A CEDNet-based Algorithm for Cattle Detection and Counting in Complex Farming Environment in UAV Imagery

In den weiten, offenen Landschaften der modernen Landwirtschaft ist die Verwaltung großer Rinderherden eine Aufgabe, die ständige Wachsamkeit erfordert. Landwirte müssen genau wissen, wie viele Tiere sie haben, wo sie sich befinden und wie sie sich verhalten, um die Gesundheit der Herde und die Effizienz des Bauernhofs zu gewährleisten. Jahrzehntelang bedeutete dies, die Felder abzulaufen oder sich auf teure, arbeitsintensive Zähnmethode zu verlassen. Heute bietet die Technologie eine neue Perspektive: unbemannte Luftfahrzeuge, oder Drohnen, die über Weiden fliegen und hochauflösende Bilder des darunter liegenden Viehs aufnehmen können. Diese Bilder bieten eine Vogelperspektive, die vom Boden aus unmöglich zu erreichen ist, stellen aber auch eine einzigartige Herausforderung für Computer dar. Wenn eine Drohne auf eine dichte Ansammlung von Kühen herabblickt, überschneiden sich die Tiere oft, verdecken einander oder verschmelzen mit dem schlammigen Boden und den Schatten. Standard-Computerprogramme, die normalerweise darauf trainiert sind, Objekte zu erkennen, indem sie Kästen um sie herum zeichnen, haben in solchen chaotischen Szenen oft Schwierigkeiten. Sie könnten eine Kuh übersehen, die hinter einer anderen verborgen ist, oder sie könnten durch die schiere Anzahl der eng zusammenstehenden Tiere verwirrt werden. Darüber hinaus erfordert das Lehren eines Computers, diese Tiere zu erkennen, meistens, dass Menschen Stunden damit verbringen, präzise Kästen oder Umrisse um jede einzelne Kuh in tausenden von Fotos zu zeichnen – ein Prozess, der langsam, teuer und schwer skalierbar ist.

Um diese Probleme zu lösen, hat ein Forscherteam der Chengdu University of Information Technology und der Southwest Minzu University einen neuen Weg zur Zählung von Rindern mittels Drohnenbildern entwickelt. Sie haben einen spezialisierten Computeralgorithmus namens C2Net entwickelt, der speziell darauf ausgelegt ist, die unordentliche, überfüllte Realität eines arbeitenden Bauernhofs zu bewältigen. Anstatt Menschen zu bitten, komplexe Kästen um jedes Tier zu zeichnen, erfordert die neue Methode lediglich einen einfachen Punkt, um die Mitte jeder Kuh zu markieren. Diese winzige Änderung in der Art der Datenaufbereitung reduziert den Zeit- und Kostenaufwand für das Training des Systems drastisch. Die Forscher erstellten eine massive neue Bildersammlung namens HerdSet7K, die fast 7.000 Fotos von Rindern in verschiedenen Umgebungen enthält, von offenen Graslandschaften bis hin zu überfüllten Futterstellen. Dieser Datensatz umfasst Szenen, in denen Kühe so dicht beieinander stehen, dass sie eine feste Masse bilden, sowie Szenarien, in denen sie weit verstreut sind, was es dem Computer ermöglicht zu lernen, Individuen zu unterscheiden, selbst wenn sie sich berühren oder teilweise verdeckt sind.

Der Kern dieses neuen Systems ist eine clevere Art und Weise, dem Computer Distanz und Raum beizubringen. Anstatt nur nach der Form einer Kuh zu suchen, generiert der Algorithmus eine Karte, die zeigt, wie weit jeder Punkt im Bild von der nächsten Kuh entfernt ist. In Bereichen, in denen die Kühe dicht gedrängt stehen, erstellt diese Karte ausgeprägte, nicht überlappende Zonen für jedes Tier, was es dem Computer ermöglicht, die exakte Mitte jedes einzelnen Tieres zu bestimmen, ohne durch die Menge verwirrt zu werden. Dieser Ansatz, den die Forscher als „focal inverse distance transform“ bezeichnen, wirkt wie ein Leitfaden, der dem Computer hilft, einzelne Tiere zu trennen, selbst wenn sie visuell miteinander verschmolzen sind. Durch den Einsatz dieser Technik kann das System die Herde mit hoher Präzision zählen und gleichzeitig erfassen, wo sich jedes Tier befindet – eine Fähigkeit, die essenziell ist, um Fressgewohnheiten zu überwachen oder festzustellen, ob eine Kuh verletzt ist oder kämpft.

Als die Forscher ihr neues System gegen andere führende Computer-Vision-Modelle testeten, zeigten die Ergebnisse einen klaren Vorteil unter schwierigen Bedingungen. In Szenarien, in denen der Boden schlammig war, die Lichtverhältnisse schlecht waren oder die Kühe in dichten Gruppen zusammenstanden, versagten traditionelle Modelle oft, indem sie viele Tiere übersehen oder falsch gezählt hatten. Das neue C2Net-System hingegen behielt seine Genauigkeit bei. In Tests mit Hunderten von Bildern erreichte das System eine Fehlerrate beim Zählen, die signifikant niedriger war als die seiner Konkurrenten, mit einer durchschnittlichen Differenz von etwa 20 Tieren pro Bild im Vergleich zur tatsächlichen Anzahl. Wichtiger noch war, dass es in der Lage war, einzelne Kühe mit einem hohen Grad an Gewissheit zu lokalisieren, selbst in den am dichtesten besetzten Gehegen, bei denen andere Systeme aufgaben. Das System erwies sich zudem als effizient genug, um auf kleineren, tragbaren Computern zu laufen, was bedeutet, dass es potenziell in Echtzeit auf Drohnen oder Agrarrobotern eingesetzt werden könnte, ohne massives, teures Serverequipment zu benötigen.

Die Studie zeigt, dass es möglich ist, die Überwachung von Nutztieren zu automatisieren, und zwar auf eine Weise, die sowohl hochpräzise als auch praktisch für die reale Landwirtschaft ist. Durch die Verlagerung des Fokus von komplexen, zeitaufwendigen Annotationen hin zu einfachen Punktmarkierungen haben die Forscher die Hürden für die Erstellung dieser intelligenten Systeme gesenkt. Die neue Methode zählt nicht nur die Tiere; sie liefert eine zuverlässige Karte der Verteilung der Herde, was Landwirten helfen kann, bessere Entscheidungen über die Ressourcenallokation und das Tierwohl zu treffen. Das Team hat seinen Datensatz und den Code für den Algorithmus öffentlich zugänglich gemacht, in der Hoffnung, dass dieser offene Ansatz die Entwicklung smarterer, effizienterer Werkzeuge für die Zukunft der Landwirtschaft beschleunigt. Letztendlich bietet die Arbeit eine praktische Lösung für ein hartnäckiges Problem, indem sie das chaotische visuelle Rauschen einer überfüllten Weide in klare, handlungsrelevante Daten für den Landwirt verwandelt.