Gesnapt! Intelligente camera’s leren welke dieren voorbijlopen

Natuur Dankzij kunstmatige intelligentie weten wildcamera’s steeds beter welk wild op de Veluwe voorbijkomt. Herkennen van insecten is een stuk lastiger.

Drie witstaartherten op de allereerste foto van George Shiras.
Drie witstaartherten op de allereerste foto van George Shiras. Foto National Geographic

Drie witstaartherten die geschrokken in het rond springen in de avondschemering: dat was het allereerste beeld dat de Amerikaanse natuurfotograaf George Shiras rond 1900 wist vast te leggen met zijn zelfontworpen ‘cameraval’. Een echte val was het niet, eerder een automatische camera. De dieren liepen tegen een draadje aan, waardoor verderop magnesiumpoeder tot ontbranding werd gebracht, met een felle flits als gevolg. Flashlight trapping, noemde Shiras de door hem bedachte methode. Een slimme uitvinding, want zo kon hij in het donker dieren fotograferen in hun natuurlijke omgeving. Maar dat felle licht had wel invloed op het resultaat: allemaal foto’s van dieren die zich te pletter schrikken.

Deze wasbeer maakt een foto van zichzelf. George Shiras had aas gehangen aan een touw dat tussen twee bomen was gespannen. Door het aas te pakken werd de cameraval geactiveerd. Foto National Geographic

De cameraval anno 2019 lijkt allang niet meer op dat allereerste exemplaar van Shiras. Tegenwoordig kunnen de opnames van zo’n automatische natuurcamera worden gekoppeld aan beeldherkenningssoftware, die menselijke waarnemers in theorie overbodig maakt. Zo kun je ook schuwe of zeldzame soorten portretteren én het gedrag van de dieren vastleggen, van insecten tot grote grazers. Wildbeheerders en entomologen maken steeds vaker gebruik van cameravallen en automatische beeldherkenning. Dat laatste is vooral handig omdat moderne cameravallen duizenden foto’s per nacht kunnen maken – heel wat meer dan die ene foto per nacht die Shiras schoot.

Maar wat betekent dat voor de toekomst van de biologie? Nu nog zijn er in Nederland honderden vrijwilligers die eropuit trekken om vlinders te tellen, zweefvliegen te determineren, dassen te observeren. Zonder hun waarnemingen zou een groot deel van het ecologisch onderzoek onmogelijk zijn. Wordt een groot deel van dat veldwerk straks overbodig door de opkomst van computergestuurde cameravallen? Een verkenningstocht langs twee locaties.

- 1 -

Nationaal Park De Hoge Veluwe, provincie Gelderland

Achter ecoloog Patrick Jansen doemt een ree op met een tong uit z’n bek. Even later verschijnt er een moeflon met priemende blik – het zijn foto’s afkomstig van Snapshot, het grootschalige beeldherkenningsproject waarmee het nationaal park in 2018 begon. Jansen, werkzaam aan Wageningen Universiteit, is een van de sprekers tijdens een mini-symposium op De Hoge Veluwe, over Snapshot. Tientallen automatische wildcamera’s staan al sinds 2013 verspreid over het gebied opgesteld, en maken samen meer dan een miljoen foto’s per jaar. Aanvankelijk werden die foto’s geanalyseerd door getrainde vrijwilligers, maar sinds een jaar kan iederéén meedoen. Boswachter Henk Ruseler: „We hebben nu 6.334 geregistreerde vrijwilligers die gewoon vanuit hun luie stoel kunnen meetellen en kunnen zien welke soorten ze zien: moeflons, edelherten, reeën, wilde zwijnen.”

6.334 geregistreerde vrijwilligers kunnen gewoon vanuit hun luie stoel meetellen

Henk Ruseler boswachter

De vrijwilligers vullen een enorme database die gebruikt wordt om een herkenningsprogramma te trainen en te controleren. Want al worden algoritmes er steeds beter in om de verschillende diersoorten van elkaar te onderscheiden, feilloos is de software nog niet.

Ruseler: „In 2013 besloten we de omrastering van de Hoge Veluwe te verlagen, en we wilden weten wat het effect op de verspreiding van de soorten was. Met Wageningen Universiteit plaatsen we 55 camera’s, inmiddels hebben we het opgeschaald naar een project met 70 camera’s, om jaarrond het gebied te kunnen monitoren: waar bevinden zich welke soorten, wat doen ze, hoe verhouden ze zich tot elkaar? Tot 2015 hebben we de beelden geanalyseerd, maar om alle beelden van de jaren daarna ook te kunnen verwerken, hebben we de hulp van vrijwilligers ingeschakeld.” Elke foto wordt door twintig vrijwilligers gezien, om consensus te bereiken. De gegevens worden vervolgens ook gebruikt om het computeralgoritme te trainen, dat daardoor weer effectiever wordt in beeldherkenning. „Zulke vrijwilligersparticipatie is niet uniek”, zegt Ruseler. „Zo bestaan er in het buitenland al projecten als ‘Galaxy Zoo’ en ‘Chimp & See’, om meer te weten te komen over het heelal en mensapen, en van Snapshot bestaat er ook een Serengeti-versie. Het gaat ons niet puur om het classificeren – we hopen ook dat mensen hierdoor op een laagdrempelige manier met natuur in aanraking komen. De computer zal het nooit overnemen van vrijwilligers, want we willen juist dat mensen dat natuurenthousiasme zelf ervaren. Maar het is een leuk extraatje. Hoe gaaf zou het zijn als je straks op de Snapshot-beelden opeens een wolf voorbij ziet lopen?”

De opzet is simpel, vertelt Jansen. „De camera’s registreren met een infraroodsensor de nabijheid van een warmtebron: een dier. Vervolgens flitst de camera een paar keer snel achter elkaar, óók in infrarood, om de dieren niet te verstoren, en wordt de fotoreeks opgeslagen op een geheugenkaart.” Elke camera is op het noorden gericht, 70 centimeter boven de grond. „Zodat we niet elke muis meenemen. Dit project is echt gericht op hoefdieren.”

Dit project is echt gericht op hoefdieren

Patrick Jansen ecoloog

De gegevens worden gebruikt om een beeld te krijgen van het dagelijks gedrag, van de populatieomvang, van het terreingebruik, van het effect van recreatie en van de ‘vraatdruk’ van de dieren. De camera’s staan verdeeld over zes habitattypen: stuifzand, droge heide, natte heide, dennenbos, cultuurbos en zogeheten ‘wildweitjes’. De helft van de camera’s is geplaatst in rustgebied, de andere helft op publiek terrein. Jansen: „In de zomermaanden worden er tot vijf keer meer foto’s gemaakt dan in de wintermaanden: niet alleen omdat de dieren met kou minder bewegen en zich op andere plekken ophouden, maar ook omdat ze dan een dikkere vacht hebben. Daardoor stralen ze minder warmte uit en kunnen ze over een minder grote afstand worden waargenomen.”

Edelherten op de Veluwe, vastgelegd met een moderne cameraval. Foto Nationaal Park de Hoge Veluwe

Edelherten, reeën en wilde zwijnen houden zich het hele jaar door vooral op in het dennenbos, terwijl de moeflons vooral op stuifzand te vinden zijn. De weides worden het meest intensief gebruikt voor het zoeken van voedsel. De maximumafstand waarover een camera een dier kan waarnemen is ongeveer 25 meter. Jansen: „Natuurlijk kun je op de weides verder kijken dan in het bos, omdat er lagere begroeiing is. Maar ze werken op elk type terrein naar behoren.”

„Zoogdieren zijn geruislozer en moeilijker waar te nemen dan vogels”, vult computerwetenschapper Benjamin Risse van de Universiteit van Münster aan. „Vaak moeten zoölogen het doen met pootafdrukken en de incidentele roadkill. Daarom is machine learning zo interessant.’

Zoogdieren zijn geruislozer en moeilijker waar te nemen dan vogels

Benjamin Risse computerwetenschapper

Bij zulke machine learning wordt het computeralgoritme ‘getraind’ in het herkennen van beelden. Netwerken die daarin gespecialiseerd zijn worden CNN’s genoemd: convolutional neural networks. Risse en zijn collega’s hebben ook het CNN voor Snapshot Veluwe ontwikkeld. „Eerst hebben we dag- en nachtafbeeldingen van negen soorten laten zien: wild zwijn, das, vos, haas, konijn, schaap, damhert, ree en edelhert. Daarna hebben we eerst handmatig aangegeven waar op de foto de dieren te zien waren, zodat de computer dat kon leren.” Dat het niet altijd goed gaat, bewijzen de false positives: foto’s waarop de camera een dier waarneemt, terwijl er helemaal niets te zien is. „Daarom zijn dubbelchecks door mensen altijd nog belangrijk: mensen zijn vooralsnog nog de beste patroonherkenningsmachines.” Ook is het belangrijk om gokwerk door een CNN te voorkomen. „Je wilt niet dat je een bestand hebt met 22.727 zwijnenfoto’s en 292 dassenfoto’s en dat de computer daarom maar op een zwijn gokt.” Toch zijn er al soorten waarin computers uitermate goed getraind zijn, zegt Risse. „In het herkennen van hondenrassen zijn CNN’s vaak al beter dan mensen.”

Bij het experiment met de negen diersoorten kwam de computer bij elke foto met een lijst met meest waarschijnlijke uitkomsten. De parameters van het algoritme werden steeds zodanig aangepast dat de herkenning nauwkeuriger werd. „Na een week kon hij al 99,27 procent van de soorten op top-5-niveau herkennen”, zegt Risse. „De juiste uitkomst zat in al die gevallen bij de bovenste 5. En in 92,15 procent van de gevallen kon hij zelfs het juiste antwoord geven, zelfs als alleen de staart van het dier maar te zien was.”

- 2 -

Vliegbasis Soesterberg, provincie Utrecht

„We zijn midden in Nederland, maar het is toch net alsof je op een steppe in Centraal-Azië staat”, zegt Theo Zeegers, entomoloog bij EIS Kenniscentrum Insecten, terwijl we de voormalige militaire vliegbasis Soesterberg oprijden. Her en der staan verlaten F-15-shelters en tussen de betonplaten door komt gras omhoog. „Vier kilometer gras. Een walhalla voor soorten als de zeldzame kommavlinder: je vindt hier de grootste populatie van Europa.”

Zeegers doet al elf jaar onderzoek aan insecten op deze locatie, maar afgelopen zomer kreeg dat onderzoek een nieuwe draai: acht weken lang heeft er een insectencameraval op het terrein gestaan. Een landelijke proef, voortgekomen uit een samenwerkingsproject tussen EIS, Naturalis, Radboud Universiteit en Cosmonio, dat twee jaar geleden begon. Vandaag haalt Zeegers samen met Radboud-bioloog Eelke Jongejans de camera van Soesterberg op. „In heel Nederland hebben we bijna honderd camera’s staan. 85 daarvan hebben we geplaatst in opdracht van de provincies Zeeland, Gelderland, Noord-Holland en Zuid-Holland”, zegt Zeegers. „De overige zijn bedoeld voor aanvullend onderzoek, door ze te vergelijken met verschillende andere vangmethoden: welk beeld geven de camera’s van de insectenstand als je ze vergelijkt met traditionele vallen?”

Insecten zijn veel moeilijker te fotograferen dan groot wild

Theo Zeegers entomoloog

Hier op Soesterberg staat bijvoorbeeld ook een malaiseval: een tentje van gaas, vernoemd naar de Zweedse entomoloog René Malaise, waarin vliegende insecten in de nok in een trechter terechtkomen. Zeegers: „Die leeg ik meerdere keren per week, en als we de camerabeelden gaan analyseren kunnen we de resultaten met elkaar vergelijken.”

De camera oogt relatief simpel: een donkergroen kastje, gekoppeld aan een externe accu met zonnepaneel en gericht op een geel scherm van 32 bij 42 centimeter. Maar schijn bedriegt, zegt Zeegers. „Die lui van Snapshot hebben het veel makkelijker, en niet alleen omdat ze minder soorten hoeven te determineren. Insecten zijn veel moeilijker te fotograferen dan groot wild, omdat ze koudbloedig zijn. Het hele idee van infrarood werkt daardoor niet, en dus moet de camera twentyfour-seven aanstaan. Om de 10 seconden maakt-ie een foto, dat vreet energie. Daarom is er ook zo’n achterlijk groot zonnepaneel nodig.”

De camera is waterdicht en heeft geen ventilatie. „In de zomer werd het soms bloedheet: 80 graden Celsius, terwijl de chip er al mee ophoudt bij 85 graden Celsius. Dankzij die zonwering werd het nog maar 70 graden.” Wel wordt elke foto met die van 10 seconden eerder vergeleken. „Als er geen verschil tussen zit, gooit de computer de dubbele weg. Dat scheelt een hoop data, zeker omdat nachtvlinders vaak wel uren kunnen blijven zitten.”

Naast de camera met het verticale scherm was er een paar weken lang ook nog een tweede camera actief, gericht op een horizontaal geel scherm. „Die was om bijen te monitoren, omdat die niet op zo’n verticaal scherm afkomen. Maar camera nummer twee is al vrij snel overleden.”

Dat de schermen knalgeel zijn, is geïnspireerd door plakvallen in de landbouw: bloemzoekende insecten komen op de gele kleur af, en kleven dan vast aan het geel. „Dit werkt min of meer hetzelfde, alleen kunnen ze vervolgens weer wegvliegen.”

53 kilo insectensoep, dat kun je niet zomaar even snel determineren

Eelke Jongejans bioloog

Jongejans: „De laatste jaren zijn er verschillende onderzoeken naar de afname van insecten gedaan, onder andere door het gebruik van insecticiden, en de gevolgen daarvan voor bestuiving en voor insectenetende vogels. Samen met collega’s was ik bijvoorbeeld betrokken bij het Duitse Krefeld-onderzoek, waaruit naar voren kwam dat in 27 jaar de vliegende insectenbiomassa met 76 procent is afgenomen. 53 kilo insectensoep, dat kun je niet zomaar even snel determineren: daarom is in die Krefeld-studie eerst met biomassa gerekend. Dat is vanuit entomologisch oogpunt niet zo interessant – die willen weten welk beestje er rondvliegt – maar als je nadenkt over het functioneren van het gehele ecosysteem wordt het opeens wél boeiend.” Zeegers vult aan: „Vogelaars willen weten: hoe komt het dat sommige soorten zitten te verhongeren in hun nest? Dan komen die insecten in beeld: als de biomassa afneemt, is er minder voedsel beschikbaar.”

Het mooie van de foto’s is dat ze kunnen worden ingezet voor het bepalen van biomassa én – op termijn – voor het determineren van soorten, zegt Jongejans. Zeegers: „Daarbij moet je wel in je achterhoofd houden dat niet álle insectengroepen op zo’n geel scherm afkomen. Naast bijen mis je bijvoorbeeld ook dagvlinders, sprinkhanen en libellen.”

Sowieso zullen de camera’s niet zomaar vrijwilligers vervangen, benadrukt Jongejans. „Op termijn hopen we dat mensen ook zo’n camera in hun achtertuin zetten, zodat ze op hun mobiel kunnen zien wat er allemaal rondvliegt en rondkruipt en zo enthousiaster worden over insecten.” Nu kost één enkele camera nog duizend euro, maar die prijs ligt over een paar jaar vermoedelijk lager. „De kosten zitten ook in de randapparatuur: in de tuin heb je geen accu en zonnepaneel nodig, dat scheelt al enorm.” Zeegers: „En de 4G-dataverbinding die we hier gebruiken kost ook klauwen met geld.”

Er zijn vrijwilligers die al ruim 25 jaar één nacht per week insecten tellen

Theo Zeegers entemoloog

De software werkt in grote lijnen hetzelfde als die van andere identificatie-programma’s, zegt Zeegers. „Zo heb je bijvoorbeeld de app ObsIdentify, waarmee je ook dieren en planten kunt herkennen. Wij gebruiken een soortgelijk systeem, dat steeds bijleert. Met nachtvlinders halen we nu al een percentage van 92 procent herkenning tot op soortniveau, dat is ontzettend goed. Ik las vorig jaar een artikel waarin ze hetzelfde percentage haalden, maar dan met grote grazers op de savanne – een veel makkelijkere categorie dus.”

De komende jaren moet blijken hoe accuraat de camera’s uiteindelijk zullen worden. „Dit is het begin van een langjarig project”, zegt Zeegers. „Dit najaar gaan we verder met het schrijven van de software.” De ontwikkeling van digitale herkenningstechniek gaat „supersnel”, benadrukt hij. „In natuurgebied de Kaaistoep, bij Tilburg, zijn er vrijwilligers die al ruim 25 jaar één nacht per week insecten tellen. Zulke vrijwilligers, die ruim 800 nachten slaap opofferen, liggen niet voor het oprapen. De cameraval is de monitoring van de 21ste eeuw.”