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

Nas vastas e abertas paisagens da agricultura moderna, gerir grandes rebanhos de gado é uma tarefa que exige vigilância constante. Os agricultores precisam de saber exatamente quantos animais têm, onde estão e como se comportam para garantir a saúde do rebanho e a eficiência da exploração. Durante décadas, isto significou percorrer os campos a pé ou confiar em métodos de contagem caros e que exigem muita mão de obra. Hoje, a tecnologia oferece uma nova perspetiva: veículos aéreos não tripulados, ou drones, que podem voar sobre as pastagens e capturar imagens de alta resolução do gado abaixo. Estas imagens proporcionam uma visão aérea que é impossível obter do solo, mas também apresentam um desafio único para os computadores. Quando um drone olha para baixo para uma multidão densa de vacas, os animais frequentemente se sobrepõem, escondem-se uns aos outros ou misturam-se com o solo lamacento e as sombras. Programas de computador padrão, que são geralmente treinados para reconhecer objetos desenhando caixas à volta deles, costumam ter dificuldades nestas cenas caóticas. Podem perder uma vaca escondida atrás de outra, ou podem confundir-se com o enorme número de animais amontoados. Além disso, ensinar um computador a reconhecer estes animais geralmente exige que os humanos passem horas a desenhar caixas precisas ou contornos em torno de cada única vaca em milhares de fotos, um processo que é lento, caro e difícil de escalar.

Para resolver estes problemas, uma equipa de investigadores da Universidade de Informação e Tecnologia de Chengdu e da Universidade de Minzu do Sudoeste desenvolveu uma nova forma de contar gado utilizando imagens de drones. Eles criaram um algoritmo de computador especializado chamado C2Net, que foi concebido especificamente para lidar com a realidade desordenada e lotada de uma exploração agrícola real. Em vez de pedir aos humanos para desenharem caixas complexas em torno de cada animal, o novo método requer apenas um ponto simples para marcar o centro de cada vaca. Esta pequena mudança na forma como os dados são preparados reduz drasticamente o tempo e o custo necessários para treinar o sistema. Os investigadores construíram uma nova e massiva coleção de imagens, chamada HerdSet7K, contendo quase 7.000 fotos de gado em vários ambientes, desde pastagens abertas até currais de alimentação lotados. Este conjunto de dados inclui cenas onde as vacas estão tão próximas que formam uma massa sólida, bem como cenários onde estão espalhadas, permitindo que o computador aprenda a distinguir indivíduos mesmo quando estão a tocar-se ou parcialmente escondidos.

O núcleo deste novo sistema é uma forma inteligente de ensinar o computador a ver distância e espaço. Em vez de apenas procurar a forma de uma vaca, o algoritmo gera um mapa que mostra quão longe cada ponto na imagem está da vaca mais próxima. Em áreas onde as vacas estão agrupadas densamente, este mapa cria zonas distintas e não sobrepostas para cada animal, permitendo que o computador identifique o centro exato de cada uma sem se confundir com a multidão. Esta abordagem, que os investigadores chamam de transformação de distância inversa focal, funciona como um guia que ajuda o computador a separar animais individuais mesmo quando estão visualmente fundidos. Ao utilizar esta técnica, o sistema consegue contar o rebanho com alta precisão, mantendo simultaneamente o registo de onde cada animal se localiza, uma capacidade que é essencial para monitorizar os hábitos alimentares ou detetar se uma vaca está ferida ou a lutar.

Quando os investigadores testaram o seu novo sistema contra outros modelos de visão computacional líderes, os resultados mostraram uma vantagem clara em condições difíceis. Em cenários onde o solo era lamacento, a iluminação era fraca ou as vacas estavam agrupadas em grupos densos, os modelos tradicionais frequentemente falhavam, perdendo muitos animais ou contando-os incorretamente. O novo sistema C2Net, no entanto, manteve a sua precisão. Em testes envolvendo centenas de imagens, o sistema alcançou uma taxa de erro de contagem significativamente inferior à de seus concorrentes, com uma diferença média de cerca de 20 animais por imagem em relação à contagem real. Mais importante ainda, foi capaz de localizar vacas individuais com um alto grau de certeza, mesmo nos currais mais lotados onde outros sistemas desistiam. O sistema também provou ser suficientemente eficiente para correr em computadores pequenos e portáteis, o que significa que poderia potencialmente ser utilizado em drones ou robôs agrícolas em tempo real, sem necessitar de servidores massivos e caros.

O estudo demonstra que é possível automatizar a monitorização do gado de uma forma que seja simultaneamente altamente precisa e prática para a agricultura real. Ao mudar o foco de anotações complexas e demoradas para marcadores de pontos simples, os investigadores baixaram a barreira para a criação destes sistemas inteligentes. O novo método não se limita a contar os animais; fornece um mapa fiável da distribuição do rebanho, o que pode ajudar os agricultores a tomar melhores decisões sobre a alocação de recursos e o bem-estar animal. A equipa disponibilizou o seu conjunto de dados e o código do algoritmo para o público, esperando que esta abordagem aberta acelere o desenvolvimento de ferramentas mais inteligentes e eficientes para o futuro da agricultura. No final, o trabalho oferece uma solução prática para um problema persistente, transformando o ruído visual caótico de um pasto lotado em dados claros e acionáveis para o agricultor.