水生昆虫的自动识别:使用深度学习和计算机视觉技术的案例研究
Predrag Simović1, Aleksandar Milosavljević2, Katarina Stojanović3
1Department of Biology and Ecology, Faculty of Science, University of Kragujevac, Radoja Domanovića 12, 34000 Kragujevac, Serbia.
The Science of the total environment
|May 13, 2024
概括
深度学习模型现在可以准确地识别水生昆虫,如,石和 (EPT) 进行环境监测. 这种人工智能方法显著加快了物种识别,改善了生物多样性研究和水质评估.
科学领域:
- 生态与环境科学 生态与环境科学
- 计算生物学 计算生物学
- 纳税学是一种分类学.
背景情况:
- 淡水生物监测依赖于敏感的指标物种,例如五月 (Ephemeroptera),石 (Plecoptera) 和 (Trichoptera) (EPT).
- 传统的EPT物种的形态识别是耗时的,昂贵的,容易导致分类学分辨率限制和错误识别.
研究的目的:
- 调查深度学习对提高EPT物种识别在生物监测中的效率和分类分辨率的有效性.
- 开发和验证用于自动化EPT分类的卷积神经网络 (CNN) 模型.
主要方法:
- 在90个EPT种群中编制了一个包含16,650张图像的综合数据库.
- 一个CNN模型在这个数据集上接受了自动物种分类的训练.
- 使用梯度加权类激活映射 (Grad-CAM) 来可视化分类驱动的形态特征.
主要成果:
- 美国有线电视新闻网模型的整体分类准确率为98.7%,68种种类型的准确率为100%.
- 即使是像Baetis,Hydropsyche和Perla这样的属内的形态上相似的种类,也获得了高精度.
- 格拉德-CAM分析确定了关键的形态特征 (头部,胸部,腹部),对于不同EPT顺序的分类至关重要.
结论:
- 深度学习提供了一种强大的解决方案,以克服EPT物种识别对生物监测的挑战.
- 开发的模型显著提高了效率和分类学分辨率,支持更强大的生物多样性研究和环境监测.
- 这种方法为水生昆虫识别数据库和生态研究中的AI应用建立了新的基准.
