配備A3 Pro飛行控制器的大疆Matrice 600 Pro無人機上。Thermoviewer用于處理無人機紅外視頻圖像，F(xiàn)aster-RCNN和YOLO目標(biāo)檢測深度卷積神經(jīng)網(wǎng)絡(luò)（DNN）用于檢測考拉。

給每個DNN都輸入先前捕獲的熱數(shù)據(jù)，通過無線電跟蹤和人工檢查確認(rèn)考拉位置。DNN用該數(shù)據(jù)生成模型，通過該模型識別分析視頻中潛在的考拉圖像。將模型應(yīng)用于測試視頻圖像，并對通過視頻中存在但未被模型檢測到的考拉位置以及將標(biāo)記為否定的錯誤檢測結(jié)果進(jìn)行識別并手動校正。

在2018年2月至8月期間通過無人機進(jìn)行了11次識別驗證。DNN分別繪制了潛在考拉位置的熱圖，并對數(shù)據(jù)進(jìn)行了比較，以確定兩個網(wǎng)絡(luò)之間的一致性結(jié)果。OpenCV實驗室開發(fā)的ORB（Oriented FAST and RotatedBrief）算法輔助計算在該過程中由于無人機移動而引起的圖像變化。如果潛在的考拉熱特征同時出現(xiàn)在多幀連續(xù)圖像中，則認(rèn)為探測到該特征，然后進(jìn)行手動審查。

自動化DNN檢測方法識別紅外視頻圖像中考拉的總成功概率為87％，而手動檢查的概率為63％。自動化系統(tǒng)處理熱成像并識別潛在的考拉平均需要136分鐘。手動篩選數(shù)據(jù)并識別可能的考拉位置平均需要170分鐘。

科學(xué)家認(rèn)為，如果對DNN進(jìn)行了適當(dāng)?shù)呐嘤?xùn)，可以使用該程序從一批熱圖像中識別多種類型的動物，并且使用該方法檢測其他類型的動物有助于驗證考拉識別的試驗結(jié)果。