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

En los vastos y abiertos paisajes de la agricultura moderna, la gestión de grandes manadas de ganado es una tarea que exige una vigilancia constante. Los agricultores necesitan saber exactamente cuántos animales tienen, dónde están y cómo se comportan para asegurar la salud de la manada y la eficiencia de la granja. Durante décadas, esto ha significado recorrer los campos a pie o depender de métodos de conteo costosos y que requieren mucha mano de obra. Hoy en día, la tecnología ofrece una nueva perspectiva: vehículos aéreos no tripulados, o drones, que pueden volar sobre los pastizales y capturar imágenes de alta resolución del ganado que se encuentra debajo. Estas imágenes proporcionan una vista aérea que es imposible obtener desde el suelo, pero también presentan un desafío único para las computadoras. Cuando un dron mira hacia abajo a una multitud densa de vacas, los animales a menudo se superponen, se ocultan unos a otros o se mezclan con el suelo lodoso y las sombras. Los programas informáticos estándar, que suelen estar entrenados para reconocer objetos dibujando cajas alrededor de ellos, a menudo tienen dificultades en estas escenas caóticas. Podrían pasar por alto una vaca escondida detrás de otra, o podrían confundirse por la gran cantidad de animales agrupados. Además, enseñar a una computadora a reconocer estos animales suele requerir que los humanos pasen horas dibujando cajas precisas o contornos alrededor de cada una de las vacas en miles de fotos, un proceso que es lento, costoso y difícil de escalar.

Para resolver estos problemas, un equipo de investigadores de la Universidad de Información de Chengdu y la Universidad de Minzu del Suroeste ha desarrollado una nueva forma de contar ganado utilizando imágenes de drones. Crearon un algoritmo informático especializado llamado C2Net, el cual está diseñado específicamente para manejar la realidad desordenada y concurrida de una granja en funcionamiento. En lugar de pedir a los humanos que dibujen cajas complejas alrededor de cada animal, el nuevo método solo requiere un simple punto para marcar el centro de cada vaca. Este pequeño cambio en la forma en que se preparan los datos reduce drásticamente el tiempo y el costo necesarios para entrenar el sistema. Los investigadores construyeron una nueva y masiva colección de imágenes, llamada HerdSet7K, que contiene casi 7,000 fotos de ganado en diversos entornos, desde praderas abiertas hasta corrales de alimentación abarrotados. Este conjunto de datos incluye escenas donde las vacas están tan juntas que forman una masa sólida, así como escenarios donde están dispersas, permitiendo que la computadora aprenda a distinguir individuos incluso cuando se están tocando o están parcialmente ocultos.

El núcleo de este nuevo sistema es una forma ingeniosa de enseñar a la computadora a ver la distancia y el espacio. En lugar de buscar solo la forma de una vaca, el algoritmo genera un mapa que muestra qué tan lejos está cada punto de la imagen de la vaca más cercana. En áreas donde las vacas están agrupadas densamente, este mapa crea zonas distintas y no superpuestas para cada animal, lo que permite a la computadora localizar con precisión el centro exacto de cada una sin confundirse por la multitud. Este enfoque, que los investigadores llaman transformación de distancia inversa focal, actúa como una guía que ayuda a la computadora a separar animales individuales incluso cuando están visualmente fusionados. Al utilizar esta técnica, el sistema puede contar la manada con alta precisión mientras también realiza un seguimiento de dónde se encuentra cada animal, una capacidad que es esencial para monitorear los hábitos de alimentación o detectar si una vaca está herida o peleando.

Cuando los investigadores probaron su nuevo sistema contra otros modelos de visión computacional líderes, los resultados mostraron una clara ventaja en condiciones difíciles. En escenarios donde el suelo era lodoso, la iluminación era deficiente o las vacas estaban agrupadas en grupos densos, los modelos tradicionales a menudo fallaban, perdiendo muchos animales o contándolos incorrectamente. El nuevo sistema C2Net, sin embargo, mantuvo su precisión. En pruebas que involucraron cientos de imágenes, el sistema logró una tasa de error de conteo significativamente menor que sus competidores, con una diferencia promedio de aproximadamente 20 animales por imagen en comparación con el conteo real. Más importante aún, fue capaz de localizar vacas individuales con un alto grado de certeza, incluso en los corrales más concurridos donde otros sistemas se rendían. El sistema también demostró ser lo suficientemente eficiente como para ejecutarse en computadoras más pequeñas y portátiles, lo que significa que podría utilizarse en drones o robots agrícolas en tiempo real sin necesidad de servidores masivos y costosos.

El estudio demuestra que es posible automatizar el monitoreo del ganado de una manera que sea tanto altamente precisa como práctica para la agricultura real. Al cambiar el enfoque de anotaciones complejas y laboriosas a marcadores de puntos simples, los investigadores han reducido la barrera para la creación de estos sistemas inteligentes. El nuevo método no solo cuenta los animales; también proporciona un mapa confiable de la distribución de la manada, lo que puede ayudar a los agricultores a tomar mejores decisiones sobre la asignación de recursos y el bienestar animal. El equipo ha puesto a disposición del público su conjunto de datos y el código del algoritmo, con la esperanza de que este enfoque abierto acelere el desarrollo de herramientas más inteligentes y eficientes para el futuro de la agricultura. Al final, el trabajo ofrece una solución práctica a un problema persistente, convirtiendo el ruido visual caótico de un pastizal concurrido en datos claros y accionables para el agricultor.