CAPTURE

Plattform för bildigenkänning and förvaltning.

En bildeforvaltningsplattform i viltprosjektet

Capture är en ny platform för en effektivare hantering, analys och kategorisering, samt förvaltning av bildmaterial från kamerastudier.

Capture effektiviserer håndtering, analyse og kategorisering, samt håndtering av bildemateriale fra bilkameraer, kamerastudier av f.eks faunatiltak, viltovervåking eller faunaprosjekter. Capture tilbyr en sentralisert arkivering av anonymisert og depersonalisert bildemateriale. Dette støtter ikke bare kortsiktige prosjekter med kameraer, men også langsiktig oppfølging av miljøendringer eller dyreforekomster. Systemets modulære struktur gjør det mulig å bruke nye algoritmer for bildegjenkjenning av annet enn dyreliv og mennesker, noe som åpner for nye bruksområder. SLU, Sweco, og Nina. Prosjektet ble finansiert av Trafikverket og Vinnova

Capture har siden desember 2021 vært tilgjengelig i sin første driftsversjon, men utviklingen pågår kontinuerlig i samarbeid med brukerne og innspill fra myndigheter for å møte deres ulike behov og krav til systemet. 

Intresserad i att prova Capture? Kontakta andreas.seiler@slu.se hvis du vil teste et demoprosjekt eller opprette en ny konto.

Hvorfor CAPTURE?

Bevegelsesaktiverte kameraer gir en kostnadseffektiv metode for overvåking (Burton et al. 2015), men ettersom de utløses av forandringer i bildeparametrene, kan de også aktiveres av mennesker, kjøretøy, nedbør kunstig og naturlig lys med mer (Meek et al. 2014). Dette skaper en stor mengde bilder som krever mye arbeid for bilder som ikke er relevant for forskningen. Dette ettersom forvaltning og gransking av bildematerialet krever omfattende manuelt arbeid siden eksisterende tekniske løsninger (Hamel et al. 2013, Bubnicki et al. 2016, Young, Rode-Margono & Amin 2018) ikke kan tilpasses formålet eller svenske krav til datasikkerhet. Lignende behov finnes også på andre områder hvor bevegelsesaktiverte kameraer benyttes (ekologisk forskning, viltförvaltning, Norouzzadeh et al. 2018). Første steg mot billedanalyseverktøy for "viltkameraer" er tatt bl.a. med finansiering fra Naturvårdsverket (projekt SCANDCAM; se Hofmeester et al. 2019), men der er behov for oppdaterte algoritmer og bedre grensesnitt og rutiner for bildeforvaltning og lagring som oppfyller gjeldende retningslinjer for personvern og myndighetenes særskilte behov. 

CAPTURE utgår da med bakgrunn i nevnte hensyn og tilbyr en plattform hvor kunstig intelligens (KI/AI) og maskinlæring (ML) benyttes for å hente ut relevante bilder og anonymisere mennesker og kjøretøy. CAPTURE tilbyr også manuell gransking og billedtagning, samt funksjoner for import- og eksport av billedmateriale. Om CAPTURE skal benyttes for å ta et tilfeldig utvalg eller for langsiktig forvaltning av billedmateriale varierer mellom prosjektene. Nye funksjoner og ressurser vil legges til etter behov i samråd med prosjekteier.

OBS: Siden er under utvikling

Referanser

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/