Propuesta: 2016-01-2341, Problemas Nacionales.
Resultado de evaluación (CONACYT): Altamente recomendable, sin financiamiento.
Abstract
México is a biodiversity rich country. However, human activity is constantly affecting the natual areas. Besides the goverment efforts of declaring protected natural áreas and spending resources on its surveillance, so far, they have been insufficient. In this project, we aim to develop an automatic system for natural áreas surveillance (VIGIA). We believe that recent artificial intelligence discoveries can leverage the current efforts, therefore, we are investigating the use of umanned micro air vehicles, also known as drones, and state-of-the-art object recognition techniques for automating the surveillance.
[Español]
México es un país rico en biodiversidad. Sin embargo, la actividad humana está afectando constantemente a las áreas natuales. Además de los esfuerzos del gobierno de declarar las áreas naturales protegidas y los recursos de gasto en su vigilancia, hasta el momento, han sido insuficientes. En este proyecto, nuestro objetivo es desarrollar un sistema automático de vigilancia de áreas naturales (VIGIA). Creemos que los descubrimientos recientes de inteligencia artificial pueden aprovechar los esfuerzos actuales, por lo tanto, estamos investigando el uso de vehículos micro aéreos utripulados, también conocidos como drones, y técnicas de reconocimiento de objetos de vanguardia para automatizar la Vigilancia.
[Mixteco, Altos de Oaxaca]
Ku Kiunro ne’e va’a na du va’ana tivì, na du va’ana yutu. Ntida ña yivi danre’e kua nti daà kivi ya’a. Tse tastuni ntse da’anretsa tuini, sa choo yavi’itsa ñayivi, nra kueètsa nra’a chò sa kuntsà tivì xi ntida yutu nanre’e, vita kidakaxi nts’e ka va tuini. Cho kidava’ada e’eda nchojda ntidada kadava’ada e nra’acho san a kuntsa ntida tivì xi ntida iutu nanre’e . Ntida tse nrakadachò tujda e’eda sa chintse’e ña e sa da ketu vita ntida tse nra ka’avi ntse’e va kii nani “inteligencia artificial” , ntidada e’eda kavi’ida ntida e sa kè tù sa na nanre’e nani “vehículos micro aéreos no tripulados”,da sa na kini medì e yutu nanre’e, ntida na ku ta’a sa medì na kada ntidà.
Introducción
México es un país rico en diversidad geográfica y biológica. De acuerdo a la Comisión Nacional de Áreas Naturales Protegidas (CONANP) existen 45 reservas de la biósfera con una extensión total de 77,761,530 hectáreas. Dichas reservas se caracterizan por tener un alto valor científico, destacada belleza o por contener flora y fauna endémica. A partir de que una zona es declarada como reserva de la biósfera (RB) se toman acciones para conservarla. Sin embargo, como se menciona en [3], los esfuerzos económicos y logísticos invertidos en la protección de dichas áreas han sido insuficientes. Para estimar el daño causado a las RB, es importante tener en cuenta el porcentaje de transformación del uso de suelo y vegetación (TUSV) [1]. De acuerdo con [1], entre 1993 y 2002 las áreas protegidas tenían un 20% de TUSV. En el caso particular de la RB Tehuacán-Cuicatlán (lugar de pruebas, ver figura 1) para el año 2000 ya se habían transformado 72,063 Ha, que corresponden al 14.69.8% de la superficie total de la reserva [2]. En los años siguientes, hasta el 2007, el estudio muestra que la tasa de cambio anual se ha incrementado; desde un 0.07% para el periodo 1989-2000, hasta 0.15% para el periodo 2003-2007, lo que indica una duplicación de la tasa en un corto periodo de tiempo.
Las principales causas de la TUSV son las actividades humanas (AH) de tala, cacería, explotación minera, agricultura, entre otras. Las medidas reportadas que se han tomado para proteger las RB contra la actividad humana abarcan al menos tres tipos: i) vigilancia por parte de personal y comunidad, ii) supervisión vía satélite y iii) sensores en sitio. La vigilancia por parte de personal y comunidad es insuficiente debido a la gran magnitud de las áreas, además de estar susceptibles a corrupción, como es el caso de la caza clandestina y tráfico de especies. La supervisión vía satélite está limitada a una resolución espacial (área por pixel) baja y está desfasada temporalmente cuando el servicio es gratuito; utilizar imágenes recientes involucraría un enorme costo. Para el caso de los sensores en sitio, como cámaras o sensores de movimiento, éstos cubren un campo de vista limitado y se requiere que un usuario extraiga la información constantemente debido a que no cuentan con conexión a internet.
Por las razones mencionadas, es necesario complementar la vigilancia de las RB. Una opción es utilizar vehículos aéreos no tripulados (VANTs) que planifiquen sus rutinas de vigilancia de tal forma que se verifique si existe actividad humana. El beneficio de dichos vehículos reside en que i) las observaciones pueden cubrir una mayor extensión de terreno, desde decenas de Ha con vehículos multirotor hasta 1,200 Ha con vehículos de ala fija (SenseFly Ebee); ii) los reportes no están susceptibles a errores humanos o corrupción, iii) pueden reportar anomalías de forma casi inmediata a diferencia de las supervisiones satelitales y iv) podrían auxiliar en la recopilación automática de la información almacenada en los sensores en sitio. En el ámbito internacional ya existen los primeros desarrollos para la supervisión de áreas naturales [8]. Sin embargo, todavía no son totalmente eficaces dado que requieren personal capacitado que planifique las misiones, mantenga las aeronaves y revise los videos. Además, aún con el uso de
VANTs sólo es posible cubrir una pequeña parte de las RB, por ejemplo, utilizando un ala fija de última generación se cubre menos del 0.5 % de la superficie de la reserva Tehuacán-Cuicatlán.
En este proyecto se plantea el desarrollo de un sistema de vigilancia autónoma inteligente (VIGIA), compuesto por algoritmos de inteligencia artificial (IA), robótica probabilista y visión computacional (VC) aplicados a la cobertura con VANTs, que complemente la vigilancia de las RB. La propuesta se centra en la autonomía y en la inteligencia de los vuelos, es decir, planificación espacial y temporal de los vuelos de forma autónoma, optimización de las rutas y análisis de las imágenes a bordo de la aeronave, evitando la necesidad de un piloto en tierra y una persona que esté monitoreando continuamente los videos. A largo plazo, esperamos que el sistema de vigilancia sea útil en los siguientes casos de ejemplo:
- Un incendio inicia dentro de la RB, el VANT detecta el incendio y manda el reporte de forma inmediata.
- Ocurre una actividad de caza ilegal, el vehículo planifica su recorrido de tal forma que maximice la probabilidad de encontrar a las personas o vehículos que realizan la caza y transmite la información para que las autoridades correspondientes actúen.
- Existe degradación de la zona por tala clandestina, el sistema detecta el cambio de acuerdo al historial fotográfico y emitir una alerta.
Objetivos y Resultados Obtenidos
Planificación de rutas
Desarrollar un algoritmo de planificación que maximice la cobertura y minimice la incertidumbre de la AH. En trabajos previos [4], [5] y [6] hemos propuesto algoritmos que determinan las vistas de un sensor para observar la superficie completa de un objeto. Criterios similares se puede utilizar para encontrar las vistas que debe de tomar el VANT para cubrir las superficies de terreno. Por otro lado, en la planificación de rutas hemos propuesto algoritmos de planificación para VANT multirotor[7,9] (ver figura 3) , en el proyecto se extenderían los algoritmos propuestos para cubrir superficies posiblemente disjuntas con vehículos de ala fija. Algunas ideas iniciales incluyen el uso de procesos de decisión de Markov (MDPs) los cuales permiten calcular la serie de acciones que llevan a alcanzar una meta considerando las acciones como
procesos estocásticos en lugar de determinísticos.
Publicaciones realizadas:
- Juan Irving Vasquez-Gomez, Magdalena Marciano-Melchor, Luis Valentin, Juan Carlos Herrera-Lozada, Coverage Path Planning for 2D Convex Regions. Journal of Intelligent & Robotic Systems. 2019
vg_coverage_journal_accepted This is a post-peer-review, pre-copyedit version of an article published in Journal of Intelligent & Robotic Systems. The final authenticated version is available online at: https://doi.org/10.1007/s10846-019-01024-y.
Análisis de las imágenes.
La detección de patrones en imágenes es una área de investigación extensa. Dadas las restricciones temporales del proyecto, se pretende estudiar e implementar algoritmos de aprendizaje profundo para detectar automóviles y humanos en una imagen capturada por un VANT. Supondremos que la detección de humanos o automóviles es suficiente para indicar actividad humana.
Publicaciones realizadas:
- Efren López-Jiménez, Juan Irving Vasquez-Gomez, Miguel Angel Sanchez-Acevedo, Juan Carlos Herrera-Lozada, Abril Valeria Uriarte-Arcia, Columnar Cactus Recognition in Aerial Images using a Deep Learning Approach. Ecological Informatics. 2019.
Accepted version: rp_cactus_recognition_accepted The final authenticated version is available online at: https://doi.org/10.1016/j.ecoinf.2019.05.005
Material descargable:
- Cactus aerial images dataset. https://www.kaggle.com/irvingvasquez/cactus-aerial-photos
Videos:
Bibliografía
[1] Figueroa, F., Sánchez-Cordero, V., Illoldi-Rangel, P., & Linaje, M. (2011). Evaluación de la efectividad de las áreas protegidas para contener procesos de cambio en el uso del suelo y la vegetación. ¿Un índice es suficiente?. Revista mexicana de biodiversidad, 82(3), 951-963.
[2] Velasco Tapia, B. P., ¿Estimación y Actualización de la Tasa de Transformación del Hábitat de las Áreas Naturales Protegidas SINAP I y SINAP II del FANP, 2009.
[3] Prieto, J. L. P. (2013). Geositios, geomorfositios y geoparques: importancia, situación actual y perspectivas en México. Investigaciones Geográficas, Boletín del Instituto de Geografía, 2013(82), 24-37.
[4] Vasquez Gomez J.I. Planificación de vistas para reconstrucción tridimensional de objetos con robots móviles. Tesis doctoral, INAOE, 2014.
[5] Vasquez-Gomez, J. I., Sucar, L. E., Murrieta-Cid, R., & Lopez-Damian, E. (2014). Volumetric next-best-view planning for 3d object reconstruction with positioning error. International Journal of Advanced Robotic Systems, 11.
[6] Vasquez-Gomez, J. I., Sucar, L. E., & Murrieta-Cid, R. (2015). View/state planning for threedimensional object reconstruction under uncertainty. Autonomous Robots, 1-21.
[7] Vasquez-Gomez, Gomez-Castañeda, Muñoz de Cote, Herrera-Lozada, Multirotor UAV
Coverage Planning under Wind Conditions, 2016 International Conference on Mechatronics, Electronics and Automotive Engineering.
[8] Zhang, J., Hu, J., Lian, J., Fan, Z., Ouyang, X., & Ye, W. (2016). Seeing the forest from
drones: Testing the potential of lightweight drones as a tool for long-term forest monitoring. Biological Conservation, 198, 60-69.
Contributors:
Miguel Angel Sanchez Acevedo – UNCA
Armas García Eduardo – UNCA
Cano Martínez Rafael – UNCA
Mota Carrera Luis Cresencio – UNCA
Efrén López Jiménez – IPN
Abril Uriarte – IPN