Computer Vision for Wildlife Monitoring: Detecting Brown Howler Monkeys using YOLO

Sintesi Tecnica: Visione Artificiale per il Monitoraggio della Fauna Selvatica – Rilevamento di Scimmie Urlatrici Marroni utilizzando YOLO

Problematica
L'espansione urbana e la frammentazione dell'habitat rappresentano minacce critiche per le specie arboree, in particolare per la scimmia urlatrice marrone (Alouatta guariba), isolando le popolazioni e aumentando i rischi di mortalità dovuti ad incidenti stradali ed elettrocuzione. I ponti per la chioma degli alberi fungono da strategia di mitigazione, ma la loro efficacia dipende dal monitoraggio continuo tramite fototrappole. Questo processo di revisione manuale è ostacolato da un volume enorme di dati, molti dei quali consistono in falsi positivi innescati dalla vegetazione o dalle condizioni meteorologiche. Inoltre, lo sviluppo di modelli di visione artificiale ad alte prestazioni per questo compito specifico è limitato dal "collo di bottiglia dei dati": la scarsità di grandi dataset annotati manualmente necessari per l'addestramento.

Metodologia
Lo studio propone un approccio ibrido per automatizzare il rilevamento delle scimmie urlatrici marroni nelle riprese delle fototrappole, integrando dati reali con dati sintetici per superare la scarsità di annotazioni.

• Dataset Primario: Gli autori hanno utilizzato filmati provenienti da uno studio sul campo a lungo termine a Porto Alegre, Brasile, che coinvolge 10 ponti a scala di corda nella chioma degli alberi. Da 16.179 video, è stato elaborato un sottoinsieme curato di 2.325 video contenenti scimmie urlatrici. I fotogrammi sono stati campionati a intervalli di 1 secondo per creare 10.508 immagini uniche, che sono state annotate manualmente utilizzando il VGG Image Annotator.
• Dataset Ausiliari: Per testare l'impatto della diversità di addestramento, sono stati incorporati due dataset pubblici: un "Human Detection Dataset" e un "Non-Human Primate Dataset" (5.000 immagini ciascuno).
• Generazione di Dati Sintetici: Un dataset sintetico di 10.000 immagini è stato creato utilizzando Unity e Blender. Un modello 3D di una scimmia urlatrice marrone è stato testurizzato e posizionato in un ambiente virtuale di ponte per la chioma. Il processo di generazione ha variato le condizioni di illuminazione (utilizzando 9 HDRI e 3 impostazioni di post-processing per giorno, nuvoloso e notte) e gli angoli di ripresa per simulare la diversità ambientale.
• Architettura del Modello: Lo studio ha perfezionato (fine-tuning) il framework di rilevamento oggetti YOLOv10.
• Disegno Sperimentale:
  • Esperimenti sulle Immagini: Il modello è stato addestrato con proporzioni variabili di dati primari (scimmie urlatrici reali) e dati ausiliari (umani, primati non umani, sintetici). Gli esperimenti hanno testato combinazioni che vanno dal 100% di dati reali al 100% di dati ausiliari, così come rapporti misti (ad esempio, divisioni 50/50).
  • Triage Video: Per valutare l'utilità del modello per i conservazionisti, è stato progettato un protocollo di classificazione video. Il modello ha elaborato 4 fotogrammi al secondo da video di 30 secondi. Un video è stato classificato come "contenente una scimmia urlatrice" se il conteggio dei rilevamenti positivi nei fotogrammi superava una specifica soglia (ottimizzata tramite F1-score).
• Valutazione: Lo studio ha impiegato la cross-validazione temporale per prevenire la fuga di dati (data leakage), garantendo che i dati di addestramento precedessero cronologicamente quelli di validazione. Le prestazioni sono state misurate utilizzando Precision, Recall, F1-score e Mean Average Precision a IoU 0.5 (mAP@0.5).

Risultati Chiave

• Impatto della Miscelazione dei Dati: Il modello di riferimento addestrato su 5.000 immagini reali ha raggiunto un F1-score di 0,808 e un mAP@0.5 di 0,805.
  • Superiorità dei Dati Sintetici: Tra i dataset ausiliari, i dati sintetici hanno prodotto i migliori guadagni di prestazioni. Un modello addestrato con 2.500 immagini reali e 2.500 immagini sintetiche ha raggiunto una precisione di 0,889 (un aumento del 5% rispetto al modello di riferimento), sebbene con un leggero compromesso sulla recall.
  • Addestramento Ibrido Ottimale: La prestazione complessiva più elevata è stata ottenuta addestrando sull'intero dataset disponibile: 10.508 immagini reali combinate con 10.000 immagini sintetiche. Questa configurazione ha prodotto un F1-score di 0,859 e un mAP@0.5 di 0,873, superando il modello addestrato su 10.000 immagini reali da solo.
  • Limiti dei Dati Ausiliari: L'addestramento esclusivamente su dati ausiliari (ad esempio, solo dati sintetici o solo primati non umani) ha causato un grave degrado delle prestazioni, confermando che i dati sintetici completano ma non sostituiscono completamente i dati reali.
• Prestazioni del Triage Video: Utilizzando una soglia di 24 fotogrammi positivi per video, il sistema ha raggiunto un F1-score di 0,762 per la classificazione del video, con una recall di 0,838. Ciò indica che il sistema ha trattenuto con successo circa l'84% dei video contenenti scimmie urlatrici, filtrando al contempo i negativi.
• Analisi dei Fallimenti: I falsi negativi sono stati principalmente associati a video contenenti una singola scimmia, visibilità parziale dell'animale o apparizioni brevi (<5 secondi). Fattori ambientali come la luce solare intensa e la pioggia hanno contribuito alle difficoltà di rilevamento.

Significatività e Rivendicazioni
L'articolo sostiene che la strategia ibrida proposta offre una soluzione valida al problema della scarsità di dati. Integrando i dati sintetici generati con Unity con le riprese del mondo reale, gli autori dimostrano che è possibile mantenere un'elevata accuratezza di rilevamento riducendo al contempo la dipendenza dall'annotazione manuale laboriosa.

Lo studio posiziona lo strumento sviluppato non come un sostituto perfetto della revisione umana, ma come un efficiente meccanismo di triage. Permette ai conservazionisti di filtrare rapidamente enormi quantità di filmati delle fototrappole, scartando i video senza la specie target e dando priorità a quelli che contengono scimmie urlatrici per un'analisi dettagliata. Gli autori osservano che, sebbene il modello affronti sfide con le occlusioni parziali e le apparizioni brevi, l'approccio riduce significativamente il carico di lavoro manuale, consentendo così strategie di conservazione più scalabili e tempestive per i mammiferi arborei in ambienti urbani frammentati. Gli autori hanno inoltre rilasciato un'applicazione companion (HowlerApp) per facilitare l'implementazione di questi strumenti per i ricercatori sul campo.