Overvågningsfoto fra sti med grise. Ud fra fotoet kan en computer lære atgenkende og registrere grise i stien. Foto DTU.Mulighederne i brug af videoovervågning er store. Det kan bruges til at blive klogere på ligge-adfærd, forekomst af halebid, svineri i stierne og adfærd omkring løsdrift i farestier.
Seges Svineproduktion bruger video i forbindelse med forsøg, men det har hidtil været forbundet med mange arbejdstimer at analysere optagelserne.
»Det kunne tage et par måneder at se optagelserne igennem«, lyder det fra statistiker Jens Vinther, Seges Svineproduktion.
Han tilføjer, at der også altid er et element af subjektivt skøn i at analysere en video.
Deep Learning
Derfor er nye teknikker, som Vedrana Andersen Dahl og Vijay Gill Hansted, DTU, arbejder med omkring ’Deep Learning’ interessante.
Det drejer sig f.eks. om at kunne tracke en gris på en videooptagelse og følge, hvordan dens adfærd er i stien.
»Programmet arbejder med algoritmer, som lærer, hvordan en gris ser ud, når den ligger ned alene, når den står, når den ligger tæt ved andre, eller når den går rundt i stien«, fortæller Vijay Gill Hansted, DTU.
Når først programmet har lært at genkende en gris i de forskellige situationer, klarer teknikken meget af det arbejde, der før kunne tage et hav af arbejdstimer.
Videogenkendelse er hjulpet på vej af, at regnekraften på internettet »Cloud Computing« er blevet billigere, og det glæder Jens Vinther.
»Der er store perspektiver i at bruge mere video, og det er blevet lettere at tilpasse det til forskellige staldforhold«, siger han.
Adfærdsstudier bliver langt lettere at gennemføre, når teknikken selv registrerer, hvordan grisene opfører sig i stierne. Det er f.eks. ikke længere fremtidsmusik at få alarm, når der er optræk til halebid:
»Halebid kræver, at et grisehoved er tæt på en grisehale, og det vil systemet kunne lære at registrere«, siger Vijay Gill Hansted.
De bedste optagelser får man med kameraet monteret lodret over stien.
»Hvis man har store stier, kan man montere flere kameraer, og bagefter sætte optagelserne sammen til ét billede«, fortæller Vijay Gill Hansted.
Han mangler at løse ét problem: flueklatter på videokameraet. Fluer tiltrækkes af varmen på objektivet, som derfor kræver hyppig, manuel vask.
Faktaboks
Videoovervågning
- Det store gennembrud er, at computerprogrammer og algoritmer kan tracke grise og efterfølgende analysere video.
- Det krævede førhen manuelt gennemsyn, som kunne tage mange hundrede timer.
- Projektet er støttet af Innovationsfonden i DABAI projektet
Kommentarer