En Afrique, des chercheurs s’associent avec des pilotes de drones chasseurs de braconniers pour protéger les espèces menacées. Spot, un outil s'appuyant sur l’apprentissage profond, peut détecter en temps réel les braconniers sur les images infrarouges des caméras portées par les drones.
Cela vous intéressera aussi

[EN VIDÉO] Air Shepherd : des drones pour lutter contre le braconnage En Afrique 100.000 éléphants ont été abattus entre 2010 et 2012. À ce rythme, le braconnage ponull

Dans les parcs nationaux africains, les braconniers attaquent de préférence de nuit, avec dans leur ligne de mire des espèces menacées d'extinctionextinction, tels l'éléphant et le rhinocérosrhinocéros, qui ont une grande valeur sur le marché noir. Les nouvelles technologies, tels que les dronesdrones équipés de caméras à infrarougesinfrarouges, viennent prêter main forte aux gardes. Cependant, le flux vidéo est ingérable pour le personnel limité et faillible car les vidéos de surveillance sont en basse résolutionrésolution...

C'est pourquoi Elizabeth Bondi, du Centre pour l'intelligence artificielleintelligence artificielle dans la société, à l'université de Californie du Sud, et ses collègues, proposent de remplacer l'humain par un programme informatique pour passer en revue toutes ces vidéos. Ils ont donc développé le logiciellogiciel Spot (Systematic poacher detector), à partir d'un algorithme d'intelligence artificielle existant appelé Faster RCNN, capable de détecter des objets dans une image.

Un exemple de drone utilisé dans la lutte contre le braconnage. Sur les images infrarouges capturées par les caméras dont sont équipés les drones de surveillance, les braconniers, dans le rectangle blanc, sont à peine discernables. © <em>University of Southern California</em>, Elizabeth Bondi <em>et al.</em>, 2018

Un exemple de drone utilisé dans la lutte contre le braconnage. Sur les images infrarouges capturées par les caméras dont sont équipés les drones de surveillance, les braconniers, dans le rectangle blanc, sont à peine discernables. © University of Southern California, Elizabeth Bondi et al., 2018

Spot a pour mission de traquer méthodiquement les braconniers, aux côtés des pilotes de drones de l'organisation de lutte contre le braconnage AirAir Shepperd. Pour cela, il doit reconnaître la signature thermique des humains qui rôdent dans le parc, les braconniers en l'occurrence, afin d'alerter les gardes avant qu'ils n'attaquent la faunefaune sauvage.

C'est là qu'entre en jeu l'intelligence artificielle, sous différents aspects : la vision par ordinateurordinateur, ou vision artificielle, consistant à analyser les images ; le machine learning et le deep learning, par lesquels l'ordinateur apprend à repérer de plus en plus facilement les braconniers sur les vidéos de surveillance, à force de s'entraîner.

Le saviez-vous ?

D’autres approches basées sur l’intelligence artificielle visent à renforcer les efforts de conservation des espèces, par exemple en prédisant les prochaines cibles potentielles des braconniers.

L’intelligence artificielle épluche les vidéos de surveillance

L'apprentissage de Spot s'est fait en deux temps. Elizabeth Bondi et ses collègues l'ont tout d'abord entraîné hors connexion, c'est-à-dire qu'ils lui ont fourni une batterie de captures d'écrancaptures d'écran provenant des archives de vidéo-surveillance. Ils lui ont appris à discerner des objets suspects et à les classer en deux catégories, animal ou humain, les deux étant plus brillants, car plus chauds, sur les images infrarouges. Les chercheurs ont affiné la précision de Spot en le nourrissant de 4.183 images de braconniers et 18.480 images d'animaux.

Ensuite, l'objectif étant effectivement d'appréhender les braconniers dans le feufeu de l'action, Spot a dû reproduire la même chose avec les images des vidéos qui lui étaient communiquées en direct. Le dernier défi était d'augmenter la rapidité de détection de Spot, qui culminait à 10 secondes au départ en raison du réseau InternetInternet limité et du manque d'ordinateurs, donc de puissance de calcul. Les chercheurs ont eu recours au cloud Microsoft Azure et ont adapté Spot pour une utilisation sur ordinateur portable.

Les chercheurs ont immortalisé le test sur le terrain de Spot, avec cette capture d’écran. © <em>University of Southern California</em>, Elizabeth Bondi <em>et al.</em>, 2018

Les chercheurs ont immortalisé le test sur le terrain de Spot, avec cette capture d’écran. © University of Southern California, Elizabeth Bondi et al., 2018

Au final, Spot se rapproche de la détection en temps réel : il lui faut environ trois dixièmes de seconde pour repérer des braconniers. Selon les chercheurs, il a l'avantage sur ses concurrents car il sait distinguer les humains des animaux sauvages, ceci en traitant des images infrarouges basse résolution presque instantanément. En outre, Spot fonctionne en toute autonomieautonomie et ne requiert aucune intervention humaine.

Ayant fait ses preuves lors d'une utilisation sur le terrain, en Afrique du Sud, avec les drones d'Air Shepperd, l'outil Spot sera déployé à plus grande échelle. Les chercheurs annoncent d'ores et déjà qu'il partira pour de prochaines missions dans d'autres réserves naturelles africaines, dont un parc national au Botswana.