Finding interesting images from large quantities of camera trap data
Kauppala, Juho (2020)
Kandidaatintyö
Kauppala, Juho
2020
School of Engineering Science, Laskennallinen tekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020061644638
https://urn.fi/URN:NBN:fi-fe2020061644638
Tiivistelmä
To protect the endangered Saimaa ringed seal population, the ringed seals are monitored
with automatic camera traps in order to gather knowledge about them including population
size, territory, age, health and breeding data. To achieve this, the monitoring system has
to be able to tell apart individual ringed seals from the automatically gathered images. For
such a system to work efficiently, it has to be able to find the images with animal for further
analysis.
Methods to re-identify Saimaa ringed seals as well as other animals from images have already
been proposed. A review to animal re-identification and automatic image dataset cleaning
are made, and the basic principle of convolutional neural network is presented. A dataset
which contains images of Saimaa ringed seals as well as empty images is also introduced.
A model for cleaning the Saimaa ringed seal dataset, that is removing images that do not contain
a ringed seal, is proposed. The model consist of splitting the image into small patches,
predicting the probability for each patch to contain a Saimaa ringed seal using a convolutional
neural network, and then deciding whether the image contains a Saimaa ringed seal
based on an connected-component labeling algorithm. The model performs well, achieving
the accuracy of more than 90%. Uhanalaisen saimaannorppapopulaation suojelemiseksi norppia tarkkaillaan automaattisilla
riistakameroilla. Tarkoituksena on kerätä tietoa etenkin norppapopulaation koosta, norppien
reviiristä, eliniästä, terveydentilasta sekä lisääntymisestä. Jotta tämä onnistuisi, tarkkailujärjestelmän on pystyttävä erottamaan valokuvista eri norppayksilöt. Sitä varten tarkkailujärjestelmän on kyettävä ensin tunnistamaan, onko valokuvassa norppa ylipäänsä.
Keinoja saimaannorppien sekä muiden eläinlajien automaattiseen tunnistamiseen kuvista on
jo esitetty. Työssä esitellään perusasioita eläinten tunnistamisesta, automatisoidusta kuvajoukon
suodattamisesta sekä kerrotaan konvoluutioneuroverkon toimintaperiaate. Esitellään
myös kuvajoukko, joka sisältää kuvia saimaannorpista sekä tyhjiä kuvia.
Ehdotetaan mallia kuvajoukon suodattamiseen tyhjistä kuvista. Arvioitava kuva pilkotaan
ensin pieniksi paloiksi, jokaisen palan todennäköisyys sisältää saimaannorppaa arvioidaan
konvoluutioneuroverkon avulla ja näistä todennäköisyyksistä kootaan päätös, onko arvioitavassa
kuvassa saimaannorppa vai ei. Päätös kootaan käyttäen algoritmia, joka ryhmittelee vierekkäiset
positiivisen arvon saaneet palat alueiksi ja tutkii suurimman löydetyn alueen kokoa. Malli
saavuttaa yli 90% tarkkuuden, mitä voidaan pitää hyvänä tuloksena.
with automatic camera traps in order to gather knowledge about them including population
size, territory, age, health and breeding data. To achieve this, the monitoring system has
to be able to tell apart individual ringed seals from the automatically gathered images. For
such a system to work efficiently, it has to be able to find the images with animal for further
analysis.
Methods to re-identify Saimaa ringed seals as well as other animals from images have already
been proposed. A review to animal re-identification and automatic image dataset cleaning
are made, and the basic principle of convolutional neural network is presented. A dataset
which contains images of Saimaa ringed seals as well as empty images is also introduced.
A model for cleaning the Saimaa ringed seal dataset, that is removing images that do not contain
a ringed seal, is proposed. The model consist of splitting the image into small patches,
predicting the probability for each patch to contain a Saimaa ringed seal using a convolutional
neural network, and then deciding whether the image contains a Saimaa ringed seal
based on an connected-component labeling algorithm. The model performs well, achieving
the accuracy of more than 90%.
riistakameroilla. Tarkoituksena on kerätä tietoa etenkin norppapopulaation koosta, norppien
reviiristä, eliniästä, terveydentilasta sekä lisääntymisestä. Jotta tämä onnistuisi, tarkkailujärjestelmän on pystyttävä erottamaan valokuvista eri norppayksilöt. Sitä varten tarkkailujärjestelmän on kyettävä ensin tunnistamaan, onko valokuvassa norppa ylipäänsä.
Keinoja saimaannorppien sekä muiden eläinlajien automaattiseen tunnistamiseen kuvista on
jo esitetty. Työssä esitellään perusasioita eläinten tunnistamisesta, automatisoidusta kuvajoukon
suodattamisesta sekä kerrotaan konvoluutioneuroverkon toimintaperiaate. Esitellään
myös kuvajoukko, joka sisältää kuvia saimaannorpista sekä tyhjiä kuvia.
Ehdotetaan mallia kuvajoukon suodattamiseen tyhjistä kuvista. Arvioitava kuva pilkotaan
ensin pieniksi paloiksi, jokaisen palan todennäköisyys sisältää saimaannorppaa arvioidaan
konvoluutioneuroverkon avulla ja näistä todennäköisyyksistä kootaan päätös, onko arvioitavassa
kuvassa saimaannorppa vai ei. Päätös kootaan käyttäen algoritmia, joka ryhmittelee vierekkäiset
positiivisen arvon saaneet palat alueiksi ja tutkii suurimman löydetyn alueen kokoa. Malli
saavuttaa yli 90% tarkkuuden, mitä voidaan pitää hyvänä tuloksena.