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

In de stille hoekjes van wildopvangcentra speelt zich dagelijks een stille crisis van het geheugen af. Deze centra zijn toevluchtsoorden waar gewonde inheemse dieren worden behandeld, maar in tegenstelling tot huisdieren arriveren wilde patiënten zonder namen, halsbanden of microchips. Ze zijn vaak te gestrest om te hanteren, te gewond om te taggen, en te veel op elkaar lijken om met het blote oog te onderscheiden. Voor de vrijwilligers die voor hen zorgen, rust de identificatie van een specifieke kangoeroe binnen een groep lookalikes volledig op het menselijk geheugen en vluchtige visuele aanwijzingen zoals een litteken of een missend stukje van een oor. Dit systeem is fragiel; wanneer een vrijwilliger vertrekt, gaat de kennis over wie wie is vaak met hen mee, wat het risico op dubbele dossiers, verkeerde behandelingen en verloren geschiedenissen met zich meebrengt. Om dit op te lossen, richten onderzoekers zich op een tak van de wetenschap genaamd computer vision, die machines leert om patronen te zien en te herkennen zoals mensen dat doen. Door dit te combineren met kunstmatige intelligentie, specifiek een methode die leert de subtiele verschillen tussen gezichten te meten, hopen wetenschappers een digitaal geheugen te bouwen dat nooit vergeet, waardoor ziekenhuizen elke patiënt kunnen volgen van het moment van redding tot de vrijlating in het wild.

Bij het Possumwood Wildlife Recovery Centre in New South Wales is deze uitdaging onmiddellijk en constant aanwezig. Oostelijke grijze kangoeroes vormen de meerderheid van de opnames, en ze zijn berucht moeilijk te onderscheiden. Twee joey's die uit hetzelfde incident zijn gered, bijvoorbeeld beiden met weke delen letsel zonder unieke kenmerken, kunnen voor een menselijke waarnemer zo visueel ononderscheidbaar worden dat ze als één entiteit worden behanden. De huidige methode van identificatie is handmatig en vertrouwt op vrijwilligers die gezichten onthouden of tijdelijke verbanden noteren, een proces dat subjectief, foutgevoelig en onmogelijk op te schalen is naarmate het aantal geredde dieren groeit. Om dit aan te pakken, heeft een team van onderzoekers van de University of Technology Sydney en Possumwood een nieuw systeem ontwikkeld dat is ontworpen om individuele kangoeroes automatisch te identificeren aan de hand van hun gezichten. Ze bouwden niet simpelweg een camera die een foto maakt; ze creëerden een volledige workflow die video vastlegt, het gezicht van het dier vindt en deep learning gebruikt om een unieke digitale handtekening voor elke kangoeroe te maken, waardoor het systeem een nieuwe foto kan vergelijken met een database van bekende patiënten zonder ooit het dier aan te raken.

De onderzoekers begonnen met het verzamelen van een real-world dataset direct uit het opvangcentrum. Ze verzamelden afbeeldingen en korte videoclips van ongeveer 70 individuele kangoeroes, waarbij ze samenwerkten met vrijwilligers om ervoor te zorgen dat elk dier correct werd geïdentificeerd. Dit was geen gecontroleerde laboratoriumsetting; de dieren waren gestrest, gewond en bewogen vaak, wat de data rommelig en moeilijk te verwerken maakte. Na het filteren van wazige beelden en kwalitatief slechte opnames, bleven ze over met een gecureerde set van 68 onderscheidende individuen. Om hun systeem te trainen, moesten ze de computer leren om irrelevante details zoals de kleur van een verband of de achtergrond van de omheining te negeren en zich uitsluitend te concentreren op de subtiele, permanente kenmerken van het gezicht van de kangoeroe. Ze verwerkten duizenden afbeeldingen, waarbij video's werden opgedeeld in individuele frames om het dier vanuit iets andere hoeken en lichtomstandigheden vast te leggen, om er zeker van te zijn dat het systeem de werkelijke identiteit van het dier leerde in plaats van slechts een enkele snapshot.

Om hun ideeën te testen, bouwden en vergeleken het team drie verschillende soorten kunstmatige intelligentiemodellen. Het eerste model was ontworpen om naar een reeks videoframes te kijken, vergelijkbaar met een mens die een kangoeroe ziet bewegen, om meer informatie te verzamelen dan een enkele stilstaande afbeelding zou kunnen bieden. De andere twee modellen keken naar slechts één foto tegelijk, waarbij ze verschillende wiskundige strategieën gebruikten om te beslissen hoe vergelijkbaar twee gezichten waren. Een van deze single-image modellen was ontworend om simpeler en sneller te zijn, terwijl het andere gebouwd was om strikter te zijn in het scheiden van verschillende identiteiten. De onderzoekers trainden alle drie de modellen op hun dataset en testten ze vervolgens op een aparte groep afbeeldingen die de computers nog nooit hadden gezien. Het doel was om te zien of het systeem naar een nieuwe foto van een kangoeroe kon kijken en correct kon zeggen: "Dit is hetzelfde dier dat we gisteren zagen," of "Dit is een nieuwe patiënt."

De resultaten toonden aan dat de video-gebaseerde aanpak het meest effectief was. Het model dat sequenties van frames analyseerde, behaalde een succespercentage van 95,1% in het correct identificeren van de kangoeroe als de beste match in de testset, en behaalde opmerkelijk genoeg een Rank-1 retrieval rate van 100%, wat betekent dat het de top match voor elke query correct identificeerde in deze specifieke closed-set evaluatie. De onderzoekers benadrukten echter dat dit perfecte score moet worden beschouwd als een bovengrens voor deze specifieke testopstelling, in plaats van bewijs dat de taak volledig is opgelost, aangezien real-world condities met nieuwe patiënten en open-set queries grotere uitdagingen vormen. De eenvoudigere modellen die naar enkele foto's keken, presteerden ook goed en identificeerden het juiste dier ongeveer 82% van de tijd, wat een significante verbetering is ten opzichte van de huidige handmatige methoden, maar nog steeds tekortschoot in vergelijking met de precisie van het videomodel. De onderzoekers ontdekten dat het vermogen van het videomodel om het dier over een paar momenten te zien, het mogelijk maakte om subtiele details vast te leggen, zoals de vorm van een oor of de textuur van de vacht, die bij een enkele bevroren frame wellicht gemist zouden worden. Ze ontdekten ook dat de striktheid van de wiskundige regels die gezichten vergelijken ertoe deed; voor sommige zeer vergelijkbare kangoeroes werkte een zachtere aanpak beter, terwijl voor anderen een striktere aanpak nodig was om ze van elkaar te onderscheiden.

Ondanks de hoge nauwkeurigheid waren de onderzoekers voorzichtig om de beperkingen van hun werk te vermelden. Het systeem werd getest op een relatief kleine groep van 68 kangoeroes, en in een echte wildopvang groeien het aantal patiënten voortdurend. De studie benadrukte ook een potentieel struikelblok: de computer kan soms de verkeerde dingen leren. In één instantie was het systeem uitzonderlijk goed in het identificeren van een specifieke joey, niet vanwege zijn gezicht, maar omdat hij melkresten op zijn snuit had van een recente voeding. De machine had zich vastgeklampt aan dit tijdelijke kenmerk als een permanent identificatiemiddel, een fout die zou verdwijnen zodien het dier schoongemaakt was. Dit dient als een herinnering dat, hoewel de technologie krachtig is, deze met menselijk toezicht moet worden gebruikt om te waarborgen dat het het dier zelf herkent en niet een vluchtig artefact. De onderzoekers merkten ook op dat kangoeroes in het wild vaak in groepen voorkomen, en het huidige systeem is ontworpen om één dier tegelijk te identificeren, wat een nieuwe uitdaging vormt voor toekomstige ontwikkeling.

Het uiteindelijke doel van dit onderzoek is niet alleen het bouwen van een slim algoritme, maar het creëren van een praktisch hulpmiddel dat past in het dagelijkse ritme van een wildopvangcentrum. Het voorgestelde systeem is ontworpen om niet-invasief te zijn, waarbij alleen een foto of een korte video nodig is die door een vrijwilliger met een mobiel apparaat wordt genomen. De software zou de afbeelding vervolgens direct kunnen controleren tegen de database van het opvangcentrum om de identiteit van het dier te bevestigen of het als een nieuwe patiënt te markeren. Dit zou de noodzaak wegnemen voor vrijwilligers om op hun geheugen te vertrouwen of met meerdere personen te moeten overleggen, wat het risico op fouten in medische dossiers en behandelplannen vermindert. Hoewel de huidige studie bewijst dat een dergelijk systeem technisch haalbaar en zeer nauwkeurig is in een gecontroleerde test, zien de onderzoekers een toekomst voor zich waarin deze technologie wordt geïntegreerd in de workflow van het opvangcentrum, om het personeel te ondersteunen bij de zorg voor honderden dieren per jaar. Door elk gewonde kangoeroe een persistente, digitale identiteit te geven, belooft het systeem de rehabilitatie van wilde dieren efficiënter, veiliger en duurzamer te maken, zodat geen enkel dier verloren gaat in de hectiek van een druk herstelcentrum.