Using deep-learning for automatic identification of images of marine benthic macro-invertebrate bycatch: a proof of concept

Martin A., Rosset N., Blettery J., Gousseau Y.

Date de parution: juillet 2023
Volume: 47
Number: 3
Pagination: 335-341
Editeur: Société Française d'Ichtyologie
doi: https://doi.org/10.26028/cybium/2023-021
Notes:

Corresponding author: Alexis Martin, alexis.martin@mnhn.fr

Résumé

We applied a deep-learning approach in order to develop a neural network able to detect and identify macro-invertebrate organisms within images of benthos bycatch collected in the Southern Ocean. We used the Faster RCNN architecture and fine-tuning approach. To perform the transfer-learning, we used an annotated dataset of 59,756 images of organisms identified within 1,845 images of lots, covering eleven taxa: Echinodermata, Asteroidea, Arthropoda, Annelida, Chordata, Hemichordata, Cnidaria, Porifera, Bryozoa, Brachiopoda and Mollusca. The resulting network, not yet efficient enough to obtain precise identifications, is able to provide detection and classification of organisms with a good level of accuracy considering the limited quality of the images used for training. We present this study as a proof of concept for teams involved in the management of collections of macro-invertebrate images.

Mots-clés: Annotated image collection - Automatic identification - Benthos - Bycatch - Deep-learning - Fisheries - Images - Kerguelen - Macro-invertebrates - Southern Ocean
Résumé en français

Utiliser l’apprentissage profond pour l’identification automatique d’images de macro-invertébrés marins issus de captures accessoires de benthos : une preuve de concept

Nous avons utilisé une technique d’apprentissage profond pour développer un réseau de neurones capable de détecter et d’identifier des macro-invertébrés au sein d’images de lots d’organismes. Nous avons retenu l’architecture Faster RCNN. Pour réaliser le transfert d’apprentissage, nous avons utilisé une collection de 59756 images annotées d’organismes détectés et identifiés au sein de 1845 images de lots. Cette collection comprend onze groupes taxonomiques : Echinodermata, Asteroidea, Arthropoda, Annelida, Chordata, Hemichordata, Cnidaria, Porifera, Bryozoa, Brachiopoda et Mollusca. S’il n’est pas encore suffisamment performant pour permettre des identifications fines, le réseau que nous avons obtenu est capable de détecter et classifier les organismes avec un bon niveau de précision compte tenu de la qualité limitée des images de la base d’entraînement. Nous présentons cette étude comme une preuve de concept pour les équipes impliquées dans la gestion des collections d’images de macro-invertébrés et souhaitant implémenter des techniques d’intelligence artificielle.

PDF visible uniquement pour les abonnés Cybium