Using Deep Learning to Automate Orangutan Nest Detections on Aerial Images Collected With Drones
Notice bibliographique
Résumé
Traditional orangutan distribution and density monitoring requires costly line transect methods on the ground to detect their nests. Recently researchers have started to use unoccupied aerial vehicles, hereafter referred to as drones, to collect such data faster. However, manually inspecting the images acquired by the drone is time-consuming and hence costly. This study explored a deep learning method for the automated detection of orangutan nests in drone-captured aerial images, which can significantly improve the efficiency of orangutan monitoring efforts. The YOLO v10 model was trained using 868 images containing 1568 annotated orangutan nests collected from sites in Sabah, Malaysia, and Sumatra, Indonesia. Images were captured using multirotor and fixed-wing drones at varying altitudes. The model was trained using a transfer learning approach and achieved a mean Average Precision (mAP) of 0.831. The model was subsequently tested on two independent data sets with results showing a precision of 0.98 and recall of 0.88 for a multirotor drone and precision of 0.98 and a recall of 0.71 for a fixed-wing drone which has the benefit of being able to have longer duration flights. The high precision values indicate the model's accuracy in identifying true nest locations, while the recall values demonstrate its ability to detect a significant portion of the nests present in the images. The study highlights how using drones for data collection can reduce survey times compared to ground surveys, and the automation of nest detection further enhances the efficiency of drone surveys. However, the model's recall, especially for fixed-wing drone data, could be improved to ensure accurate population trend analyses. Further research should focus on expanding training data sets and refining models to account for different camera systems and environmental conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».