“Muchos investigadores necesitan identificar y recopilar datos sobre individuos concretos en su trabajo, por ejemplo, para estimar la supervivencia, la reproducción y el movimiento”, afirma Derek Lee, profesor asociado de investigación en biología en Penn State y científico principal del Wild Nature Institute.
“En lugar de etiquetas y otras marcas aplicadas por humanos, que podrían interferir en el comportamiento del animal, muchos investigadores fotografían las marcas únicas del animal. Disponemos de un software de reconocimiento de patrones que ayuda a analizar estas fotos, pero todas las fotos deben prepararse manualmente para su análisis. Como a menudo tenemos miles de fotos que revisar, esto crea un cuello de botella importante.”
Fotos del torso de jirafas
Lee utiliza fotografías como parte de un amplio estudio en curso para comprender los nacimientos, las muertes y los desplazamientos de más de 3000 jirafas en África Oriental. Él y su equipo toman fotos digitales de los patrones de manchas únicos e invariables de cada animal para identificarlos a lo largo de su vida. Pero antes de que el software de reconocimiento de patrones pueda procesar las imágenes para identificar a los individuos, el equipo de investigación debe recortar manualmente cada foto o delimitar una zona de interés.
Lee colaboró con científicos de Microsoft, que han proporcionado un nuevo servicio de procesamiento de imágenes para automatizar este proceso esencial y que consume mucho tiempo, mediante una tecnología de aprendizaje automático implementada en la nube de Microsoft Azure.
Mediante un algoritmo informático de detección de objetos, el equipo de Microsoft entrenó un programa para reconocer torsos de jirafas utilizando fotos existentes que habían sido anotadas a mano. El programa se mejoró de forma iterativa mediante un proceso de aprendizaje activo, en el que el sistema mostraba a una persona los cuadrados de recorte previstos en nuevas imágenes, y esta podía verificar o corregir rápidamente los resultados.
Estas nuevas imágenes se incorporaron después al algoritmo de entrenamiento para actualizar y mejorar aún más el programa. El sistema resultante identifica, con una precisión muy alta, la ubicación de los torsos de jirafas en las imágenes, incluso cuando la jirafa ocupa una pequeña parte de la imagen o la vegetación bloquea parcialmente su torso.
“El sistema logra un reconocimiento casi perfecto de los torsos de jirafas sin requisitos de hardware costosos, como una unidad de procesamiento gráfico dedicada y de alto rendimiento”, afirma Lee. “Es maravilloso cómo el equipo de Azure ha automatizado este aspecto tan tedioso de nuestro trabajo. Antes nos llevaba una semana procesar nuestras nuevas imágenes tras un censo, y ahora se hace en minutos. Este sistema nos acerca más a la identificación completamente automática de animales a partir de fotos.”
Big data para animales grandes
El nuevo sistema acelerará de forma notable la investigación de Lee sobre las poblaciones de jirafas, que han disminuido rápidamente en toda África debido a la pérdida de hábitat y a la caza ilegal para obtener carne.
“Las jirafas son animales grandes y recorren grandes distancias, por lo que es natural que utilicemos big data para saber dónde les va bien, dónde no y por qué, de modo que podamos proteger y conectar las zonas importantes para la conservación de las jirafas”, afirma Lee.
Este proceso también será útil para los investigadores que estudian otros animales con patrones de identificación únicos, como algunos felinos salvajes, elefantes, salamandras, peces, pingüinos y mamíferos marinos.
Un artículo que describe el trabajo aparece en Ecological Informatics. La financiación parcial procedió del Sacramento Zoo, el Columbus Zoo, el Cincinnati Zoo, Safari West, Tierpark Berlin y el Tulsa Zoo
