Automatic detection of sheep inNorwegian highland terrain usingYOLOv3

Abstract

Bruken av ubemannede luftfartøy (UAV, eller drone på norsk) har sett en økning i bruk etter at flere folk har testet potensielle bruksområder. Bruksområder som overvåkning av dyreliv, søk og redning, inspeksjon og overvåkning av trafikk er noen av feltene som drar nytte av denne utviklingen.

Ved å kombinere droner med topp moderne objekt detektorer har det blitt vist stort potensiale i å automatisere ovennevnte jobber. Dette kan hjelpe med å øke produktivitet, minke menneskelige feil og automatisere farlige jobber. Denne oppgaven utforsker hvordan en drone utstyrt med høyoppløselig kamera i tillegg til et infrarødt kamera, kan kombineres med en topp moderne objekt detektor for å lokalisere sauer i norsk fjellområder. En av de topp moderne objektdektorene, er YOLO (You Only Look Once), som gir en veldig god balanse mellom presisjon og inferensstid. YOLOv3 er implementasjon som ble brukt i denne oppgaven.

For sauebonden er det viktigere å finne en tilnærmet posisjon for sauene. En eksakt lokasjon av hver eneste sau i et bilde er ikke det viktigste, siden sauen kan ha beveget seg i tiden mellom deteksjon og manuell gjenfinning. Det betyr at det å filtrere ut alle bilder uten sau er viktigere. Et annet aspekt av oppgaven er å sammenligne fargebilder og infrarøde bilder, for å se om et infrarødt kamera er overflødig. 4k fargebilder krever mer komputasjon, minne og fargebildene gir tre forskjellige farger på sauens ull. I motsetning har infrarøde bilder bare gråskala.

Det er uklart i hvor stor grad infrarøde bilder er bedre på dette stadiet, siden resultatene er veldig jevne. Infrarøde bilder gir bedre resultat i kalde omgivelser, men sliter med mer uklare bilder i større høyder, mens fargebilder har en mer konsistente resultater. Forskjellige nettverkskonfigurasjoner ble brukt på fargebilder og infrarøde, så det var vanskelig å sammenligne resultatene rettferdig.

The usage of unmanned aerial vehicle's (UAV) has seen an increase as more people have been testing their potential. Usage areas such as wildlife monitoring, search and rescue, inspection and traffic monitoring are some of the fields that benefit from the development.

Combining UAV's with state of the art object detectors have shown great promise in automating the jobs stated above. This can help increase productivity, decrease human error and automate dangerous jobs. This thesis aims at exploring how a UAV equipped with a high resolution camera as well as an infrared camera, combined with a state of the art object detector can help locate sheep in Norwegian highland terrain. One of the state of the art object detectors is YOLO (You Only Look Once), which gives a good balance between precision and inference time. YOLOv3 is the implementation used in this

For the shepherd, finding the rough location of the sheep is the most important aspect. The exact location of every individual sheep in an image is not essential, as the sheep can move around from the time of detection to herding. Thus, filtering out images without any sheep is the most important. Another aspect is to compare the performance of RGB pictures and infrared, to see if the infrared camera is redundant. 4k RGB pictures requires more computing power, memory usage, as well as having three distinct wool colours. As opposed to infrared that only output greyscale.

It is unclear how much of a benefit infrared images yield at this point, as the results were very close between the networks. Infrared images increases performance in cold environments, but struggles with generating clear images at higher altitudes, while RGB images have a more consistent performance. Different network configurations were used on RGB and infrared images, making it hard to compare the results fairly.