Rilevamento, identificazione e riconoscimento della postura nel bestiame con il satellite, la fotografia aerea e gli UAV utilizzando tecnologie di deep learning.

Gli sviluppi nell’evoluzione dell’individuazione degli animali con immagini telerilevate utilizzando l’Intelligenza Artificiale (AI) stanno diventando un metodo promettente per gli allevatori, utile a monitorare in modo efficiente le loro mandrie di bovini in sistemi di produzione di carne bovina particolarmente estesi e ampi. La comprensione di parametri come la resilienza e l’efficienza per il bestiame potrebbe fornire maggiori informazioni sullo stato o sul benessere degli animali stessi. Nei bovini da latte, i sensori sono stati utilizzati per studiare la possibilità di prevedere la resilienza e la durata della vita produttiva delle vacche da latte (Adriaens et al. 2020). Tuttavia, i bovini da latte giungono quotidianamente in azienda, il che consente agli allevatori di recuperare i dati dai sensori. Per i sistemi estensivi di produzione del bestiame da carne invece, ancor prima di comprendere lo stato dei singoli soggetti i bovini devono prima essere individuati per trovare l’ubicazione della mandria.

Questo studio di fattibilità indaga se le immagini telerilevate da satelliti, velivoli con equipaggio o UAV possano contribuire in modo efficiente al monitoraggio dei parametri di resilienza ed efficienza dei bovini. Le immagini telerilevate possono aiutare gli allevatori localizzando le loro mandrie di bestiame in modo efficiente e con basso costo rispetto alla localizzazione e al conteggio tradizionale che implica un andare sul campo e richiede un’elevata disponibilità di manodopera. La ricerca attuale si concentra in particolare sugli Unmanned Aerial Vehicles (UAV) per il rilevamento delle mandrie di bovini (Shao et al. 2020; Barbedo et al. 2019; Xu et al. 2020). Anche le immagini satellitari VHR e le fotografie aeree possono essere utilizzate per il rilevamento degli animali in mandrie estese (Yang et al. 2014). In questo studio sono state analizzate tre diverse piattaforme di telerilevamento, vale a dire le immagini satellitari ad altissima risoluzione, la fotografia aerea e gli UAV, per il rilevamento il bestiame. In particolare, il rilevamento automatico o semiautomatico con analisi dell’immagine basata su pixel o sull’oggetto è sfruttato principalmente in letteratura (Rivas et al. 2018; Barbedo et al. 2019). Le reti neurali convoluzionali (CNN) come tecnologia IA si sono dimostrate efficaci nel rilevamento basato sugli oggetti del bestiame in grandi set di dati (Kellenberger, Marcos e Tuia 2018).

I software di telerilevamento standardizzati come ENVI (Exelis 2019), Nanonets (ilink1) e YOLO (Redmon et al. 2016; Redmon e Farhadi 2018) ad oggi stanno utilizzando la CNN tra i loro strumenti di “deep learning” e quindi li abbiamo inseriti in questo studio, anche perché i primi due hanno interfacce “user-friendly”. Questi metodi possono fornire un modello che può automatizzare l’analisi futura del rilevamento del bestiame dalle immagini. Tuttavia, l’annotazione manuale (creazione di training data etichettando o categorizzando oggetti o pixel per la classificazione del deep learning) delle immagini richiede ancora molto tempo poiché sono necessari set di training data di grandi dimensioni. Allo stesso tempo, il machine learning (ad es. CNN) può fornire un’elaborazione più rapida (Kellenberger 2020) rispetto ai metodi di classificazione convenzionali (ad es. interpretazione dell’immagine visiva). Tuttavia, le diverse piattaforme hanno anche delle limitazioni nel monitoraggio del bestiame nei sistemi di produzione estensivi. Ad esempio, gli UAV hanno limitazioni legate alla durata della batteria, alle normative vigenti sui droni e alle condizioni meteorologiche. Per le immagini satellitari VHR e le fotografie aeree, è difficile monitorare la resilienza o l’efficienza dei singoli animali poiché i bovini da carne hanno lo stesso aspetto e sono difficili da distinguere da altezze maggiori. Pertanto, oltre alla nostra ricerca sul rilevamento e sulla conta dei bovini con differenti programmi di telerilevamento delle immagini, ci siamo concentrati anche sull’identificazione delle singole vacche e della loro postura con immagini UAV grazie alla risoluzione spaziale richiesta e per distinguere gli individui. Infatti il monitoraggio della loro postura (come stare in piedi, pascolare e sdraiarsi) potrebbe essere utile per ricavare informazioni associate alla resilienza e all’efficienza.

Lo studio di fattibilità si è concentrato, appunto, in particolare su: (1) rilevamento automatico della posizione del bestiame e conteggio degli animali; (2) posture della vacca come stare in piedi, pascolare o sdraiarsi; e (3) identificazione della singola vacca. I dati sono stati raccolti nel corso di tre prove sul campo nei Paesi Bassi e in Polonia. L’intelligenza artificiale è stata utilizzata per classificare gli oggetti (il bestiame) nelle immagini dei droni. Sono state ottenute accuratezze di classificazione >95% per il rilevamento delle vacche. Sono state ottenute accuratezze del 91% circa per l’identificazione delle singole vacche e accuratezze dell’88% circa per le posture delle vacche.  Abbiamo analizzato e confrontato anche i vantaggi e gli svantaggi delle diverse piattaforme per il rilevamento dei bovini. Questi risultati rendono i droni con telecamera montata una nuova tecnologia promettente per il monitoraggio dei sistemi estensivi di produzione di carne bovina.

La presente sinossi è tratta dall’articolo: “Detection, identification and posture recognition of cattle with satellites, aerial photography and UAVs using deep learning techniques“, di A. Müchera, S. Losa, G. J. Frankea and C. Kamphuisb, International Journal of Remote Sensing, DOI: 10.1080/01431161.2022.2051634.