Détection prédictive de la faune sauvage basée sur l’IA pour la SNCF
Projet 2023 – 2025
L’objectif de ce projet de recherche, mené à la FHNW en collaboration avec SNCF Réseau, est de modéliser, à l’aide de l’intelligence artificielle (IA) et d’une intégration de données multimodales (séries temporelles satellitaires multispectrales, photographies aériennes, informations agricoles et climatologiques, données issues de capteurs terrestres), les probabilités de présence de la faune sauvage à proximité des infrastructures ferroviaires du réseau SNCF.
Les modèles d’habitat prédictifs qui en résulteront permettront de mieux prévenir les incidents, par exemple en prenant des mesures d’aménagement appropriées dans certaines zones à risque.
Ce projet de big data utilisera les dernières technologies de machine learning pour traiter les sources de données extrêmement vastes et exigeantes et établir des corrélations profitables à partir du traitement.
Le projet s’appuie sur la longue expérience reconnue de l’Institut de géomatique de la FHNW dans les approches basées sur l’IA pour les tâches de détection, de classification et de modélisation dans le domaine des géodonnées complètes référencées dans l’espace et le temps.
Les animaux sauvages peuvent être détectés, localisés et comptés grâce à des images aériennes basées sur des drones et à l’intelligence artificielle.
Projet 2018 – 2021
Cette étude a été réalisé en collaboration avec « Wildlife Foundation du canton d’Argovie », qui étudie diverses méthodes de photographie aérienne automatisée basées sur des données d’UAV adaptées à la détection d’animaux sauvages. Au printemps 2018, 27 relevés photographies aériennes ont été prises à l’aide de « drone à voilure fixe » et des multicopteurs dans sept enclos de Chasse du nord-ouest de la Suisse et du sud de la Forêt-Noire. Diverses caméras infrarouges ont été utilisées, comme les capteurs multispectraux (NIR) par proche infrarouge (IR) et les méthodes thermographiques (capteurs à imagerie thermique).
L’analyse des images aériennes par télédétection a montré que les données d’images thermiques d’une altitude inférieure à 100 m AGL sont particulièrement convenables pour l’automatisation par algorithmes de reconnaissance des objets. A cet effet, un modèle d’apprentissage approfondi (Le Réseau « Faster R-CNN » de classe d’initiation pré-entrainés avec le « dataset COCO ») a été mis en œuvre en tant que méthode moderne d’intelligence artificielle (IA) en utilisant le Framework « Tensorflow » et « Python ». Au cours du processus de formation, les caractéristiques des propriétés ont été extraites d’environ 8 000 signatures animales marquées manuellement.
Pour certaines espèces d’animaux (daims, chevreuils, bisons, chèvres), des résultats de détection extrêmement robustes pourraient être obtenus lors de l’application ultérieure (déduction) et même dans des environnements forestiers mixtes semi-naturels. La mise en œuvre efficace et spécifique du prototype permet l’analyse en temps réel des flux vidéo en direct dans des conditions réelles. Avec un taux de détection de 92,8% par animal, ou de 88,6% avec une classification d’espèces supplémentaire, il a été démontré que cette nouvelle technologie offre un potentiel d’innovation considérable pour l’avenir de la surveillance de la faune.
