© 2024 SURF
Dit onderzoek richtte zich op het ontwikkelen van een geautomatiseerde aanpak voor het detecteren van
nesten en vogels vanuit dronefotografie. Het onderzoek behandelde vier primaire vragen: de stappen voor
het ontwikkelen van de detectiebenadering, de minimale afbeeldingsresolutie die nodig is, de meest
geschikte deep learning-modellen, en de prestaties bij het detecteren van nesten onder uitdagende
omstandigheden zoals hoog gras. Het project was verdeeld in twee semesters. Het eerste semester richtte
zich op het detecteren en classificeren van nesten, terwijl het tweede semester uitbreidde naar het gebruik
van een combinatie van thermografische en RGB-gegevens voor detectie en classificatie. Infraroodgegevens
werden gebruikt om vogels te spotten door het detecteren van hittepunten, wat vervolgens werd geverifieerd
met RGB-camera's. De studie verkende verschillende objectdetectiemethoden, waaronder de YOLOv5- en
YOLOv8-modellen. YOLOv5 bleek effectiever te zijn gezien de beperkingen van de dataset. De integratie
van deze modellen met Jetson Orin-hardware werd ook getest voor realtime verwerkingscapaciteiten.
Daarnaast werd Grounding DINO gebruikt om de dataset automatisch te annoteren, voorwaardelijk met
tekstprompts om vogels te identificeren. Deze methode toonde verbeterde resultaten in vergelijking met
traditionele modellen. Echter, de aanzienlijke variatie in de datasets vormde uitdagingen, vooral bij het
detecteren van nesten in hoog gras. De conclusies benadrukken de noodzaak om infrarood- en RGBgegevens te combineren voor efficiënte detectie en raden aan om een consistente afbeeldingsresolutie aan
te houden voor nauwkeurigheid. De resultaten suggereren dat eenvoudigere modellen zoals YOLOv5
geschikter zijn voor beperkte data, en toekomstig werk zou geavanceerdere modellen zoals YOLOv9 en
RTDETR moeten overwegen. De studie onderstreept ook het belang van grondige datasetannotatie en het
verkennen van hybride modellen voor betere classificatienauwkeurigheid.
Vogels verspreiden zaden, bestuiven planten en ruimen de natuur op; ze zijn onmisbaar voor een gezond ecosysteem. Van groot maatschappelijk belang is het beschermen van bedreigde dieren; biodiversiteit zorgt voor een gezond klimaat in Nederland. Voor de bescherming van vogels worden nesten gedetecteerd en geregistreerd. Boeren worden vervolgens geïnformeerd over de aanwezigheid van nesten op hun land zodat ze de nesten niet vernietigen tijdens hun agrarische werkzaamheden. Boeren worden in Nederland gecompenseerd voor de bescherming van nesten waardoor economische belangen samenkomen met het behoud van de natuur.
In dit project wordt met behulp van technologische innovatie de samenwerking tussen boeren en natuur- en vogelbescherming verstevigd: drones worden gecombineerd met artificiële intelligentie om in samenwerking met vrijwilligers de monitoring van nesten uit te voeren. Dit helpt de Bond Friese VogelWachten (BFVW) om met het huidige aantal vogelwachters meer nesten te kunnen opsporen, de natuur doordat meer detectie leidt tot hogere broedsucces van vogels, en de boer kan met de drone meer financiële compensatie bemachtigen.
Het consortium bestaat uit BFVW, NHL Stenden Lectoraat Computer Vision & Data Science en het drone bedrijf Aeroscan, die gezamenlijk de technische haarbaarheid willen onderzoeken om de business-case te ondersteunen. Met deze technologie kan de BFVW efficiënter en vooral effectiever nesten in kaart brengen. In de toekomst worden de resultaten van dit project breder ingezet door dit consortium. Binnen natuurbehoud en biodiversiteit zijn er veel andere uitdagingen waarvoor de, in dit project ontwikkelde, kennis ingezet kan worden.