人类在循环中:社区科学和机器学习的协同作用,以克服草本馆数字化瓶

科学领域:

• 生物多样性信息学 生物多样性信息学
• 数字人文学科 数字人文学科
• 计算生物学 计算生物学

背景情况:

• 数字化自然历史藏品,特别是草药馆标本,在将图像标签转换为数字文本方面面临重大瓶.
• 现有的转录样品标签的方法通常是缓慢的,劳动密集的,容易出现错误,阻碍了大规模数据的可访问性.

研究的目的:

• 开发和介绍一个半自动化解决方案,有效地将图像化草本馆标签转换为数字文本.
• 利用社区科学和机器学习来克服手动标签转录的局限性.

主要方法:

• 开发一个标签查找器和分类器,使用循环中的人类过程与Notes from Nature社区科学平台的培训数据.
• 实施针对样品标签量身定制的优化光学字符识别 (OCR) 管道,包括预处理,多个OCR引擎和后处理对齐技术.

主要成果:

• 在寻找和分类主要草本馆标签方面取得了超过93%的成功率.
• 与标准的开源解决方案相比,OCR管道显示错误减少了四倍以上.
• 在OCR工作流程中,通过自定义的"Notes from Nature"工具进行集成的人类验证.

结论:

• 一套功能性的工具,包括一个免费可访问的Web应用程序,已被开发用于草药馆的数字化.
• 提出的方法有效地解决了将图像标签转换为数字文本的效率瓶.
• 将这些服务进一步整合到现有的工具包中,可以促进广泛的社区采用,并加快生物多样性信息学的努力.