Zie Nieuws

Sensor herkent activiteit wildlife in strijd tegen stroperij

Door de bewegingen van dieren in het wild te herkennen met sensoren op hun lijf, is het beter mogelijk om in te grijpen als er stropers in de buurt zijn. Deze sensoren voor ‘animal activity recognition’ kunnen daarnaast helpen bij het in kaart brengen en vergroten van de biodiversiteit of het ‘managen’ van een kudde vee. Onderzoeker Jacob Kamminga van de Universiteit Twente heeft hiervoor een bewegingssensor met ingebouwde intelligentie ontwikkeld die bewegingspatronen kan onderscheiden van verschillende diersoorten. Slim en energiezuinig. En: bestand tegen ruwe omstandigheden.

Nog steeds worden veel olifanten gedood vanwege hun ivoor, en neushoorns vanwege de vermeende geneeskracht van hun hoorn. Ook andere diersoorten worden, hoewel de regelgeving strenger is geworden, nog altijd bedreigd door stropers. Zou je de bewegingen van wilde dieren beter kunnen herkennen, dan weet je ook of ze zich anders gedragen met menselijke belagers in hun buurt. Satellietbeelden en GPS geven al belangrijke informatie, maar een sensor op het lijf kan preciezer vaststellen wat het dier doet.

Kamminga heeft onderzocht welke metingen je daarvoor moet uitvoeren en welke ingebouwde intelligentie nodig is. Opvallend is zijn conclusie dat in de meeste gevallen één sensor volstaat: een versnellingsopnemer, accelerometer. “Een gyroscoop toevoegen, die draaiingen meet, kan het iets nauwkeuriger maken, maar die gebruikt tot honderd keer meer energie.”, aldus Kamminga. Regelmatig een batterij vervangen is er niet bij, dus het moet zo energiezuinig mogelijk.

Intelligentie ingebouwd

De bewegingen van de sensor worden vervolgens door ingebouwde intelligentie herkend. Dat kan door het systeem vooraf intensief te trainen met alle mogelijke bewegingen, maar dat is erg arbeidsintensief. Dit heet gelabelde data. Kamminga laat zien dat het systeem ook met ongelabelde, ruwe data overweg kan: er is dan alleen maar een basisset van gegevens nodig. Verdere herkenning kan op basis van relatief eenvoudige ‘beslisbomen’, maar ook ‘diep lerende’ kunstmatige intelligentie is tegenwoordig al zo compact dat het goed is in te bouwen in de sensor. Flexibiliteit is daarbij ook belangrijk: je wilt niet voor elk dier een andersoortig systeem ontwerpen. Kamminga heeft onder meer de bewegingen van schapen, geiten en paarden onderzocht. 

Vervolgens moet het pakketje informatie ook nog verstuurd worden, via een mobiel netwerk of een satelliet. Hierbij is energie te besparen door alléén te gaan zenden als er iets verandert. Kamminga heeft daarnaast rekening gehouden met de ruwe natuurlijke omgeving: een sensorband kan altijd verschuiven of draaien, maar moet dan nog wel betrouwbare informatie blijven geven.

Biodiversiteit

De individuele bewegingsinformatie is ook waardevol voor het in kaart brengen van biodiversiteit in een gebied: hebben de dieren nog wel voldoende voedsel en bewegingsvrijheid, hoe zit het met de interactie met de bewoonde wereld? Dit zijn vragen voor de UT-faculteit ITC, voor Geo-information Science en Earth Observation. Prof Andrew Skidmore, expert op dit gebied, was betrokken bij Kamminga’s onderzoek: “Door onze beelden, gemaakt met remote sensing en geo-informatie systemen, te koppelen aan de bewegingen die ter plekke worden gemeten met sensoren, krijgen we een veelbelovende technologie waarmee we de ecologische eisen van een diersoort beter begrijpen. Dit kan vervolgens leiden tot betere beslissingen over natuurbeheer.”

Kamminga heeft zijn onderzoek uitgevoerd in de groep Pervasive Systems van prof. Paul Havinga. Deze groep werkt aan compacte, energiezuinige, vaak autonoom communicerende sensoren voor verschillende toepassingen, zoals het bewaken van waterkwaliteit of het monitoren van de onderhoudsstatus van infrastructuur zoals bruggen en tunnels.

Jacob Kamminga (Kantens, 1987) is recent cum laude gepromoveerd op het proefschrift ‘Hiding in the deep – online animal recognition using motion sensors and machine learning’

ir. W.R. van der Veen (Wiebe)
Persvoorlichter (aanwezig ma-vr)