Real-time Sheep Detection - Improving Retrieval of Free-ranging Sheep Using Deep Learning-based Detection on Drone Imagery Running on Mobile Devices

På landsbasis slippes over 2 million sau på sommerbeite hvert år. Beiteområdene er ofte store, i ulendt terreng og et stykke unna selve gården. Disse faktorene gjør det vanskelig og tidkrevene for bonden å drive sauene hjem når høsten kommer. Denne masteroppgaven har som mål å utvikle og foreslå et system som kan bistå i dette arbeidet ved å automatisk detektere sau i dronebilder. For å oppnå dette ble flere dyp læringsmodeller basert på YOLOv5-arkitekturen utviklet og evaluert. Modellene tok utgangspunkt i forhåndstrente modeller av forskjellig størrelse. De ble så trent videre på bilder av varierende type og oppløsning. Evaluering av modellene ble gjort basert på evnen deres til å detektere sau i sanntid mens de kjører på mobile enheter. Tidligere arbeid har vist at en sammenslåing av to separate modeller basert på bilder fra det synlige og termiske spektrumet fører til bedre resultater. Et viktig aspekt ved denne oppgaven var derfor å undersøke om bilder tatt med MSX-teknologi gir lignende resultater. Ytelsen til de MSX-baserte modellene viste seg å være mindre gode – i hovedsak grunnet manglende kvalitet på selve bildene. Resultatene fra modellene trent på ordinære visuelle bilder i høy oppløsning var gode: Den beste modellen gjenfinner hele 98% av sauene med en inferenstid på 851ms per bilde på mobil maskinvare. Disse resultatene viser at dype læringsmodeller er i stand til å detektere sau i dronebilder både hurtig og pålitelig. Med videre utvikling kan denne teknologien brukes til å effektivisere arbeidet med sauegjenfinning