Kunstmatige intelligentie helpt ecologen sneller tellen
2 dec 2021Wetenschappers van het NIOZ (Koninklijk Nederlands Instituut voor Onderzoek der Zee), WUR (Wageningen University & Research) en EPFL (Swiss Federal Institute of Technology Lausanne) hebben een nieuw deep-learning model ontwikkeld voor het tellen van het aantal zeehonden op luchtfoto's. Door deze taak te automatiseren kan kostbare tijd bespaard worden.
Een interdisciplinair team van onderzoekers, waaronder Jeroen Hoekendijk (promovendus bij het NIOZ en WUR) en Devis Tuia (universitair hoofddocent en hoofd van het Environmental Computational Science and Earth Observation Laboratory aan de EPFL), heeft nu een efficiëntere aanpak bedacht om objecten in dergelijke ecologische onderzoeken te tellen. In hun studie, vandaag gepubliceerd in Scientific Reports, gebruiken ze hiervoor een zogenaamd deep-learning model. Met deze methode, een vorm van kunstmatige intelligentie, kan veel tijdwinst geboekt worden. Voor de zeehondenfoto’s kan het model bijvoorbeeld honderd beelden in minder dan een minuut verwerken - tegenover een uur voor een menselijke expert.
Geen labels nodig
Deep-learning modellen worden ‘getraind’ om aan de hand van gelabelde foto’s patronen leren te herkennen. "In de ecologie worden de meest gebruikte deep-learning modellen eerst getraind om individuele objecten te detecteren, waarna de gedetecteerde objecten worden geteld. Voor dit type model is het nodig dat elk object individueel gelabeld is tijdens de training", zegt Hoekendijk. De methode die het onderzoeksteam toepast maakt het echter overbodig om vooraf individuele zeehonden te labelen. In plaats daarvan maakt het model gebruik van het totaal aantal zeehonden dat zichtbaar is op de foto. Vervolgens kan het getrainde model gebruikt worden om zeehonden te tellen in nieuwe beelden, maar bijvoorbeeld ook in beelden die wegens tijdgebrek niet eerder konden worden geanalyseerd. De manier waarop zeehonden op luchtfoto's te zien zijn, kan per foto aanzienlijk verschillen, afhankelijk van de hoogte en de hoek waaronder de foto genomen is. Het onderzoeksteam testte daarom ook de nauwkeurigheid van het model voor dergelijke variaties.
Van macro naar micro
Om de potentie van hun deep-learning model aan te tonen, pasten de wetenschappers hun methode daarnaast toe op een fundamenteel andere dataset, van een veel kleinere schaal: foto’s van microscopische groeiringen in gehoorstenen van vissen. Deze gehoorstenen, ook wel otolieten genoemd, zijn harde, calciumcarbonaatstructuren die zich direct achter de hersenen van een vis bevinden. De wetenschappers trainden hun model om de in de foto’s zichtbare groeiringen te tellen, welke worden gebruikt om de leeftijd van de vis te schatten. Deze groeiringen zijn uiterst moeilijk om individueel te labelen. Door net als bij de zeehonden ook hier de computer te vertellen hoeveel ringen er op de foto staan, leerde het computermodel zelf de cryptische groeiringen te herkennen en te tellen. Het onderzoeksteam stelde vast dat hun model ongeveer dezelfde foutmarge had als menselijke experts, maar dat het honderd beelden in minder dan een minuut kon verwerken, terwijl een expert daar drie uur over zou doen.
Volgende stap
De volgende stap is het toepassen van een soortgelijke aanpak op satellietbeelden van ontoegankelijke Arctische gebieden, waar verschillende zeehondenpopulaties leven die op de Rode Lijst van bedreigde diersoorten staan, samengesteld door de IUCN (International Union for Conservation of Nature). In de toekomst willen de onderzoekers een soortgelijke aanpak gebruiken om bedreigde soorten te bestuderen in dit afgelegen deel van de wereld, waar de temperaturen twee keer zo snel stijgen als elders op de planeet. Weten waar de dieren zich ophouden is essentieel om deze vaak bedreigde soorten beter te beschermen.