IT201800000640A1 - Metodo e sistema per il riconoscimento biometrico univoco di un animale, basati sull'utilizzo di tecniche di deep learning - Google Patents
Metodo e sistema per il riconoscimento biometrico univoco di un animale, basati sull'utilizzo di tecniche di deep learning Download PDFInfo
- Publication number
- IT201800000640A1 IT201800000640A1 IT201800000640A IT201800000640A IT201800000640A1 IT 201800000640 A1 IT201800000640 A1 IT 201800000640A1 IT 201800000640 A IT201800000640 A IT 201800000640A IT 201800000640 A IT201800000640 A IT 201800000640A IT 201800000640 A1 IT201800000640 A1 IT 201800000640A1
- Authority
- IT
- Italy
- Prior art keywords
- animal
- images
- network
- domain
- embeddings
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims description 205
- 238000000034 method Methods 0.000 title claims description 65
- 238000013135 deep learning Methods 0.000 title claims description 14
- 241000282414 Homo sapiens Species 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 14
- 241000283690 Bos taurus Species 0.000 description 10
- 230000008901 benefit Effects 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 235000013365 dairy product Nutrition 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 241000283073 Equus caballus Species 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036449 good health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 241000938605 Crocodylia Species 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 239000005557 antagonist Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006651 lactation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Description
Descrizione del Brevetto per Invenzione Industriale dal titolo:
“METODO E SISTEMA PER IL RICONOSCIMENTO BIOMETRICO UNIVOCO DI UN ANIMALE, BASATI SULL’ UTILIZZO DI TECNICHE DI DEEP LEARNING”
La presente invenzione si colloca nel campo delle tecnologie per il riconoscimento delle identità di animali, basate sul riconoscimento di immagini e, in particolare, nel campo della realizzazione di un sistema di gestione di dati anagrafici relativi a ciascuna identità animale.
Più in particolare la presente invenzione si colloca nel settore dei metodi e sistemi per il riconoscimento biometrico di animali che sfruttano tecnologie basate sull'intelligenza artificiale e sulla computer vision, che consentono di riconoscere univocamente un animale; più in particolare la presente invenzione utilizza tecniche di deep learning per la realizzazione e gestione di una banca biometrica che possa, su richiesta, collegarsi ad una qualsiasi anagrafe animale.
STATO DELL’ARTE
Le tecnologie basate sull’intelligenza artificiale per il riconoscimento di specie e di individui sono state applicate sia in ambito zoologico per il riconoscimento di popolazioni di animali selvatici, sia in ambito zootecnico per l’identificazione del singolo soggetto ai fini della tracciabilità.
In ambito zoologico, al fine di capire meglio le complessità degli ecosistemi naturali e meglio gestirli e proteggerli, si è resa necessaria una conoscenza dettagliata e su larga scala del numero, posizione e comportamenti degli animali negli ecosistemi naturali al fine di un miglioramento delle ricerche in ambito biologico finalizzate all'identificazione delle svariate specie di animali e alla stima della popolazione.
In ambito zootecnico e nell’ambito della distribuzione di alimenti di origine animale, al fine di garantire la salubrità dei prodotti alimentari ed al fine di poterne seguire il percorso che ha portato l’alimento sulle nostre tavole, è stata introdotta la tracciabilità come strumento che garantisca la sicurezza e la salubrità di un prodotto alimentare, ovvero uno strumento capace di seguire il percorso di un alimento dalla fase di produzione alle fasi successive di trasformazione e distribuzione; pertanto, nel caso della filiera carne e latte, gli animali vengono tracciati dalla nascita e poi durante le fasi successive di trasformazione e commercializzazione; inoltre, la tracciabilità dei singoli individui si è resa necessaria, in queste filiere, anche per contenere la diffusione di eventuali focolai epidemici di malattie infettive e per poter identificare gli animali eventualmente positivi o sospetti ai test diagnostici.
Un altro utilizzo zootecnico delle tecnologie finalizzate alla tracciabilità del singolo individuo, è l’utilizzo nella specie equina, nella quale soggetti di elevato valore commerciale spesso partecipano a gare e concorsi e per i quali sono molto frequenti i rischi di furti e frodi; l’esatta possibilità di individuare ogni singolo soggetto, darebbe la possibilità di ridurre sensibilmente l’incidenza di questi eventi.
Se da una parte queste nuove tecnologie, che utilizzano anche strumenti di acquisizione di immagini quali per esempio telecamere o fotocamere, rilevano automaticamente milioni di immagini, tuttavia, l’analisi di dette immagini è tradizionalmente fatta da operatori con grande dispendio in termini di tempo (sono necessari circa 2-3 mesi affinché operatori possano valutare e catalogare un lotto di immagini rilevato in un arco temporale di 6 mesi) e denaro oltre che perdita di materiale in quanto gran parte del materiale raccolto in idonei database resta inutilizzato.
L’automatizzazione della procedure di estrazione, valutazione e catalogazione di immagini relative ad animali, diventa dunque un punto focale per produrre facilmente grandi quantità di informazioni preziose disponibili sia per gli etologi che per altri operatori, allo scopo di aiutarli a svolgere le loro attività; queste procedure di gestione delle informazioni derivate da immagini di animali, sono state ritenute interessanti anche in ambito zootecnico al fine di una catalogazione degli animali per garantire la tracciabilità degli animali stessi e dei prodotti di origine animale da loro derivati.
Le tecnologie basate sull'Intelligenza artificiale ed in particolare sulla Computer Vision permettono il riconoscimento biometrico di un animale.
Un sistema di riconoscimento biometrico è un particolare tipo di sistema informatico che ha la funzionalità e lo scopo di identificare un individuo sulla base di una o più caratteristiche biologiche e/o comportamentali (biometria), confrontandole con i dati, precedentemente acquisiti e presenti nel database del sistema, tramite degli algoritmi.
Oggi, le nuove frontiere della Computer Vision, grazie al Deep Learning o al Machine Learning, permettono di riconoscere gli esseri umani tramite algoritmi che individuano le caratteristiche uniche del soggetto.
Nello stato dell’arte si sono sviluppate, pertanto, numerose tecnologie che sfruttano la visione artificiale basata su reti neurali per la rilevazione automatica dettagliata dei volti in ambito umano (una delle applicazioni più note in questo ambito è FaceNet); queste reti sono capaci di analizzare milioni di immagini relative al dominio umano. Per quanto concerne l’applicazione di detta tecnologia al dominio animale, negli ultimi anni, si sta studiando l’utilizzo delle reti neurali per il riconoscimento in primo luogo della specie di appartenenza di un individuo (in particolare per lo studio della fauna selvatica), e poi per il riconoscimento del singolo individuo (sia per la fauna selvatica che per gli animali domestici e di allevamento).
Si evidenziano diversi documenti brevettuali che già descrivono aspetti che sono in relazione con l’idea inventiva che si intende brevettare.
Il documento CN107292298A dal titolo “Convolution-based neural network and the classifier model bovine face recognition method” illustra un metodo per identificare i lineamenti di un bovino mediante una rete neurale convolutiva ed un modello di classificazione; quando viene aggiunto un nuovo bovino, vengono raccolti solo i dati di immagine, inseriti in un modello di rete neurale convolutiva e i tratti distintivi nuovi sono aggiunti al modello di classificazione originale per essere identificato senza necessità di allenare nuovamente il modello di rete neurale convolutiva.
Il documento CN106778902A dal titolo “Dairy cow individual recognition method based on deep convolutional neural network” fornisce un metodo per il riconoscimento di una singola mucca da latte basato su una rete neurale convolutiva profonda mediante il riconoscimento di immagini e l’elaborazione dei dati dell'immagine; secondo il metodo ogni singola mucca può essere efficacemente riconosciuta estraendo lineamenti distintivi mediante una rete neurale convolutiva ad apprendimento profondo e combinando detti lineamenti distintivi con quelli tipici di vacche da latte.
Le tecnologie descritte nei suddetti documenti brevettuali presentano tuttavia numerosi svantaggi:
- utilizzano reti neurali semplici atte a elaborare un numero esiguo di immagini di soggetti animali,
- dette reti neurali semplici sono costituite da un numero ridotto di nodi,
- non utilizzano una rappresentazione numerica a bassa dimensionalità di un dato (immagine, video, suono, …), come gli embedding,
- non utilizzano il trasferimento di conoscenza tra reti convolutive operanti su domini differenti, riducendo notevolmente la durata di ciascuna fase di allenamento perché alcune fasi sono già state completate in altri contesti applicativi,
- non hanno un sistema di memorizzazione delle identità che sia efficace, efficiente e persistente.
Si elencano nel seguito alcuni ulteriori documenti brevettuali noti che evidenziano in varia natura sistemi e procedure per il riconoscimento di animali:
- CN106845512A “Animal body identification method and system based on fractal parameters”,
- WO2015176637A1 “Non-invasive multimodal biometrical identification system of animals”,
- CN107330472A “A marker-free mode the animal individual automatic identification method”,
- CN107256398A “Based on feature fusion of cow of the individual identification method”.
Si evidenzia a seguito dell’analisi dello stato dell’arte la necessità di predisporre un metodo per il riconoscimento biometrico univoco di un animale capace di elaborare un numero elevato di immagini (anche alcuni milioni di immagini) così come fanno le reti neurali che elaborano i volti umani.
Scopo principale della presente invenzione è quello di superare la maggior parte degli inconvenienti presenti nelle tecnologie attualmente note mediante una nuova tecnologia per il riconoscimento e monitoraggio di individui animali basato su un metodo e sistema che sfrutta l’esperienza raggiunta dalle reti neurali umane per trasporre questa “conoscenza” sul dominio animale.
L’obiettivo del metodo e sistema è l’identificazione di animali a livello di singolo individuo: data una immagine o una serie di immagini raffiguranti un animale, il sistema dopo aver calcolato una rappresentazione numerica a bassa dimensionalità ovvero un embedding, predice la presenza o meno dell’identità dell’animale in un dataset contenente le identità (in termini di altre immagini) di molteplici altri capi.
Ulteriore scopo è quello di sviluppare un sistema di identificazione e tracciabilità che possa essere impiegato a livello nazionale/internazionale.
La presente invenzione permette i seguenti vantaggi:
- consentire in qualunque momento l’identificazione univoca degli animali;
- evitare scambi di identità;
- permettere un rapido monitoraggio degli animali in ambito nazionale e internazionale;
- ridurre e scongiurare furti o frodi di animali di alta genealogia ed elevato valore economico;
- controllare le malattie infettive ed impedirne la diffusione all’interno del patrimonio zootecnico;
- garantire il benessere animale sia in ambito zootecnico che sportivo;
- scongiurare l’impiego di sostanze nocive/tossiche che possano causare problemi di salute pubblica;
- pianificare a livello nazionale e sovranazionale le strategie agricole, di sviluppo e commerciali di un singolo paese o di una regione.
SOMMARIO DELL’INVENZIONE
La presente invenzione descrive un metodo ed un sistema per l’identificazione biometrica univoca di un animale, basati sull’utilizzo di tecniche di computer vision, finalizzati a formare una o più banche dati di immagini di animali che possano fornire un supporto alle anagrafi locali, regionali, nazionali e internazionali comunemente impiegate per la tracciabilità degli animali.
In particolare la presente invenzione associa alle tecniche di computer vision anche tecniche di deep learning, ovvero quelle tecniche che fanno parte della branca dell’apprendimento automatico per mezzo di reti neurali, il cui funzionamento mima le tecniche dell’apprendimento umano.
Più in particolare la presente invenzione sfrutta l’esperienza maturata in ambito umano, relativamente alle reti neurali addestrate per il riconoscimento facciale, per trasporre questa conoscenza sul dominio animale.
La presente invenzione è rappresentata da un metodo che è composto dalle seguenti fasi:
a. fase di allenamento su di un dominio umano ed un dominio animale per l’ottenimento di embedding animali in uno spazio latente omologo a quello umano per mezzo di reti neurali convolutive;
b. memorizzazione degli embedding animali ottenuti in una banca dati;
c. riconoscimento di una identità animale per mezzo di reti neurali convolutive. Più in particolare il metodo rappresentato dalla presente invenzione è composto da una innovativa fase di allenamento che, utilizzando immagini di entrambi i domini (umano ed animale), ed utilizzando differenti reti neurali convolutive, permettono di trasformare gli embedding del dominio umano in immagini chimera, ovvero contenenti caratteristiche di entrambi i domini, che sono il punto di partenza per ottenere reti neurali convolutive allenate a riconoscere immagini animali e produrre degli embedding animali che preservano le distanze delle immagini umane corrispondenti, ottenendo una spazio latente animale omologo a quello del dominio umano. L’utilizzo, nelle prime fasi di allenamento, di embedding umani, ottenuti da reti convolutive addestrate mediante un catalogo di milioni di immagini del dominio umano e, pertanto, robuste ed affidabili, consente di trasporre le conoscenze di queste reti anche nel dominio animale, bypassando una lunga fase di addestramento che sul solo dominio animale sarebbe di difficile realizzazione pratica.
Pertanto, il principale problema tecnico risolto dalla presente invenzione è la creazione di un sistema di reti neurali che funzionino su dominio animale che si dimostrino robuste, affidabili e più semplici da addestrare; la semplificazione della fase di addestramento delle reti neurali specializzate sul dominio animale si realizza proprio partendo dagli embedding umani.
Gli embedding animali saranno poi memorizzati per formare una banca dati in cui ogni embedding sarà associato ad una immagine dell’animale; contestualmente a questa fase di memorizzazione in banca dati, vi sarà la creazione di una struttura a grafo che indicherà un set di distanze tra gli embedding.
La presente invenzione prevede anche un sistema comprendente:
- un dispositivo mobile in grado di scattare fotografie, che può essere un cellulare oppure una fotocamera;
- un server all’interno del quale avviene l’allenamento delle reti neurali convolutive e l’elaborazione delle immagini acquisite mediante il dispositivo elettronico mobile e/o una fotocamera e dove avviene anche la gestione della banca dati;
- un modem e/o un access point e/o uno switch di rete per la connessione del server ad una rete esterna e/o interna.
L’applicazione, mobile e desktop, consente mediante impiego delle immagini del “volto” e/o di porzioni del corpo dei singoli animali, facilmente acquisibili con qualunque dispositivo elettronico dotato di fotocamera (smartphone, tablet, portatile), una rapida identificazione dell’animale anche a distanza. L’identificazione biometrica permetterà di poter prontamente ed automaticamente identificare l’individuo mentre le tecnologie tradizionali di identificazione (microchip e passaporti) necessitano di un contatto ravvicinato e prolungato con l’animale e spesso non possono prescindere dall’esperienza dell’osservatore. L’impiego di tecnologie biometriche ridurrà, pertanto, la componente esperienziale umana fondamentale per l’identificazione.
La presenza di dati di georeferenziazione presenti nelle foto scattate con dispositivi di tipo smart (telefono cellulare, tablet, …) consente al sistema di accelerare il riconoscimento selezionando, inizialmente, gli embedding animali associati ad una determinata regione geografica, e in caso di fallimento di estendere la ricerca anche ad aree geografiche limitrofe e/o all’intera banca dati.
Un ulteriore utilizzo della tecnica illustrata permetterà di valutare l’accrescimento degli animali, stimarne il peso, esaminare problemi fisici e difetti comportamentali, estendendo quindi l’utilizzo di dette tecnologie sia alla diagnostica veterinaria sia al benessere animale.
Ulteriori caratteristiche e vantaggi dell’invenzione risulteranno maggiormente evidenti alla luce della descrizione dettagliata di alcune forme di realizzazione preferite, ma non esclusive, del sistema e metodo per il riconoscimento univoco di un animale, illustrate a titolo di esempio non limitativo con riferimento delle tavole di disegno allegate in cui:
fig. 1 – mostra uno schema della fase di allenamento delle reti neurali secondo il metodo oggetto dell’invenzione, che utilizza entrambi i domini umano e animale (a linee tratteggiate è rappresentata la fase di allenamento su dominio umano, facente parte dell’arte nota);
fig. 2 – mostra uno schema della fase di creazione di una banca dati partendo dagli embedding animali ottenuti e la successiva fase di creazione di una struttura a grafo tra gli embedding animali.
fig. 3 – mostra uno schema della fase di riconoscimento di una identità animale per mezzo della creazione di un grafo tra embedding animali con caratteristiche similari. fig. 4 – mostra una vista schematica del sistema per il riconoscimento biometrico, univoco di un animale.
LEGENDA:
101 – Immagine dominio umano
102 – Rete convolutiva A
103.0 – Embedding umani
103.1 – Embedding delle immagini trasformate da un dominio all’altro e posizionati in uno spazio latente omologo a quello del dominio umano
103.2 – Embedding animali
103.3 – Selezione di embedding animali simili all’identità da testare
104 – Rete convolutiva B
105 – Rete convolutiva C
106 – Immagine trasformata da un dominio all’altro
106.1 – Selezione delle immagini trasformate da un dominio all’altro
107 – Immagini dominio animali
108 – Rete convolutiva D
109 – Rete convolutiva sui grafi E
110 – Struttura a grafo degli embedding animali salvati in banca dati
110.1 – nodi del grafo 110
111 – Banca dati
112 – Immagine di una identità animale da identificare
113 – Struttura a grafo degli embedding animali relativi all’identità da testare 113.1 – nodi del grafo 113
1 – Sistema per il riconoscimento biometrico univoco di un animale
2 – Dispositivo elettronico mobile
3 – Fotocamera
4 – PC
5 – Server
6 – Dispositivo di rete (modem router/access point /switch di rete)
7 – Server remoto
DESCRIZIONE DETTAGLIATA DELL’INVENZIONE
La presente invenzione descrive, in primo luogo, un metodo per l’identificazione biometrica univoca di un animale, basato sulle tecniche di deep learning.
Il metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, rivelato dalla presente invenzione, comprende le seguenti fasi:
a. fase di allenamento su di un dominio umano ed un dominio animale per l’ottenimento di embedding animali in uno spazio latente omologo a quello umano per mezzo di reti neurali convolutive;
b. memorizzazione degli embedding animali ottenuti in una banca dati;
c. riconoscimento di una identità animale per mezzo di reti neurali convolutive. La presente invenzione risolve il problema tecnico dell’allenamento delle reti neurali di un dominio animale e, quindi, della creazione di un sistema di reti neurali che funzionino su dominio animale che si dimostrino robuste, affidabili e più semplici da addestrare; la semplificazione della fase di addestramento delle reti neurali specializzate sul dominio animale si realizza proprio partendo dagli embedding umani.
Come ben sappiamo il dominio delle facce umane è stato ampiamente esplorato in letteratura, dando accesso a corposi dataset; lo stesso non è realizzabile per il dominio animale, dove solo poche immagini per individuo possono essere raccolte, immagini oltretutto appartenenti ad un numero limitato di soggetti (in confronto al dominio umano).
Questo ha portato a cercare di trasformare le immagini tra i due domini, in modo da poter generare nuovi campioni per il dominio animale, oggetto principale della presente invenzione.
Pertanto il metodo rappresentato dall’invenzione parte da embedding umani ottenuti da reti già allenate per questo compito, la rete convolutiva A 102; queste reti già ampiamente allenate permettono di ottenere embedding con distanze ritenute valide; avremo così che immagini della stessa persona avranno bassa distanza tra loro, ed immagini di persone diverse avranno una elevata distanza tra loro; questo definisce una spazio latente umano in cui le distanze tra gli embedding saranno ritenute valide. Il metodo rappresentato dalla presente invenzione è composto da una innovativa fase di allenamento che utilizza immagini di entrambi i domini (umano ed animale) e, per mezzo di differenti reti neurali convolutive, permette di trasformare gli embedding del dominio umano in immagini animali.
La fase di allenamento – a – delle reti neurali, illustrate in Figura 1, comprende i seguenti passaggi:
- utilizzo di embedding 103.0 presenti in uno spazio latente relativi al dominio umano;
- trasformazione degli embedding umani 103.0 in immagini animali 106 mediante una rete convolutiva B,104;
- raffinamento delle immagini generate da B attraverso una rete convolutiva C, 105, per mezzo del confronto con le immagini originali del dominio animale, 107, tramite “adversarial training”;
- esecuzione di una fase di allenamento della rete convolutiva D, 108, sulle immagini selezionate, 106.1, dalla rete convolutiva C, per l’ottenimento di embedding 103.1 delle immagini trasformate da un dominio all’altro, giacenti in un nuovo spazio latente omologo a quello del dominio umano;
- ottenimento di uno o più embedding, 103.2, per ciascun individuo relativi al dominio animale mediante elaborazione di immagini animali 107 per mezzo della rete convolutiva D, 108;
- inserimento degli embedding animali, 103.2, nel nuovo spazio latente omologo a quello del dominio umano.
Gli input al sistema sono le identità dei due domini, ognuna composta da foto multiple; nella prima parte del sistema le identità umane e quelle animali sono allineate nello spazio latente.
In particolare, gli embedding umani vengono trasformati dalla rete convolutiva B in immagini del dominio animale, in particolare in immagini del dominio delle facce animali; in una esecuzione preferita l’invenzione si applica alle immagini delle facce umane ed animali.
La rete convolutiva B si comporta in modo da voler ingannare la rete convolutiva successiva C, fornendo delle immagini animali, trasformate dagli embedding umani, quanto più simili alla realtà.
Alla rete convolutiva C vengono fornite sia le immagini animali trasformate da un dominio all’altro, ovvero le immagini false, sia le immagini originali del dominio animale; il compito della rete C, 105, sarà quello di identificare i falsi, ovvero selezionare tra le immagini false, quelle migliori, ovvero quelle che si avvicinano maggiormente alle immagini reali del dominio animale.
Le immagini trasformate e selezionate 106.1 dalla rete C, vengono successivamente trasformate dalla rete convolutiva D 108 in embedding; questi embedding animali derivati da immagini trasformate da un dominio all’altro, preservano le distanze tra gli embedding delle immagini corrispondenti del dominio umano; si crea così un nuovo spazio latente animale omologo allo spazio latente del dominio umano.
Una volta ottenuto uno spazio latente del dominio animale omologo a quello del dominio umano, vengono sottoposte alla rete convolutiva D, 108, le immagini reali del dominio animale 107.
La rete convolutiva D calcola gli embedding del dominio animale 103.2 che andranno inseriti in quello spazio latente omologo a quello del dominio umano.
Gli embedding 103.2 ricavati dalle immagini reali del dominio animale 107, verranno memorizzati in banca dati 111.
Per effettuare la fase di addestramento partendo dalle immagini del dominio animale vengono utilizzate almeno quattro immagini dell’animale visto dal lato destro ed almeno quattro immagini dal lato sinistro e quattro immagini di una vista frontale dell’animale. Le immagini, in una esecuzione preferita, rappresenteranno viste della testa dell’animale.
In una ulteriore esecuzione le immagini potranno rappresentare tutto il corpo dell’animale.
In questa prima fase di allenamento – a – viene utilizzata una architettura Cycle Consistency che prevede una rete antagonista (Adversarial Networks) data dalla congiunzione di un autoencoder con una rete MLP (MultiLayer Perceptron); l’obiettivo delle due reti è opposto, mentre la seconda deve identificare se un dato in input (immagine) proviene dalla prima rete o è una immagine reale, la prima vuole illudere la seconda fornendo immagini tanto più simili a quelle reali; questo aiuta nella ricostruzione di immagini più accurate rispetto all’utilizzo di un singolo autoencoder. L’allenamento delle reti neurali, effettuato secondo il metodo oggetto dell’invenzione utilizza due autoencoder e due discriminatori con finalità antagoniste (adversarial training).
I due autoencoder lavorano su due domini diversi:
- il primo riceve immagini dal dominio delle facce umane, e sintetizza uno spazio latente dove le distanze tra embedding di immagini della stessa persona devono essere basse, mentre quelle tra embedding di persone diverse alta;
- il secondo autoencoder riceve invece immagini dal dominio delle facce animali ed esegue lo stesso procedimento.
In aggiunta a questi autoencoder, due discriminatori aiutano nel sintetizzare immagini ricostruite, ovvero trasformate dal dominio umano in dominio animale, più verosimili. Alla fase di allenamento segue una fase di creazione di una banca dati, – b – come illustrato in figura 2, composta dai seguenti passaggi:
- memorizzazione degli embedding animali,103.2, ottenuti in una banca dati ,111;
- creazione di una struttura a grafo,110, mediante la rete convolutiva E,109, che identifica la specifica relazione tra gli embedding animali ottenuti dal processamento delle immagini, in cui ciascun nodo 110.1 costituisce una identità animale;
- definizione di una soglia per la valutazione delle metriche tra i nodi 110.1 del grafo 110.
In questa fase – b – le reti allenate vengono utilizzate per associare ad ogni identità animale una serie di embedding ognuno corrispondente ad una immagine dell’animale; questa fase sfrutta i risultati dell’allenamento per costruire una raccolta di embedding per le identità note (ovvero degli animali di cui si conosce l’identità). Gli embedding delle identità del dominio di interesse (animale) vengono impiegate per allenare la seconda parte del sistema a trovare una rappresentazione su grafo che possa, da pochi esempi, costruire un manifold ricco di informazioni.
Gli embedding del dominio animale sono memorizzati in una banca dati; la rete convolutiva su grafi E 109, crea una struttura a grafo tra gli embedding memorizzati, in cui a ciascun nodo del grafo corrisponde un embedding del dominio animale.
In particolare ciascun nodo, che è un embedding, corrisponde ad una immagine di un animale; a ciascuna identità animale saranno, pertanto associati una serie di embedding, ognuno corrispondente ad una immagine dell’animale.
A ciascuna identità animale sarà poi associata una scheda anagrafica, che risiede nella stessa banca dati, oppure in una banca dati centrale nazionale o internazionale dove si potranno reperire informazioni aggiuntive relative all’animale (allevamento, luogo di nascita, età, malattie etc..).
Gli embedding salvati per ogni identità potranno essere recuperati in fase di testing di nuove immagini; ogni embedding del dominio di interesse è associato alla corrispondente identità.
In questa prima fase di creazione della banca dati viene utilizzata l’architettura Graph Convolution. Questa architettura accetta, come input, embedding del dominio di interesse (dominio animale). Attraverso una struttura a grafo una serie di layer MLP imparano metriche di distanza in grado di valutare una percentuale di affidabilità di appartenenza delle immagini ad una o più identità. Nonostante le tecniche di Architettura con Cycle Consistency permettano di generare nuove identità partendo dal dominio delle facce umane, resta il problema di avere un numero esiguo di foto per ogni identità.
Per risolvere ciò si applicano tecniche di Few-Show-Learning su grafi, che permettono di confrontare poche foto di ogni individuo per ottenere metriche di somiglianza tra embedding.
A queste fasi di allenamento e creazione di una banca dati segue la fase – c – di testing di una identità, illustrata in Figura 3, composta dalle seguenti fasi:
- processamento di una o più immagini di una identità animale, 112, mediante rete convolutiva D;
- calcolo di uno o più embedding dell’identità animale, 103.2;
- selezione dalla banca dati di embedding animali più simili a quelli dell’identità 103.3;
- creazione di almeno una struttura a grafo, 113, degli embedding relativi all’identità e degli embedding animali più simili a quelli dell’identità mediante rete convolutiva E, 109;
- confronto per mezzo di convoluzione sui grafi per ottenimento della distanza tra i nodi 113.1 di detto grafo 113 relativo al confronto di detta identità con quelle selezionate in banca dati 111;
- applicazione della soglia sulle distanze tra i nodi del grafo.
Gli input al sistema in questa fase – c – sono una o più immagini di un animale da identificare. Verranno estratti gli embedding di queste immagini che verranno confrontati con quelli presenti in banca dati; a questo punto verranno identificate le identità più simili in modo da filtrare la banca dati. Le identità più simili saranno ulteriormente elaborate per mezzo della convoluzione su grafi ad opera della rete convolutiva E; più in particolare gli embedding più simili, una volta selezionati, verranno confrontati attraverso il grafo con gli embedding ottenuti dalle immagini dell’identità incognita.
Viene poi creata una struttura grafo mediante una serie di layer MLP per valutare una percentuale di affidabilità di appartenenza delle immagini ad una o più identità.
A questo punto, a seguito dell’applicazione della soglia stabilita, si verificano due condizioni: se la distanza valutata è inferiore al valore di soglia, il nuovo nodo è associato ad una identità nota, se è superiore al valore di soglia, il nuovo nodo non è riconosciuto.
In particolare se gli embedding sono troppo vicini a quelli di una identità già presente in banca dati, questi potranno essere associati all’identità più vicina; se risulteranno troppo distanti dalle identità già note, non vi sarà un riconoscimento e si potrà parlare di una identità sconosciuta, da inserire in banca dati come una nuova identità.
Nella rappresentazione del processo di testing di Figura 3, l’embedding calcolato viene confrontato utilizzando la convoluzione sui grafi, al fine di ottenere un grafo di distanze dagli altri embedding registrati nella banca dati.
Il principale vantaggio della suddetta invenzione è quello di ottenere una rete neurale robusta ed affidabile capace di elaborare milioni di immagini e quindi di supportare una banca dati estesa su tutto il territorio nazionale ed internazionale.
Riportiamo qui di seguito altri vantaggi del metodo oggetto dell’invenzione:
- generare nuovi campioni del dominio di interesse (animale) partendo da quello delle facce umane (più vasto);
- garantire la preservazione di alcune proprietà tra gli spazi latenti, e quindi immagini della stessa persona potranno essere trasformate in immagini dello stesso animale;
- ottenere uno spazio latente nel dominio di interesse significativo, da cui procedere per l’identificazione.
Una esecuzione preferita dell’invenzione si applica ad un particolare dominio animale, ovvero al dominio di equini e bovini, dove è necessario il riconoscimento della singola identità animale.
Il metodo può essere utilizzato per l’identificazione di qualunque specie di animali, comprendendo anche i rettili, estendendosi anche al riconoscimento di specie, applicato agli insetti.
La presente invenzione comprende anche un sistema 1 per il riconoscimento biometrico univoco di un animale che utilizza il metodo precedentemente descritto; detto sistema, illustrato in Figura 4, comprende:
- almeno un dispositivo elettronico mobile 2 o almeno una fotocamera 3 collegabile ad almeno un PC 4, fisso o mobile, per l’acquisizione delle immagini 112 relative a ciascun soggetto animale da identificare e visualizzazione delle relative schede anagrafiche, ove risiede almeno un software per l’interazione operativa con, - almeno un server 5 ove risiede almeno un software per l’allenamento delle reti neurali convolutive e per l’elaborazione delle immagini 112 acquisite mediante il dispositivo elettronico mobile e/o una fotocamera e per la gestione della banca dati;
- almeno un dispositivo di rete 6 per la connessione di detto server 5 ad una rete esterna e/o interna.
Il sistema prevede quindi un dispositivo per poter acquisire una immagine di un soggetto animale che potrà essere uno smartphone oppure una semplice fotocamera; uno o più server svolgeranno la funzione di allenamento delle reti, elaborazione delle immagini e gestione della banca dati per il riconoscimento delle identità.
Il sistema 1 comprende anche un server remoto 7 ove risiede un software per l’interazione operativa con detto almeno un server 5, con detto almeno un dispositivo elettronico mobile 2 o almeno una fotocamera 3 collegabile ad almeno un PC 4, fisso o mobile e per l’allenamento delle reti neurali convolutive e per l’elaborazione delle immagini acquisite mediante il dispositivo elettronico mobile e/o una fotocamera e per la gestione di una banca dati centrale.
Il sistema prevede diverse possibili architetture di organizzazione dei server:
- Più server locali, equivalenti tra loro, ciascuno in grado di svolgere le stesse funzioni di allenamento, elaborazione di immagini e creazione di una banca dati locale, contenenti ciascuno un sottoinsieme della banca dati e che interagiscono tra di loro condividendo le informazioni; ogni server andrà a gestire un singolo allevamento o una singola regione ed in caso di mancato riconoscimento interrogherà i suoi omologhi;
- Più server locali, equivalenti tra loro, ciascuno in grado di svolgere le stesse funzioni e di effettuare backup l’uno dell’altro; ogni server andrà a gestire un singolo allevamento o una singola regione ma non avrà bisogno di interrogare gli altri server omologhi in quanto saranno tutti sincronizzati in real time;
- Uno o più server in grado di svolgere funzioni differenti; uno per l’allenamento delle reti neurali, uno per l’elaborazione delle immagini, uno per la gestione della banca dati ed uno per la verifica delle identità;
- Un server di livello superiore che è il server remoto 7, per la gestione di una banca dati nazionale e/o internazionale ed uno o più server locali 5, posizionati anche all’interno dell’allevamento che gestiscono una banca dati locale.
Nel caso in cui l’utente andrà a fare una fotografia per identificare una identità ed andrà ad interrogare un server locale, magari in allevamento, in questo caso non sarà necessaria la connessione ad internet, un access point, o il collegamento via LAN permetteranno il collegamento di questi dispositivi di acquisizione o del PC al server.
Nel caso del collegamento dello strumento di acquisizione ad un server non locale, sarà necessario in collegamento ad internet per mezzo di un modem router o del collegamento WiFi.
Il dispositivo di rete 6 è un modem router e/o un access point e/o switch di rete.
Questa organizzazione comprendente più server permetterà anche di elaborare in una ulteriore esecuzione, determinati sottoinsieme di animali, come per esempio, animali di una determinata età, oppure animali appartenenti ad una determinata regione oppure animali con una determinata attitudine zootecnica o animali che partecipano a determinate attività come gare, fiere, etc.
Il server potrà comprendere almeno un processore ed almeno una scheda grafica per il calcolo parallelo.
I server effettueranno il processo di allenamento delle reti neurali, B, C, D, ed E come rappresentato nel metodo dell’invenzione.
Il sistema, inizialmente basato sul riconoscimento biometrico degli individui da fotografie, verrà successivamente reso fruibile per il riconoscimento in real-time su flussi video.
Il sistema basato sul riconoscimento biometrico degli animali verrà successivamente ampliato con nuove funzionalità, tipo la valutazione dello stato di ingrassamento e salute dell’animale.
Questo nuovo sistema andrà a sostituire i sistemi attualmente in uso per l’identificazione degli animali come, a titolo esemplificativo, bovini ed equini; i sistemi attualmente in uso sono le marche auricolari, i microchip sottocutanei, i boli RFID; questi sistemi hanno il grande limite di essere facilmente manomissibili, di richiedere un contatto ravvicinato con l’animale per l’installazione e poi per la lettura nella fase di re-identification, e di rappresentare un notevole costo in quanto, sebbene relativamente basso, essendo un costo unitario incide particolarmente quando si opera con grossi numeri di animali.
Il sistema oggetto dell’invenzione d’altro canto non richiede alcun contatto ravvicinato con gli animali, in quanto sarebbero necessarie solo alcune proiezioni dell’animale, ha un costo nullo di installazione per l’utente finale, che si dovrebbe limitare ad acquisire delle foto con lo smartphone, ha un basso costo di verifica in quanto sarebbe necessario solo lo smartphone per effettuare la fotografia e fornisce vantaggi nei confronti degli operatori in termini di tempo sia in fase di identificazione, sia in fase di applicazione dei vari sistemi di identificazione.
Riportiamo qui di seguito i principali vantaggi del metodo e sistema di cui alla presente invenzione rispetto ai metodi di identificazione tradizionali:
- riduzione dei tempi e dei costi per la registrazione e l’identificazione dei singoli animali;
- identificazione univoca e contactless degli animali: viene scattata una foto dell’animale (anche ad alcuni metri di distanza) che il sistema confronta con ognuna delle foto presenti nella banca dati su server e/o su cloud sino all’identificazione univoca;
- standardizzazione delle procedure di riconoscimento;
- identificazione di un animale sconosciuto in ambito ristretto: il sistema prevede la realizzazione di database locali, ad esempio per aziende allevatrici, in cui le immagini degli animali sono presenti in locale e non su cloud, ristrette solo agli animali dell’azienda;
- fornitura di un “passaporto elettronico”: in un gruppo ristretto di animali noti viene verificata l’effettiva identità di un animale; l’identificazione è molto rapida e richiede bassa potenza di calcolo ed accesso alle sole immagini di un singolo animale nella banca dati;
- stima del peso e della dimensione di un animale: attraverso l’analisi dell’immagine è possibile valutare parametri fisici dell’animale ed assegnare un “body score”; si tratta di costruire una scala di riferimento che fornisca ad esempio lo “stato di grossezza” dell’animale; questo tipo di misurazione è richiesta per assegnare un valore economico e produttivo durante le diverse fasi d’allevamento (lattazione, asciutta, gravidanza, svezzamento) ed in fase di macellazione dell’animale;
- individuazione di un animale per georeferenziazione: il sistema prevede di interrogare la banca dati delle immagini in base alla posizione geografica dell’animale, cioè in base al luogo in cui viene scattata la fotografia dell’animale; se la foto viene scattata in una determinata area geografica, il sistema, per velocizzare il riconoscimento, andrà prima a verificare le immagini in banca dati relative ad animali che dovrebbero trovarsi in quella area geografica; se il matching è negativo il sistema amplierà il raggio di analisi (ad esempio da regionale a nazionale, europeo, internazionale, ecc. …);
- verifica di furti di bestiame, truffe nelle fiere, scambio di animali in competizioni sportive;
- identificazione di specie: ad esempio di animali come vettori o serbatoio di malattie
L’oggetto dell’invenzione è suscettibile di numerose modifiche e varianti, tutte rientranti nel concetto inventivo espresso nelle rivendicazioni allegate.
Tutti i particolari possono essere sostituiti da altri elementi tecnicamente equivalenti a seconda delle esigenze, senza uscire dall’ambito di tutela della presente invenzione. Anche se l’oggetto è stato descritto con particolare riferimento alle figure allegate, i numeri di riferimento usati nella descrizione e nelle rivendicazioni sono utilizzati per migliorare l’intelligenza dell’invenzione e non costituiscono alcuna limitazione all’ambito di tutela rivendicato.
Claims (12)
- RIVENDICAZIONI 1. Metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, caratterizzato dalle seguenti fasi: a. fase di allenamento su di un dominio umano ed un dominio animale per l’ottenimento di embedding animali in uno spazio latente omologo a quello umano per mezzo di reti neurali convolutive; b. memorizzazione degli embedding animali ottenuti in una banca dati; c. riconoscimento di una identità animale per mezzo di reti neurali convolutive.
- 2. Metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, secondo la rivendicazione 1, in cui la fase a. è caratterizzata dalle seguenti ulteriori fasi: - utilizzo di embedding (103.0) presenti in uno spazio latente relativi al dominio umano; - trasformazione degli embedding umani (103.0) in immagini animali (106) mediante una rete convolutiva B (104); - raffinamento delle immagini (106) generate dalla rete convolutiva B (104), attraverso una rete convolutiva C (105), mediante confronto con immagini reali del dominio animale (107), tramite adversarial training; - esecuzione di una fase di allenamento della rete convolutiva D (108) sulle immagini raffinate (106.1) dalla rete convolutiva C, per l’ottenimento di embedding (103.1) delle immagini trasformate da un dominio all’altro, giacenti in un nuovo spazio latente omologo a quello del dominio umano; - ottenimento di uno o più embedding animali (103.2) per ciascun individuo relativi al dominio animale mediante elaborazione di immagini animali (107) per mezzo della rete convolutiva D (108); - inserimento degli embedding animali (103.2) nel nuovo spazio latente omologo a quello del dominio umano.
- 3. Metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, secondo ciascuna delle rivendicazioni precedenti, in cui la fase b. è caratterizzata dalle seguenti ulteriori fasi: - memorizzazione degli embedding animali (103.2) ottenuti in una banca dati (111); - creazione di una struttura a grafo (110), mediante la rete convolutiva E (109), che identifica la specifica relazione tra gli embedding animali (103.2) ottenuti dal processamento delle immagini animali (107), in cui ciascun nodo (110.1) del grafo (110) costituisce una identità animale; - definizione di una soglia per la valutazione delle metriche tra i nodi (110.1) del grafo (110).
- 4. Metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, secondo la rivendicazione 3, caratterizzato dal fatto che: - ciascun nodo (110.1) del grafo (110), è associato ad un embedding, ovvero ad una immagine dell’animale; - ciascuna immagine è associata ad una scheda anagrafica dell’animale.
- 5. Metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, secondo ciascuna delle rivendicazioni precedenti, in cui la fase c. è caratterizzata dalle seguenti ulteriori fasi: - processamento di una o più immagini di una identità animale da identificare (112), mediante rete convolutiva D (108); - calcolo di uno o più embedding dell’identità (103.2); - selezione dalla banca dati di embedding animali più simili a quelli dell’identità (103.3); - creazione di almeno una struttura a grafo (113) degli embedding relativi all’identità (103.2) e degli embedding animali più simili a quelli dell’identità mediante rete convolutiva E (109); - confronto per mezzo di convoluzione sui grafi per ottenimento della distanza tra i nodi (113.1) di detto grafo (113) relativo al confronto di detta identità con quelle selezionate in banca dati (111); - applicazione della soglia sulle distanze tra i nodi (113.1) del grafo (113).
- 6. Metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, secondo ciascuna delle rivendicazioni precedenti, caratterizzato dal fatto che ,se la distanza valutata è inferiore al valore di soglia, il nuovo nodo è associato ad una identità nota, se è superiore al valore di soglia, il nuovo nodo non è riconosciuto.
- 7. Sistema (1) per il riconoscimento biometrico univoco di un animale che utilizza il metodo di cui a rivendicazioni da 1 a 6, caratterizzato dal fatto che comprende: - almeno un dispositivo elettronico mobile (2) o almeno una fotocamera (3) collegabile ad almeno un PC (4), fisso o mobile, per l’acquisizione delle immagini (112) relative a ciascun soggetto animale da identificare e per la visualizzazione delle relative schede anagrafiche, ove risiede almeno un software per l’interazione operativa con, - almeno un server (5) ove risiede almeno un software per l’allenamento delle reti neurali convolutive e per l’elaborazione delle immagini acquisite (112) mediante il dispositivo elettronico mobile (2) e/o una fotocamera (3) e per la gestione della banca dati (111); - almeno un dispositivo di rete (6) per la connessione di detto server (5) ad una rete esterna e/o interna.
- 8. Sistema (1) per il riconoscimento biometrico univoco di un animale secondo la rivendicazione 7 caratterizzato dal fatto che detto dispositivo di rete (6) è un modem router e/o un access point e/o switch di rete.
- 9. Sistema (1) per il riconoscimento biometrico univoco di un animale secondo la rivendicazione 7 e 8 caratterizzato dal fatto che comprende un server remoto (7) ove risiede un software per l’interazione operativa con detto almeno un server (5), con detto almeno un dispositivo elettronico mobile (2) o almeno una fotocamera (3) collegabile ad almeno un PC (4), fisso o mobile e per l’allenamento delle reti neurali convolutive e per l’elaborazione delle immagini (112) acquisite mediante il dispositivo elettronico mobile (2) e/o una fotocamera (3) e per la gestione di una banca dati centrale.
- 10. Sistema (1) per il riconoscimento biometrico univoco di un animale secondo ciascuna delle rivendicazioni precedenti caratterizzato dal fatto che le reti neurali convolutive allenate dal software di detto almeno un server (5; 7) sono B (104), C (105), D (108) ed E (109).
- 11. Sistema (1) per il riconoscimento biometrico univoco di un animale secondo ciascuna delle rivendicazioni precedenti, caratterizzato dal fatto che detto dispositivo elettronico mobile (2) è un notebook, tablet, smartphone.
- 12. Sistema (1) per il riconoscimento biometrico univoco di un animale secondo ciascuna delle rivendicazioni precedenti, caratterizzato dal fatto che detto almeno un server (5; 7) comprende almeno un processore ed almeno una scheda grafica per il calcolo parallelo.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT201800000640A IT201800000640A1 (it) | 2018-01-10 | 2018-01-10 | Metodo e sistema per il riconoscimento biometrico univoco di un animale, basati sull'utilizzo di tecniche di deep learning |
PCT/IB2019/050146 WO2019138329A1 (en) | 2018-01-09 | 2019-01-09 | Method and system, based on the use of deep learning techniques, for the univocal biometric identification of an animal |
EP19707867.8A EP3738071A1 (en) | 2018-01-10 | 2019-01-09 | Method and system, based on the use of deep learning techniques, for the univocal biometric identification of an animal |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT201800000640A IT201800000640A1 (it) | 2018-01-10 | 2018-01-10 | Metodo e sistema per il riconoscimento biometrico univoco di un animale, basati sull'utilizzo di tecniche di deep learning |
Publications (1)
Publication Number | Publication Date |
---|---|
IT201800000640A1 true IT201800000640A1 (it) | 2019-07-10 |
Family
ID=62089843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
IT201800000640A IT201800000640A1 (it) | 2018-01-09 | 2018-01-10 | Metodo e sistema per il riconoscimento biometrico univoco di un animale, basati sull'utilizzo di tecniche di deep learning |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3738071A1 (it) |
IT (1) | IT201800000640A1 (it) |
WO (1) | WO2019138329A1 (it) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005137A (zh) * | 2021-10-23 | 2022-02-01 | 吉首大学 | 一种建立大鲵特征样本数据库识别大鲵个体身份的方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI714057B (zh) * | 2019-04-17 | 2020-12-21 | 國立臺灣大學 | 產乳動物採食分析系統與方法 |
CN111768792B (zh) * | 2020-05-15 | 2024-02-09 | 天翼安全科技有限公司 | 基于卷积神经网络和领域对抗学习的音频隐写分析方法 |
CN111753697B (zh) * | 2020-06-17 | 2024-06-18 | 深圳巨和信息技术有限公司 | 智能宠物管理***及其管理方法 |
CN112069877B (zh) * | 2020-07-21 | 2022-05-03 | 北京大学 | 一种基于边缘信息和注意力机制的人脸信息识别方法 |
CA3174258A1 (en) | 2020-10-14 | 2022-04-21 | One Cup Productions Ltd. | Animal visual identification, tracking, monitoring and assessment systems and methods thereof |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
-
2018
- 2018-01-10 IT IT201800000640A patent/IT201800000640A1/it unknown
-
2019
- 2019-01-09 WO PCT/IB2019/050146 patent/WO2019138329A1/en unknown
- 2019-01-09 EP EP19707867.8A patent/EP3738071A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
Non-Patent Citations (4)
Title |
---|
ANDREW WILLIAM ET AL: "Visual Localisation and Individual Identification of Holstein Friesian Cattle via Deep Learning", 2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS (ICCVW), IEEE, 22 October 2017 (2017-10-22), pages 2850 - 2859, XP033303763, DOI: 10.1109/ICCVW.2017.336 * |
ARAM TER-SARKISOV ET AL: "Bootstrapping Labelled Dataset Construction for Cow Tracking and Behavior Analysis", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 30 March 2017 (2017-03-30), XP080753267, DOI: 10.1109/CRV.2017.25 * |
MAHEEN RASHID ET AL: "Interspecies Knowledge Transfer for Facial Keypoint Detection", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 13 April 2017 (2017-04-13), XP080762748, DOI: 10.1109/CVPR.2017.174 * |
PETER SKVARENINA: "Detecting facial features using Deep Learning", 2 August 2017 (2017-08-02), XP002784342, Retrieved from the Internet <URL:https://towardsdatascience.com/detecting-facial-features-using-deep-learning-2e23c8660a7a> [retrieved on 20180831] * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005137A (zh) * | 2021-10-23 | 2022-02-01 | 吉首大学 | 一种建立大鲵特征样本数据库识别大鲵个体身份的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019138329A1 (en) | 2019-07-18 |
EP3738071A1 (en) | 2020-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
IT201800000640A1 (it) | Metodo e sistema per il riconoscimento biometrico univoco di un animale, basati sull'utilizzo di tecniche di deep learning | |
Kumar et al. | Monitoring of pet animal in smart cities using animal biometrics | |
Crouse et al. | LemurFaceID: A face recognition system to facilitate individual identification of lemurs | |
Yukun et al. | Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score | |
Kumar et al. | Face recognition for cattle | |
Kumar et al. | Cattle recognition: A new frontier in visual animal biometrics research | |
Kumar et al. | Face recognition of cattle: can it be done? | |
Yao et al. | Cow face detection and recognition based on automatic feature extraction algorithm | |
US20150327518A1 (en) | Method of monitoring infectious disease, system using the same, and recording medium for performing the same | |
Weng et al. | Cattle face recognition based on a Two-Branch convolutional neural network | |
Zheng et al. | Individual identification of wild giant pandas from camera trap photos–a systematic and hierarchical approach | |
Varadarajan et al. | Joint estimation of human pose and conversational groups from social scenes | |
Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
Higashide et al. | Are chest marks unique to A siatic black bear individuals? | |
He et al. | Distinguishing individual red pandas from their faces | |
Lai et al. | Dog identification using soft biometrics and neural networks | |
US11295113B2 (en) | 3D biometric identification system for identifying animals | |
Kumar et al. | Animal Biometrics | |
Rocha et al. | Iris photo-identification: a new methodology for the individual recognition of Tarentola geckos | |
Liu et al. | A tongue-print image database for recognition | |
Kumar et al. | Deep learning model for face mask based attendance system in the era of the COVID-19 pandemic | |
Kaur et al. | Cattle identification with muzzle pattern using computer vision technology: a critical review and prospective | |
El-Henawy et al. | Muzzle Feature Extraction Based on gray level co-occurrence matrix | |
CN105631394B (zh) | 虹膜信息采集方法、虹膜信息采集装置及终端 | |
Taha et al. | Arabian horse identification benchmark dataset |