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

Nos cantos silenciosos dos hospitais de vida selvagem, uma crise silenciosa de memória desenrola-se diariamente. Estes centros são santuários onde animais nativos feridos são tratados, mas, ao contrário dos animais de estimação domésticos, os pacientes selvagens chegam sem nomes, coleiras ou microchips. Estão frequentemente demasiado stressados para serem manuseados, demasiado feridos para serem marcados e são demasiado semelhantes na aparência para serem distinguidos apenas pelo olhar. Para os voluntários que cuidam deles, identificar um canguru específico entre um grupo de semelhanças depende inteiramente da memória humana e de pistas visuais fugazes, como uma cicatriz ou um pedaço de orelha em falta. Este sistema é frágil; quando um voluntário sai, o conhecimento de quem é quem muitas vezes vai com ele, correndo o risco de duplicar registos, errar tratamentos e perder históricos. Para resolver isto, os investigadores estão a recorrer a um ramo da ciência chamado visão computacional, que ensina as máquinas a ver e a reconhecer padrões da mesma forma que os humanos o fazem. Ao combinar isto com inteligência artificial, especificamente um método que aprende a medir as subtis diferenças entre rostos, os cientistas esperam construir uma memória digital que nunca esquece, permitindo que os hospitais acompanhem cada paciente desde o momento do resgate até à sua libertação de volta à natureza.

No Centro de Recuperação de Vida Selvagem Possumwood, em Nova Gales do Sul, este desafio é imediato e constante. Os cangurus-cinzentos-orientais constituem a maioria das admissões e são notoriamente difíceis de distinguir. Dois joey (filhotes) resgatados do mesmo incidente, talvez ambos sofrendo de lesões de tecidos moles sem marcas únicas, podem tornar-se tão visualmente indistinguíveis para um observador humano que são tratados como uma única entidade. O método atual de identificação é manual, dependendo de voluntários que se lembrem de rostos ou anotem pensos temporários, um processo que é subjetivo, propenso ao erro e impossível de escalar à medida que o número de animais resgatados cresce. Para enfrentar isto, uma equipa de investigadores da Universidade de Tecnologia de Sydney e do Possumwood desenvolveu um novo sistema concebido para identificar cangurus individualmente de forma automática através das suas faces. Eles não construíram simplesmente uma câmara que tira uma fotografia; criaram um fluxo de trabalho completo que captura vídeo, encontra a face do animal e utiliza aprendizagem profunda para criar uma assinatura digital única para cada canguru, permitindo que o sistema combine uma nova foto com uma base de dados de pacientes conhecidos sem nunca precisar de tocar no animal.

Os investigadores começaram por recolher um conjunto de dados do mundo real diretamente do centro de recuperação. Recolheram imagens e clipes de vídeo curtos de aproximadamente 70 cangurus individuais, trabalhando em conjunto com voluntários para garantir que cada animal fosse corretamente identificado. Este não era um ambiente de laboratório controlado; os animais estavam stressados, feridos e frequentemente em movimento, tornando os dados desordenados e difíceis de processar. Após filtrarem imagens desfocadas e de baixa qualidade, terminaram com um conjunto curado de 68 indivíduos distintos. Para treinar o seu sistema, tiveram de ensinar o computador a ignorar detalhes irrelevantes, como a cor de um penso ou o fundo do recinto, e a focar-se exclusivamente nas características subtis e permanentes da face do canguru. Processaram milhares de imagens, dividindo vídeos em fotogramas individuais para capturar o animal de diferentes ângulos e condições de iluminação, garantindo que o sistema aprendesse a verdadeira identidade do animal e não apenas um instantâneo único.

Para testar as suas ideias, a equipa construiu e comparou três tipos diferentes de modelos de inteligência artificial. O primeiro modelo foi desenhado para observar uma sequência de fotogramas de vídeo, tal como um humano a observar um canguru a mover a cabeça, para recolher mais informações do que uma única imagem estática poderia fornecer. Os outros dois modelos olharam para apenas uma foto de cada vez, utilizando diferentes estratégias matemáticas para decidir o quão semelhantes eram dois rostos. Um destes modelos de imagem única foi desenhado para ser mais simples e rápido, enquanto o outro foi construído para ser mais rigoroso na separação de diferentes identidades. Os investigadores treinaram todos os três modelos no seu conjunto de dados e testaram-nos depois num grupo separado de imagens que os computadores nunca tinham visto antes. O objetivo era ver se o sistema conseguia olhar para uma nova foto de um canguru e dizer corretamente: "Este é o mesmo animal que vimos ontem" ou "Este é um novo paciente".

Os resultados mostraram que a abordagem baseada em vídeo era a mais eficaz. O modelo que analisou sequências de fotogramas alcançou uma taxa de sucesso de 95,1% ao identificar corretamente o canguru como a melhor correspondência no conjunto de teste e, notavelmente, alcançou uma taxa de recuperação Rank-1 de 100%, o que significa que identificou corretamente a melhor correspondência para todas as consultas neste teste de conjunto fechado específico. No entanto, os investigadores enfatizaram que esta pontuação perfeita deve ser vista como um limite superior para esta configuração de teste específica, e não como prova de que a tarefa está totalmente resolvida, uma vez que as condições do mundo real com novos pacientes e consultas de conjunto aberto apresentam maiores desafios. Os modelos mais simples que olharam para fotos únicas também tiveram um bom desempenho, identificando corretamente o animal certo cerca de 82% das vezes, o que representa uma melhoria significativa em relação aos métodos manuais atuais, mas ainda ficou aquém da precisão do modelo de vídeo. Os investigadores descobriram que a capacidade do modelo de vídeo de observar o animal ao longo de alguns momentos permitia capturar detalhes subtis, como a forma de uma orelha ou a textura do pelo, que poderiam ser perdidos numa única imagem congelada. Também descobriram que o rigor das regras matemáticas utilizadas para comparar rostos importava; para alguns cangurus muito semelhantes, uma abordagem mais suave funcionava melhor, enquanto para outros, uma abordagem mais rigorosa era necessária para os distinguir.

Apesar da alta precisão, os investigadores foram cuidadosos ao notar as limitações do seu trabalho. O sistema foi testado num grupo relativamente pequeno de 68 cangurus e, num hospital do mundo real, o número de pacientes cresce constantemente. O estudo também destacou um potencial erro: o computador pode por vezes aprender as coisas erradas. Numa instância, o sistema tornou-se excecionalmente bom a identificar um joey específico não devido ao seu rosto, mas porque tinha resíduos de leite no focinho de uma alimentação recente. A máquina tinha fixado este traço temporário como um identificador permanente, um erro que desapareceria assim que o animal fosse limpo. Isto serve como um lembrete de que, embora a tecnologia seja poderosa, deve ser utilizada com supervisão humana para garantir que está a reconhecer o próprio animal e não um artefacto passageiro. Os investigadores também notaram que, na natureza, os cangurus aparecem frequentemente em grupos, e o sistema atual foi desenhado para identificar um animal de cada vez, o que apresenta um novo desafio para o desenvolvimento futuro.

O objetivo final desta investigação não é apenas construir um algoritmo inteligente, mas sim criar uma ferramenta prática que se integre no ritmo diário de um hospital de vida selvagem. O sistema proposto foi desenhado para ser não invasivo, exigindo apenas uma foto ou um vídeo curto tirado por um voluntário com um dispositivo móvel. O software iria então verificar instantaneamente a imagem contra a base de dados do hospital para confirmar a identidade do animal ou sinalizar um novo paciente. Isto eliminaria a necessidade de os voluntários dependerem da sua memória ou de cruzarem informações com várias pessoas, reduzindo o risco de erros nos registos médicos e planos de tratamento. Embora o estudo atual prove que tal sistema é tecnicamente viável e altamente preciso num teste controlado, os investigadores vislumbram um futuro onde esta tecnologia será integrada no fluxo de trabalho do hospital, apoiando a equipa no cuidado de centenas de animais todos os anos. Ao dar a cada canguru ferido uma identidade digital persistente, o sistema promete tornar a reabilitação da vida selvagem mais eficiente, segura e sustentável, garantindo que nenhum animal se perca no meio da agitação de um centro de recuperação movimentado.