Örnkoll på boskap med drönare och AI
| Diarienummer | |
| Koordinator | RISE Research Institutes of Sweden AB - ACREO, Kista |
| Bidrag från Vinnova | 500 000 kronor |
| Projektets löptid | november 2018 - november 2019 |
| Status | Avslutat |
Syfte och mål
Målet med genomförbarhetsstudien var att verifiera vilken identifieringsnoggrannhet kan uppnås med drönare och AI-övervakning av boskap. Projektet skapade över 700 "labeled" ("ground truth") RGB-bilder av highland kor på en gård i Mellansverige. Bilderna användes för träning och testing av en Faster R-CNN-algoritm anpassad för projektändamålet. Projektet uppnådde ett genomsnittligt recall värde på 89%, dvs algoritmen hittade 9 av 10 kor i genomsnitt. Algoritmen inramade också varje identifierat djur på en bild som ger exakta koordinater för positionering.
Resultat och förväntade effekter
- En bank på 700 "labelled" högkvalitativa RGB-drönarbilder av highland kor. En extra bank på ca 500 RGB och 500 IR obearbetade bilder. - Mycket bra algoritmprestanda (90% recall värde i genomsnitt) även för bilder nedskalade till 800x600 (se nästa avsnitt för förtydligande). - Projektet kom med en idé om en manöver eller "fly by" i olika höjder som kan bidra till att minska antalet missade djur. Projektet kommer att presentera sina resultat på Data Innovation Summit 2020 i Stockholm i mars 2020.
Upplägg och genomförande
Projektet identifierade tidigt kandidatalgoritmer för att utföra igenkänningen av djuren i terrängbakgrunden. Faster R-CNN har anpassats för projektet. Algoritmen visade sig bli mycket långsam med bilder vars upplösning var högre än 800x600. AI-prestandan kan således förbättras ytterligare när man använder bilder i full upplösning. Algoritmen har modifierats ytterligare för användning i RISE SICS Hops-plattformen för justering av hyperparametrarna och beräkning av prestandametriken såsom recall och precision.