Analisando rastos de animais na neve usando visão computacional

Para uma visão geral visual dos conceitos abordados neste artigo, assista ao vídeo abaixo.

A neve, tal como outras superfícies naturais, pode criar um registro da atividade da vida selvagem. Por exemplo, as pegadas deixadas na neve podem mostrar quais animais passaram, como se moveram e o que estavam fazendo.

Durante décadas, trilheiros, caçadores e pesquisadores estudaram essas pegadas para aprender mais sobre o comportamento dos animais selvagens. Mas o processo nem sempre é confiável. A neve pode mudar, o vento pode apagar detalhes e rastros sobrepostos podem dificultar a identificação. Até mesmo observadores treinados podem ignorar padrões importantes.

Fig 1. Pegadas de leopardo preservadas em neve fresca. (Fonte)

Os avanços tecnológicos estão a tornar mais fácil interpretar estes sinais. Em particular, a visão computacional, um ramo da IA que permite às máquinas analisar dados visuais com precisão e velocidade, pode ser utilizada para detetar e compreender rastos de animais. Por exemplo, modelos como o Ultralytics YOLO11 podem ser treinados para detetar formas e padrões em imagens de pegadas de animais.

Neste artigo, exploraremos como os rastros de animais na neve são preservados, o que eles revelam sobre a vida selvagem e como a visão computacional está tornando o rastreamento mais eficiente.

A importância dos rastros de animais na neve#

Rastros de animais são impressões deixadas à medida que os animais se movem por superfícies como neve, solo ou lama. Nas condições de neve adequadas, essas pegadas costumam preservar detalhes mais nítidos, como marcas de garras, almofadas dos dedos e as diferenças entre as patas dianteiras e traseiras, que são mais difíceis de detectar na terra ou na grama.

Fig 2. Pegadas de animais em diferentes superfícies. (Fonte)

Além de identificar espécies, o espaçamento, o arranjo e as variações sutis nos rastros podem dizer muito aos pesquisadores sobre o movimento, o comportamento e as interações com o ambiente, fornecendo a pesquisadores, trilheiros e entusiastas da vida selvagem insights valiosos sobre a atividade animal.

Aqui estão alguns dos principais recursos que os pesquisadores procuram ao ler rastros:

• Patas dianteiras vs. traseiras: As diferenças de tamanho e formato entre as patas dianteiras e traseiras refletem como um animal distribui seu peso e se move pelo seu ambiente.
• Pegadas de patas ou marcas de animais: O contorno geral e o tamanho de uma pegada ajudam a identificar qual espécie deixou o rastro.
• Marcas de garras: Rastros de canídeos, como os de coiotes, raposas e cães, geralmente mostram impressões de garras, enquanto os rastros de felinos, incluindo linces, gatos domésticos e pumas, normalmente não mostram, a menos que o animal esteja correndo ou se movendo em solo escorregadio.
• Padrão de rasto: A disposição dos rastos pode revelar o comportamento animal, sendo que os coiotes e as raposas deixam frequentemente trilhos em linha reta, enquanto os cães domésticos tendem a deambular num caminho em ziguezague.
• Largura e marcas de arrasto: A largura entre os rastros esquerdos e direitos (largura da passada) varia conforme a espécie e a marcha, e mudanças nessa largura podem sugerir velocidade de movimento ou cautela, enquanto marcas de arrasto de caudas, barrigas ou presas fornecem pistas adicionais sobre a atividade.

Identificando rastros de animais na neve#

Cada rastro na neve conta parte da história de um animal. O tamanho e o formato de cada pegada, as diferenças entre as patas dianteiras e traseiras, e a presença ou ausência de marcas de garras podem revelar a espécie, a marcha e a distribuição de peso. Por exemplo, raposas e coiotes geralmente deixam impressões visíveis de garras, enquanto linces e pumas geralmente não deixam.

Rastros raramente aparecem sozinhos. Pistas como fezes, pedaços de pelo, marcas de cauda ou entradas de tocas próximas geralmente adicionam um contexto importante. Como as condições da neve e trilhas sobrepostas podem borrar os detalhes, os rastreadores dependem de vários sinais juntos para criar uma imagem mais clara. A maneira como os rastros estão organizados na neve é especialmente útil, destacando não apenas para onde um animal foi, mas como ele estava se movendo e se comportando.

Aqui estão alguns padrões comuns de rastros de animais encontrados na neve:

• Saltadores (Hoppers): Coelhos e lebres-árticas se impulsionam com patas traseiras fortes, deixando pegadas traseiras grandes à frente de pegadas dianteiras menores. Na neve profunda, as lebres-árticas fazem rastros especialmente longos.
• Saltadores (Bounders): Fuinhas, martas, visons e ratos-almiscarados saltam para a frente com as patas dianteiras e traseiras juntas, formando um padrão repetitivo de dois em dois.
• Caminhantes (Amblers): Guaxinins, gambás, castores, porcos-espinhos e ursos-negros se movem lentamente, deixando rastros largos com marcas visíveis de garras.
• Passo perfeito (Perfect steppers): Raposas e coiotes colocam as patas traseiras quase onde as dianteiras pousaram, criando linhas retas. Coiotes tendem a viajar em caminhos diretos, enquanto cães domésticos vagam em zigue-zague.

Desafios na interpretação de rastros de animais na neve#

Apesar das várias pistas relacionadas aos rastros, rastrear animais na neve ainda pode ser complexo. As condições da neve afetam a aparência das pegadas: a neve fresca preserva detalhes, enquanto a neve crostada, derretida ou recém-caída pode distorcer ou cobrir os rastros.

O clima também desempenha um papel, pois o vento e a luz solar podem borrar as bordas, e caminhos sobrepostos de vários animais podem criar confusão. Além disso, o comportamento animal aumenta a imprevisibilidade.

Algumas espécies, como gambás e ursos-negros, hibernam no inverno, enquanto outras se movem de forma errática ou refazem suas trilhas. Enquanto isso, nas florestas, rastros de veados, alces ou cervos geralmente se cruzam com animais menores ou predadores, e sinais adicionais como fezes, pelo ou arrastões de cauda são usados para entender o movimento e o comportamento.

Como a visão computacional pode ser usada para detectar rastros de animais#

Para lidar com os desafios de analisar rastos de animais na neve, os investigadores estão a começar a recorrer a tecnologia de ponta, como a visão computacional. Por exemplo, estão a explorar modelos de visão computacional que conseguem detetar e localizar pegadas individuais, separar rastos sobrepostos e até ser treinados em conjuntos de dados personalizados para reconhecer caraterísticas específicas de espécies, tais como marcas de garras e padrões de marcha.

Especificamente, modelos como o Ultralytics YOLO11 suportam tarefas de visão computacional como a deteção de objetos, que pode ser utilizada para identificar e localizar pegadas individuais, e a segmentação de instâncias, que consegue separar rastos sobrepostos. Ao treinar um modelo como o YOLO11 num conjunto de dados personalizado de pegadas de animais, os investigadores podem facilitar o reconhecimento de padrões específicos de espécies, distinguir rastos sobrepostos e gerar resultados mais consistentes do que com a observação manual.

Visão computacional e pesquisa sobre análise de pegadas de animais#

Agora que vimos como a visão computacional pode rastrear pegadas de animais, vamos percorrer como essa tecnologia está sendo aplicada na pesquisa do mundo real.

Do FIT a datasets abertos#

Durante anos, a maioria dos estudos de pegadas baseou-se na Tecnologia de Identificação de Pegadas (FIT - Footprint Identification Technology). O FIT funciona marcando pontos específicos em cada pegada e usando essas medidas para diferenciar os animais. Embora eficaz, o processo é lento, requer especialistas treinados e não é prático quando você está tentando analisar milhares de rastros na natureza.

Um estudo recente sobre tigres-siberianos no nordeste da China demonstrou como o FIT consegue inclusive identificar indivíduos a partir de pegadas na neve, oferecendo uma forma fiável e não invasiva de monitorizar predadores ameaçados de extinção.

Fig 3. Pegadas de tigre na neve. (Fonte: sciencedirect.com)

No entanto, os pesquisadores também destacaram suas limitações: é trabalhoso e difícil de escalar. Importante, eles observaram que a visão computacional poderia automatizar esse processo no futuro, reduzindo a necessidade de medições manuais e lidando com conjuntos de dados muito maiores.

Essa mudança já está a começar com projetos como o OpenAnimalTracks, um conjunto de dados público que contém milhares de pegadas rotuladas de 18 espécies em lama, areia e neve. Com recursos como este, os modelos de IA de visão podem ser treinados para detetar e classificar automaticamente pegadas, tornando a monitorização da vida selvagem mais rápida e acessível.

Fig 4. Uma vista sobre o conjunto de dados OpenAnimalTracks (Fonte)

Ao basear-se nos fundamentos do FIT e ao combiná-los com conjuntos de dados abertos e visão computacional, a investigação em conservação está a caminhar para sistemas escaláveis capazes de rastrear espécies e proteger ecossistemas - sem nunca perturbar os próprios animais.

Principais pontos#

As pegadas de animais na neve mostram como os animais se movem, se comportam e usam seus habitats. Interpretá-las manualmente exige paciência e experiência, mas a visão computacional torna o processo mais eficiente. O uso de ferramentas como o Ultralytics YOLO11 em conjunto com o conhecimento humano torna o monitoramento da vida selvagem mais simplificado, auxilia nos esforços de conservação e fornece dados úteis para a proteção de espécies.

Junte-se à nossa crescente community! Explore nosso GitHub repository para saber mais sobre IA. Descubra a computer vision in manufacturing e a AI in logistics visitando nossas páginas de soluções. Para começar a construir com visão computacional, confira nossas licensing options.