【人工智能】红外相机通过机器学习算法实现目标自主识别

澳大利亚昆士兰科技大学科学家开发了一种无人机探测系统，通过对飞行中捕获的红外视频图像进行算法分析，成功识别考拉种群。

在2019年3月1日发表的“低空监视和机器学习自动检测考拉”论文中，该项目的科学家们指出，通常，通过地面观察和成像只能检测到测量区域内60％-75％的考拉。

红外像机和机器学习用于无人机。在研究中，科学家们采用FLIR Tau 2 640热像仪，分辨率为640x512，透镜焦距为13mm，帧速为9Hz，将其安装在配备A3 Pro飞行控制器的大疆Matrice 600 Pro无人机上。Thermoviewer用于处理无人机红外视频图像，Faster-RCNN和YOLO目标检测深度卷积神经网络（DNN）用于检测考拉。

给每个DNN都输入先前捕获的热数据，通过无线电跟踪和人工检查确认考拉位置。DNN用该数据生成模型，通过该模型识别分析视频中潜在的考拉图像。将模型应用于测试视频图像，并对通过视频中存在但未被模型检测到的考拉位置以及将标记为否定的错误检测结果进行识别并手动校正。

在2018年2月至8月期间通过无人机进行了11次识别验证。DNN分别绘制了潜在考拉位置的热图，并对数据进行了比较，以确定两个网络之间的一致性结果。OpenCV实验室开发的ORB（Oriented FAST and RotatedBrief）算法辅助计算在该过程中由于无人机移动而引起的图像变化。如果潜在的考拉热特征同时出现在多帧连续图像中，则认为探测到该特征，然后进行手动审查。

自动化DNN检测方法识别红外视频图像中考拉的总成功概率为87％，而手动检查的概率为63％。自动化系统处理热成像并识别潜在的考拉平均需要136分钟。手动筛选数据并识别可能的考拉位置平均需要170分钟。

科学家认为，如果对DNN进行了适当的培训，可以使用该程序从一批热图像中识别多种类型的动物，并且使用该方法检测其他类型的动物有助于验证考拉识别的试验结果。