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.
