Samenvatting

De Weerseloseweg in Enschede ligt omringd met bos. Dit zorgt voor aanrijdingen met wilde dieren. In 2020 waren dat er al meer dan 30, meer dan e´e´n per twee weken. Dit levert veel fysieke en mentale schade op. Dit heeft er bij de provincie ervoor gezorgd om een opdracht uit te geven om dit te verminderen. Hier is het Prowild project uitgekomen. Prowild kijkt naar beweging langs de weg aan de hand van een infraroodstraal. Als er beweging wordt gedetecteerd wordt er een signaal naar een dynamisch verkeersbord gestuurd. Het grote nadeel is dat bij elke beweging een signaal gestuurd wordt en niet alleen dieren. Daarom heeft Innovadis het project Wildwissel bedacht. Dit project kijkt naar de combinatie van machine learning en aanrijdingen te voorkomen.
In dit project is een proof-of-concept systeem ontwikkeld dat dieren herkent en daarna een signaal naar een externe service kan sturen, een dynamisch verkeersbord bijvoorbeeld. Dit systeem bestaat uit vijf componenten. De eerste is een infraroodcamera. De dieren moeten namelijk overdag en ’s nachts herkend kunnen worden. De beelden van deze camera worden dan naar een computersysteem gestuurd voor analyse. Het computersysteem is een NVIDIA Jetson Nano. Een Jetson Nano is een edge computer speciaal gemaakt voor machine learning. Hierop wordt een Python programma gedraaid dat een YOLOv3-tiny model de infrarood beelden laat analyseren. Een YOLO is een objectdetectie-algoritme dat door patronen in beelden te herkennen objecten kan detecteren. Door het algoritme veel trainingsdata te geven leert het zichzelf de patronen aan. In dit project zijn 3.384 dag- en nachtbeelden van dieren gebruikt voor het trainen van het model. Als het model in vijf frames achter elkaar een dier heeft gedetecteerd kan er een signaal gestuurd worden en wordt er een video-opname gestart. Deze video-opnames zijn handig voor belanghebbenden, zoals boswachtwachters, om te zien welke dieren er allemaal langs zijn gekomen. Deze opnames kunnen dan ook online bekeken worden via een dashboard. De opnames zijn ook handig om het YOLO model weer op te trainen. Daardoor wordt het systeem betrouwbaarder. De opnames worden in een Azure Blob Storage opgeslagen.
Uit de testen van het proof-of-concept is gebleken dat dieren betrouwbaar en snel gedetecteerd kunnen worden. Voor het YOLOv4 model op een threshold van 50% wordt 100% van de dieren binnen 3 seconden gevonden met een precisie van 98.9%. En het YOLOv3-tiny model vond de threshold van 50%, 54.3% van de dieren met een precisie van 92.5% binnen 0.7 seconden. Op basis daarvan kan worden geconcludeerd dat het met de gekozen componenten goed mogelijk is om dieren overdag en ’s nachts met een voldoende betrouwbaarheid te detecteren en daarmee bestuurders te kunnen waarschuwen. Aanbeveling aan Innovadis is om de precisie van het model om hoog te krijgen door met meer en gevarieerder data te trainen. Ook kan daarmee het model getraind worden om dieren te herkennen als diersoort. Als laatste kunnen meerdere analyses uitgevoerd worden over de opnames.