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

Negli angoli silenziosi degli ospedali per la fauna selvatica, si consuma quotidianamente una silenziosa crisi della memoria. Questi centri sono santuari dove vengono curati animali selvatici feriti, ma a differenza degli animali domestici, i pazienti selvatici arrivano senza nomi, collari o microchip. Spesso sono troppo stressati per essere manipolati, troppo feriti per essere marcati e troppo simili nell'aspetto per essere distinti dal solo occhio umano. Per i volontari che si prendono cura di loro, identificare un particolare canguro tra un gruppo di esemplari simili dipende interamente dalla memoria umana e da indizi visivi fugaci come una cicatrice o la mancanza di un pezzo di un orecchio. Questo sistema è fragile; quando un volontario se ne va, la conoscenza di chi sia chi spesso se ne va con lui, rischiando duplicazioni di record, trattamenti errati e storie perdute. Per risolvere questo problema, i ricercatori si stanno rivolgendo a un ramo della scienza chiamato visione artificiale, che insegna alle macchine di vedere e riconoscere modelli nel modo in cui lo fanno gli esseri umani. Combinando questo con l'intelligenza artificiale, specificamente un metodo che impara a misurare le sottili differenze tra i volti, gli scienziati sperano di costruire una memoria digitale che non dimentichi mai, permettendo agli ospedali di tracciare ogni paziente dal momento del soccorso fino al rilascio nel mondo selvaggio.

Al Possumwood Wildlife Recovery Centre, nel Nuovo Galles del Sud, questa sfida è immediata e costante. I canguri grigi orientali costituiscono la maggior parte degli ingressi e sono notoriamente difficili da distinguere. Due piccoli (joeys) salvati dallo stesso incidente, magari entrambi affetti da lesioni ai tessuti molli senza segni unici, possono diventare così visivamente indistinguibili per un osservatore umano da essere trattati come un'entità singola. Il metodo attuale di identificazione è manuale, basato sui volontari che devono ricordare i volti o annotare bende temporanee, un processo che è soggettivo, incline all'errore e impossibile da scalare all'aumentare del numero di animali salvati. Per affrontare questo problema, un team di ricercatori dell'Università di Tecnologia di Sydney e del Possumwood ha sviluppato un nuovo sistema progettato per identificare automaticamente i canguri attraverso i loro volti. Non hanno semplicemente costruito una telecamera che scatta una foto; hanno creato un flusso di lavoro completo che cattura il video, trova il volto dell'animale e utilizza il deep learning per creare una firma digitale unica per ogni canguro, consentendo al sistema di confrontare una nuova foto con un database di pazienti noti senza mai dover toccare l'animale.

I ricercatori hanno iniziato raccogliendo un dataset del mondo reale direttamente dal centro di recupero. Hanno raccolto immagini e brevi clip video di circa 70 singoli canguri, lavorando insieme ai volontari per garantire che ogni animale fosse correttamente identificato. Questo non era un ambiente di laboratorio controllato; gli animali erano stressati, feriti e spesso in movimento, il che rendeva i dati disordinati e difficili da elaborare. Dopo aver filtrato le immagini sfocate e gli scatti di bassa qualità, si sono ritrovati con un set curato di 68 individui distinti. Per addestrare il loro sistema, hanno dovuto insegnare al computer a ignorare dettagli irrilevanti come il colore di una benda o lo sfondo dell' recinto e a concentrarsi esclusivamente sulle sottili caratteristiche permanenti del volto del canguro. Hanno elaborato migliaia di immagini, scomponendo i video in singoli fotogrammi per catturare l'animale da diverse angolazioni e condizioni di luce, assicurandosi che il sistema apprendesse la vera identità dell'animale piuttosto che un singolo scatto istantaneo.

Per testare le loro idee, il team ha costruito e confrontato tre diversi tipi di modelli di intelligenza artificiale. Il primo modello è stato progettato per analizzare una sequenza di fotogrammi video, molto simile a un essere umano che osserva un canguro muovere la testa, per raccogliere più informazioni di quanto possa fornire una singola immagine statica. Gli altri due modelli guardavano un solo scatto alla volta, utilizzando diverse strategie matematiche per decidere quanto due volti fossero simili. Uno di questi modelli a immagine singola è stato progettato per essere più semplice e veloce, mentre l'altro è stato costruito per essere più rigoroso nel separare diverse identità. I ricercatori hanno addestrato tutti e tre i modelli sul loro dataset e poi li hanno testati su un gruppo separato di immagini che i computer non avevano mai visto prima. L'obiettivo era vedere se il sistema potesse guardare una nuova foto di un canguro e dire correttamente: "Questo è lo stesso animale che abbiamo visto ieri" o "Questo è un nuovo paziente".

I risultati hanno dimostrato che l'approccio basato sul video era il più efficace. Il modello che analizzava sequenze di fotogrammi ha raggiunto un tasso di successo del 95,1% nell'identificare correttamente il canguro come la corrispondenza principale nel set di test, e ha notevolmente raggiunto un tasso di recupero Rank-1 del 100%, il che significa che ha identificato correttamente la corrispondenza principale per ogni query in questa specifica valutazione a set chiuso. Tuttavia, i ricercatori hanno sottolineato che questo punteggio perfetto debba essere considerato come un limite superiore per questo specifico setup di test piuttosto che la prova che il compito sia completamente risolto, poiché le condizioni del mondo reale con nuovi pazienti e query a set aperto presentano sfide maggiori. I modelli più semplici che guardavano singole foto hanno comunque performato bene, identificando correttamente l'animale giusto circa l'82% delle volte, il che rappresenta un miglioramento significativo rispetto agli attuali metodi manuali ma rimane comunque al di sotto della precisione del modello video. I ricercatori hanno scoperto che la capacità del modello video di vedere l'animale durante alcuni momenti permetteva di catturare dettagli sottili, come la forma di un orecchio o la consistenza del pelo, che potrebbero essere persi in un singolo fotogramma congelato. Hanno anche scoperto che la severità delle regole matematiche utilizzate per confrontare i volti era importante; per alcuni canguri molto simili, un approccio più morbido funzionava meglio, mentre per altri era necessario un approccio più rigoroso per distinguerli.

Nonostante l'alta precisione, i ricercatori sono stati cauti nel sottolineare i limiti del loro lavoro. Il sistema è stato testato su un gruppo relativamente piccolo di 68 canguri e, in un ospedale reale, il numero di pazienti cresce costantemente. Lo studio ha anche evidenziato un potenziale rischio: il computer può talvolta imparare le cose sbagliate. In un caso, il sistema è diventato eccezionalmente bravo a identificare un particolare piccolo non a causa del suo volto, ma perché aveva residui di latte sul muso derivanti da un recente pasto. La macchina si era agganciata a questa caratteristica temporanea come identificatore permanente, un errore che sarebbe svanito una volta pulito l'animale. Ciò serve a ricordare che, sebbene la tecnologia sia potente, deve essere utilizzata con la supervisione umana per garantire che stia riconoscendo l'animale stesso e non un artefatto fugace. I ricercatori hanno inoltre notato che in natura i canguri appaiono spesso in gruppi, e l'attuale sistema è progettato per identificare un animale alla volta, il che presenta una nuova sfida per lo sviluppo futuro.

L'obiettivo ultimo di questa ricerca non è solo costruire un algoritmo intelligente, ma creare uno strumento pratico che si inserisca nel ritmo quotidiano di un ospedale per la fauna selvatica. Il sistema proposto è progettato per essere non invasivo, richiedendo solo una foto o un breve video scattato da un volontario con un dispositivo mobile. Il software controllerebbe quindi istantaneamente l'immagine contro il database dell'ospedale per confermare l'identità dell'animale o segnalarlo come nuovo paziente. Ciò eliminerebbe la necessità per i volontari di fare affidamento sulla propria memoria o di confrontarsi con più persone, riducendo il rischio di errori nei registri medici e nei piani di trattamento. Sebbene l'attuale studio dimostri che un tale sistema è tecnicamente fattibile e altamente accurato in un test controllato, i ricercatori immaginano un futuro in cui questa tecnologia sia integrata nel flusso di lavoro dell'ospedale, supportando il personale nella cura di centinaia di animali ogni anno. Dando a ogni canguro ferito un'identità digitale persistente, il sistema promette di rendere la riabilitazione della fauna selvatica più efficiente, sicura e sostenibile, assicurando che nessun animale vada perso nel caos di un affollato centro di recupero.