•  
  •  
 

Keywords

Biosecurity, Santa Cruz Island, AI-assisted camera detection

Abstract

Early detection of nonnative mammal incursions enables rapid management actions that are needed to prevent full-scale invasions. As biosecurity monitoring tools, camera traps can aid in the detection of nonnative species; however, the burden of image management and resources required to access cameras regularly for image collection both inflate costs and extend the latency period between invasive animal detection and manager response. Here, we describe a wireless camera network on Santa Cruz Island (SCI) that enabled instantaneous transfer of camera images from remote field sites to the cloud. Initial classification of images by machine learning allowed human reviewers to prioritize examining photos of possible concern. Comparison of AI predictions and human-validated image labels confirmed that machine-learning models had high recall (or a low false negative rate) for image sequences containing rodents. Comparisons with a prior SD-card-based camera system on SCI revealed significant improvements in data review frequency and reliability, improving the likelihood of prompt nonnative species detection. Despite higher initial equipment costs, networked cameras were cost-effective over time, outperforming traditional methods in long-term deployments. Future iterations of the network could leverage cellular or satellite networks for broader scalability, enhancing biosecurity and general conservation efforts on islands and other vulnerable protected sites.


La detección temprana de mamíferos no nativos permite llevar a cabo acciones de gestión rápidas que son necesarias para prevenir grandes invasiones. Como herramientas de monitoreo de bioseguridad, las cámaras trampa pueden ayudar en la detección de especies no nativas. Sin embargo, la responsabilidad de gestionar las imágenes y los recursos que se requieren para acceder a las cámaras de forma regular para recolectar las imágenes, incrementan los costos y extienden el período de latencia entre la detección de animales invasores y la respuesta del gestor. En este trabajo, describimos una red de cámaras inalámbricas en la Isla Santa Cruz (“SCI”, por sus siglas en inglés) que permitió la transferencia instantánea de las imágenes de las cámaras desde los sitios remotos hasta “la nube”. La clasificación inicial de imágenes mediante aprendizaje automático permitió que los revisores humanos priorizaran el análisis de fotos de posible preocupación. La comparación de las predicciones de la “IA” y las etiquetas de imágenes validadas por humanos confirmó que los modelos de aprendizaje automático tenían una alta tasa de recuperación (o una baja tasa de falsos negativos) para secuencias de imágenes que contenían roedores. Las comparaciones con un sistema previo de cámaras basado en tarjeta SD en la “SCI” revelaron mejoras significativas en la frecuencia y fiabilidad de la revisión de datos, mejorando así la probabilidad de detección rápida de especies no nativas. A pesar del mayor costo inicial de los equipos, las cámaras colocadas en red resultaron ser rentables a lo largo del tiempo, consiguiendo mejores resultados que los métodos tradicionales. Las iteraciones futuras de la red podrían hacer uso de las redes celulares o satelitales para tener una amplia escalabilidad, mejorando los esfuerzos de bioseguridad y conservación general en islas y otros sitios protegidos vulnerables.

Download

Share

COinS