澳大利亞昆士蘭科技大學科學家開發(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)視和機器學習自動檢測考拉”論文中，該項目的科學家們指出，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。

紅外像機和機器學習用于無人機。在研究中，科學家們采用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記為否定的錯誤檢測結(jié)果進行識別并手動校正。

在2018年2月至8月期間通過無人機進行了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，則認為探測到該特征，然后進行手動審查。

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。

科學家認為，如果對DNN進行了適當?shù)呐嘤?，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。