Identifikace zvěře pomocí umělé inteligence

Abstract

Tato práce se zabývá biometrickým rozpoznáváním zvěře se zaměřením na využití struktury čenichu jako identifikačního znaku. Shrnuje dostupné metody individuální identifikace zvířat, přístupy k detekci objektů a vytváření vektorových reprezentací (embeddingů) obrazových dat pomocí neuronových sítí. Na základě těchto poznatků bylo navrženo a implementováno řešení kombinující detekci čenichu pomocí modelu YOLO11n a následnou identifikaci jedince pomocí embeddingového modelu. Systém dosahuje velmi vysoké úspěšnosti detekce (mAP50 = 0,995). Při srovnání tří embeddingových architektur (ResNet-50, EfficientNet_B1, MobileNet_V3_Large) dosáhl nejlepší výsledků model MobileNet_V3_Large. Při optimálním rozhodovacím prahu pro daný dataset dosáhl celkové přesnosti 95,8 %, zatímco při prahu maximalizujícím balanced accuracy činila tato metrika 88,1 %. Výsledky zároveň potvrdily schopnost modelu generalizovat na nové, dosud neviděné jedince, aniž by bylo nutné jej přeučovat.

This thesis focuses on biometric identification of animals, with an emphasis on utilizing the structure of the animal’s muzzle as an identifying feature. It summarizes available methods for individual animal identification, approaches to object detection, and techniques for generating vector representations (embeddings) of image data using neural networks. Based on these findings, a solution was designed and implemented that combines muzzle detection using the YOLO11n model and individual identification using an embedding model. The system achieves very high detection performance (mAP50 = 0.995). Among the three evaluated embedding architectures (ResNet-50, EfficientNet_B1, MobileNet_V3_Large), the best results were achieved by MobileNet_V3_Large. With the optimal decision threshold for the dataset, the model achieved an overall accuracy of 95.8%, while a threshold maximizing the balanced accuracy resulted in a balanced accuracy of 88.1%. The results also confirmed the model’s ability to generalize to previously unseen individuals without requiring retraining.