Riistakameran kuvien tunnistaminen tekoälyn avulla
Laurila, Joona (2024)
2024
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2024060521082
https://urn.fi/URN:NBN:fi:amk-2024060521082
Tiivistelmä
Opinnäytetyön toimeksiantajana toimi Tracker Oy ja sen aiheena oli tekoälyn käyttö riistakameran ottamien kuvien tunnistamisessa. Työn tavoite oli löytää sopiva palveluntarjoaja, jonka avulla voidaan tunnistaa eri eläimiä riistakameran ottamista kuvista tekoälyn avulla.
Työn vaiheisiin kuului tutkia yleisesti meneillään olevia tutkimuksia tai projekteja, jotka käyttävät tekoälyä eläinten tunnistamiseen kuvista. Seuraavaksi tavoitteena oli etsiä sopivia palveluntarjoajia ja vertailla niiden ominaisuuksia, kustannuksia ja integroitavuutta. Näistä valittiin kaksi parasta vaihtoehtoa, joista tehtiin demosovellukset. Demosovellusten avulla nähtiin palveluntarjoajien tuotteet käytännössä. Niiden vertailu suoritettiin analysoimalla samoja kuvia molemmissa sovelluksissa, jonka jälkeen vertailtiin niiden antamia tuloksia. Sovellusten käyttämä metodi kuvien tunnistamiseen oli ”detect labels” -metodi, joka tulosti 10 tunnistetta kuvasta sovelluksen näytölle. Molemmat demosovellukset tehtiin käyttämällä frontendiin Flutter -käyttöliittymäkehitystyökalua ja backendiin Python-ohjelmointikieltä. Sovelluksen ohjelmakoodi tuotettiin Visual Studio Code -ohjelmointityökalulla.
Opinnäytetyössä tehdyt demosovellukset tehtiin käyttämällä Google Cloud Vision – ja AWS Amazon Rekognition -rajapintoja. Sovellusten testauksen ja tulosten analysoinnin jälkeen tultiin siihen johtopäätökseen, että AWS Amazon Rekognition -rajapinta tunnistaa eläimiä riistakameran kuvista tarkemmin. Sen avulla pystyttiin tunnistamaan enemmän eläimiä testikuvista. Demosovellusten testauksen jälkeen mielestäni paras vaihtoehto eläinten tunnistamiseen riistakameran kuvista on kouluttaa omia tietokonenäkömalleja, jotka ovat erikoistuneet juuri suomalaisten eläinten tunnistamiseen. Näin voidaan myös parantaa eläinten tunnistamista, kun kuva on otettu pimeällä tai eläin näkyy vain osittain kuvassa.
Työn vaiheisiin kuului tutkia yleisesti meneillään olevia tutkimuksia tai projekteja, jotka käyttävät tekoälyä eläinten tunnistamiseen kuvista. Seuraavaksi tavoitteena oli etsiä sopivia palveluntarjoajia ja vertailla niiden ominaisuuksia, kustannuksia ja integroitavuutta. Näistä valittiin kaksi parasta vaihtoehtoa, joista tehtiin demosovellukset. Demosovellusten avulla nähtiin palveluntarjoajien tuotteet käytännössä. Niiden vertailu suoritettiin analysoimalla samoja kuvia molemmissa sovelluksissa, jonka jälkeen vertailtiin niiden antamia tuloksia. Sovellusten käyttämä metodi kuvien tunnistamiseen oli ”detect labels” -metodi, joka tulosti 10 tunnistetta kuvasta sovelluksen näytölle. Molemmat demosovellukset tehtiin käyttämällä frontendiin Flutter -käyttöliittymäkehitystyökalua ja backendiin Python-ohjelmointikieltä. Sovelluksen ohjelmakoodi tuotettiin Visual Studio Code -ohjelmointityökalulla.
Opinnäytetyössä tehdyt demosovellukset tehtiin käyttämällä Google Cloud Vision – ja AWS Amazon Rekognition -rajapintoja. Sovellusten testauksen ja tulosten analysoinnin jälkeen tultiin siihen johtopäätökseen, että AWS Amazon Rekognition -rajapinta tunnistaa eläimiä riistakameran kuvista tarkemmin. Sen avulla pystyttiin tunnistamaan enemmän eläimiä testikuvista. Demosovellusten testauksen jälkeen mielestäni paras vaihtoehto eläinten tunnistamiseen riistakameran kuvista on kouluttaa omia tietokonenäkömalleja, jotka ovat erikoistuneet juuri suomalaisten eläinten tunnistamiseen. Näin voidaan myös parantaa eläinten tunnistamista, kun kuva on otettu pimeällä tai eläin näkyy vain osittain kuvassa.