CAPTURE

Platform for image management and recognition

En bildförvaltningsplattform för autokameror i viltprojekt.

Capture Capture combines manual management of metadata with automatic image analysis through AI / ML and automated depersonalization of potentially privacy-infringing images.

Capture further offers a centralized archiving of anonymized and depersonalized image material. This not only supports short-term projects with cameras but also long-term wildlife monitoring. The platform’s modular structure enables new algorithms for image recognition, even for other than wildlife and humans, to be connected and thereby expand the area of ​​use. The platform was developed through collaboration between SLU, Sweco, and Nina and financed by the Swedish Transport Administration and Vinnova. SLU, Sweco, och Nina. Projektet finansierades av Trafikverket och Vinnova

Since December 2021, Capture is available in its first operative version, but the development continuously progresses in collaboration with users and involved authorities to meet their different needs and requirements. 

Interested in trying Capture? Contact andreas.seiler@slu.se to receive a test-login for the demo project or to set up a project of your own.

Varför Capture ?

Rörelseaktiverade kameror erbjuder en kostnadseffektiv övervakningsmetod (Burton et al. 2015) men eftersom de triggas av förändringar i bildparametrarna, kan inspelningen aktiveras inte bara av djur utan även av människor, fordon, nederbörd, strålkastarljus med mera (Meek et al. 2014). Detta skapar en mycket stor mängd av bilder som är problematiska eller ointressanta i uppföljningssyfte. Förvaltning och granskning av bildmaterialet samt identifiering av relevanta bilder kräver fortfarande ett omfattande manuellt arbete eftersom befintliga tekniska verktyg och mjukvarulösningar (Hamel et al. 2013, Bubnicki et al. 2016, Young, Rode-Margono & Amin 2018) inte är anpassade till verksamheten eller till svenska säkerhetskrav. Liknande behov finns även i andra områden där rörelseaktiverade kameror används (ekologisk forskning, viltförvaltning, Norouzzadeh et al. 2018). Ett första steg mot bildanalysverktyg för dessa ”viltkameror” har gjorts bl.a. med finansiering från Naturvårdsverket (projekt SCANDCAM; se även Hofmeester et al. 2019), men det behövs uppdaterade algoritmer samt bättre gränssnitt och rutiner för bildförvaltning och bildlagring som uppfyller personuppgiftslagstiftningens krav och myndigheternas särskilda behov. 

Capture utgår från detta och erbjuder en plattform där artificiell intelligens (AI) och maskininlärning (ML) används för att urskilja relevanta bilder och avpersonifiera bilder på människor och fordon. Capture erbjuder också manuell granskning och tagning av bilder, samt import och exportfunktioner. Om Capture ska användas för att ta tillfällig hjälp av AI eller för att kunna långsiktigt förvalta bildmaterial variera mellan projekten. Nya funktioner och resurser kommer att kopplas in efter behov i samråd med projektägare.

OBS: Sidan är under uppbyggnad …

Referenser / References

Bubnicki, J.W., Churski, M., Kuijper, D.P.J. & Poisot, T. (2016) Trapper: an open source web-based application to manage camera trapping projects. Methods in Ecology and Evolution, 7, 1209-1216.

Burton, A.C., Neilson, E., Moreira, D., Ladle, A., Steenweg, R., Fisher, J.T., Bayne, E., Boutin, S. & Stephens, P. (2015) Wildlife camera trapping: a review and recommendations for linking surveys to ecological processes. Journal of Applied Ecology, 52, 675-685.

Hamel, S., Killengreen, S.T., Henden, J.-A., Eide, N.E., Roed-Eriksen, L., Ims, R.A., Yoccoz, N.G. & O’Hara, R.B. (2013) Towards good practice guidance in using camera-traps in ecology: influence of sampling design on validity of ecological inferences. Methods in Ecology and Evolution, 4, 105-113.

Hofmeester, T.R., Cromsigt, J., Odden, J., Andren, H., Kindberg, J. & Linnell, J.D.C. (2019) Framing pictures: A conceptual framework to identify and correct for biases in detection probability of camera traps enabling multi-species comparison. Ecol Evol, 9,2320-2336.

Meek, P.D., Ballard, G., Claridge, A., Kays, R., Moseby, K., O’Brien, T., O’Connell, A., Sanderson, J., Swann, D.E., Tobler, M. & Townsend, S. (2014) Recommended guiding principles for reporting on camera trapping research. Biodiversity and Conservation, 23, 2321-2343.

Norouzzadeh, M.S., Nguyen, A., Kosmala, M., Swanson, A., Palmer, M.S., Packer, C. & Clune, J. (2018) Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proc Natl Acad Sci U S A, 115, E5716-E5725.

O’Connell, A.F., Nichols, J.D. & Karanth, K.U. (2011) Camera Traps in Animal Ecology. Methods and Analyses. Springer.

Young, S., Rode-Margono, J. & Amin, R. (2018) Software to facilitate and streamline camera trap data management: A review. Ecol Evol,8, 9947-9957.

SCANDCAM – https://viltkamera.nina.no ; https://www.slu.se/ew-nyheter/2019/5/nya-verktyg-for-viltovervakning/

TRIEKOL – Applied Road and Rail Ecology http://triekol.se/