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

Dans les vastes paysages ouverts de l'agriculture moderne, la gestion de grands troupeaux de bovins est une tâche qui exige une vigilance constante. Les agriculteurs doivent savoir exactement combien d'animaux ils possèdent, où ils se trouvent et comment ils se comportent pour assurer la santé du troupeau et l'efficacité de l'exploitation. Pendant des décennies, cela a signifié parcourir les champs à pied ou compter les animaux par des méthodes coûteuses et exigeantes en main-d'œuvre. Aujourd'hui, la technologie offre une nouvelle perspective : les véhicules aériens sans pilote, ou drones, qui peuvent survoler les pâturages et capturer des images haute résolution du bétai situé en dessous. Ces images offrent une vue aérienne impossible à obtenir depuis le sol, mais elles présentent également un défi unique pour les ordinateurs. Lorsqu'un drone regarde vers le bas une foule dense de vaches, les animaux se chevauchent souvent, se cachent les uns derrière les autres ou se fondent dans le sol boueux et les ombres. Les programmes informatiques standards, qui sont généralement entraînés pour reconnaître des objets en dessinant des boîtes autour d'eux, éprouvent souvent des difficultés dans ces scènes chaotiques. Ils pourraient manquer une vache cachée derrière une autre, ou pourraient être confus par le nombre impressionnant d'animaux entassés ensemble. De plus, apprendre à un ordinateur à reconnaître ces animaux nécessite généralement que des humains passent des heures à dessiner des boîtes précises ou des contours autour de chaque vache dans des milliers de photos, un processus lent, coûteux et difficile à mettre à l'échelle.

Pour résoudre ces problèmes, une équipe de chercheurs de l'Université de l'information et de technologie de Chengdu et de l'Université des minorités du Sud-Ouest a développé une nouvelle façon de compter les bovins à l'aide de l'imagerie par drone. Ils ont créé un algorithme informatique spécialisé appelé C2Net, conçu spécifiquement pour gérer la réalité désordonnée et encombrée d'une exploitation agricole en activité. Au lieu de demander aux humains de dessiner des boîtes complexes autour de chaque animal, la nouvelle méthode ne nécessite que la pose d'un simple point pour marquer le centre de chaque vache. Ce petit changement dans la préparation des données réduit considérablement le temps et le coût nécessaires pour entraîner le système. Les chercheurs ont construit une nouvelle collection massive d'images, appelée HerdSet7K, contenant près de 7 000 photos de bovins dans divers environnements, des prairies ouvertes aux enclos de nourrissage bondés. Cet ensemble de données comprend des scènes où les vaches sont si proches les unes des autres qu'elles forment une masse solide, ainsi que des scénarios où elles sont dispersées, permettant à l'ordinateur d'apprendre à distinguer les individus même lorsqu'ils se touchent ou sont partiellement cachés.

Le cœur de ce nouveau système est une manière ingénieuse d'enseigner à l'ordinateur la distance et l'espace. Plutôt que de simplement chercher la forme d'une vache, l'algorithme génère une carte qui montre la distance de chaque point de l'image par rapport à la vache la plus proche. Dans les zones où les vaches sont serrées, cette carte crée des zones distinctes et non chevauchantes pour chaque animal, permettant à l'ordinateur de localiser précisément le centre de chacune d'elles sans être confondu par la foule. Cette approche, que les chercheurs appellent une transformée de distance inverse focale, agit comme un guide qui aide l'ordinateur à séparer les animaux individuels, même lorsqu'ils sont visuellement fusionnés. En utilisant cette technique, le système peut compter le troupeau avec une grande précision tout en gardant également une trace de l'emplacement de chaque animal, une capacité essentielle pour surveiller les habitudes alimentaires ou détecter si une vache est blessée ou en train de se battre.

Lorsque les chercheurs ont testé leur nouveau système par rapport à d'autres modèles de vision par ordinateur de pointe, les résultats ont montré un avantage clair dans des conditions difficiles. Dans les scénarios où le sol était boueux, l'éclairage était faible ou les vaches étaient regroupées en groupes denses, les modèles traditionnels échouaient souvent, manquant de nombreux animaux ou les comptant incorrectement. Le nouveau système C2Net, cependant, a maintenu sa précision. Lors de tests impliquant des centaines d'images, le système a obtenu un taux d'erreur de comptage nettement inférieur à celui de ses concurrents, avec une différence moyenne d'environ 20 animaux par image par rapport au décompte réel. Plus important encore, il a été capable de localiser les vaches individuelles avec un haut degré de certitude, même dans les enclos les plus bondés où les autres systèmes abandonnaient. Le système s'est également révélé assez efficace pour fonctionner sur des ordinateurs plus petits et portables, ce qui signifie qu'il pourrait potentiellement être utilisé sur des drones ou des robots agricoles en temps réel sans nécessiter de serveurs massifs et coûteux.

L'étude démontre qu'il est possible d'automatiser la surveillance du bétail de manière à la fois précise et pratique pour l'agriculture réelle. En déplaçant l'attention des annotations complexes et chronophages vers des marqueurs de points simples, les chercheurs ont abaissé la barrière pour la création de ces systèmes intelligents. La nouvelle méthode ne se contente pas de compter les animaux ; elle fournit une carte fiable de la distribution du troupeau, ce qui peut aider les agriculteurs à prendre de meilleures décisions concernant l'allocation des ressources et le bien-être animal. L'équipe a rendu son ensemble de données et le code de l'algorithme publics, espérant que cette approche ouverte accélérera le développement d'outils plus intelligents et plus efficaces pour l'avenir de l'agriculture. En fin de compte, ce travail offre une solution pratique à un problème persistant, transformant le bruit visuel chaotique d'un pâturage bondé en données claires et exploitables pour l'agriculteur.