Porównanie różnych metod detekcji i rozpoznawania zwierząt na obrazach z kamery termowizyjnej

• Autorzy: Popek Łukasz , Perz Rafał , Galiński Grzegorz

Identyfikatory

DOI

10.15199/59.2022.4.66

Warianty tytułu

EN

Comparison of different methods of animal detection and recognition on thermal camera images

• Konferencja: Multikonferencja Krajowego Środowiska Tele- i Radiokomunikacyjnego (7-9.09.2022 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

Dla większości dziko żyjących zwierząt szczyt aktywności przypada na godziny nocne – ich obserwacja możliwa jest tylko przy użyciu specjalistycznych urządzeń. W niniejszej pracy zostało przeprowadzone porównanie różnych metod detekcji zwierząt na zdjęciach z kamery termowizyjnej: klasycznych (HOG/SVM) oraz opartych na głębokich sieciach neuronowych. Podczas testów na zbiorze danych zawierającym dwie rodziny zwierząt (Cervidae i Suidae) dla sieci YOLOv3 otrzymano wyniki mAP powyżej 90% dla IoU>50%.

EN

For most wild animals, peak of activity takes place during the night hours - their observation is possible only with the use of specialized equipment. In this study, a comparison of different methods for animal detection in thermal camera images was performed: classical (HOG/SVM) and based on deep neural networks. When tested on a dataset containing two animal families (Cervidae and Suidae) for the YOLOv3 network, obtained mAP was above 90% for IoU>50%.

Słowa kluczowe

PL

detekcja; głębokie sieci neuronowe; termowizja; dzika przyroda

EN

detection; deep neural networks; thermal imaging; wildlife

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2022
• Tom: nr 4
• Strony: 396--399
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Popek Łukasz

• Politechnika Warszawska, Warszawa

autor

Perz Rafał

• Politechnika Warszawska, Wydział Mechniki, Energetyki i Lotnictwa, Warszawa

autor

Galiński Grzegorz

• Politechnika Warszawskam, Wydział Eklektroniki i Technik Informacyjnych, Warszawa

Bibliografia

• [1] Bisong, E., 2019, Google Colaboratory. In: Building Machine Learning and Deep Learning Models on Google Cloud Platform. Apress, Berkeley, CA.
• [2] Dokumentacja Darknet, 2022, https://github.com/pjreddie/darknet
• [3] Dokumentacja Detectron2, 2022, https://github.com/facebookresearch/detectron2
• [4] Dokumentacja Scikit-Image, wersja 0.19.2 - Luty 2022
• [5] Felzenszwalb Pedro, Huttenlocher Daniel, 2004., ,Efficient Graph-Based Image Segmentation". International Journal of Computer Vision ,·volume 59, strony 167-181.
• [6] Redmon Joseph, Farhadi Ali, 2018, "An Incremental Improvement”, arXiv. Cornel University.
• [7] Ren Shaoqing, He Kainung, Gitshick Ross,Sun Jian 2015, ''Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", arXiv, Cornel University.
• [8] Russel Stuart, Peter Norwig, 2016, "Artificial Intelligence: A Modern Approach, Global Edition", Pearson, wydanie 3, rozdział 18, strony745-748
• [9] Russel Stuart, Peter Norwig, 2016, "Artificial Intelligence: A Modern Approach, Global Edition", Pearson, Wydanie 3, rozdział 24, strona 946
• [10] Tzutalin. Labellmg. Git code, 2015. https://github.com/tzutalin/labelImg

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).