Detailergebnis zu DOK-Nr. 79912
Eine Deep Learning-basierte visuelle Identifizierung von Fledermausspuren in Brückeninfrastrukturbildern: ein Transfer-Learning-Ansatz (Orig. engl.: Deep learning-based visual identification of signs of bat presence in bridge infrastructure images: a transfer learning approach)
| Autoren |
T. Li M. Alipour B.M. Donaldson D.K. Harris |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 1.1 Organisation 5.7 Landschaftsgestaltung, Ökologie, UVP, Auswirkungen des Klimawandels |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 12, 2021, S. 939-951, 6 B, 6 T, 50 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Untersuchung von Brücken, Bauwerken und Wohnungen auf Fledermausvorkommen ist ein wichtiger Schritt zum Schutz bedrohter und gefährdeter Fledermausarten, die die Infrastruktur als Schlafplätze nutzen. Die Beobachtung von Guanokot und Flecken ist ein gängiger Indikator für das Vorhandensein von Fledermäusen, aber es kann schwierig sein, festzustellen, ob bestimmte Flecken von Fledermäusen oder von anderen Quellen stammen, zum Beispiel von Wassereinbrüchen, Rostflecken, Asphaltauswaschungen oder anderen Mechanismen des strukturellen Verfalls. Während es für Menschen schwierig ist, Fledermausindikatoren ohne Training zu unterscheiden, weisen sie aus Sicht der Computererkennung verschiedene Merkmale auf, die in Verbindung mit Expertenmeinungen zur automatischen Erkennung von Fledermausvorkommen genutzt werden können. Um die Erkennung von Fledermausvorkommen zu erleichtern und Fledermauserhebungen zu rationalisieren, werden in dem Beitrag die jüngsten Fortschritte in der visuellen Erkennung mithilfe von Deep Learning genutzt, um ein Bildklassifizierungssystem zu entwickeln, das Fledermausindikatoren identifiziert. Es wurde eine Reihe von hochmodernen neuronalen Faltungsnetzwerken untersucht. Um den Datenmangel zu überwinden, wurden Parameter, die zuvor auf großen Datensätzen trainiert wurden, verwendet, um die gelernten Merkmalsrepräsentationen zu übertragen. Unter Verwendung eines Pools digitaler Fotos, die vom Virginia Department of Transportation (VDOT) gesammelt wurden, wurde ein visuelles Erkennungsmodell entwickelt, das in Tests eine Genauigkeit von 92,0 % erreichte. Um die Anwendung des entwickelten Modells zu erleichtern, wurde ein Prototyp einer Webanwendung erstellt, mit der Benutzer interaktiv Bilder von Flecken auf Bauwerken hochladen und Klassifizierungsergebnisse des Modells erhalten können. Die Webanwendung wird von VDOT in einer Pilotstudie eingesetzt, und es wird erwartet, dass der Erfolg des vorgeschlagenen Ansatzes zur Erleichterung von Fledermaus-Erhebungen und den daraus resultierenden Schutzbemühungen beitragen wird.