Je hebt ze misschien al zien hangen, kleine bakjes bevestigd aan bomen. Deze bakjes bevatten een camera die gebruikt wordt om dieren te fotograferen. Ze zijn uitgerust met een warmtegevoelige bewegingsdetector zodat er een foto gemaakt wordt wanneer een dier voor de camera passeert. De bewegingsdetector van deze cameravallen reageert echter niet enkel op dieren, maar ook op andere bewegingen zoals mensen en takken. Als je zo’n camera al eens van dichtbij bent gaan bekijken, heeft hij waarschijnlijk een foto van jou gemaakt. Ook voorbijgangers die de camera niet opmerken, kunnen ongewild gefotografeerd worden. Wanneer deze foto’s publiek gemaakt worden, stelt zich een belangrijk privacyprobleem. In mijn thesis heb ik een computermodel ontwikkeld om dieren in cameravalbeelden te herkennen en jouw privacy veilig te stellen.

Waarom worden cameravallen gebruikt?

Het gebruik van cameravallen is een manier om dieren in het wild op te volgen. Het grote voordeel van cameravallen in vergelijking met andere technieken zoals het gebruik van zenders of markeringen is dat dieren niet verstoord moeten worden om informatie te verzamelen. Het is niet meer nodig dieren te vangen of te verdoven om ze van een halsband te voorzien om hun positie te volgen. Hoewel sommige dieren de camera wel opmerken, ondervinden ze hier geen hinder van. Bovendien kan informatie verzameld worden zonder dat iemand aanwezig moet zijn om de dieren te observeren. De camera’s maken zowel overdag als ‘s nachts foto’s die dan achteraf onderzocht kunnen worden.

Begin 2018 werden cameravallen bijvoorbeeld gebruikt om de terugkeer van de wolf naar Vlaanderen te bevestigen. Wolvin Naya en later ook haar partner August konden door het gebruik van cameravallen op beeld vastgelegd worden. Ook everzwijnen worden gemonitord met cameravallen. Hoewel de terugkeer van het in Vlaanderen uitgestorven everzwijn gezien kan worden als een succes, vrezen boeren voor schade aan hun gewassen. Ook tuinen gelegen in het leefgebied van de everzwijnen worden omgewoeld en een teveel aan everzwijnen kan problemen voor het natuurbeheer met zich meebrengen. In het Nationaal Park Hoge Kempen wordt de populatie everzwijnen gemonitord om meer informatie te verzamelen over hun verspreiding, voortplanting en gedrag om zo een goed beheer te kunnen uitstippelen.

Het verwerken van de cameravalbeelden vormt echter nog een knelpunt bij het gebruik van cameravallen. Cameravallen produceren namelijk enorme aantallen foto’s en het bekijken ervan neemt veel tijd in beslag.

Citizen science

Om het grote aantal cameravalbeelden te verwerken, kan een beroep gedaan worden op citizen science, ook wel burgerwetenschap genoemd. Hierbij bekijken vrijwilligers via het internet de cameravalbeelden en geven aan wat er op te zien is. De inzet van deze vrijwilligers is voor heel wat projecten van groot belang. ‘s Werelds grootste online platform voor citizen science, Zooniverse, kent meer dan een miljoen vrijwilligers. Er is voor ieder wat wils te vinden tussen de projecten van over heel de wereld met diverse onderwerpen gaande van geneeskunde over astrologie tot kunst. Aan de hand van eenvoudige instructies kan iedereen de foto’s, video’s en audiofragmenten helpen labelen, zonder dat enige voorkennis noodzakelijk is.

Omwille van privacyredenen mogen cameravalbeelden die voorbijgangers bevatten echter niet publiek gemaakt worden. Foto’s van mensen moeten uit de databank verwijderd worden alvorens deze online beschikbaar gesteld kan worden aan vrijwilligers. In mijn onderzoek heb ik dit proces geautomatiseerd.

Artificiële hersenen onderscheiden mensen van dieren

Om het manuele werk bij het verwerken van cameravalbeelden te reduceren, werd een computermodel ‘getraind’ om mensen en dieren te herkennen. De opbouw van het model, een neuraal netwerk, is geïnspireerd op het menselijk brein. Het computermodel van de hersenen, dat oorspronkelijk bedoeld was voor medische doeleinden, bleek in staat te zijn te leren. Net zoals je een kind kan leren hoe verschillende dieren eruitzien door het foto’s van deze dieren te tonen, kan een neuraal netwerk ook leren mensen en dieren te herkennen door het voldoende voorbeelden te geven.

Het model is in staat mensen te herkennen zodat foto’s van toevallige voorbijgangers verwijderd kunnen worden en de dataset daarna online geplaatst kan worden zonder dat hun privacy geschonden wordt. Daarnaast werd het model ook getraind om lege beelden aan te wijzen zodat ook deze verwijderd kunnen worden. De bewegingsdetector reageert namelijk bijvoorbeeld ook op takken die door de wind heen en weer bewegen. Het automatisch verwijderen van deze beelden zorgt voor een grote tijdsbesparing aangezien ongeveer de helft van de beelden die door cameravallen gemaakt worden, beelden zijn waarop geen dieren staan. Door het verwijderen van deze lege beelden wordt het aantal foto’s dat bekeken moet worden al gehalveerd en is het labelen van de beelden bovendien minder saai voor de vrijwilligers.

Het model classificeert de beelden in verschillende stappen. Eerst wordt er nagegaan of er iets op de foto staat. Daarna wordt bepaald of het om een mens of een dier gaat. Voor dieren wordt er vervolgens onderscheid gemaakt tussen zoogdieren en vogels, waarna de zoogdieren nog verder onderverdeeld worden in de verschillende diersoorten. Wanneer in de toekomst nog meer gelabelde cameravalbeelden als voorbeeld aan het model gegeven kunnen worden, kan deze gedetailleerde classificatie nog verder verbeterd worden. Cameravalbeelden tonen dieren namelijk onder zeer verschillende omstandigheden en de dieren zijn niet altijd even goed zichtbaar op de foto’s. Soms staat enkel het hoofd of de achterkant op de foto, is het dier gedeeltelijk verborgen achter een boom of zorgen regendruppels op de camera voor onduidelijke foto’s. Het model moet dieren dus in al deze verschillende situaties kunnen identificeren.

Om meer gelabelde beelden te verkrijgen is een wisselwerking met citizen science voordelig. Het model kan gebruikt worden om foto’s waarop mensen staan uit de dataset te verwijderen, waarna vrijwilligers de overige foto’s kunnen labelen. Deze gelabelde beelden kunnen dan weer gebruikt worden om het model verder te trainen waardoor het de verschillende diersoorten beter leert herkennen.

Bio-ingenieur Laura Hoebeke voerde dit onderzoek uit aan de onderzoekseenheid KERMIT van de Universiteit Gent, onder leiding van Bernard De Baets en Michiel Stock en in samenwerking met Stijn Van Hoey en Jim Casaer van het Instituut voor Natuur- en Bosonderzoek. Haar scriptie is te lezen op de website van de Vlaamse scriptieprijs.