Détection prédictive de la faune basée sur l’IA pour le SNCF Réseau

Résumé

L’objectif du projet de recherche, qui est mené à la FHNW en collaboration avec SNCF Réseau, est d’utiliser l’intelligence artificielle (IA) et une intégration de données multimodales (séries temporelles multispectrales par satellite, images aériennes, informations agricoles et climatologiques, ainsi que des données provenantes de capteurs terrestres) pour modéliser les probabilités de résidence de la faune à proximité de l’infrastructure des voies du réseau de la SNCF.

Les modèles d’habitat prédictif qui en résultent aideront à mieux prévenir les incidents, par exemple par des mesures de construction appropriées dans des zones à risque spécifiques.

Dans ce projet Big Data, les dernières technologies de Machine Learning doivent être appliquées afin de pouvoir traiter les sources de données extrêmement exhaustives et exigeantes et d’établir des corrélations profitables à partir du traitement.

Le projet est basé sur une expérience reconnue de plusieurs années de l’Institut de géomatique de la FHNW dans le domaine des approches basées sur l’IA pour la détection, les tâches de classification et la modélisation dans le domaine des géodonnées complètes avec référence spatiale et temporelle.

 

Introduction

Dans le cadre d’une collaboration, les chercheurs Adrian Meyer (spécialiste des géodonnées et biologiste animalier) et Denis Jordan (professeur de mathématiques appliquées) ont lancé un projet en 2023 avec Pascal Baran, SNCF Réseau, la branche infrastructure de la société nationale des chemins de fer français. L’équipe exploite la puissance de l’apprentissage automatique pour s’attaquer à un problème croissant sur les voies ferrées : Les accidents liés à la faune et à la flore.

Les accidents impliquant des animaux sauvages, en particulier des sangliers et des cerfs, représentent un risque important pour le vaste réseau ferroviaire français. Ils posent non seulement des problèmes écologiques, de sécurité et de propriété, mais entraînent également des coûts financiers importants, estimés jusqu’à 100 000 euros par incident sur les lignes à grande vitesse, tout en totalisant plus de 200 000 minutes de retard chaque année. Les méthodes traditionnelles pour éviter ces accidents, telles que les clôtures, les passages pour animaux sauvages et les dispositifs d’effarouchement, demandent beaucoup de ressources et ne sont pas toujours efficaces, car il est difficile de prédire les points chauds de la faune.

Cependant, l’équipe vise à révolutionner ce processus en créant un système complet de prédiction des risques d’accidents impliquant des animaux sauvages. À l’aide d’une série de sources de données, ils développent un modèle prédictif dynamique qui utilise de nouveaux algorithmes d’apprentissage automatique pour évaluer le risque de présence d’animaux dans des zones spécifiques. Ces informations permettront des interventions plus précises et plus rentables, ce qui pourrait réduire le nombre d’accidents et renforcer la fiabilité et la sécurité du réseau.

Les modèles intégreront des images provenant d’ensembles de données de télédétection aérienne et satellitaire, des photographies de cartographie mobile basées sur des pistes et des images infrarouges provenant de drones et de pièges photographiques. Ces données seront utilisées pour former un modèle de fusion multimodale prédictif qui génère des scores de risque localisés, mettant en évidence les points chauds potentiels pour la faune et la flore. Une fois convertis en cartes, ces scores de risque constitueront un outil essentiel pour planifier des mesures d’atténuation.

Ce projet est une réponse à la forte augmentation récente des incidents liés à la faune sur les chemins de fer français, qui comprennent environ 30 000 km de lignes. L’échelle du pays nécessite des structures de bases de données géospatiales modernes utilisant des stratégies Big Data efficaces. Avec environ 1 500 incidents de régularité liés à des rencontres avec des animaux sauvages qui affecteront environ 8 000 trains d’ici 2020, la SNCF a reconnu la nécessité d’une solution innovante.

L’objectif final est un prototype de logiciel flexible capable de prédire la présence d’animaux sur de larges portions du réseau SNCF. Il calculera un facteur de risque de collision pour des sections à petite échelle sur chaque voie, fournissant une base d’information localisée multitemporelle pour des processus tels que la construction de barrières, la mise en œuvre de passages pour animaux, ou des interventions telles que des dispositifs d’effarouchement et la gestion de la population.

Les résultats générés par ce projet marqueront une avancée significative dans l’intersection de la technologie et de la gestion de la faune, tout en améliorant la sécurité et la fiabilité des opérations ferroviaires françaises.

 

Fig. 1: Les pièges photographiques sont un outil éprouvé pour suivre l’abondance de la faune.

Fig. 2: Les sédiments boueux comme indicateurs de passage à faune.

Fig. 3: Les enquêtes par drone permettent de collecter des modèles de terrain dans les zones sensibles et d’observer directement la faune à l’aide de caméras thermiques.

Fig. 4: Les images Mobile Mapping (Imajnet) peuvent être utilisées pour identifier les passages à faune particulièrement fréquentés par la coloration du gravier

Fig. 5: Les données multispectrales haute résolution librement disponibles du programme de satellites Sentinel-2 de l’ESA fournissent tous les six jours l’occasion de calculer un modèle de paysage classifiable pour l’ensemble de la France.

Fig. 6: Schéma du prototype d’IA multimodale (Statut de la version : Juin 2023)

 

Methode

Notre système accepte les données spatio-temporelles pour générer des prévisions de risques sur plusieurs horizons temporels (Fig. 6). Sa robustesse et son niveau d’automatisation élevé permettent la production d’un prototype pour identifier les points d’incidents critiques. Des étapes clés incluent la compilation de données, le prétraitement, la sélection de systèmes de classification et l’évaluation des approches algorithmiques, avec une attention particulière à la facilité d’utilisation et la scalabilité.

Pour prédire les niveaux de risque associés aux accidents de la faune sur le réseau ferroviaire, nous couplons les classifications automatisées de l’imagerie terrestre (Fig. 4) et de la télédétection
(Fig. 5) avec des modèles de Machine Learning. En présence d’une variance fluctuante, les modèles de réseaux neuronaux convolutionnels – par exemple les nouvelles architectures avec mémoire à court terme (CNN-LSTM) – sont plus performants que les modèles de régression traditionnels.

Nous étudierons les approches de fusion précoce, tardive et hybride pour identifier le modèle de prédiction des risques le plus efficace. La fusion précoce simplifie le processus de formation en utilisant un seul modèle, mais les résultats peuvent manquer d’interprétabilité. La fusion tardive fournit des décisions spécifiques à la modalité et gère bien les données manquantes, mais nécessite une ingénierie des caractéristiques étendue et des modèles multiples. La fusion hybride combine la fusion précoce et la fusion tardive, offrant des résultats complets au prix d’une complexité accrue.

Une expertise du réseau ferroviaire et des habitats animaux locaux  (Fig. 7) est essentielle pour valider la précision des résultats prédictifs et la pertinence des données d’entrée de référence. Nous utilisons des marques de boue sur les voies ferrées (Fig. 2) comme indices indirects de la traversée par les sangliers, validées par des pièges photographiques (Fig. 1). Les drones équipés d’imagerie thermique infrarouge et de caméras zoom (Fig. 3) servent à surveiller le comportement et la population de la faune sauvage, soit en comptant les animaux en vol, soit en analysant les images avec des réseaux neuronaux de vision par ordinateur.

 

Fig. 7: Carte thermique de pronostic précoce pour l’évolution de l’intensité des incidents prévue pour 2024. Moyenne mobile intégrée autorégressive (ARIMA) basée sur les données d’incidents de 2015-2023 rééchantillonnées à une résolution de 20x20km.

Code couleur :
Bleu – Moins d’incidents prévus ; Blanc – Pas de changement / Pas de données ; Jaune – Plus d’incidents prévus ; Rouge – Forte intensification prévue.

Resultats

Le projet permettra d’établir des prévisions robustes, précises et opportunes des risques d’accidents impliquant des animaux sauvages (en particulier des sangliers) sur le réseau ferroviaire français. Ces informations, dérivées de modèles sophistiqués d’apprentissage automatique et de la fusion de données multimodales, permettront à la SNCF de mieux comprendre les points névralgiques des incidents. Cela pourrait permettre de réaliser d’importantes économies en réduisant le nombre et la gravité des incidents liés à la faune, ainsi que d’améliorer l’efficacité opérationnelle.

En facilitant une prise de décision plus éclairée, le système aidera la SNCF à mieux allouer les ressources pour les projets de construction d’infrastructures, tels que les clôtures et les passages pour animaux sauvages. En outre, l’atlas des prédictions du modèle peut servir d’intrant essentiel pour les stratégies de gestion de la faune, aidant ainsi la SNCF à maintenir une relation harmonieuse avec le milieu environnant.

À l’avenir, ce projet pourrait servir de modèle pour de nouvelles espèces cibles ou d’autres défis environnementaux fréquemment rencontrés. Au fur et à mesure que le système mûrit et que davantage de données sont collectées, il apprendra continuellement et affinera ses prédictions, ce qui augmentera encore sa valeur pour la SNCF.

Détection IA de Signatures Infrarouges

Short Video


Surveillance de la faune par des drones – Intelligence artificielle pour la détection automatisée de signatures infrarouges

Traduction partiellement automatique. Veuillez vous référer à la version allemande.

 

Publié dans : 39ème réunion annuelle scientifique et technique de la DGPF à Vienne – Publications de la DGPF, Volume 28, 2019

Adrian F. Meyer, Natalie Lack, Denis Jordan
[1] Tous les auteurs : Haute école spécialisée du Nord-Ouest de la Suisse, Institut de géomatique, Hofackerstr. 30, CH – 4132 Muttenz

La détection des animaux sauvages est un instrument de surveillance essentiel dans les domaines de l’écologie, de la chasse, de la sylviculture et de l’agriculture. Les méthodes utilisées jusqu’à présent sont complexes, ne reposent souvent que sur des preuves indirectes et ne fournissent donc souvent qu’une estimation approximative des stocks. L’évaluation de la télédétection des relevés effectués par des drones au-dessus du sud de la Forêt-Noire et du nord-ouest de la Suisse, réalisée dans le cadre de ce travail, a montré que les données d’imagerie thermique, en particulier, se prêtent à l’automatisation de la détection des animaux sauvages. À cette fin, une méthode moderne d’intelligence artificielle (Faster R-CNN) a été développée, qui est capable d’extraire par apprentissage les caractéristiques des signatures d’animaux étiquetés. Pour certaines espèces d’animaux (cerf, chèvre, bison européen, bétail de pâturage), des résultats de détection extrêmement robustes ont pu être obtenus dans l’application suivante (inférence). La mise en œuvre efficace du prototype permet l’analyse en temps réel de flux vidéo en direct dans des conditions de terrain. Avec un taux de détection de 92,8 % par animal, ou de 88,6 % dans la classification par espèce, on peut démontrer que la nouvelle technologie a un énorme potentiel d’innovation pour l’avenir de la surveillance de la faune.

 

1 Introduction

Pour des domaines d’application tels que la gestion des populations, le sauvetage des faons et la prévention des dégâts de gibier dans les domaines de l’écologie, de la chasse, de la sylviculture et de l’agriculture, il est d’une importance cruciale de pouvoir procéder à une collecte aussi précise que possible des populations d’animaux sauvages. Les méthodes de suivi conventionnelles les plus utilisées à l’heure actuelle présentent chacune des inconvénients significatifs (Silveira et al., 2003) : Les campagnes de comptage avec confirmation visuelle (recherche de projecteurs sur les chemins forestiers) demandent énormément de travail ; Les analyses par pièges photographiques ne couvrent qu’une petite partie du paysage ; Les statistiques sur la chasse et la faune sont associées à un fort biais ; Les émetteurs de suivi sont très précis, mais aussi invasifs et complexes dans leur mise en œuvre.

L’Institut de géomatique (FHNW) coopère depuis janvier 2018 avec la Fondation pour la faune de l’Association de chasse d’Argovie (Stiftung Wildtiere) pour développer une méthode de détection des animaux sauvages à l’aide de drones (Unmanned Aerial Vehicles). Il s’agira d’analyser dans quelle mesure la télédétection automatisée offre des avantages par rapport à la surveillance conventionnelle en économisant du temps ou des ressources humaines et en rendant les enquêtes plus précises et plus complètes (Gonzalez et al., 2016). Les questions centrales auxquelles cette étude devrait répondre sont le choix des capteurs et des systèmes porteurs, la visibilité générale des signatures animales sur les images aériennes infrarouges (par exemple la robustesse contre les ombres dans la forêt mixte), et la structure d’un algorithme de haute performance pour la détection automatique et la classification des individus de la faune. L’un des résultats de cette analyse est un prototype conçu pour permettre la détection automatique des animaux sur les images aériennes.

2 Méthode
2.1 Collecte de données

Au printemps 2018, 27 relevés aériens ont été effectués sur sept enclos de gibier naturel avec des espèces indigènes dans le nord-ouest de la Suisse et le sud de la Forêt-Noire. Pour chaque enclos, environ 500 images RGB, 500 images multispectrales NIR et 5000 images thermiques TIR (thermogrammes radiométriques) ont été générées à l’aide du multicoptère senseFly Albris ou du drone à voilure fixe senseFly eBee afin de faciliter la comparaison des technologies (voir Fig. 1). La période d’enregistrement (février/mars) a été choisie de manière à ce que le contraste thermique entre la carcasse et l’environnement principalement boisé soit aussi élevé que possible. En même temps, la végétation dépourvue de feuillage devrait minimiser l’ombrage.

 

Fig. 1 : A gauche : avions senseFly « eBee » (en haut) et « Albris » (en bas) utilisés. A droite : Trajectoire typique avec l’eBee (bleu) au-dessus d’un parc animalier (vert) avec les positions de déclenchement pour les photos aériennes (blanc). (Visualisations : Gillins et al., 2018 ; Google 2018 ; senseFly 2018)

Avec l’aile fixe, de grandes zones peuvent être facilement détectées avec des capteurs interchangeables (RGB, NIR, TIR), y compris une caméra thermique haute résolution ( ThermoMap, 640x512Px, max 22ha à 15cm / Px GSD et 100m AGL). Bien que le multicoptère puisse voler de manière beaucoup plus souple et plus profonde grâce à sa capacité de vol stationnaire, la caméra thermique installée en permanence a une résolution beaucoup plus faible (80x60Px). Le bruit élevé du rotor avec une trajectoire basse représente également une interférence beaucoup plus forte avec le comportement des animaux par rapport à l’aile fixe.

2.2 Prétraitement

Les images RVB et NIR à très haute résolution (~ 3cm / Px GSD) sont bien adaptées à la cartographie orthophotomosaïque, mais manquent souvent d’un contraste suffisant pour la reconnaissance visuelle des signatures animales sous une végétation sans feuillage. Dans la suite de l’étude, ceci pourrait également être vérifié par des mesures hyperspectrales terrestres de référence (λ : 350-1000 nm) sur le sol forestier, la végétation et les carcasses d’animaux.

Les thermogrammes, quant à eux, montrent des signatures très contrastées d’animaux sauvages individuels (Fig. 2). En même temps, les images ne conviennent guère à l’équilibrage photogrammétrique des blocs, car les animaux se déplacent généralement trop entre deux prises de vue. Dans les zones d’image concernées, cela ne permet pas d’obtenir une fidélité de superposition suffisante, de sorte que les orthophotomosaïques TIR traitées d’habitats contigus ne contiennent souvent aucune signature visible. Par conséquent, pour l’analyse automatisée, les thermogrammes ont été soit traités directement en tant que données brutes non orientées, soit orthorectifiés individuellement par projection DSM.

3 Analyse
3.1 Forme des signatures thermiques animales

Les changements visibles dans l’apparence des signatures ont d’abord été examinés systématiquement en faisant varier les paramètres de référence. Ainsi, une perspective d’enregistrement moins profonde favorise l’identification des animaux par un observateur humain (figure 2, à gauche) : des caractéristiques telles que le rapport tête-torse ou les extrémités sont plus proéminentes. La délimitation des individus les uns par rapport aux autres est toutefois favorisée par une perspective plus abrupte.

Bien que les branches denses puissent réduire le contraste de la signature en raison de la distribution de la chaleur par convection et de l’écran dans les forêts mixtes qui sont aussi dépourvues de feuillage que possible. Cependant, la forme, la portée et la visibilité de base des signatures sont largement conservées (Fig. 2, droite).

 

Fig. 2 : Thermogrammes avec les signatures d’une meute de daims (six animaux, bleu 4°C, rouge 10°C). Gauche : comparaison des signatures sous six angles différents.
Au milieu / à droite : Comparaison des signatures à côté et en dessous d’un frêne sans feuillage.

3.2 Stratégies de détection automatique des signatures

Plusieurs stratégies de détection automatique des signatures ont été mises en œuvre de manière itérative et leur précision de classification et leur applicabilité ont été vérifiées. L’approche classique de télédétection consistant à classer les thermogrammes dans l’objectif Imagine d’Erda, par exemple, à l’aide d’une analyse d’image basée sur les objets a été rejetée. En raison de la variété des signatures, cette méthode n’a pas pu trouver un ensemble de variables décrivant les caractéristiques qui permettrait d’atteindre une précision de détection de plus de 41 %.Les réseaux neuronaux convolutifs (CNN), en revanche, ont démontré une robustesse exceptionnelle dans la classification des images grâce à l’extraction automatique des caractéristiques au cours des dernières années (Szegedy et al., 2016). Les sections 3.3 et 3.4 décrivent deux approches CNN qui permettent d’obtenir une détection précise des animaux de différentes manières.

3.3 Classification de segments matriciels avec un CNN dichotomique

Un CNN dichotomique (« décision à deux voies ») avec une profondeur de 7 couches de neurones
(Figure 3 centre) a été construit avec Keras et Tensorflow sous Python 3.6 . Il classifie des segments de trame de thermogrammes orthorectifiés par inférence dans les classes « animal » et « non-animal ». La couche d’entrée est une matrice de 64x64Px, qui correspond au maximum possible de segments 5x5m géotraités par GSD (Figure 3 liens). Après environ 3 heures de formation sur un ordinateur de bureau, un degré élevé de précision de classification d’environ 90 % peut être atteint pour un relevé aérien spécifique (figure 3, à droite). Le prétraitement des données thermiques (projection 3D sur MNS, génération d’orthophotos, géotraitement) prend cependant beaucoup de temps et nécessite de nombreux calculs. Dans le cas d’applications où le temps est compté, comme le sauvetage des faons, les résultats de la classification doivent, dans le meilleur des cas, être déjà disponibles pendant le vol. L’inférence sur des données brutes en direct ne serait pas soumise à ces limitations. Grâce à la résolution des données brutes de 640x512Px, cette approche permet à l’opérateur de l’UAV de disposer d’une image de haute qualité.
Toutefois, en raison de la résolution d’entrée de 64x64Px, seule une grille de détection grossière de 10 × 8 a été utilisée dans l’application pratique.

 

Fig. 3 : A gauche : Environ 10’000 empreintes de 5x5m comme tuiles d’entrée, générées à partir de 45 thermogrammes orthorectifiés. Au milieu : Schéma du réseau neuronal dichotomique, couches neuronales dans le marqueur violet. A droite : Classification – 71 tuiles Vertes : « Animal » ; Reste Rouge : « non-animal ».

3.4 Reconnaissance d’objets au moyen du R-CNN

Pour l’interprétation des données brutes en direct, les réseaux neuronaux convolutionnels basés sur des régions plus rapides (R-CNN plus rapides) sont mieux adaptés. Les modèles de cette classe peuvent classer des objets sur des images globales à plus haute résolution en localisant des régions d’intérêt (RdI) par le biais de propositions itératives de régions. De plus, différentes classes peuvent être formées et reconnues en même temps.

Un réseau Inception v2 est utilisé (voir Fig. 4), qui imite la structure des cellules pyramidales dans le cortex visuel des vertébrés avec une profondeur de 42 couches de neurones. En effectuant un pré-entraînement avec 100 000 images de la vie quotidienne (l’ensemble de données COCO), les poids des arêtes entre les couches de neurones dans l’entraînement spécifique peuvent être adaptés plus rapidement et plus efficacement à de nouveaux objectifs pour la définition des boîtes de délimitation. Même avec des exigences matérielles partiellement limitées, le modèle est toujours considéré comme rapide et précis (Szegedy et al., 2016).

La mise en œuvre a été effectuée en utilisant la bibliothèque de détection d’objets Tensorflow avec le soutien du cadre d’apprentissage profond Nvidia CUDA / cuDNN pour paralléliser les cœurs de shader GPU. Pour la formation, un ensemble de données de test d’environ 600 images thermiques avec environ 8 000 signatures d’animaux a été marqué manuellement en dessinant environ 1 800 boîtes de délimitation. Après environ 12 heures d’entraînement (environ 100 000 étapes), le Frozen Inference Graph d’environ 50 Mo a été exporté. Un prototype performant basé sur Python applique ce schéma de connaissances à de nouvelles données thermiques par inférence.

 

Fig. 4 : Structure schématique du R-CNN construit (sous-schéma « Inception v2 » d’Alemi, 2016)

4 Résultats

En comparaison, la reconnaissance d’objets à l’aide du R-CNN s’est avérée être l’approche supérieure en raison de la possibilité d’utiliser des données brutes et d’entraîner plusieurs classes simultanément. Cette architecture a donc été utilisée dans la mise en œuvre du prototype.

Si le réseau n’est entraîné que pour la détection générale d’animaux (Fig. 5-A), l’inférence permet d’obtenir un taux de détection extrêmement élevé de 92,8 % par animal. Les analyses sont également relativement robustes dans la détection générale par rapport aux pertes de qualité dans les données d’entrée (par exemple, le flou de mouvement et les ombres), car les signatures des animaux sont généralement reconnues correctement dans au moins une image et peuvent être utilisées pour la détection.

 

Fig. 5 : Évaluation des résultats de la détection sur des flux vidéo simulant un survol en direct. À gauche : tableau des statistiques de comptage (* Classe de daims – Damwild – contient des daims, des cerfs sika et des cerfs axis). La proportion de détections faussement négatives n’est pas répertoriée car elle correspond à la réciproque de la détectabilité. A droite : Exemples de boîtes de délimitation calculées par inférence.

La précision est légèrement inférieure dans la classification des espèces animales (figure 5-BCD), mais dépasse de loin les taux de réussite des méthodes de détection conventionnelles pour les espèces daim, cerf élaphe et chèvre. Cependant, ces valeurs ne sont pas comparables à celles des animaux sauvages dans les enclos semi-naturels de forêts mixtes, car seules les données des pâturages ouverts étaient disponibles pour l’entraînement et l’inférence (voir les pâturages dans la figure 5-A, les forêts mixtes dans la figure 5-BCD). Les classes sangliers, humains et petits mammifères n’ont pas atteint une précision de classification suffisante en raison du faible nombre de données d’entraînement (n <60).

5 Discussion et perspectives

La combinaison de la thermographie infrarouge basée sur les drones avec des techniques d’apprentissage profond de pointe indique le potentiel d’augmentation de l’efficacité et de la qualité de l’estimation de la population. La norme actuelle – un processus laborieux et intensif de recherche de phares, dans lequel de nombreux kilomètres de routes forestières sont parcourus pour cartographier seulement une petite proportion inconnue d’animaux – pourrait être complétée par des méthodes modernes de reconnaissance des formes. Le prototype mis en œuvre atteint une performance d’inférence d’environ 8 FPS sur du matériel mobile (ordinateur portable grand public de 2016). Le système est donc si efficace qu’il peut être appliqué à un flux vidéo en direct pendant le vol. Ces résultats prometteurs montrent donc qu’il est possible de remplacer à l’avenir les méthodes classiques de détection pour certaines zones.

Une autre application importante est la récupération des faons. Les faons qui se cachent dans les prés sont souvent victimes des moissonneuses-batteuses en raison de leur réflexe de poussée. Si des drones thermiques sont utilisés aujourd’hui, le processus est encore largement manuel. En outre, la formation des pilotes à la reconnaissance des signatures est complexe. L’automatisation logicielle présentée peut rendre le sauvetage des faons par drone beaucoup plus disponible à l’avenir.

En matière de prévention des dégâts de gibier, l’accent est généralement mis sur les pourritures de sangliers, qui hantent invisiblement de l’extérieur une retraite dans les cultures arables. Cette technologie permet de localiser les animaux avant même l’apparition de dégâts importants. Tant pour la prévention des dégâts de gibier que pour la Rehkitzrettung, il est nécessaire de disposer de données d’entraînement supplémentaires pour l’utilisation opérationnelle. Une fois que ces données ont été relevées et marquées, le réseau d’apprentissage profond existant peut être entraîné de manière plus approfondie au moyen d’un réglage fin et s’appuyer sur les connaissances déjà acquises.

En raison des progrès rapides de la technologie des drones, il est tout à fait concevable que des multicoptères plus petits soient bientôt capables de voler plus silencieusement et donc de perturber moins le comportement des animaux. Avec des altitudes plus basses et des capteurs plus puissants, ils seraient en mesure de générer des thermogrammes encore meilleurs, ce qui faciliterait la classification des signatures pour le réseau neuronal. Il serait envisageable d’identifier d’autres caractéristiques individuelles des espèces déjà analysées, telles que l’âge et le sexe, ou d’étendre l’analyse à des espèces plus petites telles que les blaireaux, les lièvres et les renards, ainsi qu’à des espèces rares telles que les lynx et les loups.

6 Bibliographie

Alemi, A., 2016: Improving Inception and Image Classification in Tensorflow. Google AI Blog.

Google, 2018: Google Earth Pro 7.3.1, Aerial Texture: GeoBasis-DF / BKG, 2017-08-07.

Gonzalez, L., Montes, G., Puig, E., Johnson, S., Mengersen, K., Gaston, K., 2016: Unmanned Aerial Vehicles (UAVs) and Artificial Intelligence Revolutionizing Wildlife Monitoring and Conservation. Sensor 16 (1), Item 97.

Gillins, D., Parrish, C., Gillins, M., H. Simpson, C., 2018: Eyes in the Sky: Bridge Inspections with Unmanned Areal Vehicles. Oregon Dept. of Transportation, SPR 787 Final Report.

SenseFly, 2018: https://www.sensefly.com/drone/bee-mapping-drone/ (6.5.2018).

Silveira, L., Jacomo, A. & Diniz-Filho, J., 2003: Camera trap, line transect census and track surveys: a comparative evaluation. Biological Conservation 114 (3), 351-335.

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z., 2016: Rethinking the inception architecture for computer vision. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2016, 2818-2826.