AI-система для моніторингу біорізноманіття під ключ

AI-система для моніторингу біорізноманіття під ключ

Ми розробляємо AI-системи для автоматизованого моніторингу біорізноманіття. Наша команда реалізувала проекти для заповідників, природоохоронних організацій та екологічних дослідників. Фотопастки, дрони з мультиспектральними камерами, гідрофони та акустичні датчики генерують терабайти даних на добу. Без AI обробити їх неможливо. Ручні польові спостереження охоплюють обмежені території: 2–3 спеціалісти за сезон обходять кілька квадратних кілометрів. AI-система покриває тисячі гектарів у реальному часі — в 200 разів більше за той самий період. AI-система обробляє дані в 20 разів швидше за команду з 3 дослідників.

Ми вирішуємо чотири ключові задачі: визначення видів за фото та звуком, підрахунок особин на аерофотознімках, re-ID конкретних тварин для довгострокового моніторингу, виявлення змін ареалів проживання. Зверніться до нас за консультацією — оцінимо ваш проект за 2 робочі дні.

Як працює AI-моніторинг біорізноманіття?

Система будується на двоступеневому пайплайні: YOLO-детектор виділяє тварин на знімку, EfficientNet-класифікатор визначає вид. Для re-ID особин використовується ArcFace-ембедінг, який порівнюється з галереєю. Акустичні дані аналізує BirdNET або PANN для класифікації птахів та інших тварин за звуком.

Усі компоненти розгортаються в Docker-контейнерах. Результати зберігаються в PostGIS для геопросторового аналізу. Дашборд на Grafana відображає карту активності та динаміку популяцій.

AI-детектор видів для моніторингу біорізноманіття

import numpy as np import cv2 import torch from ultralytics import YOLO from torchvision import models, transforms from PIL import Image from dataclasses import dataclass from typing import Optional import json @dataclass class WildlifeDetection: track_id: int species: str common_name_ru: str confidence: float bbox: list individual_id: Optional[str] behavior: Optional[str] camera_id: str timestamp: float class WildlifeMonitor: """ Детекція та класифікація диких тварин за знімками з фотопасток. Датасети: - iNaturalist (1.4M зображень, 5000+ видів) — для переднавчання - LILA BC (camera trap images) — leopard, snow leopard, ін. - Snapshot Serengeti (22M зображень, 48 видів) - CaltechCameraTraps (20 видів, Північна Америка) Двоступеневий пайплайн: YOLO detection → EfficientNet species classification. """ def __init__(self, detector_path: str, classifier_path: str, species_vocab_path: str, reid_model_path: Optional[str] = None, device: str = 'cuda'): self.detector = YOLO(detector_path) self.device = device with open(species_vocab_path) as f: vocab_data = json.load(f) self.species_list = vocab_data['species'] self.species_ru = vocab_data.get('species_ru', {}) self.classifier = models.efficientnet_b3(pretrained=False) n_classes = len(self.species_list) self.classifier.classifier[-1] = torch.nn.Linear( self.classifier.classifier[-1].in_features, n_classes ) state = torch.load(classifier_path, map_location=device) self.classifier.load_state_dict(state) self.classifier = self.classifier.to(device).eval() self.classify_transform = transforms.Compose([ transforms.Resize((300, 300)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) self.reid_model = None if reid_model_path: self.reid_model = torch.load(reid_model_path, map_location=device).eval() self._individual_gallery: dict[str, np.ndarray] = {} def process_camera_trap_image(self, image: np.ndarray, camera_id: str, timestamp: float) -> list[WildlifeDetection]: enhanced = self._enhance_camera_trap(image) detections_raw = self.detector( enhanced, conf=0.25, verbose=False ) results = [] for box in detections_raw[0].boxes: x1, y1, x2, y2 = map(int, box.xyxy[0]) track_id = int(box.id.item()) if box.id is not None else -1 crop = enhanced[max(0,y1):y2, max(0,x1):x2] if crop.size == 0: continue species, conf = self._classify_species(crop) species_ru = self.species_ru.get(species, species) behavior = self._estimate_behavior(crop, box) individual_id = None if self.reid_model: individual_id = self._get_individual_id(crop, species) results.append(WildlifeDetection( track_id=track_id, species=species, common_name_ru=species_ru, confidence=round(conf, 3), bbox=[x1, y1, x2, y2], individual_id=individual_id, behavior=behavior, camera_id=camera_id, timestamp=timestamp )) return results @torch.no_grad() def _classify_species(self, crop: np.ndarray) -> tuple[str, float]: pil = Image.fromarray(cv2.cvtColor(crop, cv2.COLOR_BGR2RGB)) tensor = self.classify_transform(pil).unsqueeze(0).to(self.device) logits = self.classifier(tensor) probs = torch.softmax(logits, dim=-1).squeeze() conf, idx = probs.max(dim=0) species = self.species_list[int(idx.item())] return species, float(conf.item()) def _enhance_camera_trap(self, image: np.ndarray) -> np.ndarray: hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) saturation = float(np.mean(hsv[:, :, 1])) if saturation < 20: gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8)) enhanced_gray = clahe.apply(gray) return cv2.cvtColor(enhanced_gray, cv2.COLOR_GRAY2BGR) lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) lab[:, :, 0] = clahe.apply(lab[:, :, 0]) return cv2.cvtColor(lab, cv2.COLOR_LAB2BGR) def _estimate_behavior(self, crop: np.ndarray, box) -> str: x1, y1, x2, y2 = map(int, box.xyxy[0]) w, h = x2 - x1, y2 - y1 aspect = w / max(h, 1) if aspect > 2.0: return 'resting' elif aspect < 0.6: return 'alert' return 'moving' @torch.no_grad() def _get_individual_id(self, crop: np.ndarray, species: str) -> Optional[str]: pil = Image.fromarray(cv2.cvtColor(crop, cv2.COLOR_BGR2RGB)) transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) tensor = transform(pil).unsqueeze(0).to(self.device) embedding = self.reid_model(tensor).squeeze().cpu().numpy() embedding /= np.linalg.norm(embedding) + 1e-8 best_match = None best_sim = 0.75 gallery_key = f'{species}_' for ind_id, gallery_emb in self._individual_gallery.items(): if not ind_id.startswith(gallery_key): continue sim = float(np.dot(embedding, gallery_emb)) if sim > best_sim: best_sim = sim best_match = ind_id if best_match is None: new_id = f'{species}_{len(self._individual_gallery)+1:04d}' self._individual_gallery[new_id] = embedding return new_id return best_match 

Метрики точності та терміни реалізації

Нижче — орієнтовні показники якості для типових задач моніторингу біорізноманіття. Метрики залежать від якості датасету та умов зйомки.

Акустичний моніторинг біорізноманіття

Звукові дані відкривають доступ до видів, які складно виявити візуально. Нічні птахи, кажани, водні ссавці — всі вони залишають акустичний слід. Ми розгортаємо гідрофони та акустичні рекордери (AudioMoth, SongMeter) і обробляємо записи за допомогою BirdNET та PANN.

Процес акустичного аналізу включає три етапи. Спочатку аудіофайл нарізається на сегменти по 3–5 секунд. Потім кожен сегмент перетворюється на мел-спектрограму і передається в класифікатор. Фінальний крок — post-processing: об'єднання суміжних детекцій одного виду в подію, фільтрація за мінімальним порогом впевненості 0.5.

Точність BirdNET на птахах Європи та Північної Америки досягає cmAP 72–78% на змаганні BirdCLEF. Для екзотичних або тропічних видів потрібне донавчання на регіональних даних. Ми допомагаємо зібрати та розмітити навчальний корпус.

Інтеграція з геоінформаційними системами

Дані моніторингу зберігаються в PostGIS. Кожне спостереження має координати, часову мітку та ідентифікатор джерела. QGIS і ArcGIS підключаються безпосередньо через PostGIS-конектор. Для дашборду використовуємо Grafana з плагіном Geomap — сітка спостережень оновлюється щогодини.

Популяційні тренди розраховуються через ковзне вікно 30 днів. Аномальне зниження активності виду більш ніж на 30% від середнього базису автоматично генерує алерт. Це дозволяє екологам оперативно реагувати на зміни до складання квартального звіту.

Що входить в роботу

1. Аудит даних: інвентаризація датчиків, форматів та обсягів матеріалу.
2. Розмітка та навчання: створення датасету, fine-tuning детектора та класифікатора.
3. Пайплайн обробки: автоматична обробка знімків фотопасток, ортофото або аудіозаписів.
4. Картографічний дашборд: візуалізація активності видів на карті з фільтрами.
5. Документація та навчання команди: інструкції з експлуатації та API-специфікація.
6. Технічна підтримка: 3 місяці супроводу після запуску.

Орієнтовні терміни

Середня вартість проекту: від 5000 євро.

Чи можна навчити модель на власних даних?

Так, ми пропонуємо fine-tuning моделей на ваших даних. Наприклад, для фермерського господарства ми навчили детектор розпізнавати 5 видів птахів за 3 тижні. Вартість донавчання – від 1500 євро.

Ми працюємо на ринку AI-моніторингу 5+ років, реалізували 20+ проектів для заповідників, екологічних НКО та промислових підприємств. Наші клієнти цінують, що система працює офлайн: всі моделі розгортаються на власній інфраструктурі, дані не покидають периметр.

Замовте консультацію — оцінимо ваші дані та запропонуємо оптимальну архітектуру. Зв'яжіться з нами для попереднього аудиту матеріалу. Гарантуємо передачу вихідного коду та документації після завершення проекту.