KI-basierte prädiktive Wildtier-Detektion für die französische Staatsbahn SNCF
Projekt 2023 – 2025
Ziel des Forschungsprojekts, das an der FHNW in Zusammenarbeit mit der SNCF Réseau durchgeführt wird, ist es, mittels künstlicher Intelligenz (KI) und einer Integration multimodaler Daten (multispektrale Satellitenzeitreihen, Luftbilder, landwirtschaftliche und klimatologische Informationen sowie Daten von terrestrischen Sensoren) die Aufenthaltswahrscheinlichkeiten von Wildtieren in der Nähe der Gleisinfrastruktur des SNCF-Netzes zu modellieren.
Die daraus resultierenden prädiktiven Lebensraummodelle werden dazu beitragen, Zwischenfälle besser zu verhindern, zum Beispiel durch geeignete bauliche Maßnahmen in bestimmten Risikogebieten.
In diesem Big-Data-Projekt sollen die neuesten Technologien des maschinellen Lernens eingesetzt werden, um die extrem umfangreichen und anspruchsvollen Datenquellen zu verarbeiten und aus der Verarbeitung gewinnbringende Korrelationen herzustellen.
Das Projekt basiert auf der langjährigen und anerkannten Erfahrung des Instituts für Geomatik der FHNW in KI-basierten Ansätzen für Detektions-, Klassifikationsaufgaben und Modellierung im Bereich von räumlich und zeitlich referenzierten, vollständigen Geodaten.
Wildtiere können mittels drohnenbasierten Luftbildern und künstlicher Intelligenz detektiert, verortet und gezählt werden
Projekt 2018 – 2021
Für Anwendungsfelder wie Populationserfassung, Rehkitzrettung und Wildschadensprävention in Ökologie, Jagd, Forst- und Landwirtschaft wurde in dieser Studie in Zusammenarbeit mit der Stiftung Wildtiere des Kantons Aargau untersucht, inwiefern sich verschiedene Methoden der automatisierten Luftbildanalyse anhand von UAV-Daten zur Wildtierdetektion eignen. Im Frühjahr 2018 wurden dazu 27 Befliegungen mit Fixed-Wing-UAVs und Multikoptern über sieben Wildgehegen in der Nordwestschweiz und dem Südschwarzwald durchgeführt. Dabei kamen verschiedene Infrarotkameras wie multispektrale Nahinfrarot-Sensoren (NIR) und thermografische Verfahren (Wärmebildsensorik) zum Einsatz.
Die fernerkundliche Luftbildauswertung zeigte, dass sich insbesondere Wärmebilddaten aus einer Flughöhe unterhalb von 100m AGL für eine Automatisierung durch Objekterkennungsalgorithmen eignen. Hierzu wurde ein Deep-Learning-Modell (COCO pretrained Inception-Class Faster R-CNN) als modernes Verfahren der künstlichen Intelligenz mit Tensorflow und Python implementiert. Im Trainingsprozess wurden aus ca. 8000 manuell markierten Tiersignaturen Eigenschaftsmerkmale extrahiert.
Für einige Tierarten (Damwild, Rotwild, Wisent, Ziegenartige) konnten in der anschließenden Anwendung (Inferencing) selbst in naturnahen Mischwald-Umgebungen extrem robuste Detektionsergebnisse erreicht werden. Die effiziente, aufgabenspezifische Implementierung des Prototyps erlaubt eine Echtzeitanalyse von Live-Video-Feeds unter Feldbedingungen. Mit einer Detektionsrate von 92,8% pro Tier, bzw. 88,6% mit zusätzlicher Spezies-Klassifikation, konnte so gezeigt werden, dass die neue Technologie ein enormes Innovationspotential für die Zukunft des Wildtier-Monitorings aufweist.
