基于无人机平台的野生动物救援系统设计

基于无人机平台的野生动物救援系统设计

赵龙

黑龙江东方学院，哈尔滨市 150066

摘要：人类和野生动物都是地球大家庭中不可或缺的成员，人和动物的和谐共生对维持生态系统平衡有十分积极的意义。本文提出一个依托无人机平台实施高效野生动物保护的技术方案。

1引言

保护野生动物从某种意义上来说就是保护我们人类赖以生存的生态环境，珍稀野生动物对于生态系统的持续、健康发展具有指示性和决定性作用，稳定平衡的生态系统是人类社会可持续发展的前提条件之一[1]。目前在野生动物保护领域，对最新科技发展成果的应用还不是很广泛，野生动物保护的执法工作和珍稀野生动物的搜救工作基本还是处于依靠人工巡查方式来完成。靠人工巡查的方式在交通不便、地域广茂与人迹罕至的森林、草原发现非法狩猎行为或搜救珍稀野生动物的效率非常低。虽然可以利用红外相机组成监测网络，但由于需要监测的区域过于广阔，构造监测网络的成本太高，且各类传感器的长期能量供给十分困难。另外静态监测点仅能用于非法狩猎的事后取证，无法及时制止非法狩猎行为的发生。近几年，无人机平台被广泛应用于军事、安防、物流运输、电力巡检、农业等领域，并都取得了令人满意的效果。其实，无人机同样是对野生动物和非法狩猎者跟踪的理想的平台，但目前绝大部分工作任务还需要专业人员的密切配合工作，这对人的无人机操控能力和野生动物保护领域专业知识都有很高的要求。如何使无人机平台具备自主航迹规划和可疑目标识别、跟踪的能力是一个值得科研人员关注的研究课题。

2.方法

为了能够显著提高森林执法效率和珍稀野生动物搜救能力，本文设计了一个基于无人机平台的野生动物保护技术方案。无人机具备很好的机动性，非常适合在广袤无垠的草原和山高林茂的森林开展巡检工作。利用无人机空中巡检的方式能够在地面监控网络的盲区内执行任务，并且可以利用无线通信模块与指挥中心实时信息交互。通过车载机动部署，每日多架次无人机空中巡检与地面巡逻相互结合，可以实现多时段，空地一体的林草巡护与野生动物救助。本方案使用的无人机平台是载荷重量大于5千克的复合翼无人机，之所以采用复合翼无人机是因为复合翼无人机具备多旋翼和固定翼两种无人机的优势。复合翼无人机即具备飞行速度快、飞行高度高、飞行时间长的优势，又可以灵活地垂直起降、悬停。在无人机上装载一个高性能AI边缘计算模组，该模组上有多个高速传感器接口，可以根据工作任务需要同时搭载可见光相机、热红外相机、RGB-T双模态相机、GPS模块、IMU模块和4G通信模块等。无人机平台野生动物保护工作流程如图1所示。

图1 无人机平台野生动物保护工作流程图

按照本方案的设计要求，需要无人机能够识别特定目标（例如：持枪的人、大象、东北虎等）进而实现对特定目标的跟踪。由于森林和草原等野外环境的气象条件比较复杂，雨、雪以及雾气等都会降低可见光相机的成像质量，另外经常需要在夜间执行野生动物保护任务，这就要求方案使用的目标识别方法既可以从低质量图像中定位目标又可以在夜间定位目标。本方案使用的是在AAAI2022上发表的IA-YOLO框架[2]，并使用自制的数据集进行训练。无人机机载相机使用的是菲力尔公司生产的RLIR Duo Pro R双模态相机。

为了提高在野外复杂气象条件下的全天候目标识别准确率，本方案使用IA-YOLO框架。IA-YOLO框架在YOLOv3[3]基础上增加了1个基于CNN的参数预测器（CNN-PP）模块和1个可微分图像处理（DIP）模块。IA-YOLO框架首先调整输入图像的大小为256×256像素，并将其输入到CNN-PP，目的是预测DIP的参数，然后将经过DIP模块滤波后的图像输入到YOLOv3目标检测器。在神经网络训练时IA-YOLO框架的作者还提出了一种端到端的混合数据训练方案。CNN-PP网络由5个卷积层和2个全连接层组成，虽然网络很小但作为参数预测器来估计超参数却非常有效。对于任意分辨率的输入图像，CNN-PP模块可以用双线性插值非常容易地将其采样到256×256分辨率的图像，然后通过了解图像的全局内容，如亮度、颜色和色调以及恶劣气象条件的程度来预测DIP的参数。DIP模块具有可调超参数，由锐化、色调、对比度、去雾、白平衡、伽玛等六个可微滤波器组成。由于CNN-PP基于梯度优化，故滤波器应该是可微的，以允许通过反向传播训练网络。IA-YOLO是一个十分适合部署在Jetson AGX Orin等边缘设备上的一阶段目标检测算法。它是一个全卷积网络，大量使用残差的跳层连接，并且为了降低池化带来的梯度衰减等负面影响，没有使用池化操作，而是使用步长为2的卷积来进行降采样。为了提高对小目标检测的精确度，IA-YOLO中采用类似FPN的上采样和融合做法，在多个尺寸的特征图上做检测。 目标跟踪框架使用基于双注意力机制的二阶段搜索目标跟踪方法[4]。

图2 主动目标跟踪流程图

图3 感知模块的可见光图像跟踪结果

3实验结果

在主动目标跟踪（如图2所示）任务中，感知模块输出的目标预测框的准确程度直接决定控制模块的输入信息的合理程度。在相同的PID控制策略下，感知模块所采用的目标跟踪方法的性能是决定主动目标跟踪任务成败的核心要素。因此，本节主要通过定性对比实验来验证本文提出的目标跟踪方法是否优于现有方法，效果如图3所示。

4结论

通过实验表明本文提出的野生动物救援方案具有很强的创新性和实用性，对将人工智能技术引入到野生动物保护领域起到了积极的促进作用。

基金项目：黑龙江省重点研发计划指导类项目（GZ20210163 GZ20220154）

参考文献

[1] 李伟, 等. 关于建立中国珍稀濒危物种保险机制的思考[J]. 林业资源管理, 2021, 4: 9-16.

[2] Liu W, Ren G, et al. Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions[C]// AAAI Conference on Artificial Intelligence, Vancouver, British or Columbia, Canada. February 22-March 1 2022, Pages 909-919.

[3] Redmon J, Farhadi A. YOLOv3: An Incremental Improvement[J]. arXiv: 1804. 02767, 2018.

[4] Long Zhao, Mubarak Adam Ishag Mahmoud, Honge Ren, Meng Zhu. A Visual Tracker Offering More Solutions. Sensors. 2020, 20, 5374.