En la actualidad, la identificación de peces de agua dulce requieren de especialistas que tengan altos niveles de capacitación y experiencia taxonómica para la identificación morfológica, o de pruebas genéticas para el reconocimiento de especies a nivel molecular.
Investigadores de la Smithsonian Institution, del Instituto de Investigaciones de la Amazonía Peruana (IIAP), y del Smithsonian National Zoo and Conservation Biology Institute desarrollaron un clasificador de imagen de aprendizaje profundo basado en un modelo de enmascaramiento de imágenes (U-Net) y una red neuronal convolucional (CNN) para clasificar los peces amazónicos en fotografías.
Etapas de preprocesamiento y entrenamiento
Para construir la base de datos de entrenamiento, los investigadores removieron todas las imágenes incidentales y de peces no identificados. Con esta información ellos construyeron un modelo de segmentación U-Net.
Los investigadores entrenaron el clasificador de imágenes para distinguir entre 33 géneros de peces basados en las imágenes enmascaradas.
Validación del modelo
“Fuimos capaces de construir un modelo que puede identificar rápidamente imágenes de peces amazónicos a nivel de género con 97.99% de exactitud, comparado con otros estudios de aprendizaje profundo”, reportan.
Según los resultados del estudio, de las 12 imágenes incorrectamente clasificados, 7 fueron mal clasificados con respecto a su familia, mientras que 2 imágenes fueron mal clasificados con respecto a su orden.
“Los resultados demuestran la importancia de la calidad de la imagen, la cantidad de imágenes y la especificidad taxonómica para generar modelos de clasificación de imágenes que serán útiles para identificar las diversas taxas en entornos geográficos remotos”, informaron.
Ellos destacan que la lejanía de las localidades muestreadas como parte del estudio y la naturaleza críptica de las especies endémicas de estos lugares limitaron significativamente la cantidad de imágenes que pudieron obtener del campo.
“Combatimos la limitación de la cantidad de imágenes fotografiando especímenes de museo disponibles”, dijeron los investigadores.
Con este enfoque híbrido, ellos pudieron duplicar la cantidad de datos disponibles para generar el modelo.
Conclusión
“Generamos un modelo CNN que identificó 33 géneros de peces con una precisión media del 97.9%”, reportan los investigadores.
Asimismo, destacan que una mayor disponibilidad de herramientas precisas de reconocimiento de imágenes de peces de agua dulce, permitirá a los pescadores, las comunidades locales y los científicos ciudadanos participar de manera más efectiva en la recopilación y el intercambio de datos.
Contacto
Alexander J. Robillard
Data Science Lab
Office of the Chief Information Officer
Smithsonian Institution
Washington, DC 20013, USA.
Email: robillarda@si.edu
Referencia (acceso libre)
Robillard, A. J., Trizna, M. G., Ruiz-Tafur, M., Dávila Panduro, E. L., de Santana, C. D., White, A. E., Dikow, R. B., & Deichmann, J. L. (2023). Application of a deep learning image classifier for identification of Amazonian fishes. Ecology and Evolution, 13, e9987. https://doi.org/10.1002/ece3.9987
