Capture är en ny platform för en effektivare hantering, analys och kategorisering, samt förvaltning av bildmaterial från kamerastudier
Capture offers a centralized archiving of anonymized and depersonalized image material. This not only supports short-term projects with cameras but also long-term wildlife monitoring. The platform’s modular structure enables new algorithms for image recognition, even for other than wildlife and humans, to be connected and thereby expand the area of use. The platform was developed through collaboration between SLU, Sweco, and Nina and financed by the Swedish Transport Administration and Vinnova. SLU, Sweco, och Nina. Projektet finansierades av Trafikverket och Vinnova.
- see the videon om Capture.
- see slide presentation bildspel om Capture.
- Se Swecos webbsida om Capture.
- Läs mer i utvecklingsprojektets final report.
Since December 2021, Capture is available in its first operative version, but the development continuously progresses in collaboration with users and involved authorities to meet their different needs and requirements.
Interested in trying Capture? Kontakta andreas.seiler@slu.se om du vill testa ett demo-projekt eller önskar skapa ett eget projektkonto.
Varför Capture ?
Rörelseaktiverade kameror erbjuder en kostnadseffektiv övervakningsmetod (Burton et al. 2015) men eftersom de triggas av förändringar i bildparametrarna, kan inspelningen aktiveras inte bara av djur utan även av människor, fordon, nederbörd, strålkastarljus med mera (Meek et al. 2014). Detta skapar en mycket stor mängd av bilder som är problematiska eller ointressanta i uppföljningssyfte. Förvaltning och granskning av bildmaterialet samt identifiering av relevanta bilder kräver fortfarande ett omfattande manuellt arbete eftersom befintliga tekniska verktyg och mjukvarulösningar (Hamel et al. 2013, Bubnicki et al. 2016, Young, Rode-Margono & Amin 2018) inte är anpassade till verksamheten eller till svenska säkerhetskrav. Liknande behov finns även i andra områden där rörelseaktiverade kameror används (ekologisk forskning, viltförvaltning, Norouzzadeh et al. 2018). Ett första steg mot bildanalysverktyg för dessa ”viltkameror” har gjorts bl.a. med finansiering från Naturvårdsverket (projekt SCANDCAM; se även Hofmeester et al. 2019), men det behövs uppdaterade algoritmer samt bättre gränssnitt och rutiner för bildförvaltning och bildlagring som uppfyller personuppgiftslagstiftningens krav och myndigheternas särskilda behov (se IMY:s nya riktlinjer för kameraanvändning).
Based on this, Capture offers a platform where artificial intelligence (AI) and machine learning (ML) are used to distinguish relevant images and depersonalize images of people and vehicles. Capture also offers manual review and capture of images, as well as import and export capabilities. Whether Capture is to be used to take temporary help from AI or to be able to manage image material long-term varies between projects. New functions and resources will be connected as needed in consultation with project owners.
Referenser / References
Seiler, A., Jäderkvist, P., Dalheimer, J., & Jansson, C. (2022). Capture – IT-plattform för bildigenkänning och förvaltning. Trafikverket Rapport, 2022:017. http://trafikverket.diva-portal.org/smash/record.jsf?pid=diva2%3A1647741&dswid=-3623
Bubnicki, J.W., Churski, M., Kuijper, D.P.J. & Poisot, T. (2016) Trapper: an open source web-based application to manage camera trapping projects. Methods in Ecology and Evolution, 7, 1209-1216.
Burton, A.C., Neilson, E., Moreira, D., Ladle, A., Steenweg, R., Fisher, J.T., Bayne, E., Boutin, S. & Stephens, P. (2015) Wildlife camera trapping: a review and recommendations for linking surveys to ecological processes. Journal of Applied Ecology, 52, 675-685.
Hamel, S., Killengreen, S.T., Henden, J.-A., Eide, N.E., Roed-Eriksen, L., Ims, R.A., Yoccoz, N.G. & O’Hara, R.B. (2013) Towards good practice guidance in using camera-traps in ecology: influence of sampling design on validity of ecological inferences. Methods in Ecology and Evolution, 4, 105-113.
Hofmeester, T.R., Cromsigt, J., Odden, J., Andren, H., Kindberg, J. & Linnell, J.D.C. (2019) Framing pictures: A conceptual framework to identify and correct for biases in detection probability of camera traps enabling multi-species comparison. Ecol Evol, 9,2320-2336.
Meek, P.D., Ballard, G., Claridge, A., Kays, R., Moseby, K., O’Brien, T., O’Connell, A., Sanderson, J., Swann, D.E., Tobler, M. & Townsend, S. (2014) Recommended guiding principles for reporting on camera trapping research. Biodiversity and Conservation, 23, 2321-2343.
Norouzzadeh, M.S., Nguyen, A., Kosmala, M., Swanson, A., Palmer, M.S., Packer, C. & Clune, J. (2018) Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proc Natl Acad Sci U S A, 115, E5716-E5725.
O’Connell, A.F., Nichols, J.D. & Karanth, K.U. (2011) Camera Traps in Animal Ecology. Methods and Analyses. Springer.
Young, S., Rode-Margono, J. & Amin, R. (2018) Software to facilitate and streamline camera trap data management: A review. Ecol Evol,8, 9947-9957.
SCANDCAM – https://viltkamera.nina.no ; https://www.slu.se/ew-nyheter/2019/5/nya-verktyg-for-viltovervakning/
