A Hybrid Computer Vision and AI Framework for Wildlife Hospital Patient Identification Systems: Kangaroo Facial Recognition as a Case Study

Dans les recoins silencieux des hôpitaux de la faune sauvage, une crise silencieuse de la mémoire se joue quotidiennement. Ces centres sont des sanctuaires où sont soignés des animaux indigènes blessés, mais contrairement aux animaux domestiques, les patients sauvages arrivent sans nom, sans collier ni puce électronique. Ils sont souvent trop stressés pour être manipulés, trop blessés pour être identifiés par une étiquette, et trop similaires en apparence pour être distingués à l'œil nu. Pour les bénévoles qui s'en occupent, identifier un kangourou spécifique parmi un groupe de sosies repose entièrement sur la mémoire humaine et des indices visuels éphémères comme une cicatrice ou un morceau d'oreille manquant. Ce système est fragile ; lorsqu'un bénévole part, le savoir de qui est qui part souvent avec lui, risquant des doublons dans les dossiers, des erreurs de traitement et la perte d'historiques. Pour résoudre cela, les chercheurs se tournent vers une branche de la science appelée vision par ordinateur, qui apprend aux machines à voir et à reconnaître des motifs de la même manière que les humains. En combinant cela avec l'intelligence artificielle, plus précisément une méthode qui apprend à mesurer les subtiles différences entre les visages, les scientifiques espèrent construire une mémoire numérique qui n'oublie jamais, permettant aux hôpitaux de suivre chaque patient du moment du sauvetage jusqu'à sa remise en liberté dans la nature.

Au Possumwood Wildlife Recovery Centre, en Nouvelle-Galles du Sud, ce défi est immédiat et constant. Les kangourous gris de l'Est constituent la majorité des admissions, et ils sont notoirement difficiles à distinguer. Deux joeys sauvés du même incident, souffrant peut-être tous deux de lésions des tissus mous sans marques uniques, peuvent devenir si visuellement indiscernables pour un observateur humain qu'ils sont traités comme une seule et même entité. La méthode actuelle d'identification est manuelle, reposant sur les bénévoles qui doivent se souvenir des visages ou noter des bandages temporaires, un processus qui est subjectif, sujet à l'erreur et impossible à mettre à l'échelle à mesure que le nombre d'animaux sauvés augmente. Pour y remédier, une équipe de chercheurs de l'Université de Technologie de Sydney et de Possumwood a développé un nouveau système conçu pour identifier automatiquement les kangourous individuels à l'aide de leurs visages. Ils n'ont pas simplement construit une caméra qui prend une photo ; ils ont créé un flux de travail complet qui capture une vidéo, trouve le visage de l'animal et utilise l'apprentissage profond pour créer une signature numérique unique pour chaque kangourou, permettant au système de faire correspondre une nouvelle photo à une base de données de patients connus sans jamais avoir besoin de toucher l'animal.

Les chercheurs ont commencé par collecter un ensemble de données réelles directement auprès du centre de réhabilitation. Ils ont rassemblé des images et de courtes séquences vidéo d'environ 70 kangourous individuels, travaillant aux côtés des bénévoles pour s'assurer que chaque animal était correctement identifié. Il ne s'agissait pas d'un environnement de laboratoire contrôlé ; les animaux étaient stressés, blessés et souvent en mouvement, ce qui rendait les données désordonnées et difficiles à traiter. Après avoir filtré les images floues et les clichés de faible qualité, ils se sont retrouvés avec un ensemble organisé de 68 individus distincts. Pour entraîner leur système, ils ont dû apprendre à l'ordinateur à ignorer les détails non pertinents comme la couleur d'un bandage ou l'arrière-plan de l'enclos pour se concentrer uniquement sur les traits subtils et permanents du visage du kangourou. Ils ont traité des milliers d'images, décomposant les vidéos en images individuelles pour capturer l'animal sous différents angles et conditions d'éclairage, garantissant ainsi que le système apprenne la véritable identité de l'animal plutôt qu'un simple instantané.

Pour tester leurs idées, l'équipe a construit et comparé trois types différents de modèles d'intelligence artificielle. Le premier modèle a été conçu pour analyser une séquence d'images vidéo, un peu comme un humain regardant un kangourou bouger la tête, afin de recueillir plus d'informations qu'une seule image fixe pourrait fournir. Les deux autres modèles analysaient une seule photo à la fois, utilisant différentes stratégies mathématiques pour décider de la similitude entre deux visages. L'un de ces modèles à image unique a été conçu pour être plus simple et plus rapide, tandis que l'autre a été construit pour être plus strict dans la séparation des différentes identités. Les chercheurs ont entraîné les trois modèles sur leur ensemble de données, puis les ont testés sur un groupe d'images distinctes que les ordinateurs n'avaient jamais vues auparavant. L'objectif était de voir si le système pouvait regarder une nouvelle photo d'un kangourou et dire correctement : « C'est le même animal que nous avons vu hier » ou « C'est un nouveau patient ».

Les résultats ont montré que l'approche basée sur la vidéo était la plus efficace. Le modèle qui analysait les séquences d'images a atteint un taux de réussite de 95,1 % pour identifier correctement le kangourou comme étant la correspondance principale dans l'ensemble de test, et a notamment atteint un taux de récupération de Rang-1 de 100 %, ce qui signifie qu'il a correctement identifié la correspondance principale pour chaque requête dans cette évaluation spécifique en ensemble fermé. Cependant, les chercheurs ont souligné que ce score parfait doit être considéré comme une limite supérieure pour cette configuration de test spécifique plutôt que comme la preuve que la tâche est totalement résolue, car les conditions réelles avec de nouveaux patients et des requêtes en ensemble ouvert présentent des défis plus importants. Les modèles plus simples qui regardaient des photos uniques ont également bien performé, identifiant correctement le bon animal environ 82 % du temps, ce qui représente une amélioration significative par rapport aux méthodes manuelles actuelles, mais reste inférieur à la précision du modèle vidéo. Les chercheurs ont découvert que la capacité du modèle vidéo à voir l'animal sur quelques instants lui permettait de capturer des détails subtils, comme la forme d'une oreille ou la texture de la fourrure, qui pourraient être manqués dans une seule image figée. Ils ont également découvert que la rigueur des règles mathématiques utilisées pour comparer les visages importait ; pour certains kangourous très similaires, une approche plus souple fonctionnait mieux, tandis que pour d'autres, une approche plus stricte était nécessaire pour les distinguer.

Malgré la haute précision, les chercheurs ont pris soin de noter les limites de leur travail. Le système a été testé sur un groupe relativement restreint de 68 kangourous, alors que dans un hôpital réel, le nombre de patients augmente constamment. L'étude a également mis en évidence un piège potentiel : l'ordinateur peut parfois apprendre les mauvaises choses. Dans un cas précis, le système est devenu exceptionnellement doué pour identifier un joey spécifique, non pas grâce à son visage, mais parce qu'il avait des résidus de lait sur son museau suite à un repas récent. La machine s'était accrochée à cette caractéristique temporaire comme un identifiant permanent, une erreur qui disparaîtrait une fois l'animal nettoyé. Cela rappelle que, bien que la technologie soit puissante, elle doit être utilisée avec une supervision humaine pour s'assurer qu'elle reconnaît l'animal lui-même et non un artefact éphémère. Les chercheurs ont également noté que dans la nature, les kangourous apparaissent souvent en groupes, et que le système actuel est conçu pour identifier un animal à la fois, ce qui présente un nouveau défi pour le développement futur.

Le but ultime de cette recherche n'est pas seulement de construire un algorithme ingénieux, mais de créer un outil pratique qui s'intègre dans le rythme quotidien d'un hôpital de la faune sauvage. Le système proposé est conçu pour être non invasif, ne nécessitant qu'une photo ou une courte vidéo prise par un bénévole avec un appareil mobile. Le logiciel vérifierait ensuite instantanément l'image par rapport à la base de données de l'hôpital pour confirmer l'identité de l'animal ou le signaler comme un nouveau patient. Cela éliminerait la nécessité pour les bénévoles de se fier à leur mémoire ou de vérifier auprès de plusieurs personnes, réduisant ainsi le risque d'erreurs dans les dossiers médicaux et les plans de traitement. Bien que l'étude actuelle prouve qu'un tel système est techniquement réalisable et hautement précis dans un test contrôlé, les chercheurs envisagent un avenir où cette technologie sera intégrée dans le flux de travail de l'hôpital, soutenant le personnel dans le soin de centaines d'animaux chaque année. En donnant à chaque kangourou blessé une identité numérique persistante, le système promet de rendre la réhabilitation de la faune plus efficace, plus sûre et plus durable, garantissant qu'aucun animal ne soit perdu dans le tumulte d'un centre de réhabilitation très occupé.