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

Nei vasti e aperti paesaggi dell'agricoltura moderna, la gestione di grandi mandrie di bovini è un compito che richiede una costante vigilanza. Gli agricoltori hanno bisogno di sapere esattamente quanti animali possiedono, dove si trovano e come si comportano per garantire la salute della mandria e l'efficienza dell'azienda agricola. Per decenni, questo ha significato percorrere i campi a piedi o fare affidamento su metodi di conteggio costosi e laboriosi. Oggi, la tecnologia offre una nuova prospettiva: i veicoli aerei senza pilota, o droni, che possono volare sopra i pascoli e catturare immagini ad alta risoluzione del bestiame sottostante. Queste immagini forniscono una vista a volo d'uccello impossibile da ottenere dal suolo, ma presentano anche una sfida unica per i computer. Quando un drone guarda verso il basso su un folto gruppo di mucche, gli animali spesso si sovrappongono, si nascondono l'un l'altro o si fondono con il terreno fangoso e le ombre. I programmi informatici standard, che di solito sono addestrati per riconoscere oggetti disegnando dei riquadri attorno ad essi, spesso faticano in queste scene caotiche. Potrebbero mancare una mucca nascosta dietro un'altra, o potrebbero confondersi per l'enorme numero di animali ammassati insieme. Inoltre, insegnare a un computer come riconoscere questi animali richiede solitamente che gli esseri umani passino ore a disegnare riquadri precisi o contorni attorno a ogni singola mucca in migliaia di foto, un processo lento, costoso e difficile da scalare.

Per risolvere questi problemi, un team di ricercatori della Chengdu University of Information Technology e della Southwest Minzu University ha sviluppato un nuovo modo per contare i bovini utilizzando le immagini dei droni. Hanno creato un algoritmo informatico specializzato chiamato C2Net, progettato specificamente per gestire la realtà disordinata e affollata di un'azienda agricola operativa. Invece di chiedere agli esseri umani di disegnare complessi riquadri attorno a ogni animale, il nuovo metodo richiede solo un semplice punto per segnare il centro di ogni mucca. Questo piccolo cambiamento nel modo in cui i dati vengono preparati riduce drasticamente il tempo e il costo necessari per addestrare il sistema. I ricercatori hanno costruito una nuova enorme collezione di immagini, chiamata HerdSet7K, contenente quasi 7.000 foto di bovini in vari ambienti, dalle praterie aperte alle affollate stazioni di alimentazione. Questo dataset include scene in cui le mucche sono così vicine tra loro da formare una massa solida, così come scenari in cui sono sparse, permettendo al computer di imparare a distinguere gli individui anche quando si toccano o sono parzialmente nascosti.

Il cuore di questo nuovo sistema è un modo intelligente di insegnare al computer la distanza e lo spazio. Piuttosto che cercare solo la forma di una mucca, l'algoritmo genera una mappa che mostra quanto ogni punto nell'immagine sia lontano dalla mucca più vicina. Nelle aree in cui le mucche sono ammassate strettamente, questa mappa crea zone distinte e non sovrapponibili per ogni animale, consentendo al computer di individuare con precisione il centro esatto di ciascuna senza confondersi con la folla. Questo approccio, che i ricercatori chiamano trasformata di distanza inversa focale (focal inverse distance transform), agisce come una guida che aiuta il computer a separare i singoli animali anche quando sono visivamente uniti. Utilizzando questa tecnica, il sistema può contare la mandria con alta precisione, mantenendo al contempo il monitoraggio di dove si trova ogni animale, una capacità essenziale per monitorare le abitudini alimentari o rilevare se una mucca è ferita o sta combattendo.

Quando i ricercatori hanno testato il loro nuovo sistema contro altri modelli di visione artificiale all'avanguardia, i risultati hanno mostrato un chiaro vantaggio in condizioni difficili. In scenari in cui il terreno era fangoso, l'illuminazione era scarsa o le mucche erano raggruppate in densi ammassi, i modelli tradizionali spesso fallivano, mancando molti animali o contandoli in modo errato. Il nuovo sistema C2Net, tuttavia, ha mantenuto la sua accuratezza. Nei test che coinvolgevano centinaia di immagini, il sistema ha ottenuto un tasso di errore nel conteggio significativamente inferiore rispetto ai suoi concorrenti, con una differenza media di circa 20 animali per immagine rispetto al conteggio reale. Ancora più importante, è stato in grado di localizzare i singoli bovini con un alto grado di certezza, anche nei recinti più affollati dove altri sistemi si arrendevano. Il sistema si è anche dimostrato abbastanza efficiente da poter girare su computer piccoli e portatili, il che significa che potrebbe potenzialmente essere utilizzato su droni o robot agricoli in tempo reale senza la necessità di enormi e costosi server.

Lo studio dimostra che è possibile automatizzare il monitoraggio del bestiame in un modo che sia allo stesso tempo altamente accurato e pratico per l'agricoltura reale. Spostando l'attenzione dalle annotazioni complesse e laboriose ai semplici marcatori puntiformi, i ricercatori hanno abbassato la barriera per la creazione di questi sistemi intelligenti. Il nuovo metodo non si limita a contare gli animali; fornisce una mappa affidabile della distribuzione della mandria, che può aiutare gli agricoltori a prendere decisioni migliori sull'allocazione delle risorse e sul benessere animale. Il team ha reso il proprio dataset e il codice dell'algoritmo disponibili al pubblico, sperando che questo approccio aperto acceleri lo sviluppo di strumenti più intelligenti ed efficienti per il futuro dell'agricoltura. In definitiva, il lavoro offre una soluzione pratica a un problema persistente, trasformando il caos visivo di un pascolo affollato in dati chiari e azionabili per l'agricoltore.