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

In de uitgestrekte, open landschappen van de moderne landbouw is het beheren van grote kuddes vee een taak die constante waakzaamheid vereist. Boeren moeten precies weten hoeveel dieren ze hebben, waar ze zijn en hoe ze zich gedragen om de gezondheid van de kudde en de efficiëntie van de boerderij te waarborgen. Decennialang betekende dit dat men de velden moest aflopen of moest vertrouwen op dure, arbeidsintensieve telmethoden. Vandaag de dag biedt technologie een nieuw perspectief: onbemande luchtvaartuigen, of drones, die over weiden kunnen vliegen en hoogresolutiebeelden van het vee eronder kunnen vastleggen. Deze beelden bieden een vogelvluchtperspectief dat vanaf de grond onmogelijk te verkrijgen is, maar ze vormen ook een unieke uitdaging voor computers. Wanneer een drone neerkijkt op een dichte menigte koeien, overlappen de dieren elkaar vaak, verbergen ze elkaar, of versmelten ze met de modderige grond en de schaduwen. Standaard computerprogramma's, die meestal getraind zijn om objecten te herkennen door er dozen omheen te tekenen, hebben vaak moeite met deze chaotische scènes. Ze kunnen een koe missen die achter een andere verborgen zit, of ze kunnen in de war raken door het enorme aantal dieren dat dicht op elkaar gepakt zit. Bov�ijn moet het leren van een computer om deze dieren te herkennen, mensen urenlang laten doorbrengen aan het nauwkeurig tekenen van dozen of contouren rond elke afzonderlijke koe in duizenden foto's, een proces dat traag, duur en moeilijk schaalbaar is.

Om deze problemen op te lossen, heeft een team onderzoekers van de Chengdu University of Information Technology en de Southwest Minzu University een nieuwe manier ontwikkeld om vee te tellen met behulp van dronebeelden. Ze creëerden een gespecialiseerd computeralgoritme genaamd C2Net, dat specifiek is ontworpen om de rommelige, drukke realiteit van een werkende boerderij aan te kunnen. In plaats van mensen te vragen complexe dozen rond elk dier te tekenen, vereist de nieuwe methode alleen een eenvoudige stip om het midden van elke koe aan te geven. Deze kleine verandering in de manier waarop de gegevens worden voorbereid, vermindert de tijd en de kosten die nodig zijn om het systeem te trainen drastisch. De onderzoekers bouwden een enorme nieuwe collectie afbeeldingen, genaamd HerdSet7K, die bijna 7.000 foto's van vee bevat in diverse omgevingen, van open graslanden tot drukke voerplaatsen. Deze dataset bevat scènes waarin koeien zo dicht bij elkaar staan dat ze een solide massa vormen, evenals scenario's waarin ze verspreid liggen, waardoor de computer kan leren om individuen te onderscheiden, zelfs wanneer ze elkaar raken of gedeeltelijk verborgen zijn.

De kern van dit nieuwe systeem is een slimme manier om de computer afstand en ruimte te leren zien. In plaats van alleen te zoeken naar de vorm van een koe, genereert het algoritme een kaart die laat zien hoe ver elk punt in de afbeelding verwijderd is van de dichtstbijzijnde koe. In gebieden waar koeien dicht op elkaar gepakt zitten, creëert deze kaart duidelijke, niet-overlappende zones voor elk dier, waardoor de computer het exacte middelpunt van elk dier kan lokaliseren zonder in de war te raken door de menigte. Deze aanpak, die de onderzoekers een 'focal inverse distance transform' noemen, werkt als een gids die de computer helpt om individuele dieren te scheiden, zelfs wanneer ze visueel samenvloeien. Door deze techniek te gebruiken, kan het systeem de kudde met hoge precisie tellen en tegelijkertijd bijhouden waar elk dier zich bevindt, een capaciteit die essentieel is voor het monitoren van voedingsgewoonten of het detecteren of een koe gewond is of vecht.

Toen de onderzoekers hun nieuwe systeem testten tegen andere toonaangevende computer vision-modellen, lieten de resultaten een duidelijk voordeel zien in moeilijke omstandigheden. In scenario's waar de grond modderig was, de verlichting slecht was of de koeien in dichte groepen waren geclusterd, faalden traditionele modellen vaak door veel dieren te missen of ze onjuist te tellen. Het nieuwe C2Net-systeem behield echter zijn nauwkeurigheid. In tests met honderden afbeeldingen bereikte het systeem een foutpercentage bij het tellen dat aanzienlijk lager lag dan dat van zijn concurrenten, met een gemiddeld verschil van ongeveer 20 dieren per afbeelding vergeleken met de werkelijke telling. Belangrijker nog, het was in staat om individuele koeien met een hoge mate van zekerheid te lokaliseren, zelfs in de drukste penningen waar andere systemen het lieten afweten. Het systeem bleek ook efficiënt genoeg om te draaien op kleinere, draagbare computers, wat betekent dat het potentieel in realtime gebruikt kan worden op drones of landbouwrobots zonder dat er enorme, dure servers nodig zijn.

De studie toont aan dat het mogelijk is om de monitoring van vee te automatiseren op een manier die zowel zeer nauwkeurig als praktisch is voor de echte landbouw. Door de focus te verleggen van complexe, tijdrovende annotaties naar eenvoudige puntmarkeringen, hebben de onderzoekers de drempel voor het creëren van deze intelligente systemen verlaagd. De nieuwe methode telt niet alleen de dieren; het biedt een betrouwbare kaart van de distributie van de kudde, wat boeren kan helpen betere beslissingen te nemen over de toewijzing van middelen en het dierenwelzijn. Het team heeft hun dataset en de code voor het algoritme publiekelijk beschikbaar gesteld, in de hoop dat deze open benadering de ontwikkeling van slimmere, efficiëntere instrumenten voor de toekomst van de landbouw zal versnellen. Uiteindelijk biedt het werk een praktische oplossing voor een hardnekkig probleem, door de chaotische visuele ruis van een drukke wei te veranderen in heldere, bruikbare gegevens voor de boer.